ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА КОНТРОЛЯ ДОСЫЛА АРТИЛЛЕРИЙСКОГО СНАРЯДА В КАМОРУ ОРУДИЯ
Аннотация
Целью работы является разработка и исследование метода контроля досыла артилле-рийского снаряда в камору орудия и интеллектуальной системы контроля досыла по акусти-ческому портрету. Существующий метод контроля досыла артиллерийского боеприпаса в камору орудия при раздельном способе заряжания основан на измерении скорости одного из элементов досылателя. Такой подход к контролю досыла не дает гарантированной надеж-ности ввиду невозможности измерения скорости на конечном отрезке движения снаряда по инерции. Суть предложенного в статье метода заключается в возбуждении акустических колебаний в системе «снаряд – камора орудия» и выделении характерных акустических портретов (сигнатур) с их последующем анализом.Для исследования данного метода разра-ботан экспериментальный стенд, имитирующий ствол орудия с каморой, и имитатор сна-ряда с различными обтюраторными поясками. Удар снаряда в момент заклинивания в конусе каморы или нанесенный извне возбуждает характерные акустические колебания, которые различаются для случаев надежного и недостаточного досыла.Для однозначной классифика-ции событий надежного заклинивания и недостаточного досыла необходим выбор опти-мального вектора признаков акустического портрета полученных аудиозаписей. Обычное спектральное преобразование позволяет выделить характерные частоты, однако использо-вание набора таких спектральных составляющих в качестве классификационных признаков нецелесообразно ввиду избыточного массива данных.В качестве классификационных призна-ков выбраны мел-частотные кепстральные коэффициенты. На основании набора таких ко-эффициентов с использованием искусственной нейронной сети осуществляется классифика-ция степени заклинивания имитатора снаряда в стенде на три категории: «снаряд не закли-нен», «недостаточный досыл снаряда», «снаряд заклинен». В результате обучения нейронной сети на значительной выборке аудиозаписей была достигнута точность классификации более 90%.Разработанный метод может быть применен в робототехнических комплексах, оснащенных артиллерийским вооружением, а также в других отраслях, например, в нефте-газовой промышленности для контроля стыковки сочленяемых труб.
Литература
2. Telezhenko D.R., Okladnikov A.A., Begishev A.M. Kontrol' svarnykh shvov ZHRD metodom akusticheskoy emissii [Acoustic emission control of LRE welds], Aktual'nye problemy aviatsii i kosmonavtiki [Actual problems of aviation and astronautics], 2017, No. 13, pp. 182-183.
3. Jiang J., Ye C., Zhang Z., Yu Y. Acoustic emission testing of a friction stir welding aluminum alloy pressure vessel, Springer Proceedings in Physics Cep. «Advaces in Acoustic Emission Technology – Proceedings of the World Conference on Acoustic emission, 2017», 2019, pp. 341-351.
4. Huaming Lei, Zuoying Huang, Wei Liang, Yimei Mao, Peiwen Que. Ultrasonic pig for subma-rine oil pipeline corrosion inspection, Defektoskopiya [Flaw detection], 2009, No.4, pp. 85-94.
5. Stepanova L.N., Ramazanov I.S., Kanifadin K.V., Kireenko K.V. Ispol’zovanie dvukhetapnoi klasterizatsii signalov akusticheskoy emissii dlya opredeleniya defektov svarki [Using of two-stage clustering of acoustic emission signals for detection of welding defects], Defektoskopiya [Flaw detection], 2011, No. 6, pp. 44-49.
6. Khamparia A., Gupta D., Khanna A., Nguyen N.G., Pandey B., Tiwari P. Sound classification using convolutional neural network and tensor deep stacking network, IEEE Access, 2019, No. 7, pp. 7717-7727.
7. Guo M., Jia Ch. Neural network recognizes fruit fly’s wing vibration sound based on hilbert-huang transform, International Journal of Engineering and Manufacturing, 2011, No. 6, pp. 25-30.
