Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала

Исследуется проблема моделирования износа инструмента по звуковому сигналу. Как основной инструмент обработки звукового сигнала предлагается использовать пакетное вейвлет-преобразование. Для задачи моделирования износа были использованы многослойная нейронная сеть и нейро-нечеткая сеть. Исследует...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2008
Hauptverfasser:	Внуков, Ю.Н., Дубровин, В.И., Афонин, Ю.С., Манило, Т.В.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут проблем штучного інтелекту МОН України та НАН України 2008
Schlagworte:	Моделирование объектов и процессов
Online Zugang:	https://nasplib.isofts.kiev.ua/handle/123456789/6598
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала / Ю.Н. Внуков, В.И. Дубровин, Ю.С. Афонин, Т.В. Манило // Штучний інтелект. — 2008. — № 1. — С. 73-79. — Бібліогр.: 10 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-6598
record_format	dspace
spelling	nasplib_isofts_kiev_ua-123456789-65982025-02-09T21:05:50Z Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала Моделювання зносу інструменту за результатами вейвлет-перетворення звукового сигналу Tool Wear Modeling from Results of the Packet Wavelet Transform of Acoustic Signals Внуков, Ю.Н. Дубровин, В.И. Афонин, Ю.С. Манило, Т.В. Моделирование объектов и процессов Исследуется проблема моделирования износа инструмента по звуковому сигналу. Как основной инструмент обработки звукового сигнала предлагается использовать пакетное вейвлет-преобразование. Для задачи моделирования износа были использованы многослойная нейронная сеть и нейро-нечеткая сеть. Исследуется оптимальная нейросетевая структура. Досліджується проблема моделювання зносу інструменту за звуковим сигналом. Як основний інструмент обробки звукового сигналу пропонується використовувати пакетне вейвлет-перетворення. Для задачі моделювання зносу були використані багатошарова нейронна мережа та нейро-нечітка мережа. Досліджується оптимальна структура нейронної мережі. The problem of tool wear modeling using acoustic signals is investigated. The packet wavelet transform as the main mathematical tool for the task of acoustic signal processing is proposed to use. The multi-layer and fuzzy neural networks for the task of tool wear modeling are used. The optimal neuronet structure is investigated. 2008 Article Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала / Ю.Н. Внуков, В.И. Дубровин, Ю.С. Афонин, Т.В. Манило // Штучний інтелект. — 2008. — № 1. — С. 73-79. — Бібліогр.: 10 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/6598 004.94:004.67 ru application/pdf Інститут проблем штучного інтелекту МОН України та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Моделирование объектов и процессов Моделирование объектов и процессов
spellingShingle	Моделирование объектов и процессов Моделирование объектов и процессов Внуков, Ю.Н. Дубровин, В.И. Афонин, Ю.С. Манило, Т.В. Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала
description	Исследуется проблема моделирования износа инструмента по звуковому сигналу. Как основной инструмент обработки звукового сигнала предлагается использовать пакетное вейвлет-преобразование. Для задачи моделирования износа были использованы многослойная нейронная сеть и нейро-нечеткая сеть. Исследуется оптимальная нейросетевая структура.
format	Article
author	Внуков, Ю.Н. Дубровин, В.И. Афонин, Ю.С. Манило, Т.В.
author_facet	Внуков, Ю.Н. Дубровин, В.И. Афонин, Ю.С. Манило, Т.В.
author_sort	Внуков, Ю.Н.
title	Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала
title_short	Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала
title_full	Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала
title_fullStr	Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала
title_full_unstemmed	Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала
title_sort	моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
publishDate	2008
topic_facet	Моделирование объектов и процессов
url	https://nasplib.isofts.kiev.ua/handle/123456789/6598
citation_txt	Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала / Ю.Н. Внуков, В.И. Дубровин, Ю.С. Афонин, Т.В. Манило // Штучний інтелект. — 2008. — № 1. — С. 73-79. — Бібліогр.: 10 назв. — рос.
