Entwicklung von Datenanalyseverfahren für die Qualitäts - IAS ...

- Institutsteil Dresden -
Abschlussbericht
zum DFG-Projekt
HE 3656/1-1 und HO 1674/8-1
Entwicklung von Datenanalyseverfahren für die Qualitätsbewertung
technischer Prozesse, basierend auf spektralen
Repräsentationen akustischer Vorgänge
Bearbeiter:
Dr.-Ing. Matthias Wolff 2)
Dipl.-Inf. Constanze Tschöpe 1)
Projektleiter:
........................................................................... ...........................................................................
Dr.-Ing. Dieter Hentschel 1) Prof. Dr.-Ing. habil. Rüdiger Hoffmann 2)
15.12.2007
1) Fraunhofer-Institut für Zerstörungsfreie Prüfverfahren, Maria-Reiche-Straße 2, 01109 Dresden
2) Technische Universität Dresden, Institut für Akustik und Sprachkommunkation

Übersicht der Abkürzungen:
HMM Hidden-Markov-Modell
stochastisches Modell für Vektorfolgen oder Matrizen
SVM Supportvektormaschine
spezieller numerischer Linearklassifikator für Vektoren
LCQ line cepstral quefrencies
Signalanalyse- und Merkmalextraktionsverfahren
ICA independent component analysis
hier: statistisches Merkmaltransformationsverfahren
LDA linear discriminant analysis
hier: statistisches Merkmaltransformationsverfahren
FST finite state transducer
Spezialform der FSM, versteckter Automat in Hidden-Markov-Modellen
LPC linear predictive coding
Signalanalyse- und Merkmalextraktionsverfahren
LSF line spectral frequencies
Signalanalyse- und Merkmalextraktionsverfahren
PCA principal component analysis, auch HKA (Hauptkomponentenanalyse)
hier: statistisches Merkmaltransformationsverfahren
HKA Hauptkomponentenanalyse
hier: statistisches Merkmaltransformationsverfahren
GMM Gaussian mixture model
multimodale, multivariate Normalverteilung (bzw. deren Parameter)
FSM finite state machine
endlicher Automat
Mel Maßeinheit für die psychoakustische Größe Tonheit
NLL neglog. Likelihood,
stochastisches Bewertungsmaß für die Abweichung zwischen Modell und Messsignal, siehe [7]
NLP neglog. Wahrscheinlichkeit
stochastisches Bewertungsmaß für die Abweichung zwischen Modell und Messsignal
2

Allgemeine Angaben
1.1 DFG-Geschäftszeichen
HE 3656/1-1 und HO 1674/8-1
1.2 Antragsteller
1. Antragsteller 2. Antragsteller
Dr.-Ing. Dieter Hentschel Prof. Dr.-Ing. habil. Rüdiger Hoffmann
Kieler Straße 20 Wieckestraße 75
01109 Dresden 01237 Dresden
Tel: 0351/8906231 Tel: 0351/2 84 82 70
E-Mail: Dieter.Hentschel@izfp-d.fraunhofer.de E-Mail: Ruediger.Hoffmann@ias.et.tu-dresden.de
1.3 Institut/Lehrstuhl
1. Antragsteller 2. Antragsteller
Fraunhofer-Institut für Zerstörungsfreie Prüfverfahren, Technische Universität Dresden
Institutsteil Dresden (IZFP-D) Institut für Akustik und Sprachkommunikation
Maria-Reiche-Straße 2 Helmholtzstraße 18
01109 Dresden 01062 Dresden
Tel: 0351/88815-540, Fax: 0351/88815-509 Tel: 0351/463 32747, Fax: 0351/463 37781
1.4 Aus DFG-Mitteln bezahlte wissenschaftliche Mitarbeiter
1. Antragsteller 2. Antragsteller
Dipl.-Inf. Constanze Tschöpe DI Steffen Werner (1/1 Stelle, 01.01.04 - 31.12.05)
(1/1 Stelle, 01.12.03 - 31.07.07) DI Thomas Fehér (1/2 Stelle, 15.04.06 - 14.04.07)
Dipl.-Ing. Bernd Frankenstein (05.07) DI Sören Wittenberg (1/2 Stelle, 15.06.06 - 31.12.06)
DI Guntram Strecha (1/2 Stelle, 01.02.07 - 14.07.07)
1.5 Thema des Projekts
Entwicklung von Datenanalyseverfahren für die Qualitätsbewertung technischer Prozesse, basierend auf
spektralen Repräsentationen akustischer Vorgänge
1.6 Berichtszeitraum, Förderungszeitraum insgesamt
Förderung seit 1.12.2003
Laufzeit des Erstantrags bis zum 31.12.2005
Laufzeit des Folgeantrags bis zum 31.12.2006
Kostenneutrale Verlängerung der Laufzeit bis zum 31.07.2007
1.7 Fachgebiet, Arbeitsrichtung
Akustische zerstörungsfreie Prüfung, Signalverarbeitung und Mustererkennung
1.8 Verwertungsfelder
Luftfahrtindustrie, Maschinenbau
1.9 Am Projekt beteiligte Kooperationspartner
– keine –
3

2 Zusammenfassung (max. 2 DIN A4-Seiten)
2.1 Allgemeinverständliche Darstellung der wesentlichen Ergebnisse und der
erzielten Fortschritte gegenüber dem Stand des Wissens zum Zeitpunkt der
Antragstellung.