8. Kochetov K., Putin E., Balashov M., Filchenkov A., Shalyto A. Noise masking recurrent neural network for respiratory sound classification, Lecture Notes in Computer Science, 2018, Vol. 11141 LNCS, pp. 208-217.
9. Zhukov K.V. Sistema akusticheskogo kontrolya prokhozhdeniya porshnya dlya avtomaticheskogo kontrolya dvizheniya vnutritrubnogo inspektsionnogo snaryada [Acoustic piston passage control system for automatic control of the in-tube inspection projectile move-ment], Sbornik materialov 10-y Yubileynoy Mezhdunarodnoy nauchno-prakticheskoy konferentsii po fizike i tekhnologii nanogeterostrukturnoy SVCh-elektroniki [Proceedings of the 10th Anniversary International Scientific and Practical Conference on Physics and Tech-nology of Nanoheterostructure Microwave Electronics], 2019, pp. 167-168.
10. Kucherov V.G., Chervoncev S.E., Sadovnikov V.I., Gulevskiy V.V. K voprosu sozdaniya ustroystva dlya kontrolya polozheniya v stvole doslannogo zaryada [To the question of creat-ing a device for monitoring of the sent projectile position in the barrel], Oboronnaya tekhnika [Defense technology], 2015, No. 9-10, pp. 107-109.
11. Haykin S. Neyronnye seti: polnyy kurs [Neural networks: a comprehensive foundation]. 2nd ed. Moscow, 206, 1104 p.
12. Osovskij S. Neyronnye seti dlya obrabotki informatsii [Neural networks for Information Pro-cessing], Moscow, Finansy i statistika, 2002, 344 p
13. Mazlov, S.S. Akusticheskiy metod kontrolya dosylki snaryada pri razdel'nom zaryazhanii [Acoustic method for controlling projectile loading during separate loading], Kalashnikovskie chteniya: VI Vserossiyskaya nauchno-prakticheskaya konferentsiya (7 noyabrya 2019 g.) [Kalashnikov Readings: VI All-Russian Scientific and Practical Conference (November 7, 2019)], 2019, pp. 248-254.
14. Popov O.B., Rihter S.G. Tsifrovaya obrabotka signalov v traktakh zvukovogo veshchaniya [Digital signal processing in sound broadcasting paths]. Moscow, 2007, 341 p.
15. Chandwadkar D.M., SutaoneM.S. Role of features and Classifiers on Accuracy of Identifica-tion of Musical Instruments. 2nd National Conference on Computational Intelligence and Sig-nal Processing, 2012, pp. 66-70.
16. Stankevich F.V., Spicyn V.G. Neyrosetevoe raspoznavanie muzykal'nykh instrumentov s ispol'zovaniem mel-chastotnyh kepstral'nykh koefficientov [Neural network recognition of musical instruments using mel-frequency cepstral coefficients], Fundamental'nye issledovaniya [Basic research], 2014, No. 12-1, pp. 51-56.
17. Belenko M.V., Balakshin P.V. Sravnitel'nyy analiz sistem raspoznavaniya rechi s otkrytym kodom [Comparative analysis of open source speech recognition systems], Mezhdunarodnyy nauchno-issledovatel'skiy zhurnal [International Research Journal], 2017, No. 04 (58), pp. 13-18.
18. Hermansky H. Perceptual Linear Predictive (PLP) Analysis of Speech. The Journal of the Acoustical Society of America, 1990, 87 (4), pp. 1738-1752.
19. Eronen A. Comparison of features for musical instrument recognition. Workshop on Signal Processing for Audio and Acoustics, 2001, pp. 19-22.
20. Pervushin E.A. Obzor osnovnykh metodov raspoznavaniya diktorov [Overview of main speak-er recognition methods], Matematicheskie struktury i modelirovanie [Mathematical Structures and Modeling], 2011, No. 24, pp. 41-54.