work_keys_str_mv	AT vnukovûn modelirovanieiznosainstrumentaporezulʹtatamveivletpreobrazovaniâzvukovogosignala AT dubrovinvi modelirovanieiznosainstrumentaporezulʹtatamveivletpreobrazovaniâzvukovogosignala AT afoninûs modelirovanieiznosainstrumentaporezulʹtatamveivletpreobrazovaniâzvukovogosignala AT manilotv modelirovanieiznosainstrumentaporezulʹtatamveivletpreobrazovaniâzvukovogosignala AT vnukovûn modelûvannâznosuínstrumentuzarezulʹtatamiveivletperetvorennâzvukovogosignalu AT dubrovinvi modelûvannâznosuínstrumentuzarezulʹtatamiveivletperetvorennâzvukovogosignalu AT afoninûs modelûvannâznosuínstrumentuzarezulʹtatamiveivletperetvorennâzvukovogosignalu AT manilotv modelûvannâznosuínstrumentuzarezulʹtatamiveivletperetvorennâzvukovogosignalu AT vnukovûn toolwearmodelingfromresultsofthepacketwavelettransformofacousticsignals AT dubrovinvi toolwearmodelingfromresultsofthepacketwavelettransformofacousticsignals AT afoninûs toolwearmodelingfromresultsofthepacketwavelettransformofacousticsignals AT manilotv toolwearmodelingfromresultsofthepacketwavelettransformofacousticsignals
first_indexed	2025-11-30T20:31:48Z
last_indexed	2025-11-30T20:31:48Z
_version_	1850248757641216000
fulltext	«Штучний інтелект» 1’2008 73 2В УДК 004.94:004.67 Ю.Н. Внуков, В.И. Дубровин, Ю.С. Афонин, Т.В. Манило Запорожский национальный технический университет, Украина vdubrovin@gmail.com, yuriy.zp@gmail.com Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала Исследуется проблема моделирования износа инструмента по звуковому сигналу. Как основной инструмент обработки звукового сигнала предлагается использовать пакетное вейвлет-преобразование. Для задачи моделирования износа были использованы многослойная нейронная сеть и нейро-нечеткая сеть. Исследуется оптимальная нейросетевая структура. Введение Одной из причин снижения точности при обработке на металлорежущих станках является изменение геометрических размеров обрабатываемой детали вследствие износа режущего инструмента. Необходимы контроль состояния и своевременная замена инструмента. Соответственно актуальной является проблема создания системы оперативной диагностики состояния режущего инструмента с устойчивым методом обработки сигнала для получения полезной информации о процессе станочной обработки. Это особенно важно при выполнении операций обработки, требующих высокой точности. Звуковая информация о процессе обработки на станке может быть использована для контроля состояния режущего инструмента. Звуковой сигнал может быть использован в целях анализа различных операций механообработки. Использование технологий контроля процесса станочной обработки по звуковому сигналу дает большие воз- можности в обеспечении высокого качества изделия и минимизации его стоимости. Звуковой сигнал может быть использован для наблюдения за характеристиками процесса, обнаружения дефектов и определения конечного качества изделия. В работе в качестве инструмента обработки звукового сигнала выбран метод пакетного вейвлет-преобразования, а для моделирования износа по результатам вейвлет-преобразования – искусственная нейронная сеть и нейро-нечеткая сеть, которые успешно применяются в задачах диагностики и контроля [1], [2]. Обработка звукового сигнала с использованием вейвлет-преобразования Для нахождения характеристик звукового сигнала, несущих полезную информацию об исследуемом процессе, необходимо выполнить обработку звукового сигнала. По своей природе звуковой сигнал является нестационарным. В качестве математического инструмента обработки полученного звукового сигнала целесообразно использовать методы вейвлет-преобразования (ВП), так как данный математический аппарат хорошо приспособлен для изучения структуры нестационарных сигналов [3-9]. Внуков Ю.