Hipoidinės pavaros gedimų šablono atpažinimas naudojant autoenkoderj ir giliuosius neuroninius tinklus

Ištrauka

Hipoidinės pavaros gedimų šablono atpažinimas naudojant autoenkoderj ir giliuosius neuroninius tinklus
Bakalauro baigiamasis darbas

Turinys
ĮVADAS.....................................................................................................................................5
1. LITERATŪROS ANALIZĖ.................................................................................................7
1.1. Duomenų augmentacijos........................................................................................7
1.2. Duomenų transformacijos......................................................................................7
1.3. Autoenkoderiai..........................................................................................................7
1.3.1.....................................................................Autoenkoderių istorija
.................................................................................................................................8
1.3.2. Stacked autoenkoderiai.................................................................................8
1.3.3......................................Autoenkoderių pritaikymas klasifikavimui
.................................................................................................................................9
2. METODOLOGIJA ............................................................................................................10
2.1. Duomenys...............................................................................................................10
2.1.1. Duomenų padalijimas...............................................................................10
2.1.2. Duomenų augmentacijos........................................................................10
2.1.3. Duomenų transformacijos..................................................................11
2.2. Autoenkoderių architektūros...........................................................................12
2.2.1.............................................1D autoenkoderis FFT duomenims
..............................................................................................................................12
2.2.2.2 D autoenkoderis spektrogramos duomenims............................13
2.3. Duomenų klasifikavimas naudojant multinominę logistinę regresiją14
2.4. Autoenkoderio pritaikymas klasifikavimui, turint nesužymėtų 
duomenų....................................................................................................................15
2.4.1. Naudoti modeliai.........................................................................................16
2.4.2. Duomenų paruošimas ir modelių treniravimas.............................16
3. EKSPERIMENTINIAI TYRIMAI IR MODELIŲ REZULTATAI..............................17
3.1. Autoenkoderių jvertinimas..............................................................................17
3.1.1.......................................................1D autoenkoderio jvertinimas
..............................................................................................................................17
3.1.2.2 D autoenkoderio jvertinimas...............................................................18
3.2. Klasifikavimo modelių rezultatai......................................................................19
3.2.1. FFT duomenų klasifikavimo rezultatai.................................................19
3.2.2. Mel spektrogramų duomenų klasifikavimo rezultatai...................20
3.2.3. Rezultatų palyginimas su prieš tai naudotais metodais...........21
3.3. Klasifikavimo, turint mažai sužymėtų duomenų, rezultatai.................22
REZULTATAI IR IŠVADOS..................................................................................................23
ŠALTINIAI....................................................................................................................................24
SANTRUMPOS ......................................................................................................................27

Įvadas
Šiuolaikinėje pramonėje hipoidinės pavaros yra plačiai naudojamos
dėl jų efektyvumo ir kompaktiškumo [S AA23]. Dėl šių savybių jos yra
ypač vertinamos automobilių pramonėje, sunkiosios technikos sektoriuje
ir kitose inžinerijos srityse. Tačiau, kaip ir bet kuris mechaninis
komponentas, hipoidinės pavaros yra linkusios jvairiems gedimams,
kurie gali sukelti brangias ir laiko sąnaudas reikalaujančias remonto
procedūras. Todėl ankstyvas gedimų nustatymas ir jų prevencija yra
kritiškai svarbus uždavinys, siekiant išlaikyti aukštą efektyvumo lygj ir
sumažinti galimas eksploatacines išlaidas.
Šiame darbe nagrinėjamas hipoidinių pavarų gedimų atpažinimas,
naudojant autoenkoderiu grjstus giliuosius neuroninius tinklus.
Autoenkoderiai yra gilieji neuroniai tinklai, kurie sugeba išmokti
svarbiausius duomenų bruožus (angl. features) iš nesužymėtų (angl.
unlabeled) duomenų [PVG+20]. Autoenkoderiai, naudojantys neprižiūrimo
mokymo metodus (angl. unsupervised learning) gali geriau išmokti išskirti
svarbiausius duomenų bruožus negu rankomis kurti metodai [MLK+16;
MM18]. Autoenkoderis yra sudarytas iš dviejų dalių – enkoderio ir
dekoderio. Enko deris suspaudžia pradinius duomenis j mažesnj latentinj
atvaizdavimą (angl. latent representation), dekoderio tikslas – kuo tiksliau
atkurti pradinius duomenis iš suspausto duomenų atvaizdavimo.
Duomenų latentinis atvaizdavimas gali būti naudojamas kuriant jvairių tipų
klasifikavimo modelius [PVG+20; WZC+21]. Dažnai naudojamas būdas
klasifikuoti suspaustus enkoderio duomenis – multinominė logistinė
regresija [PBP14; WZC+21]. Šiame darbe bus analizuojama, kaip autoen
koderiais grjsti gilieji neuroniniai tinklai gali būti efektyviai naudojami
hipoidinių pavarų gedimų atpažinimui iš sužymėtų ir nesužymėtų duomenų.
Tyrimo objektas
Šiame darbe bus klasifikuojami hipoidinės pavaros būklės gedimų šablonai.
Šis uždavi nys nėra naujas: duomenys, kurie bus naudojami, yra taip pat
naudojami straipsnyje [ŽPV+21], kuriame buvo taikomi CNN1D, CNN2D,
LSTM ir transformerių modeliai. Autoenkoderiai gali būti pritaikyti
duomenų klasifikavimo uždaviniams spręsti [LCZ+13], tačiau šie modeliai
nebuvo panaudoti, todėl šiame darbe siekiama išbandyti autoenkoderius
hipoidinės pavaros būklės gedimų šablonų klasifikavimo uždaviniui. Taip
pat, autoenkoderiu grjsti klasifikavimo metodai gali būti efektyvesni už
tradicinius klasifikavimo metodus, kai turima daug nesužymėtų duomenų
[TWW19], todėl bus atlikti eksperimentai su mažiau sužymėtų duomenų
rinkiniais. Toks metodų palyginimas leis jvertinti autoenkoderių
pranašumus ir trūkumus gedimų šablonų atpažinimo kontekste.
Darbo tikslas
Darbo tikslas – jvertinti autoenkoderiu grjstų giliųjų neuroninių tinklų
pritaikymą hipoidinės pavaros būklės gedimų klasifikavimo, naudojant
virpesių signalo duomenis, uždaviniams spręsti.