In der zerstörungsfreien Prüfung (ZfP) finden zunehmend Überwachungstechniken Einzug. Dazu gehören:
─ die Überwachung von Produktionsprozessen mit ZfP-Methoden (Produktionsüberwachung; engl.
process integrated non-destructive testing, PINT),
─ die Überwachung des Verschleißzustandes von Maschinen und deren Komponenten zur Abschätzung
ihrer Restlebensdauer (hier wie im Antrag Lebensdaueranalyse genannt; engl. life cycle analysis, LCA)
sowie
─ die Überwachung von Strukturen (Strukturintegrierte Zustandsüberwachung; engl. structural health
monitoring, SHM).
Dieses Projekt befasste sich mit akustischen Verfahren, bei denen entweder Arbeitsgeräusche der zu prüfenden
Bauteile analysiert werden (passive Verfahren) oder bei denen die Prüfobjekte durch Ultraschallimpulse zur
Schwingung angeregt werden (aktive Verfahren). Ziel des Projekts war es, die Eignung selbst lernender,
statistischer Klassifikationsverfahren für die akustische zerstörungsfreie Prüfung zu untersuchen. Die meisten zum
Projektbeginn veröffentlichten Methoden basierten auf Heuristiken. Statistische Ansätze wurden seit etwa 1990 für
einige spezielle Anwendungen untersucht, z. B. [46], jedoch nicht systematisch
─ für alle Bereiche der zerstörungsfreien Prüfung und
─ vergleichend für verschiedene statistische Klassifikationsverfahren.
Ziel dieses Projekts war, mindestens ein universell anwendbares Verfahren zu entwickeln, das akustische
Messsignale automatisch Güteklassen (z. B. „gut“ / „schlecht“ oder „neuwertig“ / „verschlissen“ / „defekt“)
zuordnet. Die Zuordnung kann wahlweise hart durch Angabe der Güteklasse oder graduell durch Angabe eines
Ähnlichkeitsmaßes vorgenommen werden (z. B. „80 % Lebenszeit erreicht“ oder „leicht beschädigt“).
Im Ergebnis des Projekts wurden zwei universelle Verfahren entwickelt und deren Eignung für die drei
Anwendungsbereiche der akustischen zerstörungsfreien Prüfung experimentell nachgewiesen:
1. Hidden-Markov-Modelle (HMM) und
2. Supportvektormaschinen (SVM)
HMM-basierte Verfahren stellen den klassischen Ansatz dar. Der wesentlich in diesem Projekt erzielte Fortschritt
gegenüber früheren Arbeiten liegt in der Entwicklung eines automatischen Lernverfahrens für den Zustandsgraphen
der HMMs, welches eine optimale Anpassung dieser Modelle an die zeitliche Struktur der Messsignale erlaubt. Im
Fehlen dieser Anpassung lag ein wesentlicher Schwachpunkt früherer Ansätze. Das entwickelte Verfahren zur
symbolischen Signalmodellierung ist neuartig und wurde vom IZFP und der TU Dresden gemeinsam patentiert.
SVM-basierte Verfahren wurden bislang nicht für die zerstörungsfreie Prüfung benutzt, der Nachweis ihrer
Eignung für diese Aufgabe stellt einen weiteren Erkenntnisgewinn aus diesem Projekt dar.
Es konnte gezeigt werden, dass eine breite Palette von Aufgaben der zerstörungsfreien Prüfung sowohl mit HMM-
als auch mit SVM-basierten Verfahren hervorragend lösbar ist. HMMs sind besonders zur Abschätzung des
Beschädigungsgrads, SVMs besonders zur Erkennung geringfügiger Beschädigungen geeignet. Beide Technologien
sind herkömmlichen heuristischen Verfahren weit überlegen, da sie problemunabhängig sind und nur einen
minimalen Anpassungsaufwand für neue Anwendungen erfordern. Im Vergleich zu Bild gebenden Verfahren
(akustische Laufzeittomografie, siehe Abschnitt 3.3.3) sind die entwickelten statistischen Verfahren sensibler,
jedoch erlauben sie im Gegensatz zu den ersteren keine Schadenslokalisierung im Bauteil.
