Neuroverkkomallin valinta Barkhausen-kohinasta jäännösjännityksen ennustamiseksi

Abstract

Barkhausenin kohinaan perustuvaa mittausta voidaan hyödyntää ferromagneettisille materiaaleille ja mittauksen avulla voidaan mallintaa materiaalin ominaisuuksia esimerkiksi jäännösjännityksen sekä kovuuden osalta. Barkhausen-mittaus on niin kutsuttu rikkomaton aineenkoetuksen menetelmä, joka mahdollistaa sen hyödyntämisen esimerkiksi teollisuuden kunnossapitokohteissa. Barkhausen kohina syntyy asetettaessa tutkittava ferromagneettinen kappale muuttuvaan magneettikenttään. Muuttuva magneettikenttä aiheuttaa materiaalissa magneettisten alkeisalueiden satunnaisia muutoksia ja liikkeitä, jolloin mittalaitteiden avulla syntyvästä kohinasignaalista on mahdollista irrottaa mallinnettavia piirteitä.

Tämän kandidaatintyön tarkoituksena on selvittää, kuinka hyvin keinotekoinen neuroverkko kykenee ennustamaan hyvinkin stokastisen Barkhausen-ilmiön pohjalta teräskappaleen jäännösjännitystä. Kiinnostuksen kohteena on myös kahden neuroverkkomallin muodostamiseen yhdistetyn deterministisen eteenpäin-valinta-algoritmin suorituskyky. Algoritmien tehtävänä on valita neuroverkkomalliin paras mahdollinen muuttujajoukko ja neuroverkon piilokerroksen neuronien lukumäärä annetuin koeparametrein. Mallien hyvyyttä arvioidaan mallin selitysasteen ja absoluuttisen keskivirheen avulla.

Mallinnuksen vaiheita ovat mittausdatan keruu ja sen esikäsittely, muuttujien valinta sekä mallin validointi. Mittausdatana käytetään aiemmassa Barkhausen-tutkimuksessa mitattua ja esikäsiteltyä dataa. Mittausdata jaetaan opetusaineistoon sekä sisäiseen ja ulkoiseen validointiaineistoon. Muuttujien valinta ja neuroverkon piilokerroksen neuronien lukumäärä valitaan eteenpäin-valinta-algoritmilla. Muuttujien valinta-algoritmi käyttää opetusaineistoa sekä sisäistä validointiaineistoa. Lopuksi muodostettu neuroverkkomalli validoidaan staattisesti valitulla ulkoisella validointiaineistolla. Työssä tutkitaan myös valmiin neuroverkkomallin Bayes-regularisoinnin vaikutusta mallin suorituskyvylle.

Keinotekoiset neuroverkot kykenevät ennustamaan hyvinkin monimutkaisia ilmiöitä, mutta lisätessä tarkkuutta myös laskenta vaatii enemmän resursseja. Siksi keinotekoisen neuroverkkomallin muodostaminen on tehtävä huolella optimoiden, jotta esimerkiksi raskas eteenpäin-valinta-algoritmi on samalla tehokas sekä muodostetun mallin hyvyyden kannalta että laskennallisesti. Saaduista tuloksista voidaan kuitenkin nähdä, että keinotekoiset neuroverkot ovat hyödyllisiä teräksen jäännösjännitystilojen ennustamisessa Barkhausen-kohinasignaalista.