Н., Дубровин В.И., Афонин Ю.С., Манило Т.В. «Искусственный интеллект» 1’2008 74 2В Вейвлет-преобразование может быть использовано для разложения сигнала на различные составляющие в различных частотных диапазонах и временной области. В результате скалярного произведения сигнала и функции семейства вейвлетов получаем коэффициенты вейвлет-преобразования по выражениям (1) и (2) [4], [5]: ∑ =       − = L t j j jkj kttsc 0 , 2 2)( 2 1 φ , (1) ∑ =       − = L t j j jkj kttsd 0 , 2 2)( 2 1 ψ , (2) где сj,k, dj,k – коэффициенты аппроксимации и детализации соответственно, j – параметр масштаба или уровень разложения, k – параметр сдвига, s(t) – исходный сигнал, t – номер отсчета сигнала, L – длина сигнала, φ – масштабирующая функция, ψ – вейвлет-функция. Коэффициенты kjc , представляют собой грубое приближение исходного сигнала, а коэффициенты kjd , выражают его локальные особенности, поэтому их соответственно называют коэффициентами аппроксимации и детализации. Функции φ и ψ служат высокочастотными и низкочастотными фильтрами соответственно [6]. Уравнения (3) и (4) являются быстрыми алгоритмами вычислений коэффициентов и называются быстрым ВП (БВП) [7], [8]: ∑ ++ = n nkjnkj chc 2,,1 , (3) ∑ ++ = n nkjnkj cgd 2,,1 , (4) где hn, gn – соответственно вейвлет-последовательность и масштабирующая после- довательность для заданного уровня, определяются особенностями функций φ и ψ , n – количество коэффициентов последовательности h и g. В качестве коэффициентов kjc , при нулевом значении масштаба принимаются временные отсчеты сигнала (5) : )(,0 ksc k = . (5) Исходный сигнал подается на фильтры низких и высоких частот, после чего с помощью операции децимации (уменьшения числа частотных составляющих вдвое) можно получить коэффициенты аппроксимации на выходе фильтра низких частот и детализирующие коэффициенты на выходе фильтра высоких частот (рис. 1). Рисунок 1 – Схема вычислений при БВП Моделирование износа инструмента по результатам вейвлет-преобразования… «Штучний інтелект» 1’2008 75 2В Таким образом, данные вычисления позволяют рассчитывать коэффициенты разложения на основании коэффициентов предыдущего уровня. В отличие от БВП, в результате которого на каждом уровне декомпозируется только низкочастотная составляющая (аппроксимирующие коэффициенты), при пакетном ВП (ПВП) операции декомпозиции подвергается и высокочастотная компонента [5], [6], [9], которая также может нести полезную информацию об исследуемом процессе. В этом случае происходит замена вейвлета )(tψ на два новых вейвлета (6) и (7): )2(2)(2 ntht jnj −= ∑ ψψ , (6) )2(2)(12 ntgt jnj −= ∑+ ψψ . (7) Масштабирующая функция определяет функцию ,0ψ а материнский вейвлет определяет функцию 1ψ . Это семейство функций образует базис вейвлет-пакетов. Для обработки звукового сигнала процесса резания выбрано ПВП, так как с его помощью можно детально проанализировать низкочастотные и высокочастотные составляющие сигнала. На рис. 2 показаны три исходных звуковых сигнала процесса резания, полученных при различной степени износа инструмента (<0,15 мм; 0,15 – 0,3 мм; >0,3 мм). Резуль- татом разложения данных сигналов при помощи ПВП до четвертого