Voraussetzung für eine erfolgreiche statistische Klassifikation ist die Extraktion geeigneter Merkmale aus den
Messsignalen. Es wurde in großem Umfang an Merkmalextraktions- und -transformationsverfahren geforscht. Die
Berechnung der sogenannten LCQ-Koeffizienten sowie die direkte nicht lineare Skalierung der Merkmalräume
stellen dabei Neuheiten dar, welche auch außerhalb des Projektes erfolgreich Anwendung fanden (Details siehe
Abschnitt 3.2.2, [37][38]).
Im Rahmen dieses Projekts und der fünf abgeschlossenen oder noch laufenden Folgeprojekte (siehe Abschnitt
3.6.2) wurden Datenbasen aus Messsignalen im Umfang von mehr als 100 GB gesammelt. Es ist geplant, einen
großen Teil dieser Daten zu Forschungszwecken zur freien Verfügung zu stellen. Weiterhin entstand eine
einheitliche, universelle Plattform für Signalklassifikation und automatische Sprachverarbeitung, welche eine breite
Vielfalt an Werkzeugen zur Signalverarbeitung, Mustererkennung, Datenvisualisierung usw. umfasst.
4

2.2 Ausblick auf künftige Arbeiten und Beschreibung möglicher Anwendungen.
Künftige Arbeiten
Die experimentellen Untersuchungen dieses Projekts unterstreichen neben der guten Eignung statistischer
Verfahren zur akustischen zerstörungsfreien Prüfung auch deren Neigung zur Fehlanpassung der automatisch
erlernten Modelle, welche die Grundlage der Klassifikationsentscheidung bilden. Dieser Effekt ist allgemein
bekannt und wird meist durch Einbeziehung von zusätzlichem Wissen über die zu unterscheidenden Objekte
abgeschwächt. Jedoch mindert dieses Vorgehen die Universalität der Methode. Für das Anwendungsgebiet der
zerstörungsfreien Prüfung soll hier weitere Forschung zu folgenden Themen durchgeführt werden:
─ Kombination von statistischer und physikalischer Modellierung,
─ Informationstheoretisch motivierte Merkmaltransformation und
─ Theoretische Untersuchung von Strukturaufdeckungsverfahren
Diese Themen sind in Abschnitt 3.4 detaillierter ausgeführt. Eine entsprechende Lösung zur Vermeidung von
Fehlanpassungen von Modellen würde den breiten Einsatz selbst lernender Diagnose- und Prognosesysteme auf
HMM- und SVM-Basis in der Praxis wesentlich erleichtern.
Anwendungen
Eine der wichtigsten Anwendungsmöglichkeiten der durchgeführten Forschungsarbeit liegt in der automatischen
Überwachung von Bauteilen und Strukturen bei laufendem Betrieb (structural health monitoring, SHM). Im
Rahmen des Projekts wurde die prinzipielle Eignung der untersuchten statistischen Klassifikationsverfahren für
diesen Zweck anhand von Flugzeugkonstruktionsmaterialien (Aluminium und kohlefaserverstärkter Kunststoff,
CFK) nachgewiesen. Ein praktisches Ziel auf diesem Gebiet ist die fortlaufende Überwachung kritischer
Flugzeugteile (Steuer- und Tragflächen, Rumpf, Tank) auf akute Beschädigung. Dazu müssten die zu
überwachenden Bauteile, wie in den durchgeführten Laborversuchen untersucht, mit einem Netzwerk von
Körperschall- oder Dehnungssensoren instrumentiert werden. Entsprechende Techniken werden im DFG-
Sonderforschungsbereich 639 unter anderem an der TU Dresden erforscht. Das potenzielle Anwendungsgebiet
der automatischen Bauteilüberwachung reicht selbstverständlich weit über die Luftfahrtindustrie hinaus. Als ein
Beispiel sei die Schadensdiagnose von Rotorblättern an Windkraftanlagen genannt, an der das Fraunhofer IZFP-
D arbeitet (z. B. [40]).
Für die beiden anderen Anwendungsbereiche der zerstörungsfreien Prüfung, Produktionsüberwachung und
Lebensdaueranalyse, besteht ein großer potenzieller Bedarf im Maschinenbau. Als ein praktisches Beispiel sei
hier auf das durch die AIF geförderte Vorhaben „Fehlerfrüherkennung an Spinnmaschinen“ verwiesen, dessen
Grundlage im abgeschlossenen Grundlagenforschungsprojekt geschaffen wurde. Es wird hier ein Diagnosesystem
für Verschleißteile entwickelt, welches in der Lage ist, einen bevorstehenden Ausfall zu prognostizieren. Somit
wird einerseits die Ausfallzeit von Maschinen durch Defekte minimiert und andererseits die Notwendigkeit der
Lagerhaltung von Ersatzteilen gemindert. Es liegt für dieses Vorhaben ein letter of intent der Firma Rieter Textile
Systems Ingolstadt, einem der weltweit führenden Hersteller von Textilmaschinen, zum Einsatz des
Diagnosesystems vor.
