CC BY
20
УДК 621.31: 658.588.2:53.082.4: 004.032.26 ББК 32.873
А.В. БЫЧКОВ, П.Н. ФЕДОРОВА, Л.А. СЛАВУТСКИЙ
НЕЙРОАЛГОРИТМ ДЛЯ ОЦЕНКИ ЧАСТОТЫ ВИБРАЦИЙ ЭЛЕКТРООБОРУДОВАНИЯ ПРИ ДИСТАНЦИОННОМ УЛЬТРАЗВУКОВОМ КОНТРОЛЕ
Ключевые слова: искусственная нейронная сеть, виброконтроль, ультразвуковые импульсы, электрооборудование.
Предлагается использование аппарата искусственных нейронных сетей для обработки данных активного ультразвукового виброконтроля электрооборудования. Нейросете-вой алгоритм применяется для оценки частоты низкочастотных вибраций при импульсном ультразвуковом зондировании вибрирующей поверхности. Обучение нейросе-ти прямого распространения с обратным распространением ошибки осуществляется на данных численного моделирования задержки ультразвуковых импульсов, отраженных от вибрирующей поверхности. При этом используется выборка из 37 000 импульсов. Погрешность обучения нейросети при 100% распознавании связей не превышает одного процента. Обученная таким образом искусственная нейронная сеть применялась для обработки экспериментальных данных. Для повышения точности измерения временной задержки использовались цифровая фазовая модуляция ультразвуковых импульсов и их корреляционная обработка. Экспериментально показано, что при высоком качестве обучения нейросетевой модели обработка данных, полученных на лабораторной установке, позволяет оценить нестационарную частоту вибраций при низкой частоте импульсного ультразвукового зондирования - 3-4 импульса на период колебаний отражающей поверхности электрооборудования. Точность определения частоты вибраций в этих условиях составляет единицы процентов.
Введение. Аппарат искусственных нейронных сетей (ИНС) является одной из основ искусственного интеллекта (ИИ) [30, 39, 40] и методов интеллектуального анализа данных (МИАД, data mining) [5, 14, 36, 44]. ИНС используется для широкого круга задач: в метеорологии [27], психологии [13, 41], медицинской диагностике [7] и анализе данных в химических лабораториях [1,8], цифровой технике [23, 28], в том числе для распознавания образов и обработки сигналов [25, 26, 32, 33]. Сложность нейросетевых алгоритмов и архитектуры используемой ИНС зависит от решаемых задач [4]. В настоящей работе приводится пример использование наиболее простой ИНС прямого распространения с обратным распространением ошибки [27, 42] для обработки данных активного дистанционного виброконтроля электрооборудования.
Вибрационный контроль [9, 11, 37] может осуществляться разными методами, которые можно классифицировать как контактные и дистанционные [6, 20], активные и пассивные [6, 15, 22]. Наиболее широко распространены контактные пьезоэлектрические датчики [15, 16, 19], однако для контроля вибраций на низких частотах контактными методами оказывается достаточно сложно обеспечить необходимую чувствительность, динамический диапазон и линейные характеристики, что требует создания специальных приборов сейсмического типа [17, 24].
Активный ультразвуковой (УЗ) виброконтроль (дистанционное зондирование вибрирующей поверхности), с одной стороны, позволяет измерить
вибрации в широком диапазоне частот [2, 10, 21], с другой - позволяет создавать адаптивные алгоритмы вибрационного контроля, поскольку дает возможность менять частоту и длительность зондирующих импульсов, угол отражения ультразвука и т.д.
Методика дистанционного контроля. Схема дистанционных измерений и моделирования УЗ системы контроля вибраций показана на рис. 1.
Отражение ультразвуковой волны в эксперименте происходит от вибрирующей с частотой fV поверхности. Генератор (G - generator) формирует пакеты УЗ импульсов с частотой 40 кГц. Акустическая волна излучается УЗ преобразователем (UST - ultrasound transducer), распространяется до вибрирующей поверхности и, отражаясь от неё, принимается вторым УЗ преобразователем (приёмником). Электрический сигнал с выхода приёмного преобразователя подается на смеситель (M - mixer), на второй вход которого подается эталонный сигнал (etalon signal). Сигналы, излучаемые генератором и эталонный сигнал, являются фазомодулированными. Модуляция производится согласно коду Баркера 7-го порядка [18, 29, 34, 38]. В интеграторе (I - integrator) производится расчёт взаимной корреляционной функции (ВКФ) сигнала в приёмнике с эталонным сигналом. Цифровая фазовая модуляция позволяет значительно повысить эффективность корреляционного приема [31, 35, 43]. Спектральная обработка и нейросетевой анализ производится в блоке анализатора (A - analyzer). Цифровая система формирования и обработки сигналов частично реализована на программируемой логической интегральной схеме (FPGA - field-programmable gate array). Соответствующие программно-аппаратные средства были апробированы в устройстве УЗ уровнемера [12] и устройстве контроля газовых потоков [3].
