pulse_echo-ml

Darbe-yankı ultrasonik ölçümden çelik kalınlığı kestiren makine öğrenmesi modelinin veri seti, öznitelik çıkarımı ve eğitim defterleri — üretilen .pkl modelleri ayrı bir ölçüm uygulaması tarafından kullanılabilir.

Geliştiren: Cem Girgin

---

pulse_echo_ml/ paketi

DSP çözümleme (paket/yankı tespiti, çapraz korelasyon + faz eğimi kestirimi) ve öznitelik çıkarımı burada kendi başına duran bir kopya olarak tutuluyor — canlı bir bağlantı/bağımlılık değil, dolayısıyla bu depo tek başına klonlanıp çalıştırılabilir. Modeli üreten kod tam olarak burada donmuş durumda; bu, o modelin nasıl eğitildiğinin de bir kaydı.

Kurulum

py -3.12 -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt
jupyter notebook notebooks/

---

Dosya düzeni

pulse_echo_ml/
├── ultrasonic.py          DSP çözümleme (bkz. yukarı)
└── feature_extraction.py  Öznitelik çıkarımı

dataset/
├── index.jsonl          Her kayıt için metadata: kalınlık, ayar varyantı,
│                         pulser ayarları (kazanç/filtre/damping/PRF...),
│                         zaman/gerilim ölçeği, prob, dosya yolu
├── raw/                  595 ham osiloskop kaydı (t_s, v_volt CSV)
├── screenshots/          Her kademede bir osiloskop ekran görüntüsü
├── features_clean.csv    extract_features_dataframe() önbelleği (geçerli kayıtlar)
├── features_invalid.csv  Aynısı, kasıtlı bozuk varyant (hizli_prf_cakisma) için
└── models/
    ├── thickness_model.pkl       Baseline Gradient Boosting Regressor
    └── tuned_thickness_model.pkl GridSearchCV ile optimize edilmiş model

notebooks/
├── model_egitimi.ipynb                 Öznitelik çıkarımı → RF/GBR/KNN/MLP eğitimi,
│                                        DSP-vs-ML karşılaştırması, model kaydı
├── hiperparametre_optimizasyonu.ipynb  GridSearchCV, öznitelik seçimi (SelectFromModel),
│                                        tuned_thickness_model.pkl'i üretir
└── tum_veri_model_analizi.ipynb        Tüm 595 kayıt üzerinde (nominal + zorlu +
                                         kasıtlı bozuk) kapsamlı hata analizi,
                                         DSP-vs-ML karşılaştırma tabloları

Veri nereden geliyor

Ham kayıtlar özel bir toplama betiğiyle alındı: JSR DPR300 pulser/receiver + Keysight DSOX3012T osiloskop, prob ICHF016, malzeme 316 paslanmaz çelik, kademeler 25 → 2,5 mm. Her kademede sabit ayarla (GAIN=33, HP=1.0MHz, LP=5MHz, PRF=9, AMP=9, ENERGY=HZ1, DAMPING=1, 5 µs/böl · 2 V/böl) 20 tekrar alındı.

Buna ek olarak, modelin sabit bir kurulumun ötesinde de çalışması için tek değişkenli ayar varyantları taranarak veri seti zenginleştirildi: düşük ortalama (averaging=1), kötü kuplaj, yanlış hizalama, PRF çakışması (kasıtlı olarak bozuk — ana regresyondan hariç tutulur, bkz. aşağı), ayrıca HP filtre / damping / kazanç / LP filtre / pulse energy tek tek taranarak (index.jsonl'deki settings_variant alanı). Toplam 595 kayıt, 21 varyant grubu.

settings_variant == "hizli_prf_cakisma" kayıtları kasıtlı olarak bozuk: PRF bilinçli olarak çok yükseğe çekilip önceki atımın yankısı sönmeden yenisi verildi. Bunlar model eğitiminde ana veri setinden çıkarılır; yalnızca "model bariz bozuk veriyi ayırt edebiliyor mu" sorusunu test etmek için features_invalid.csv'de ayrı tutulur.

Nasıl çalışır

1. model_egitimi.ipynb — ham CSV'lerden (ultrasonic.analyze() ile, skip_first_packet=True ve kalınlığa göre dinamik max_echoes) klasik DSP kestirimini ve DSP'den bağımsız istatistik/spektral öznitelikleri çıkarır (Hilbert zarfı, otokorelasyon, FFT), gerilimli/tabakalı bölünmeyle (stratified_multi_split) eğitim/test ayırır, birkaç regresör dener ve dataset/models/thickness_model.pkl'i kaydeder.
2. hiperparametre_optimizasyonu.ipynb — aynı öznitelik önbelleğini kullanıp GridSearchCV ile ayar taraması yapar, SelectFromModel ile öznitelik seçer, tuned_thickness_model.pkl'i üretir.
3. tum_veri_model_analizi.ipynb — nominal/zorlu/kasıtlı-bozuk üç grubu ayrı ayrı değerlendirir, kademe bazlı hata tablosu ve DSP-vs-ML karşılaştırması çıkarır.

Üretilen .pkl dosyaları callog_pulse_echo/callog_seshizi/ml_models.py tarafından uygulama açılışında doğrudan yüklenir — buradaki eğitim çıktısı, üretim uygulamasının kullandığı dosyalarla birebir aynıdır.

Sonuçlar (özet)

Klasik DSP tek başına: MAE ≈ 8,1 mm, R² ≈ −1,74 (özellikle ince kademelerde ve zorlu varyantlarda tutarsız). Ayarlanmış GBR modeli: MAE ≈ 1,25 mm, R² ≈ 0,92; kademe bazında 0,30–0,52 mm MAE. Ayrıntılı tablolar tum_veri_model_analizi.ipynb içinde.

Yeniden üretmek

dataset/features_clean.csv ve features_invalid.csv birer önbellektir; silinirse defterler dataset/raw/*.csv üzerinden yeniden hesaplar (birkaç dakika sürer). dataset/models/*.pkl de aynı şekilde defterler yeniden çalıştırılınca üretilir — elle düzenlenmemeli.