Die entwickelten Techniken zur Signalklassifikation sind universell und über die zerstörungsfreie Prüfung hinaus
vielfältig einsetzbar. Unter anderem wurde es in Folgeprojekten erfolgreich zur Bio- und Musiksignalverarbeitung
eingesetzt. Insgesamt konnten bislang fünf Nachfolgeprojekte durchgeführt werden:
─ Nichtinvasive Blutdruckmessung am aktiven Menschen, Gesundheitstechnik Stier (10/2004 – 12/2005),
─ Bmbf-Projekt „Musicon Valley“ (01/2005 – 12/2006)
(Teilprojekt „Bewertung und Beurteilung von Musikinstrumenten anhand von Solomusikstücken“),
─ Machbarkeitsstudie zur Prüfung von gesinterten Zahnrädern, Miba Sinter Austria GmbH (07/2005 –
04/2006),
─ Signalverarbeitung für ein rotationsbezogenenes Messsystem (06/2006 – 02/2007) und
─ AIF-Projekt „Fehlerfrüherkennung an Spinnmaschinen“ (01/2007 – heute).
Eine detailliertere Beschreibung der Folgeprojekte befindet sich in Abschnitt 3.4. Weitere Vorhaben befinden sich
in Vorbereitung beziehungsweise in Akquisition. Wesentliche Technologien wurden patentiert.
─ Hentschel, D.; Tschöpe, C.; Hoffmann, R.; Eichner, M.; Wolff, M.: Vorrichtung und Verfahren zur
Beurteilung einer Güteklasse eines zu prüfenden Objekts. Deutsches Patentamt, Nr. 10 2004 023 824
B4, Erteilung: 13.7.2006.
─ Hentschel, D.; Tschöpe, C.; Hoffmann, R.; Eichner, M.; Wolff, M.: Vorrichtung und Verfahren zur
Beurteilung einer Güteklasse eines zu prüfenden Objekts. Nr. EP1733223, Erteilung: 1.2.2007.
5

─ Eichner, M.; Wolff, M.; Hoffmann, R.; Kordon, U.; Ziegenhals, G.: Verfahren und Vorrichtung zur
Klassifikation und Beurteilung von Musikinstrumenten. Deutsches Patentamt, Nr. 10 2006 014 507 A1,
Erteilung: 20.9.2007.
6

3 Arbeits- und Ergebnisbericht (max. 12 DIN A4-Seiten)
3.1 Ausgangslage
Auf dem Gebiet der zerstörungsfreien Prüfung existieren viele Anwendungen, die in ihren Problemstellungen
ähnlich sind und in denen eine automatische Entscheidungsfindung notwendig ist. Man kann diese
Applikationsfelder in drei Bereiche unterteilen:
─ Produktionsüberwachung (PINT),
─ Lebensdaueranalyse und
─ Zustandsüberwachung.
In jedem Fall werden passiv oder aktiv, beispielsweise durch Ultraschallanregung, gewonnene Messsignale
automatisch Güteklassen (zum Beispiel „gut“ / „schlecht“ oder „neuwertig“ / „verschlissen“ / „defekt“) zugeordnet.
Die Zuordnung kann wahlweise hart durch Angabe der Güteklasse oder graduell durch Angabe eines
Ähnlichkeitsmaßes vorgenommen werden (zum Beispiel „80% Lebenszeit erreicht“ oder „leicht beschädigt“). Diese
Angaben ermöglichen die „Durchführung einer zustandsorientierten Instandhaltung, die Vermeidung von Ausfällen
und eine Optimierung der Instandhaltungskosten von technischen Anlagen“ [36].
Das zum damaligen Zeitpunkt eingesetzte Verfahren zur Qualitätsbewertung technischer Bauteile, das im
Projektantrag dargelegt wurde, war nicht in der Lage, den Problemstellungen gerecht zu werden. Die Eignung von
Verfahren der Spracherkennung für akustische Signale sollte zu diesem Zwecke untersucht werden.
Eine besondere Bedeutung auf dem Gebiet der Zustandsüberwachung (structural health monitoring - SHM) nimmt
die Flugzeugprüfung ein, die im Folgeantrag im Mittelpunkt stand.
Das im Projektantrag [36] formulierte Primärziel lautete:
Ziel des beantragten Projekts ist es, ein möglichst universell anwendbares Verfahren zu entwickeln, das
Fehler in technischen Systemen sicher aus - von den technischen Prozessen stammenden - akustischen
Signalen erkennt beziehungsweise anhand dieser Signale eine Qualitätsbewertung des technischen
Prozesses vornimmt.
Als weitere Ziele wurden die Systematisierung der Arbeiten zur Klassifikation und die Erhöhung der
Klassifikationssicherheit genannt. Im Folgeantrag sollte das entwickelte Verfahren zur akustischen Fehlerdetektion
in Flugzeugbauteilen eingesetzt werden.
