Курсовая работа: Исследование магнитного поля рассеяния при вихретоковом контроле
Рисунок 17. Архитектура сети
| Производительность обучения | 0,193377 |
| Контрольная производительность | 0,190212 |
| Ошибка обучения | 0,054221 |
| Контрольная ошибка | 0,055778 |
| Входы | 6 |
| Скрытые(1) | 9 |
| Скрытые(2) | 0 |
| Среднее данных | 0,000800 |
| Ст. отклик данных | 0,000283 |
| Среднее ошибки | -0,000001 |
| Ст. отклик ошибки | 0,000055 |
| Среднее абсолютной ошибки | 0,000043 |
| Отношение ст. отклик | 0,193778 |
| Корреляция | 0,981070 |
Прогнозирование
После обучения сети был проведен ряд тестовых испытаний, в ходе которых были получены следующие прогнозы:
| прогноз | истинное значение | |
| 1 | 0,000786 | 0,000700 |
| 2 | 0,000752 | 0,000700 |
| 3 | 0,000806 | 0,000900 |
| 4 | 0,000845 | 0,000900 |
| 5 | 0,000749 | 0,000700 |
Искусственная нейронная сеть для определения раскрытия дефекта
Архитектура сети МП 8:8-7-1:1
Рисунок 18. Архитектура сети
| ||||||||||||||
| Среднее данных | 0,000500 | |||||||||||||
| Ст. отклик данных | 0,000283 | |||||||||||||
| Среднее ошибки | -0,000002 | |||||||||||||
| Ст. отклик ошибки | 0,000070 | |||||||||||||
| Среднее абсолютной ошибки | 0,000054 | |||||||||||||
| Отношение ст. отклик | 0,245855 | |||||||||||||
| Корреляция | 0,969317 |
Прогнозирование
| № | прогноз | истинное значение |
| 1 | 0,000419 | 0,000400 |
| 2 | 0,000419 | 0,000400 |
| 3 | 0,000763 | 0,000600 |
| 4 | 0,000409 | 0,000400 |
| 5 | 0,000678 | 0,000600 |
6. Погрешности
Составляющими погрешностей в данной работе являются:
· мешающие факторы
· моделирование
· расчеты
· настройка нейронных сетей
К мешающим факторам относятся: неоднородности материалов, неточное задание характеристик, неплотное прилегание датчика к объекту контроля, краевые эффекты – однако все эти факторы мы не учитываем, в силу того, что рассматриваем идеальный случай.
Погрешности моделирования складываются из неточности задания геометрии модели, шага разбиения сетки, движения дефекта (считаем, что скорость движения не превышает 0,5 м/с). Данную составляющую общей погрешности считаем не значительной, так как компьютерные средства позволяют создавать модель с высокой точностью.
В ходе получения сигналов и их обработки возникает погрешность расчетов, которая в основном обусловлена шагом, с которым мы снимаем показания. Так как этот процесс автоматизирован и рассматривается идеальная модель, эта составляющая не сильно влияет на конечный результат.
Основной составляющей погрешности является погрешность, с которой созданная нейронная сеть классифицирует дефекты и делает прогнозы. Рассмотрим ее подробнее.
Были рассмотрены три различные структуры искусственных нейронных сетей:
· многослойный персептрон
· вероятностная или обобщенная регрессионная нс
· радиальная базисная функция
Стояла задача выбрать тип сети с наименьшей погрешностью на выходе.
Погрешность определения раскрытия дефекта.
Рисунок 19
На диаграмме (рис. 19) видим, что среднее значение абсолютной погрешности многослойного персептрона минимальное. И хотя все три сети удовлетворяют требованиям к определению раскрытия, преимущество у персептрона.
В табл. 3 приведены значения средней, максимальной и минимальной погрешностей посчитанных по результатам обучения всех трех сетей. Для каждой сети было использовано 100 различных значений.
| error | pers | rbf | orns |
| average | 0,054 | 0,061 | 0,063 |
| max | 0,238 | 0,253 | 0,4 |
| min | 0,001 | 0 | 0 |
Погрешность определения глубины дефекта.