Сравнительный анализ методов машинного обучения для восстановления магнитной характеристики коротких образцов в измерительной системе с параллельным магнитным шунтом

В статье рассматривается задача восстановления магнитной характеристики материала коротких образцов по данным измерительной системы с параллельным магнитным шунтом. Ранее было показано, что введение шунта повышает чувствительность измерений в широком диапазоне магнитных проницаемостей исследуемого материала, что особенно важно при работе с короткими образцами и ограничениях по намагничивающему току. Однако наличие параллельной ветви приводит к перераспределению магнитного потока и усложняет интерпретацию измерительной информации, что делает применение прямых аналитических процедур восстановления характеристики затруднительным. В настоящей работе предлагается рассмотреть методы машинного обучения для решения обратной задачи восстановления магнитной характеристики по измеренным зависимостям. В отличие от ранее выполненного исследования, где анализировались только нейросетевые модели, в данной статье проведен сравнительный анализ пяти алгоритмов обучения различных классов. Обучение и тестирование выполняются в условиях, приближенных к реальным, с учетом возможных погрешностей измерительных каналов. Показано, что наилучшее качество восстановления при заданном уровне шумов обеспечивает алгоритм случайного леса, превосходящий альтернативы по критериям средней квадратичной ошибки и устойчивости к помехам.

1. Сурняев В.А., Блажко И.О., Блажкова Е.Н. и др. Применение магнитного шунта для повышения чувствительности устройства испытания образцов магнитострикционных материалов. Инженерный вестник Дона. 2021;(9). URL: http://ivdon.ru/ru/magazine/archive/n9y2021/7200

2. Сурняев В.А., Сурняев Д.А. Устройство измерения магнитных характеристик магнитострикционных материалов. Инженерный вестник Дона. 2016;(4). URL: http://ivdon.ru/ru/magazine/archive/n4y2016/3956

3. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. New York: Springer; 2009. 745 p. https://doi.org/10.1007/978-0-387-84858-7

4. Pyle D. Data Preparation for Data Mining. San Francisco: Morgan Kaufmann Publishers; 1999. 540 p.

5. Kuhn M., Johnson K. Feature Engineering and Selection: A Practical Approach for Predictive Models. Boca Raton: CRC Press; 2019. 310 p.

6. Bottou L. Large-Scale Machine Learning with Stochastic Gradient Descent. In: Proceedings of COMPSTAT'2010: 19th International Conference on Computational Statistics, 22–27 August 2010, Paris, France. Heidelberg: Physica; 2010. P. 177–186. https://doi.org/10.1007/978-3-7908-2604-3_16

7. Breiman L., Friedman J., Olshen R.A., Stone Ch.J. Classification and Regression Trees. New York: Chapman and Hall/CRC; 1984. 368 p. https://doi.org/10.1201/9781315139470

8. Breiman L. Random Forests. Machine Learning. 2001;45(1):5–32. https://doi.org/10.1023/A:1010933404324

9. Friedman J.H. Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics. 2001;29(5):1189–1232. https://doi.org/10.1214/aos/1013203451

10. Cover T., Hart P. Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory. 1967;13(1):21–27. https://doi.org/10.1109/TIT.1967.1053964