Die wesentlichen Arbeitshypothesen zu Beginn des Projektes waren:
1. Verfahren der Folgenklassifikation sind für technische Signale geeignet
2. es ist möglich, ein universell anwendbares Verfahren zu entwickeln
Da in ersten Voruntersuchungen (siehe Projektantrag) Verfahren der Folgenklassifikation gute Ergebnisse zur
Zahnradprüfung erzielen konnten, wurde vermutet, dass diese Verfahren generell zur Klassifikation akustischer
Signale geeignet seien. Diese Hypothese wurde untersucht und durch Experimente aus den 3 oben genannten
Applikationsfeldern untermauert.
3.2 Beschreibung der durchgeführten Arbeiten
Der Arbeitsplan (siehe Tabelle 2 in Anhang A) wurde größtenteils eingehalten. Es gab folgende Abweichungen:
1. Es wurden sechzehn statt der geplanten drei Merkmalextraktionsverfahren untersucht.
2. Zur Merkmaltransformation wurde die independent component analysis (ICA) anstelle der linear discriminant
analysis (LDA) untersucht.
3. Es wurde nicht mit Arbeitsgeräuschen von Schaltschützen experimentiert.
4. Auf Grund guter Ergebnisse konnte weitgehend auf die Optimierung des Klassifikators auf Basis von
Supportvektormaschinen (SVM) verzichtet werden.
5. Anstelle der geplanten Sensorfeldmodelle auf Basis von finite state transducers (FST) wurde mit
Sensorfusionsverfahren gearbeitet.
Detaillierte Angaben zur Erfüllung der einzelnen Arbeitspakete sind in Tabelle 2 im Anhang A enthalten.
3.2.1 Datenbasen
Eine wesentliche Voraussetzung für die Entwicklung und Erprobung von statistischen Klassifikationsverfahren ist
die Erstellung von Signaldatenbasen. Entsprechend der geplanten Anwendungsszenarien wurden drei
Datenbasen angelegt:
7

─ Produktionsüberwachung (sintermetallurgische Zahnräder) ca. 94 MB
─ Lebensdaueranalyse (Magnetventile) ca. 58 GB
─ Zustandsüberwachung (Flugzeugbauteile) ca. 35 GB
Im Rahmen von Folgeprojekten wurden weitere Datenbasen zur akustischen Diagnose beweglicher Teile an
Textilmaschinen (ca. 1 GB), zur Qualitätsbeurteilung von Musikinstrumenten (ca. 2 GB), zur Ausschussprüfung
weiterer Zahnräder (ca. 800 MB), zur akustischen Überwachung von Eisenbahnrädern (ca. 10 GB) sowie zur nichtinvasiven
Blutdruckmessung (ca. 200 MB) erstellt, welche im Rahmen dieses Projekts zum Test und zur
Optimierung der Algorithmen genutzt werden konnten. Insgesamt stehen nunmehr Datenbasen im Umfang von
mehr als 100 GB zur dauerhaften Verfügung. Tabelle 3 im Anhang B enthält weitere Details.
3.2.2 Merkmalextraktion, –kompression und –statistik
Für die statistischen Signalklassifikationsverfahren, deren Anwendung für technische Signale Gegenstand des
Projekts war, ist die Umwandlung der Messsignale in Folgen von Merkmalvektoren notwendig. Ursprünglich sollten
spektrale Merkmale, Cepstrum und LPC auf ihre Eignung für die verschiedenen Anwendungsszenarien untersucht
werden. Die Ausnutzung von Synergien mit anderen Projekten erlaubte die Untersuchung einer wesentlich
breiteren Palette von 16 verschiedenen Merkmalextraktionsverfahren. Neben den geplanten sind dies unter
anderem line spectral frequency (LSF) und line cepstral quefrency (LCQ) Koeffizienten. Details zu den Verfahren
sind Abbildung 11 im Anhang D, eine Übersicht der durchgeführten Experimente Tabelle 4 in Anhang C zu
entnehmen. Die Berechnung der LCQ-Koeffizienten sowie die direkte nicht lineare Skalierung der LSF- und LCQ-
Koeffizienten stellen dabei eine Neuheit dar, welche auch außerhalb des Projektes erfolgreich Anwendung fanden
[37][38]. Einige wichtige Ergebnisse werden in Abschnitt 3.3 vorgestellt.
Nach der Merkmalextraktion wird bei statistischen Klassifikationsverfahren oft eine Merkmaltransformation (mit dem
Ziel einer Dimensionsreduktion der Merkmale) durchgeführt. In diesem Projekt wurde mit Standardverfahren wie
Vektorstandardisierung, Berechnung von Differenzmerkmalen und Hauptkomponentenanalyse (HKA) experimentiert.