Моделирование рассеяния УЗ импульсов на вибрирующей поверхности проводилось в лучевом приближении при задании формы УЗ сигнала следующим образом:
где &у - циклическая частота колебаний поверхности &у = 2%/у; с - скорость звука; Ь - расстояние вдоль луча до поверхности; 5 - проекция амплитуды ко-
fr
М
Рис. 1. Схема экспериментальных измерений и обработки сигналов
(1)
лебаний поверхности на направление луча; А(г) - функция, описывающая импульс на опорной частоте сигнала/= 40 кГц с частотно-фазовой модуляцией.
Минимальная длительность импульсов, возбуждаемых резонансным УЗ передатчиком, равна десяткам периодов несущей УЗ волны. Для частоты 40 кГц длительность импульса составляет порядка 1 мс, что соответствует 40 периодам несущей частоты [3].
Оценка частоты колебаний поверхности производилась по анализу формы ВКФ, а точнее - по анализу средневзвешенного положения «центра тяжести» (ЦТ) огибающей мощности корреляционной функции [3, 21]:
| г • Ж (г) Л с " (г) Л , где Ж (г) - огибающая мощности ВКФ.
На рис. 2, а показаны примеры экспериментальной (сплошная линия) и теоретической (пунктирная линия) зависимостей положения ЦТ ВКФ. Частота колебаний отражающей поверхности в эксперименте при амплитуде 9 мм составляла примерно 0,5 Гц и являлась величиной непостоянной. На рис. 2, б представлены спектры этих зависимостей, из которых видно (в теоретически рассчитанной и полученной зависимости положения ЦТ ВКФ на основе экспериментальных данных) наличие двух пиков на частотах ~0,43 и ~0,49 Гц. Таким образом, моделирование и экспериментальные измерения проводились при нестационарной частоте вибраций, которая менялась в переделах 10-15%.
б
Рис. 2. Экспериментальный (сплошная линия) и теоретический (пунктирная линия) графики положения средневзвешанного положения огибающей мощности ВКФ (а) и их амплитудные спектры с указанием значений частот в пиковых точках (б). Частота вибраций поверхности ~ 0,43-0,5 Гц
Спектральный анализ временных зависимостей в данном случае затрудняется тем, что частота дискретизации такого сигнала определяется частотой зондирующих импульсов (порядка 3-4 отсчетов на один период колебании поверхности). Данное ограничение связано с длительностью записи, обработки сигналов и расчета временной задержки положения ЦТ [2, 21]. В этих условиях производился анализ данных при помощи ИНС прямого распространения с обратным распространением ошибки [27, 42]. Для дополнительной проверки результатов проводилась аппроксимация соответствующих временных зависимостей методом наименьших квадратов.
Алгоритм и структура нейронной сети. На рис. 3, а представлена архитектура простой ИНС. Структурно нейронная сеть состоит из 6 входных нейронов, что соответствует числу дискретных отсчетов примерно двух периодов колебаний поверхности. В скрытом слое ИНС имеет от 5 до 10 нейронов. На выходе ИНС предполагается получать значение частоты сигнала /у. Обучение ИНС осуществлялось при количестве записей сигнала N = 37 000. Моделирование сигналов для обучения ИНС проводилось при варьировании колебаний поверхности по значениям начальной фазы и частоты.
t\
Н Ь
и н и
1001—г 80
60
Рис. 3. Структура нейронной сети (а) и гистограмма ошибок при обучении ИНС (б). Сплошная кривая - сумма с накоплением.
Так как число связей между нейронами (от 30 до 60) значительно меньше N точность распознавания сигнала можно оценить по качеству обучения ИНС,
гистограмме распределения среднеквадратичной ошибки. В таблице приведены значения максимальной и среднеквадратической ошибок для ИНС с 5 и 10 нейронами в скрытом слое, соответственно. Распознаваемость в обоих случаях - 100%. На рис. 3, б показан пример гистограммы распределения ошибок при обучении ИНС для случая 10 нейронов в скрытом слое. в данном случае определяет количество примеров в процентах из общей выборки N для которых среднеквадратичная ошибка находится в соответствующем интервале.
Значения максимальной и среднеквадратической ошибок при обучении ИНС
Количество нейронов в скрытом слое Максимальная ошибка (СТмакс) Среднеквадратическая ошибка (ст^ Распознавание связей (5)
5 1,12-10-2 6,44-10-4 100%
10 3,52 10-3 1,45-10-4 100%
Как видно из таблицы и рис. 3, погрешность идентификации значения частоты не превышает 0,4% (3,52-10-3).
После обучения ИНС на данных математического моделирования на ее вход подавались временные зависимости задержки УЗ сигналов, полученные экспериментально в лабораторных условиях при отражении от вибрирующей поверхности.
