Details
| Title | Метод поиска дефектов в сварных соединениях по данным акустической эмиссии на основе машинного обучения с применением итеративной разметки данных = Method for defect detection in welded joints based on acoustic emission data using machine learning with iterative data labeling // Современное машиностроение: наука и образование 2026: материалы 15-й Международной научной конференции, 17 июня 2026 года = Modern Mechanical Engineering: Science and Education 2026: proceedings of the 15th International Scientific Conference, Russia, June 17, 2026 |
|---|---|
| Creators | Дамаскинская Екатерина Евгеньевна ; Нефедьев Евгений Юрьевич ; Стояновский Лев Олегович |
| Organization | Российская академия наук. Физико-технический институт им. А. Ф. Иоффе; Крыловский государственный научный центр; Санкт-Петербургский политехнический университет Петра Великого |
| Imprint | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2026 |
| Collection | Общая коллекция |
| Document type | Article, report |
| Language | Russian |
| DOI | 10.18720/SPBPU/2/id26-352 |
| Rights | Доступ по паролю из сети Интернет (чтение, печать, копирование) |
| Additionally | New arrival |
| Record key | RU\SPSTU\edoc\79331 |
| Record create date | 6/19/2026 |
Allowed Actions
–
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if administrator prepare required files
| Group | Anonymous |
|---|---|
| Network | Internet |
В работе предлагается метод автоматизированной классификации сигналов акустической эмиссии (АЭ) в процессе сварочных работ, который позволяет распознавать дефекты в ранее малоизученных условиях – непосредственно во время сварки. Традиционный визуальный анализ не позволяет эффективно отделять сигналы дефектообразования от технологических шумов из-за того, что полезные сигналы попадают в плотные области других сигналов. В результате они визуально неотличимы от прочих шумов для человека. Авторами разработан итерационный подход к формированию обучающей выборки на базе алгоритма CatBoost, позволяющий выявлять скрытые закономерности в параметрах событий АЭ. Полученный метод позволяет перейти от грубой визуальной разметки областей к классификации отдельных сигналов. Результаты подтверждают эффективность модели в задаче поиска дефектов на фоне шумов, характерных для сварочных работ, что открывает возможности для создания систем интеллектуального онлайн-мониторинга сварки в реальном времени.
This article proposes a method for automated classification of acoustic emission (AE) signals during welding operations, enabling defect recognition in previously understudied conditions — directly during the welding process. Traditional visual analysis fails to effectively separate defect-related signals from technological noise because the useful signals fall into dense clusters of other signals. As a result, they are visually indistinguishable from other noise to a human operator. The authors have developed an iterative approach to training set formation based on the CatBoost algorithm, which allows for identifying hidden patterns in AE event parameters. The resulting method enables a transition from coarse visual area labeling to the classification of individual signals. The results confirm the model's effectiveness in detecting defects against the background of noise typical for welding operations, which opens up possibilities for creating intelligent real-time online welding monitoring systems.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | Authorized users SPbPU |
|
| Internet | Anonymous |
|