Als weiteres Verfahren sollte die lineare Diskriminanzanalyse (LDA) untersucht werden. Da letztere nicht „rein“
statistisch ist, sondern die Klassifikation vorweg nimmt, wurden, unter anderem im Rahmen einer Diplomarbeit [19],
umfangreiche Experimente mit der rein statistischen independent component analysis (ICA) durchgeführt. Leider
konnte hiermit selbst nach problemspezifischen Anpassungen der Standardalgorithmen keine Verbesserung der
Klassifikationsleistung gegenüber der Hauptkomponentenanalyse erreicht werden. Die Schwierigkeit liegt nicht in der
ICA selbst, sondern im Finden eines geeigneten Auswahlkriteriums für Dimensionsreduktion im Bildraum der
Transformation (siehe dazu auch [43][44][45]). An dieser Stelle besteht weiterer Forschungsbedarf.
3.2.3 Strukturaufdeckung, Modellierung und Klassifikation mit endlichen Automaten (FST)
Im Neuantrag wurde die Anwendung von Hidden-Markov-Modellen (HMM) für die Klassifikation technischer Signale
vorgeschlagen, welche im Vorfeld am Institut für Akustik und Sprachkommunikation für die Spracherkennung
verwendet wurden. Eine Herausforderung dieses Projekts war die, im Gegensatz zu Sprachlauten, nicht a priori
bekannte symbolische Struktur der vielfältigen zu untersuchenden technischen Signale. Um eine größtmögliche
Flexibilität der Algorithmen zu erreichen, wurden im Rahmen des Projekts alle HMM-basierenden Verfahren
konsequent unter Verwendung von finite state transducers (FST) als „versteckte“ Automaten ausgeführt, deren
Eingabesymbole Normalverteilungen (welche akustische „Elementarereignisse“ beschreiben) und deren
Ausgabesymbole Signalklassen (z. B. „gut“, „schlecht“ usw.) sind. Diese Automaten modellieren die Struktur eines
Signals auf Symbolebene.
Abbildung 1. Beispiel für Signalstrukturaufdeckung: typische Aufzeichnung des Schaltgeräusches eines
Magnetventils (links) und die automatisch erlernte symbolische Darstellung seiner Signalstruktur als finite state
transducer (FST). Zustand 1 beschreibt die Signalpausen (A), der Kreis 1-3-6-1 kurze Vorimpulse (B), der Kreis 1-
3-4-5-7-8-1 das Einschaltgeräusch (C) und der Kreis 1-3-7-8-1 das Ausschaltgeräusch (D). Die Zahlen an den
Kanten bezeichnen akustische Elementarereignisse (modelliert durch Normalverteilungen im Merkmalraum)
8

Großes Gewicht wurde auf die Entwicklung von Verfahren zum unüberwachten automatischen Lernen dieser
symbolischen Beschreibung (automatische Strukturaufdeckung) gelegt. Es wurden drei verschiedene
Verfahrenstypen zur automatischen Strukturaufdeckung entwickelt und untersucht [8][20]:
─ „einfache“ Verfahren erzielen die Strukturveränderung durch eine Komplexitätserhöhung. Dies wird durch
Teilen von Normalverteilungen, Knoten oder Kanten umgesetzt.
─ Kantenpruningverfahren entfernen Kanten aus dem Automaten und verringern damit dessen Komplexität.
Die Auswahl der zu entfernenden Kanten kann über eine Bewertung (auf Basis der negativen
logarithmieren Wahrscheinlichkeitsdichten) oder deren Benutzung durch eine Entwicklungssdatenmenge
realisiert werden.
─ Pfadpruningverfahren betrachten den endlichen Automaten als Menge von Pfaden vom Start- zum
Endknoten. Aus einer Auswahl dieser Pfade wird ein neuer Automat erzeugt. Die Auswahlkriterien
entsprechen denen der Kantenpruningverfahren.
Tabelle 5 in Anhang E enthält eine detailliertere Übersicht der Verfahren, Abbildung 1 zeigt beispielhaft ein
Ergebnis. Im Ergebnis des Projekts steht ein frei skalierbares Werkzeug zur statistischen Klassifikation beliebiger
Signale zur Verfügung, welches von einfachen Gaussian mixture models (GMM) bis hin zu FST-basierten Hidden-
Markov-Modellen mit freier, automatisch erlernbarer Topologie reicht. Die erfolgreiche Strukturaufdeckung
erforderte in jedem Fall die Kombination mehrerer Einzelverfahren aus Tabelle 5. Deren jeweilige Auswahl ist
noch problemabhängig. Hier besteht weiterer Forschungsbedarf.