На рис. 4 приведены результаты использования ИНС для обработки экспериментальной временной зависимости задержки сигналов, показанной на рис. 2. Зависимость получена по 65 отсчетам (значениям ЦТ) при вводе значений задержки на вход ИНС в «скользящем окне» по 6 значениям. ИНС обучалась в диапазоне частот вибраций от 0,2 до 0,6 Гц. Средние локальные значения частот, вычисленные при помощи ИНС на трех одинаковых временных интервалах, составляют 0,432; 0,471; 0,458 Гц, что отмечено на рисунке пунктиром. Перекрестиями обозначены значения частот пиков, полученных при помощи спектрального анализа, - 0,425; 0,488; 0,433 Гц.
0.6
^ 0.4 Ч
0.2
0 10 20 30 40 50 60
N
Рис. 4. Результаты расчёта частоты вибраций с помощью ИНС (сплошная линия), их локальные линейные тренды (пунктирная линия) и значения частот при использовании спектрального анализа (перекрестия)
Из рис. 4 видно, что значения частоты колебаний поверхности, рассчитанные при помощи спектрального анализа положения ЦТ ВКФ и при помощи нейроалгоритма, отличаются в пределах единиц процентов. И при этом
они близки к теоретически рассчитанным значениям частоты вибраций. Результаты демонстрируют возможности аппарата ИНС для анализа вибросигналов в условиях малых частот дискретизации.
Заключение. Таким образом, результаты моделирования и обработки экспериментальных данных при активном импульсном УЗ контроле низкочастотных вибраций позволяют сделать следующие выводы:
1. Измерения строятся на кинематическом принципе: фиксируются изменения в положении поверхности объекта. Поэтому предложенная методика практически не имеет ограничений по частоте в низкочастотной области колебаний. Для оценки основной частоты вибраций достаточно 3-4 зондирующих УЗ импульсов на период колебаний поверхности.
2. Для экспериментальной идентификации основной частоты вибраций показана возможность использования нейронной сети прямого распространения с простой архитектурой. При этом необходимо учитывать, что численное моделирование задержки УЗ сигналов, которое использовалось для обучения ИНС, проводилось приближенно, без учета дифракционных эффектов при рассеянии ультразвука, неизбежно возникающих гармоник основной частоты вибраций и т.д. В таких условиях полученная экспериментально точность оценки (нестационарной) частоты единицы процентов может считаться достаточно высокой.
3. При изменении частоты зондирующих УЗ импульсов ИНС может использоваться вместе с традиционным спектральным анализом данных и аппроксимацией дискретных временных зависимостей задержки сигналов. В целом предлагаемый подход позволяет реализовать адаптивные алгоритмы активного виброконтроля.
Литература
1. Баскин И.И., Палюлин В.А., Зефиров Н.С. Применение искусственных нейронных сетей в химических и биохимических исследованиях // Вестник Московского университета. Сер. 2. Химия. 1999. Т. 40, № 5. С. 86-96.
2. Бычков А.В., Славутский Л.А. Возможности корреляционной обработки импульсных ультразвуковых сигналов при бесконтактном виброконтроле оборудования электроэнергетики // Вестник Чувашского университета. 2018. № 3. С. 24-32.
3. БычковаИ.Ю., БычковА.В., Славутский Л.А. Цифровая фазовая модуляция и корреляционная обработка ультразвуковых сигналов для импульсных измерений в неоднородной среде // Приборы и техника эксперимента. 2018. № 3. С. 114-119. DOI: 10.1134/S0020441218030077.
4. Горбань А.Н., Дунин-Барковский В.Л. Нейроинформатика. Новосибирск: Наука, Сибирское отд-ние РАН, 1998. 296 с.
5. ДюкВ., СамойленкоА. Data Mining. СПб.: Питер, 2001. 386 с.
6. КостюковВ.Н. Основы виброакустической диагностики и мониторинга машин. Омск: Изд-во ОмГТУ, 2011. 360 с.
7. Костюкова Н.И. Система принятия решений в области медицинской диагностики и выбора оптимальных решений по технологии Data Mining // Открытое образование. 2010. Прил. С. 145-146.
8. Кузнецова А.В., Сенько О.В. Возможности использования методов Data Mining при медико-лабораторных исследованиях для выявления закономерностей в массивах данных // Врач и информационные технологии. 2005. № 2. С. 49-56.
9. Матюшкова О.Ю., Тэттэр В.Ю. Современные методы виброакустического диагностирования // Омский научный вестник. 2013. № 3(123). С. 294-299.
10. Николаев А.А., Славутский Л.А. Дистанционный контроль ультразвуковых магнито-стрикционных преобразователей противонакипных устройств // Вестник Чувашского университета. 2008. № 2. С. 228-232.