уровня будут 16 окон, представляющих собой вейвлет-коэффициенты. Среднеквадратические значения коэффициентов (СКЗ или RMS – root-mean-square value) в окнах определяют энергети- ческий уровень сигнала в соответствующих частотных диапазонах. Рисунок 2 – Звуковые сигналы процесса резания. Степень износа режущего инструмента при регистрации сигнала: а) < 0,15 мм; б) 0,15 – 0,3 мм; в) >0,3 мм Для определения информативных окон необходимо выбрать такие, которые наиболее чувствительны к изменению износа. Декомпозировав несколько (порядка двадцати) звуковых сигналов процесса резания с известной степенью износа инструмента, определили степень корреляции СКЗ вейвлет-коэффициентов в каждом Внуков Ю.Н., Дубровин В.И., Афонин Ю.С., Манило Т.В. «Искусственный интеллект» 1’2008 76 2В окне со степенью износа (рис. 3). Окна с наибольшим коэффициентом корреляции следует принять как информативные. Рисунок 3 – Коэффициенты корреляции СКЗ вейвлет-коэффициентов каждого окна со степенью износа Моделирование износа В качестве средств для моделирования износа инструмента по результатам вейвлет-преобразования звукового сигнала были использованы многослойная нейронная сеть (МНС) и нейро-нечеткая сеть (ННС). Анализ результатов, полученных при обработке сигналов, позволил в качестве значимых частотных диапазонов выбрать диапазоны 1 – 6, 8, 11. СКЗ вейвлет- коэффициентов в соответствующих окнах определяют входной вектор НС. Значения выходного вектора определяет степень износа режущего инструмента. В табл. 1 приведены результаты обучения и тестирования МНС различной архитектуры, обученных по методу Левенберга-Марквардта [10]. Варьировались следующие параметры архитектуры МНС: количество слоев, количество нейронов в слоях, функции активации (гиперболический тангенс и логарифмическая сигмоидная). Исследования проводились по таким характеристикам, как время обучения сети, количество итераций и ошибка оценивания значений износа обученной НС по тестовой выборке. Максимально допустимое количество циклов обучения было задано равным 1500, а значение максимально допустимой ошибки обучения равнялось 0,0001. Инициализация весов при каждой попытке обучения НС выполнялась случайным образом. Было проведено 20 попыток обучения МНС каждого из исследуемых типов архитектуры. Как видно из табл. 1, оптимальной из исследуемых архитектур МНС для данной задачи моделирования износа режущего инструмента является трехслойная нейронная сеть с количеством нейронов в слоях соответственно 8, 3 и 1 («8 – 3 – 1»), с логарифмической сигмоидной функцией активации нейронов. Хотя среднее количество итераций и время обучения данной МНС несколько выше, чем у двухслойной НС («8 – 1») с аналогичной функцией активации, но средняя ошибка оценивания, которую можно достичь с помощью МНС «8 – 3 – 1» (2,1 %), гораздо Моделирование износа инструмента по результатам вейвлет-преобразования… «Штучний інтелект» 1’2008 77 2В ниже, чем у МНС «8 – 1» (3,7 %). Кроме того, при обучении МНС «8 – 1» два раза не была достигнута цель обучения (ошибка обучения 0,0001) за допустимое число итераций. Результаты тестирования МНС «8 – 3 – 1» с логарифмической сигмоидной функ- цией активации представлены на рис. 4. Ошибка оценивания износа составила 2,1 %. Таблица – Результаты обучения и тестирования МНС различной архитектуры Количество нейронов в слоях 1 слой – 8 нейронов 2 слой – 3 нейрона 3 слой – 1 нейрон 1 слой – 8 нейронов 2 слой – 2 нейрона 3 