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.
The paper addresses the problem of reconstructing the magnetic characteristic of a short sample material from measurements obtained in a magnetic measurement system with a parallel magnetic shunt. Previous studies have shown that introducing a shunt increases measurement sensitivity over a wide range of magnetic permeabilities of the investigated material, which is especially important for short samples and under limitations on the magnetizing current. However, the presence of a parallel branch causes magnetic flux redistribution and complicates the interpretation of measurement data, making direct analytical reconstruction procedures difficult. In this work, machine learning methods are considered for solving the inverse problem of reconstructing the magnetic characteristic from measured dependences. In contrast to earlier research where only neural-network models were analyzed, this paper provides a comparative analysis of five learning algorithms from different model classes. Training and testing are performed under conditions close to real measurements, taking into account possible errors of the measurement channels. It is shown that the best reconstruction quality at the specified noise level is achieved by the Random Forest, which outperforms the alternatives in terms of mean squared error and robustness to disturbances.
The authors declare that there are no conflicts of interest present.