11. Русов В.А. Диагностика дефектов вращающегося оборудования по вибрационным сигналам. Пермь: ДимРус, 2012. 200 с.
12. Славутский Л.А., Костюков А.С. Статистическая погрешность ультразвукового цифрового уровнемера с частотно-фазовой модуляцией сигнала // Приборы и системы. Управление, контроль, диагностика. 2009. № 8. C. 35-37.
13. Славутская Е.В., АбруковВ.С., Славутский Л.А. Нейросетевой системный анализ уровневых психологических характеристик // Вестник Чувашского университета. 2016. № 1. С. 164-173.
14. Финн В.К Об интеллектуальном анализе данных // Новости искусственного интеллекта. 2004. № 3. С. 3-18.
15. ШараповВ.М., МусиенкоМ.П., ШараповаЕ.В. Пьезоэлектрические датчики. М.: Техносфера, 2006. 632 с.
16. Янич В.В. Пьезоэлектрические виброизмерительные преобразователи. Т. 7. Пьезоэлектрическое приборостроение. Ростов: Изд-во ЮФУ, 2010. 304 с.
17. Aldasouqi I., ShaoutA. Earthquake Monitoring System Using Ranger Seismometer Sensor. International journal of geology, 2009, vol. 3, no. 3, pp. 55-59.
18. Banket V., Manakov S. Composite Walsh-Barker Sequences. In: Proc. of 9th Int. Conf. on Ultrawideband and Ultrashort Impulse Signals (UWBUSIS), 2018. C. 343-347. DOI: 10.1109/UWBUSIS.2018.8520220.
19. Bartoletti С., Desiderio M., Carlo D.Di., Fazio G., Muzi F., Sacerdoti G., Salvatori F. Vibro-acoustic techniques to diagnose power transformers. IEEE Transactions on Power Delivery, 2004, no. 19, pp. 221-229. DOI: 10.1109/TPWRD.2003.820177.
20. Ben-Yosef N., Ginio О., Weitz A. Measurement and analysis of mechanical vibrations by means of optical heterodyning techniques. Journal of physics E: Scient. Instruments, 1974, vol. 7, no. 3, p. 218. DOI: 10.1088/0022-3735/7/3/323.
21. Bychkov A., Bychkova I., Slavutskii L. Active Ultrasonic Vibration Control of Electrical Equipment: Correlation Signal Processing. In: Proc. of Int. Ural Conf. on Electrical Power Engineering (UralCon), 2019, pp. 244-248. DOI: 10.1109/URALC0N.2019.8877666.
22. Cristallia C., Paoneb N., Rodríguezc R.M. Mechanical fault detection of electric motors by laser vibrometer and accelerometer measurements. Mechanical Systems and Signal Processing, 2006, no. 20, pp. 1350-1361. DOI:10.1016/j.ymssp.2005.11.013.
23. Dillon T.S., Niebur D. Neural Networks Application in Power Systems. London, CRL Ltd. Publ., 1996.
24. Dupuis J.C., ButlerK.E., KepicA.W., HarrisB.D. Anatomy of a seismoelectric conversion: Measurements and conceptual modeling in boreholes penetrating a sandy aquifer. Journal of geophysical research, 2009, vol. 114. DOI: 10.1029/2008JB005939.
25. Hinton G., Deng L., Yu D., Dahl G., Mohamed A., Jaitly N., Senior A., Vanhoucke V., Nguyen P., Sainath T., Kingsbury B. Deep Neural Networks for Acoustic Modeling in Speech Recognition - The shared views of four research groups. IEEE Signal Processing Magazine, 2012, vol. 29, no. 6, pp. 82-97. DOI: 10.1109/msp.2012.2205597.
26. Jambukia S.H., Dabhi V.K., Prajapati H.B. Classification of ECG signals using machine learning techniques: A survey. In: Proc. of Int. Conf. on Advances in Computer Engineering and Applications, 2015, pp. 714-721. DOI: 10.1109/ICACEA.2015.7164783.
27. Kakar S.A., Sheikh N., Naseem A., Iqbal S, Rehman A., Kakar A., KakarB.A., KakarH.A., Khan B. Artificial Neural Network based Weather Prediction using Back Propagation Technique. International Journal of Advanced Computer Science and Applications, 2018, vol. 9, no. 8, pp. 462470. DOI: 10.14569/IJACSA.2018.090859.
28. KezunovicM. A Survey of Neural Net Applications to Protective Relaying and Fault Analysis. Engineering Intelligent Systems, 1997, vol. 5, no. 4, pp. 185-192.
29. Kim P., JungE., Bae S., Kim K., Song T. Barker-sequence-modulated golay coded excitation technique for ultrasound imaging. In: Proc. of International Ultrasonics Symposium (IUS), 2016, pp. 1-4. DOI: 10.1109/ULTSYM.2016.7728737.