слой – 1 нейрон 1 слой – 8 нейронов 2 слой – 1 нейрон Функции активации Гиперболический тангенс Логарифмическая сигмоидная Гиперболический тангенс Логарифмическая сигмоидная Гиперболический тангенс Логарифмическая сигмоидная № попытки обучения сети Ко л- во ит ер ац ий Вр ем я об уч ен ия О ш иб ки те ст . Ко л- во ит ер ац ий Вр ем я об уч ен ия О ш иб ки те ст . Ко л- во ит ер ац ий Вр ем я об уч ен ия О ш иб ки те ст . Ко л- во ит ер ац ий Вр ем я об уч ен ия О ш иб ки те ст . Ко л- во ит ер ац ий Вр ем я об уч ен ия О ш иб ки те ст . Ко л- во ит ер ац ий Вр ем я об уч ен ия О ш иб ки те ст . 1 377 3,69 0,022 560 5,20 0,023 478 4,34 0,021 399 3,59 0,021 750 4,95 0,023 383 2,56 0,032 2 334 3,00 0,023 542 5,55 0,021 450 3,94 0,022 410 3,58 0,021 391 2,53 0,032 750 4,70 0,033 3 475 4,19 0,024 696 6,52 0,020 442 3,84 0,021 306 2,72 0,021 633 3,95 0,032 302 2,00 0,037 4 633 5,42 0,022 290 2,73 0,020 414 3,61 0,020 580 4,98 0,023 506 3,27 0,031 592 3,64 0,037 5 419 3,61 0,020 373 3,38 0,020 664 5,72 0,021 419 3,67 0,021 582 3,69 0,032 336 2,22 0,038 6 421 3,67 0,026 243 2,27 0,021 446 3,88 0,021 515 4,47 0,020 404 2,58 0,032 484 3,02 0,038 7 582 5,11 0,022 265 2,44 0,021 501 4,38 0,031 750 6,38 0,022 лок. мин - 323 2,09 0,037 8 518 4,44 0,021 356 3,23 0,023 654 5,50 0,021 325 2,88 0,020 701 4,44 0,032 305 2,00 0,038 9 673 5,72 0,021 643 5,81 0,022 419 3,66 0,023 478 4,14 0,021 лок. мин - 485 3,06 0,038 10 668 5,66 0,021 369 3,45 0,021 412 3,56 0,021 220 2,00 0,023 750 4,66 0,021 342 2,24 0,037 11 244 2,19 0,023 388 3,52 0,020 556 4,75 0,022 750 6,44 0,022 лок. мин - 750 4,67 0,047 12 438 3,77 0,022 556 5,02 0,020 609 5,22 0,023 750 6,45 0,024 506 3,20 0,032 585 3,66 0,037 13 494 4,22 0,024 406 3,81 0,021 423 3,70 0,022 лок. мин - 589 3,66 0,032 397 2,55 0,037 14 699 5,92 0,020 356 3,22 0,021 494 4,27 0,020 504 4,56 0,022 750 4,67 0,023 259 1,72 0,038 15 412 3,58 0,024 219 2,02 0,022 443 3,86 0,021 303 2,70 0,021 750 4,69 0,023 413 2,66 0,036 16 394 3,63 0,020 267 2,47 0,020 554 4,78 0,021 649 5,58 0,021 543 3,44 0,032 299 1,97 0,037 17 384 3,52 0,024 504 4,89 0,021 439 3,80 0,022 385 3,45 0,020 750 4,77 0,032 236 1,63 0,037 18 357 3,30 0,029 382 3,56 0,021 488 4,22 0,020 353 3,09 0,020 750 4,58 0,031 315 2,09 0,037 19 518 4,81 0,025 491 4,34 0,023 508 4,41 0,020 297 2,58 0,021 750 4,59 0,032 431 2,78 0,039 20 439 3,97 0,023 584 5,19 0,023 352 3,08 0,021 388 3,33 0,021 460 2,97 0,032 440 2,81 0,037 Среднее количество итераций 474 425 487 462 621 421 Среднее время обучения 4,17 3,93 4,23 4,03 3,92 2,70 Средняя ошибка тестирования 0,023 0,021 0,022 0,021 0,030 0,037 Количество обучений с попаданием в локальный минимум 0 0 0 1 3 0 Количество обучений с недостигнутой целью 0 0 0 3 6 2 Внуков Ю.Н., Дубровин В.И., Афонин Ю.С., Манило Т.В. «Искусственный интеллект» 1’2008 78 2В Для сравнения с оптимальной архитектурой МНС «8 – 3 – 1» для задачи моделирования износа инструмента была исследована нейро-нечеткая сеть для аналогичной задачи. ННС, используя такую же обучающую выборку, достигла цели обучения за 7 итераций. При этом ошибка оценивания износа составила 1,8 %. Результаты тестирования ННС по тестовой выборке представлены на рис. 5. На рис. 4 и рис. 5 точками отмечены реальные значения степени износа, а звездочками – значения, полученные при помощи соответствующей модели. Рисунок 4 – Результаты тестирования МНС Рисунок 5 – Результаты тестирования ННС Заключение Результаты