Im Fortsetzungsantrag ursprünglich geplant war die Verwendung von finite state machines zur Modellierung
physikalischer Eigenschaften von Messanordnungen mit mehreren Sensoren (siehe 3.3.3 sowie Tabelle 3 in Anhang
B). Dieser Ansatz wurde im Verlauf der Arbeit zugunsten von Sensorfusionsverfahren und Metaklassifikation der
Einzelergebnisse der Sensoren aufgegeben. Letztere schienen realistischer und im Hinblick auf die gewünschte
Universalität geeigneter. Sie erbrachten sowohl für HMM- als auch für SVM-basierte Klassifikatoren hervorragende
Erkennungsleistungen (siehe 3.3.3, [9]).
3.2.4 Modellierung und Klassifikation mit Supportvektormaschinen
Ein wesentlicher Schwerpunkt des Fortsetzungsantrags war die Klassifikation mit Hilfe von Supportvektormaschinen
(SVM). Dazu wurde, unter anderem im Rahmen einer Studienarbeit [23], eine Standardbibliothek (libSVM) in die
hauseigene Experimentierplattform integriert und problemspezifische Anpassungen, besonders hinsichtlich der
Schätzung von Klassenwahrscheinlichkeiten, vorgenommen. Die Klassifikationsexperimente (Details siehe Tabelle 4
in Anhang C) wurden mit L2-soft-margin SVMs mit linearem Kern durchgeführt und erbrachten in den getesteten
Konfigurationen nahezu perfekte Klassifikationsergebnisse (siehe 3.3.3, [9]). Dadurch wurden Arbeiten zur
Kernoptimierung sowie zu Regressionsverfahren überflüssig.
3.2.5 Experimente und Erprobung, Implementierung
Die betrachteten Klassifikationsverfahren wurden wie geplant in den Anwendungsszenarien
„Produktionsüberwachung“, „Lebensdaueranalyse“ und „Zustandsüberwachung“ mit großen Datenmengen erprobt.
Eine Übersicht der durchgeführten Experimente ist den Anhängen A und B zu entnehmen. Einige wichtige Ergebnisse
sind in Abschnitt 3.3 beschreiben. Besonders hervorzuheben ist die umfassende Ausnutzung von Synergieeffekten
mit Nachfolgeprojekten (siehe Abschnitt 3.6.2), welche im großen Maße nützliche empirische Erkenntnisse zur
Verfahrensentwicklung innerhalb dieses Projekts beisteuerten.
Großer Wert wurde auf die Schaffung von nachnutzbarer Software gelegt. Alle in diesem Projekt entstandenen
und erforschten Verfahren wurden in das hauseigene Experimentiersystem, welches auch die Grundlage für
Vorgängerprojekte bildete (z. B. Ho 1674/7 [39]) und dort wesentlich gestaltet wurde, integriert. So entstand bis
heute eine einheitliche, universelle Plattform für Signalklassifikation und automatische Sprachverarbeitung, welche
eine breite Vielfalt an Werkzeugen zur Signalverarbeitung, Mustererkennung, Datenvisualisierung usw. umfasst.
3.2.6 Statusseminare
Es wurden planmäßig drei Statusseminare durchgeführt:
Statusseminar A 08.12.2004
Statusseminar B 09.02.2007
Abschlussseminar 07.12.2007
Die Sitzungsprotokolle und Präsentationen befinden sich auf der als Anlage beigefügten CD-ROM.
3.3 Darstellung der erzielten Ergebnisse
Ziel des Projekts war es, die Eignung selbst lernender, statistischer Klassifikationsverfahren für die akustische
zerstörungsfreie Prüfung zu untersuchen. Die Eignung konnte für alle getesteten Einsatzszenarien
(Produktionsüberwachung, Lebensdaueranalyse und Zustandsüberwachung) bestätigt werden. Die Technologie
9

ist herkömmlichen heuristischen Verfahren weit überlegen, da sie problemunabhängig ist und nur einen minimalen
Anpassungsaufwand für neue Anwendungen erfordert. Dies wird durch leistungsfähige, automatische
Lernverfahren für die statistischen Modelle erreicht (siehe 3.2.3), welche ein wesentlicher Forschungsschwerpunkt
des Projekts waren.
Während der Projektlaufzeit wurden mehrfach Literaturrecherchen durchgeführt, um den aktuellen Stand des
Projekts in das wissenschaftliche Umfeld einordnen zu können. So stellten wir fest, dass zu Projektbeginn nur
relativ wenige Veröffentlichungen existierten [47]-[50]. Inzwischen ist die Anzahl gestiegen, was verdeutlicht, dass
sich das Forschungsgebiet im Wachstum befindet und zunehmend an Bedeutung gewinnt [51]-[57]. Da wir nun
bereits seit Jahren auf diesem Gebiet tätig sind, haben wir inzwischen gute Ergebnisse erzielt, die wir national und
international präsentieren und veröffentlichen konnten. Unser patentiertes Verfahren ist universell und liefert gute
Ergebnisse für alle Anwendungen. Es ist vorgesehen, mit anderen Wissenschaftlern dieses Forschungsgebiets in
Kontakt zu treten, um Erfahrungen und Ergebnisse auszutauschen. Eine Möglichkeit dazu wäre die Einrichtung
eines öffentlich zugänglichen Internetportals, das anderen Wissenschaftlern erlaubt, mit unseren umfangreichen
Daten zu experimentieren und somit unsere Resultate selbst nachzuvollziehen.