30. Kumar K., Thakur G.S.M. Advanced Applications of Neural Networks and Artificial Intelligence: A Review. International Journal of Information Technology and Computer Science, 2012, no. 6, pp. 57-68. DOI: 10.5815/ijitcs.2012.06.08.
31. Lakshmi Ch.R., Trivikramarao D., Subhani Sk., Ghali V.S. Barker coded thermal wave imaging for anomaly detection. In: Proc. of Conf. on Signal Processing And Communication Engineering Systems (SPACES), 2018, pp. 198-201. DOI: 10.1109/SPACES.2018.8316345.
32. LeCun Y., Bengio Y. Convolutional Networks for Images, Speech, and Time-Series. In: Arbib M.A., ed. The Handbook of Brain Theory and Neural Networks. Cambrige, MIT Press, 1995.
33. MattiD., EkenelH.K., Thiran J.P. Combining LiDAR space clustering and convolutional neural networks for pedestrian detection. Proc. of 14th IEEE International Conference on Advanced Video and Signal Based Surveillance, 2017, pp. 1-6. DOI: 10.1109/AVSS.2017.8078512.
34. Matsuyuki S., Tsuneda A. A Study on Aperiodic Auto-Correlation Properties of Concatenated Codes by Barker Sequences and NFSR Sequences. In: Proc. of Int. Conf. on Information and Communication Technology Convergence (ICTC), 2018, pp. 664-666. DOI: 10.1109/ICTC.2018.8539367.
35. Omar S-M., Kassem F., MitriR., HijaziH., SalehM. A novel barker code algorithm for resolving range ambiguity in high PRF radars. In: Proc. of European Radar Conf. (EuRAD), 2015, pp. 81-84. DOI: 10.1109/EuRAD.2015.7346242.
36. Petrushin V.A., Khan L. Multimedia Data Mining and Knowledge Discovery. New York, Springer-Verlag, 2006, 539 p.
37. RivasE., Burgos J.C., Garcia-Prada J.C. Condition Assessment of Power OLTC by Vibration Analysis Using Wavelet Transform. IEEE Transactions on Power Delivery, 2009, no. 24, pp. 687-694. DOI: 10.1109/TPWRD.2009.2014268.
38. Riznyk O., Balych B., YurchakI. A synthesis of barker sequences is by means of numerical bundles. In: Proc. of 14th Int. Conf. The Experience of Designing and Application of CAD Systems in Microelectronics (CADSM), 2017, pp. 82-84. DOI: 10.1109/CADSM.2017.7916090.
39. Samarasinghe S. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition. 1st ed. Boca Raton, Auerbach Publications, 2006, 570 p.
40. Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks, 2014, no. 61, pp. 85-117. DOI: 10.1016/j.neunet.2014.09.003.
41. Slavutskaya E.V., Slavutskii L.A. Preteen Age: The Analysis Of The Multilevel PsychoDiagnostic Data Based On Neural Network Models. Society. Integration. Education: Proceedings of the Scientific Conference, 2018, iss. 5, pp. 455-464. DOI: 10.17770/ sie2018vol1.3348.
42. Su H., Li G., Yu D., Seide F. Error back propagation for sequence training of context-dependent deep networks for conversational speech transcription. In: Proc. of Int. Conf. on Acoustics Speech and Signal Processing (ICASSP), 2013, pp. 6664-6668.
43. Wang Sh., He P. Research on Low Intercepting Radar Waveform Based on LFM and Barker Code Composite Modulation. Proc. of Int. Conf. on Sensor Networks and Signal Processing (SNSP), 2019, pp. 297-301. DOI: 10.1109/SNSP.2018.00064.
44. Witten I.H., Frank E., Hall M.A., Kaufmann M. Data Mining: Practical Machine Learning Tools and Techniques. 3rd ed. Amsterdam, Elsevier, 2011, 629 p.
БЫЧКОВ АНАТОЛИЙ ВЛАДИМИРОВИЧ - аспирант, кафедра электрических и электронных аппаратов, Чувашский государственный университет, Россия, Чебоксары (bav.xlab@mail.com).
ФЕДОРОВА ПОЛИНА НИКОЛАЕВНА - магистрант факультета радиоэлектроники и автоматики, Чувашский государственный университет, Россия, Чебоксары (feodorowa.polya@yandex.ru).
СЛАВУТСКИЙ ЛЕОНИД АНАТОЛЬЕВИЧ - доктор физико-математических наук, профессор кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (las_co@mail.ru).
A. BYCHKOV, P. FEDOROVA, L. SLAVUTSKII NEURO ALGORITHM TO ESTIMATE VIBRATION FREQUENCY OF ELECTRICAL EQUIPMENT USING REMOTE ULTRASONIC CONTROL
Key words: artificial neural network, vibration control, ultrasonic pulses, electrical equipment.