оценивания значений износа с помощью многослойной нейрон- ной сети (ошибка 2,1 %) и нейро-нечеткой сети (ошибка 1,8 %) показали эффектив- ность и целесообразность использования данных методов моделирования в задачах диагностики износа режущего инструмента, причем нейро-нечеткая сеть достигла Моделирование износа инструмента по результатам вейвлет-преобразования… «Штучний інтелект» 1’2008 79 2В цели обучения за значительно меньшее количество итераций, чем многослойная нейронная сеть. Важную роль в получении результатов оценки износа играет этап обработки диагностического (в данном случае – звукового) сигнала. Выбранный в работе метод пакетного вейвлет-преобразования способствует хорошей частотной локализации сигнала. Это позволяет детально проанализировать все частотные составляющие сигнала и затем выбрать характеристики, чувствительные к измене- нию износа. Литература 1. Tadashi Kondo, Abhijit S. Pandya, Jacek M. Zurada. Logistic GMDH-type Neural Networks and their Application to the Identification of the X-ray Film Characteristic Curve // Proc. IEEE International Conf. on Systems, Man and Cybernetics. – 1999. – Vol. 1. – P. 437-442. 2. Li Xaoli, Yao Yingxue, Yuan Zhejun. On-line tool condition monitoring system with wavelet fuzzy neural network // Journal of Intelligent Manufacturing. – 1997. – P. 271-276. 3. Дубровин В.И., Афонин Ю.С., Зинченко Р.Н., Емельяненко С.С., Манило Т.В. Подход к построению модели по звуковому сигналу с использованием вейвлет-преобразования // Радіоелектроніка. Інформа- тика. Управління. – 2007. – № 1. – С. 112-115. 4. Поликар Р. Введение в вейвлет-преобразование. – Изд. 2-е, перераб. и доп. – СПб.: АВТЭКС, 2001. – 59 с. 5. Дьяконов В.П. Вейвлеты. От теории к практике. – М.: Солон-Пресс, 2004. – 400 с. 6. Дремин И.М., Иванов О.В., Нечитайло В.А. Вейвлеты и их использование // Успехи физических наук. – 2000. – Т. 171, № 5. – С. 465-501. 7. Jaideva C. Goswami, Andrew K. Chan. Fundamentals of wavelets. Theory, algorithms and applications. – Wiley Interscience, 1999. – 324 p. 8. Новиков Л.В. Спектральный анализ сигналов в базисе вейвлетов // Научное приборостроение. – 2000. – № 3. – С. 57-64. 9. Чуи К. Введение в вейвлеты. – М.: Мир, 2001. – 412 с. 10. Хайкин С. Нейронные сети: Полный курс: Пер. с англ. – 2-е издание. – М.: Вильямс, 2006. – 1104 с. Ю.М. Внуков, В.І. Дубровін, Ю.С. Аронін, Т.В. Манило Моделювання зносу інструменту за результатами вейвлет-перетворення звукового сигналу Досліджується проблема моделювання зносу інструменту за звуковим сигналом. Як основний інструмент обробки звукового сигналу пропонується використовувати пакетне вейвлет-перетворення. Для задачі моделювання зносу були використані багатошарова нейронна мережа та нейро-нечітка мережа. Досліджується оптимальна структура нейронної мережі. Iu.N. Vnukov, V.I. Dubrovin, Iu.S. Afonin, T.V. Manilo Tool Wear Modeling from Results of the Packet Wavelet Transform of Acoustic Signals The problem of tool wear modeling using acoustic signals is investigated. The packet wavelet transform as the main mathematical tool for the task of acoustic signal processing is proposed to use. The multi-layer and fuzzy neural networks for the task of tool wear modeling are used. The optimal neuronet structure is investigated. Статья поступила в редакцию 26.10.2007.

Моделирование износа инструмента по результатам вейвлет-преобразования звукового сигнала

Institution

Ähnliche Einträge