Исследование методов обработки сигналов ультразвуковых расходомеров с использованием алгоритмов машинного обучения
Аннотация
Пояснительная записка 60 стр., 41 рис., 24 табл.
МАШИННОЕ ОБУЧЕНИЕ, НЕЙРОННАЯ СЕТЬ, ИСКУССТВЕННЫЙ ИТЕЛЛЕКТ, ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ, УЛЬТРАЗВУКОВОЙ РАСХОДОМЕР.
В работе выполнено исследование методов обработки сигналов ультразвуковых расходомеров с использованием алгоритмов машинного обучения.
Проведён литературный обзор, охватывающий принципы применения алгоритмов машинного обучения в метрологии, практику применения машинного обучения для повышения точности ультразвуковых расходомеров, обзор методов машинного обучения и их применимости для поставленных в работе задач.
Выполнен анализ результатов эксперимента, в рамках которого получены данные расхода, измеренные эталонным расходомером, и соответствующие ему сигналы биения с датчиков ультразвукового расходомера. Разработана методология, определены метрики оценки точности и методы разработки моделей машинного обучения, в том числе применимые библиотеки языка программирования Python.
Осуществлена разработка и подбор гиперпараметров моделей машинного обучения. На основании анализа полученных метрик сделан вывод о целесообразности использования свёрточных нейронных сетей и линейной регрессии для калибровки и градуировки ультразвуковых расходомеров.
МАШИННОЕ ОБУЧЕНИЕ, НЕЙРОННАЯ СЕТЬ, ИСКУССТВЕННЫЙ ИТЕЛЛЕКТ, ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ, УЛЬТРАЗВУКОВОЙ РАСХОДОМЕР.
В работе выполнено исследование методов обработки сигналов ультразвуковых расходомеров с использованием алгоритмов машинного обучения.
Проведён литературный обзор, охватывающий принципы применения алгоритмов машинного обучения в метрологии, практику применения машинного обучения для повышения точности ультразвуковых расходомеров, обзор методов машинного обучения и их применимости для поставленных в работе задач.
Выполнен анализ результатов эксперимента, в рамках которого получены данные расхода, измеренные эталонным расходомером, и соответствующие ему сигналы биения с датчиков ультразвукового расходомера. Разработана методология, определены метрики оценки точности и методы разработки моделей машинного обучения, в том числе применимые библиотеки языка программирования Python.
Осуществлена разработка и подбор гиперпараметров моделей машинного обучения. На основании анализа полученных метрик сделан вывод о целесообразности использования свёрточных нейронных сетей и линейной регрессии для калибровки и градуировки ультразвуковых расходомеров.