The paper proposes using an apparatus of artificial neural networks (ANN) for data processing of ultrasonic (US) vibration control of electrical equipment. The neural network algorithm is used to estimate the frequency of low-frequency vibrations during pulsed ultrasonic probing of a vibrating surface. The training of direct propagation ANN with the back error propagation is carried out on the numerical simulation data of the ultrasonic pulses delay reflected from a vibrating surface. The sample of 37 000 pulses is used. The neural network training error at 100% link recognition does not exceed one percent. Thus ANN was used for experimental data processing. Digital phase modulation of ultrasonic pulses and their correlation processing were used to increase the accuracy of measuring the delay time. It has been experimentally shown that with high quality of training of neural network model, the results of studies obtained in a laboratory setup make it possible to estimate the unsteady vibration frequency at a low frequency of pulsed ultrasonic sounding - 3-4 pulses with periodic oscillations of the reflecting surface of electrical equipment. The accuracy of determining the frequency of vibrations under these conditions is a few percent.
References
1. Baskin I.I., Palyulin V.A., Zefirov N.S. Primenenie iskusstvennykh neironnykh setei v khimicheskikh i biokhimicheskikh issledovaniyakh [The use of artificial neural networks in chemical and biochemical studies]. VestnikMoskovskogo universiteta. Ser. 2. Chimiya, 1999, vol. 40. no. 5, pp. 86-96.
2. Bychkov A.V., Slavutskii L.A. Vozmozhnosti korrelyatsionnoi obrabotki impul'snykh ul'tra-zvukovykh signalov pri beskontaktnom vibrokontrole oborudovaniya ehlektroehnergetiki [Capabilities of correlation processing of pulse ultrasonic signals for noncontact vibration control of electric power industry equipment]. Vestnik Chuvashskogo universiteta, 2018, no. 3, pp. 24-32.
3. Bychkova I.Yu., Bychkov A.V., Slavutskii L.A. Tsifrovaya fazovaya modulyatsiya i korrelyatsionnaya obrabotka ul'trazvukovykh signalov dlya impul'snykh izmerenii v neodnorodnoi srede [Digital phase modulation and correlation processing of ultrasound signals for pulsed measurements in an inhomogeneous medium]. Pribory i tekhnika eksperimenta, 2018, no. 3, pp. 114-119. DOI: 10.1134/S0020441218030077.
4. Gorban' A.N., Dunin-Barkovskii V.L. Neiroinformatika [Neuroinformatics]. Novosibirsk, Nauka Publ., 1998, 296 p.
5. Dyuk V., Samoilenko A. Data Mining [Data mining]. St. Petersburg, Piter Publ., 2001, 386 p.
6. Kostyukov V.N. Osnovy vibroakusticheskoi diagnostiki i monitoringa mashin [Fundamentals of machinery vibroacoustic analysis and monitoring]. Omsk, Omsk State Technical University Publ., 2011, 360 p.
7. Kostyukova N.I. Sistema prinyatiya reshenii v oblasti meditsinskoi diagnostiki i vybora optimal'nykh reshenii po tekhnologii Data Mining [Decision-making system in the field of medical diagnostics and selection of optimal solutions using Data Mining technology]. Otkrytoe obrazovanie, 2010, appendix to the journal, pp. 145-146.
8. Kuznetsova A.V., Sen'ko O.V. Vozmozhnosti ispol'zovaniya metodov Data Mining pri mediko-laboratornykh issledovaniyakh dlya vyyavleniya zakonomernostei v massivakh dannykh [Possibilities of using Data Mining methods in medical and laboratory research to identify patterns in data arrays]. Vrach i informatsionnye tekhnologii, 2005, no. 2, pp. 49-56.
9. Matyushkova O.Yu., Tetter V.Yu. Sovremennye metody vibroakusticheskogo diagnostiro-vaniya [Modern methods of vibroacoustic diagnostics]. Omskii nauchnyi vestnik, no. 3(123), 2013, pp. 294-299.
10. Nikolaev A.A., Slavutskii L.A. Distantsionnyi kontrol' ul'trazvukovykh magnitostriktsionnykh preobrazovatelei protivonakipnykh ustroistv [Remote control of ultrasonic magtetostrictive transducers for scale distortion devices]. Vestnik Chuvashskogo universiteta, 2008, no. 2, pp. 228-232.
11. Rusov V.A. Diagnostika defektov vrashchayushchegosya oborudovaniya po vibratsionnym signalam [Diagnosis of defects in rotating equipment by vibration signals]. Perm, DimRus Publ., 2012, 200 p.
12. Slavutskii L.A., Kostyukov A.S. Statisticheskaya pogreshnost' ul'trazvukovogo tsifrovogo urovnemera s chastotno-fazovoi modulyatsiei signala [Statistical error of an ultrasonic digital level meter with frequency-phase modulation of the signal]. Pribory i sistemy. Upravlenie, kontrol', diagnostika, 2009, no. 8, pp. 35-37.
