Browsing by Author "Czubenko, Michał"

Now showing 1 - 1 of 1

Access status: Open Access ,
Klasyfikacja odpowiedzi układu dyskretnego oraz klasyfikacja odpowiedzi układu ciągłego na losowe serie impulsów o małej intensywności - podejście oparte na danych eksperymentalnych i głębokich sieciach konwolucyjnych typu VGG16/VGG19
(Data obrony: 2026-06-12) Sulewski, Marek
Wydział Inżynierii Mechanicznej i Robotyki
Celem przeprowadzonych badań była klasyfikacja odpowiedzi układu dyskretnego oraz odpowiedzi układu ciągłego na losową serią impulsów o znanej wielkości ƞi. Do klasyfikacji wykorzystano głębokie sieci konwolucyjne, które analizowały dane uzyskane w drodze eksperymentu. Praca łączy zagadnienia z zakresu teorii drgań, modelowania matematycznego zjawisk losowych, mechaniki stochastycznej, analizy szeregów czasowych, statystyki, analogii elektromechanicznych oraz głębokich sieci neuronowych. W pierwszej części rozprawy przedstawiono kontekst badań oraz dokonano przeglądu literatury obejmujący zarówno problematykę odpowiedzi na losowe serie impulsów, jak i metody głębokiego uczenia, które używane są w analizie sygnałów. Następnie przedstawiono model matematyczny oscylatora tłumionego, którego drgania wymuszane są losową serią impulsów. Zapisano równanie ruchu i opisano zmienne losowe definiujące losową serię impulsów. Zrealizowano eksperymenty dla układu dyskretnego. Przy zastosowaniu karty NI USB 6251 wygenerowano wymuszenia w postaci impulsów trójkątnych, będących przybliżeniem delty Diraca. Przeprowadzono akwizycję odpowiedzi układu dyskretnego oraz procedurę wyodrębniania pojedynczych odpowiedzi z szeregów czasowych. Estymacja parametrów wykazała, że odwzorowanie odpowiedzi jest możliwe jedynie dla małych wielkości impulsów, natomiast dalsza analiza ujawniła istotną zmienność parametrów ruchu (tłumienia, częstości, amplitudy, fazy oraz składowej stałej) dla różnych rozkładów impulsów. Kolejno opisano proces przygotowania zbioru danych, zdefiniowano klasy oraz przedstawiono wyniki treningu i testów dla układu dyskretnego. Eksperymenty ograniczono do dwóch wartości impulsów, co pozwoliło uwzględnić w badaniach zdarzenia, w których kolejny impuls pojawia się zanim odpowiedź na poprzedni wygaśnie. Wykrywanie tego rodzaju zdarzeń umożliwia ocenę, czy przebieg procesu ulega zmianie. Uzyskane wyniki badań wykazały, że dla układu dyskretnego sieci VGG16 i VGG19 osiągnęły bardzo wysoką dokładność, przekraczającą 99,9 %. Przedstawiono również badania układu ciągłego, którym była belka kompozytowa FR-4 z aktuatorem piezoelektrycznym. W analizach uwzględniono dziesięć różnych wartości impulsów wzbudzających drgania układu. Opisano stanowisko badawcze, sposób generowania obrazów oraz przeprowadzono klasyfikację odpowiedzi. Do uczenia klasyfikatora wybrano kilka rozkładów, a do testów klasyfikatora wykorzystano rozkłady, które nie były w zbiorze treningowym i walidacyjnym. Jak pokazują wyniki klasyfikacji dla układu ciągłego, sieć VGG16 zachowała wysoką skuteczność i stabilność (93.51 % w treningu i 95.42 % w testach), natomiast VGG19, mimo nieco lepszej dokładności treningowej (96.27 %), wyraźnie miała problemy z generalizacją nowych przypadków uzyskując w testach jedynie 88.86 %. Największe trudności dotyczyły klas o cechach podobnych. Z tego względu podjęto decyzję o wytrenowaniu nowego klasyfikatora na rozszerzonym zbiorze treningowym i walidacyjnym. Uzyskano poprawę w dokładności treningowej (96.70 %) oraz poprawił się wynik w testach sieci, gdzie uzyskano wynik 93.14 %. Przeprowadzone badania ujawniły ograniczenia klasycznych modeli stochastycznych. W praktyce odpowiedzi badanego układu dyskretnego oraz odpowiedzi układu ciągłego wykazywały zmienność między próbami, zależność od prawdopodobieństwa wystąpienia impulsów, a także nieliniowy charakter tłumienia przy wyższych wartościach wymuszeń. Zjawiska te wskazują, że budowa modelu matematycznego wymagałaby uwzględnienia złożonych efektów stochastycznych i nieliniowych. Zastosowanie metod sztucznej inteligencji w mechanice stochastycznej stanowi skuteczne podejście, umożliwiające klasyfikację odpowiedzi układu w oparciu o dane empiryczne, bez konieczności konstruowania złożonego modelu matematycznego. Opracowane podejście okazało się skuteczne w klasyfikacji odpowiedzi układu dyskretnego oraz układu ciągłego na losową serię impulsów. Wyniki rozprawy mają potencjał praktycznego zastosowania w diagnostyce technicznej, monitorowaniu stanu konstrukcji oraz w badaniach nad zjawiskami losowymi w układach dynamicznych.