Group of Applied Mathematics and Stochastics

AI Drill Challenge: Tupý vrták

Hledáme talenty na zpracování dat a aplikace STROJOVÉHO UČENÍ

GAMS KM FJFI / AMSM    &   D4 Rázy a vlny v tělesech ÚT AV ČR

vyhlašují soutěž pro Bc a Mgr studenty FJFI

AI Drill Classification Challenge ‚TUPÝ  VRTÁK‘

aneb hlavně to nezvrtat 🙂

1. místo… 9000,-kč

2. místo… 6000,-kč

3. místo… 3000,-kč

!! plus speciální tučné ceny za originální přístupy !!

Vaší klasifikaci zašlete prosím na adresu kusvacla@fjfi.cvut.cz. Ze zaslaného vektoru predikovaných tříd pro data z eval_data spočteme přesnost (ACC accuracy) vaší predikce, podle které budou seřazeny výsledky pro udělení finančních cen.

Termín zaslání vašich klasifikací do:  1.10.2024

!!!###  UZAVŘENO ke dni 14.10.2024   ###!!!

VÝSLEDKY soutěže zde:

AI Drill Challenge spočívá v klasifikaci do 5 tříd tupostí vrtáku z detekovaných signálů akustické emise zaznamenaných během drilling experimentu (ÚT AV ČR) pro 5 vrtacích děr a 4 snímače akustické emise.

Co je Akustická Emise (KM & D4 ÚT AVČR, V. Kůs & M. Chlada)

Akustická emise (AE) je jev, při kterém se do materiálu uvolňují elastické napěťové vlny o frekvencích v řádu až MHz, tedy daleko nad slyšitelnou částí frekvenčního spektra. Po dosažení povrchu tělesa lze tyto vlny měřit piezoelektrickými snímači a detekovat tak např. mikroskopický růst trhlin (únava materiálu), netěsnost tlakových nádob (jaderných či chemických reaktorů), tření v ložiscích a převodových ústrojích apod. Pokud má AE charakter příliš častých pulzů, které splývají v signál podobný spíše šumu, mluvíme o spojité AE. Jedním z příkladů vzniku ultrazvukových vln v materiálech jsou i procesy obrábění kovů nebo vrtání, což je případ této výzvy.

Měřící set-up (Ústav termomechaniky AV ČR, v.v.i., M. Chlada):  

Měření bylo provedeno USB osciloskopem Handyscope HS6 DIFF, výrobce TiePie, za pomocí tří typů snímačů AE: dva s korundovou keramickou styčnou plochou, jeden magnetický s poniklovanou styčnou plochou a jeden s ocelovou styčnou plochou. Každý typ snímače má jinou frekvenční charakteristiku neboli citlivost na různé frekvence obsažené ve snímaných akustických vlnách, způsobenou svou konstrukcí. Vrtačkou Bosch, upevněnou ve stojanu pro zajištění konstantního přítlaku a otáček, bylo vrtáno do ocelové desky o rozměrech 70 x 93 x 10 mm. Měřící aparatura snímala se vzorkovací frekvencí 3,125 MHz na všech čtyřech vstupních kanálech.

RAW data (ÚT AVČR, v.v.i., M. Chlada): 

Bylo provedeno 5 sad měření spojité AE, mezi kterými byl vrták uměle otupen za použití brusného kamene. Tupost vrtáku ovlivňuje charakter AE v důsledku odkrajování tenkých vrstev materiálu a třením styčných ploch. V každé sadě měření bylo vrtáno do děr 1 až 5 pro každou z 5 úrovní otupení vrtáku po dobu přibližně 5 sekund. Z každého signálu byla vyříznuta čtyřsekundová střední část souvislého vrtání na 4 kanálech odpovídajících 4 snímačům AE. Délka jednoho signálu je 12,5 milionu hodnot (vzorků).

Zjednodušená struktura dat signálů ke klasifikaci (KM FJFI, J. Zavadil):

Proveden výběr podúseků z každého signálu o délce 6000 vzorků jako dostatečně dlouhé úseky pro zachycení charakteristik signálů, zároveň dostatečně krátké pro rozumnou výpočetní dobu současných ML/AI algoritmů. Pro každou úroveň tuposti vrtáku ze signálu příslušejícího každé díře bylo vybráno 500 podúseků. Celkem je tedy k dispozici pro každou z pěti úrovní otupení vrtáku 2500 výseků akustických signálů o délce 6000 vzorků pro každý ze 4 měřících kanálů příslušejících 4 snímačům.

Úkol pro klasifikaci tupostí vrtáku (KM FJFI,  J. Zavadil, V. Kůs):

Předkládáme celý dataset, je na každém, zda využije všechny výseky signálů nebo si zvolí ke klasifikaci jen jeden či dva vybrané kanály ze snímačů AE1 až AE4. V následujícím souboru je tedy ke stažení 90% výseků signálů se známým původem, které jsou vybaveny ‚labely‘ označujícími stupeň tuposti 0 až 4 (0=zcela nový až 4=nejvíce otupený vrták). 10% signálů (eval_data) pochází z neznámých tupostí vrtáku a úkolem je přiřadit je co nejlépe skutečným tupostem 0 až 4.

VRTY_student.pkl (2,2GB)

K dispozici je připnutý jupyter notebook na Google Colab pro načtení dat, případně i pro jejich zpracování, na adrese:  https://github.com/hzavadil98/AMSM_VRTY

Způsoby hodnocení kvality klasifikace (KM FJFI, V. Kůs & J. Zavadil):   

Vaší klasifikaci zašlete prosím na adresu kusvacla@fjfi.cvut.cz. Ze zaslaného vektoru predikovaných tříd pro data z eval_data spočteme přesnost (ACC accuracy) vaší predikce, podle které budou seřazeny výsledky.

^{Kontakt k celé soutěži, datům, experimentu a cenám:     Václav Kůs, KM T-107C // Milan Chlada, IT CAS}