13. Slavutskaya E.V., Abrukov V.S., Slavutskii L.A. Neirosetevoi sistemnyi analiz urovnevykh psikhologicheskikh kharakteristik [Neural network system analysis of the split-level psychological characteristics. Vestnik Chuvashskogo universiteta, 2016, no. 1, pp. 164-173.
14. Finn V.K. Ob intellektual'nom analize dannykh [About data mining]. Novosti iskusstven-nogo intellekta, 2004, no. 3, pp. 3-18.
15. Sharapov V.M., Musienko M.P., Sharapova E.V. P'ezoelektricheskie datchiki [Piezoelectric sensors]. Moscow, Tekhnosfera Publ., 2006. 632 p.
16. Yanich V.V. P'ezoehlektricheskie vibroizmeritel'nye preobrazovateli. T. 7. P'ezo-ehlektri-cheskoe priborostroenie [Piezoelectric vibration transducers. Vol. 7: Piezoelectric Instrumentation]. Rostov, 2010, 304 p.
17. Aldasouqi I., Shaout A. Earthquake Monitoring System Using Ranger Seismometer Sensor. International journal of geology, 2009, vol. 3, no. 3, pp. 55-59.
18. Banket V., Manakov S. Composite Walsh-Barker Sequences. In: Proc. of 9th Int. Conf. on Ultrawideband and Ultrashort Impulse Signals (UWBUSIS), 2018. C. 343-347. DOI: 10.1109/UWBUSIS.2018.8520220.
19. Bartoletti C., Desiderio M., Carlo D.Di., Fazio G., Muzi F., Sacerdoti G., Salvatori F. Vibro-acoustic techniques to diagnose power transformers. IEEE Transactions on Power Delivery, 2004, no. 19, pp. 221-229. DOI: 10.1109/TPWRD.2003.820177.
20. Ben-Yosef N., Ginio O., Weitz A. Measurement and analysis of mechanical vibrations by means of optical heterodyning techniques. Journal of physics E: Scient. Instruments, 1974, vol. 7, no. 3, p. 218. DOI: 10.1088/0022-3735/7/3/323.
21. Bychkov A., Bychkova I., Slavutskii L. Active Ultrasonic Vibration Control of Electrical Equipment: Correlation Signal Processing. In: Proc. of Int. Ural Conf. on Electrical Power Engineering (UralCon), 2019, pp. 244-248. DOI: 10.1109/URALC0N.2019.8877666.
22. Cristallia C., Paoneb N., Rodríguezc R.M. Mechanical fault detection of electric motors by laser vibrometer and accelerometer measurements. Mechanical Systems and Signal Processing, 2006, no. 20, pp. 1350-1361. DOI:10.1016/j.ymssp.2005.11.013.
23. Dillon T.S., Niebur D. Neural Networks Application in Power Systems. London, CRL Ltd. Publ., 1996.
24. Dupuis J.C., Butler K.E., Kepic A.W., Harris B.D. Anatomy of a seismoelectric conversion: Measurements and conceptual modeling in boreholes penetrating a sandy aquifer. Journal of geophysical research, 2009, vol. 114. DOI: 10.1029/2008JB005939.
25. Hinton G., Deng L., Yu D., Dahl G., Mohamed A., Jaitly N., Senior A., Vanhoucke V., Nguyen P., Sainath T., Kingsbury B. Deep Neural Networks for Acoustic Modeling in Speech Recognition - The shared views of four research groups. IEEE Signal Processing Magazine, 2012, vol. 29, no. 6, pp. 82-97. DOI: 10.1109/msp.2012.2205597.
26. Jambukia S.H., Dabhi V.K., Prajapati H.B. Classification of ECG signals using machine learning techniques: A survey. In: Proc. of Int. Conf. on Advances in Computer Engineering and Applications, 2015, pp. 714-721. DOI: 10.1109/ICACEA.2015.7164783.
27. Kakar S.A., Sheikh N., Naseem A., Iqbal S, Rehman A., Kakar A., Kakar B.A., Kakar H.A., Khan B. Artificial Neural Network based Weather Prediction using Back Propagation Technique. International Journal of Advanced Computer Science and Applications, 2018, vol. 9, no. 8, pp. 462470. DOI: 10.14569/IJACSA.2018.090859.
28. Kezunovic M. A Survey of Neural Net Applications to Protective Relaying and Fault Analysis. Engineering Intelligent Systems, 1997, vol. 5, no. 4, pp. 185-192.
29. Kim P., Jung E., Bae S., Kim K., Song T. Barker-sequence-modulated golay coded excitation technique for ultrasound imaging. In: Proc. of International Ultrasonics Symposium (IUS), 2016, pp. 1-4. DOI: 10.1109/ULTSYM.2016.7728737.
30. Kumar K., Thakur G.S.M. Advanced Applications of Neural Networks and Artificial Intelligence: A Review. International Journal of Information Technology and Computer Science, 2012, no. 6, pp. 57-68. DOI: 10.5815/ijitcs.2012.06.08.
31. Lakshmi Ch.R., Trivikramarao D., Subhani Sk., Ghali V.S. Barker coded thermal wave imaging for anomaly detection. In: Proc. of Conf. on Signal Processing And Communication Engineering Systems (SPACES), 2018, pp. 198-201. DOI: 10.1109/SPACES.2018.8316345.
32. LeCun Y., Bengio Y. Convolutional Networks for Images, Speech, and Time-Series. In: Arbib M.A., ed. The Handbook of Brain Theory and Neural Networks. Cambrige, MIT Press, 1995.
33. Matti D., Ekenel H.K., Thiran J.P. Combining LiDAR space clustering and convolutional neural networks for pedestrian detection. Pro^ of 14th IEEE International Conference on Advanced Video and Signal Based Surveillance, 2017, pp. 1-6. DOI: 10.1109/AVSS.2017.8078512.
34. Matsuyuki S., Tsuneda A. A Study on Aperiodic Auto-Correlation Properties of Concatenated Codes by Barker Sequences and NFSR Sequences. In: Proc. of Int. Conf. on Information and Communication Technology Convergence (ICTC), 2018, pp. 664-666. DOI: 10.1109/ICTC.2018.8539367.
35. Omar S-M., Kassem F., Mitri R., Hijazi H., Saleh M. A novel barker code algorithm for resolving range ambiguity in high PRF radars. In: Proc. of European Radar Conf. (EuRAD), 2015, pp. 81-84. DOI: 10.1109/EuRAD.2015.7346242.
36. Petrushin V.A., Khan L. Multimedia Data Mining and Knowledge Discovery. New York, Springer-Verlag, 2006, 539 p.
37. Rivas E., Burgos J.C., Garcia-Prada J.C. Condition Assessment of Power OLTC by Vibration Analysis Using Wavelet Transform. IEEE Transactions on Power Delivery, 2009, no. 24, pp. 687-694. DOI: 10.1109/TPWRD.2009.2014268.
38. Riznyk O., Balych B., Yurchak I. A synthesis of barker sequences is by means of numerical bundles. In: Proc. of 14th Int. Conf. The Experience of Designing and Application of CAD Systems in Microelectronics (CADSM), 2017, pp. 82-84. DOI: 10.1109/CADSM.2017.7916090.
39. Samarasinghe S. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition. 1st ed. Boca Raton, Auerbach Publications, 2006, 570 p.
40. Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks, 2014, no. 61, pp. 85-117. DOI: 10.1016/j.neunet.2014.09.003.
41. Slavutskaya E.V., Slavutskii L.A. Preteen Age: The Analysis Of The Multilevel PsychoDiagnostic Data Based On Neural Network Models. Society. Integration. Education: Proceedings of the Scientific Conference, 2018, iss. 5, pp. 455-464. DOI: 10.17770/ sie2018vol1.3348.
42. Su H., Li G., Yu D., Seide F. Error back propagation for sequence training of context-dependent deep networks for conversational speech transcription. In: Proc. of Int. Conf. on Acoustics Speech and Signal Processing (ICASSP), 2013, pp. 6664-6668.
43. Wang Sh., He P. Research on Low Intercepting Radar Waveform Based on LFM and Barker Code Composite Modulation. Proc. of Int. Conf. on Sensor Networks and Signal Processing (SNSP), 2019, pp. 297-301. DOI: 10.1109/SNSP.2018.00064.
44. Witten I.H., Frank E., Hall M.A., Kaufmann M. Data Mining: Practical Machine Learning Tools and Techniques. 3rd ed. Amsterdam, Elsevier, 2011, 629 p.
BYCHKOV ANATOLY - Post-Graduate Student of Electrical and Electronic Apparatuses Department, Chuvash State University, Russia, Cheboksary (bav.xlab@gmail.com).
FEDOROVA POLINA - Master's Program Student, Radioelectronics and Automation Faculty, Chuvash State University, Russia, Cheboksary (feodorowa.polya@yandex.ru).
SLAVUTSKII LEONID - Doctor of Physics and Mathematical Sciences, Department of Automation and Control in Technical Systems, Chuvash State University, Russia, Cheboksary (las_co@mail.ru).
Формат цитирования: Бычков А.В., Федорова П.Н., Славутский Л.А. Нейроалгоритм для оценки частоты вибраций электрооборудования при дистанционном ультразвуковом контроле // Вестник Чувашского университета. - 2020. - № 1. - С. 67-77.