Im Folgenden werden wesentliche Projektergebnisse kurz vorgestellt.
3.3.1 Produktionsüberwachung
Bei der Produktion von Zahnrädern können zum Beispiel folgende Fehlerarten auftreten: fehlende, an- und
abgebrochene Zähne, radiale Risse, Risse in der Verzahnung oder kleine Ausbrüche. Bei der automatisierten
Prüfung sollen derartig beschädigte Zahnräder erkannt und aus dem Produktionsprozess entfernt werden.
Die Zahnräder zweier Hersteller wurden mit unseren Verfahren untersucht. Dazu wurde jeweils ein Gutmodell
trainiert und der Abstand zu diesem Modell gebildet. Da es auch wichtig ist, die Trennschärfe zwischen Gut- und
Schlechtteilen zu maximieren und somit Klassifikationsfehler gering zu halten, wurden verschiedene
Modellparameter variiert. Typische Ergebnisse sind in Abbildung 2 dargestellt.
Abbildung 2: Histogramme der Bewertung einer Stichprobe von Zahnrädern (452 gut, 18 Ausschuss) durch ein
herkömmliches HMM (links) und ein HMM mit erlernter Topologie des versteckten Automaten (rechts, siehe 3.2.3).
Dargestellt sind Maße für die Abweichung der Messsignale vom Modell eines guten Zahnrads (neglog. Likelihood,
NLL). Alle Ausschussteile wurden korrekt identifiziert, das durch Strukturaufdeckung gewonnene HMM zeigt einen
leicht größeren Sicherheitsabstand zwischen guten und Ausschussteilen.
Wichtig ist eine repräsentative Auswahl der Trainingsdaten. Würden z. B. nur Teile einer Charge trainiert, würden
natürlich auch Gutteile anderer Chargen von diesem Modell abweichen (siehe Abschnitt 3.4).
Literatur: [1][2][3][5][6][24]
3.3.2 Lebensdaueranalyse
Für den Einsatz von mikrofluidischen Bauelementen, wie z. B. Ventile, in Bereichen, bei denen ein Ausfall
unerwartete, teilweise auch unvorhersehbare Folgen haben kann, ist die Erkennung eines bevorstehenden
Ausfalls von großer Bedeutung. Dazu wurden 2 Dauerversuche durchgeführt, bei denen jeweils 8 Ventile zyklisch
geöffnet und geschlossen wurden. Anhand der dabei aufgezeichneten Schaltgeräusche sollte eine Aussage über
die zu erwartende Restlebensdauer der einzelnen Ventile ermittelt werden. In Abbildung 1 ist ein Schaltgeräusch
eines Ventils dargestellt. Aufgrund der deutlich ausgeprägten Signalstruktur ist hier der Einsatz von Verfahren zum
automatischen Strukturlernen (siehe Abbildung 1, Abschnitt 3.2.3 und Tabelle 5 in Anhang E) nützlich.
Trainiert wurden Hidden-Markov-Modelle für die Zustände „neuwertig“ und „verschlissen“, jeweils mit Daten mehrerer
Ventile. Anhand dieser Modelle wurde der Klang eines anderen Ventils bewertet. Die im Verlaufe der Lebenszeit
abnehmende Ähnlichkeit zum mittleren Klang eines neuwertigen Ventils und die zunehmende Ähnlichkeit zum
mittleren Klang eines abgenutzten erlaubt eine Abschätzung des Alters und somit der Restlebensdauer des
unbekannten Ventils. Ein typischer Verlauf des so geschätzten Alters während der Lebenszeit eines Ventils ist in
Abbildung 3 dargestellt. Nach [57] kann eine deutlichere Anzeige des bevorstehenden Ausfalls durch eine
angepasste Merkmalextraktion erreicht werden. Bei der Suche nach einem geeigneten Kompromiss zwischen
10

Universalität und problemspezifischer Leistungsfähigkeit der Merkmalextraktion besteht aus unserer Sicht weiterer
Forschungsbedarf.
Abbildung 3. Links: aus dem Klang des Arbeitsgeräusches automatisch geschätztes Lebensalter eines
Magnetventils in Prozent, abgetragen über der Anzahl der Schaltspiele (tatsächliches Alter). Rechts: Prüfobjekt.
Literatur: [1][2][5][6][8][20]
In den Aufgabenbereich der Lebensdaueranalyse fallen auch die in 3.6.2 beschriebenen Arbeiten zur
Fehlerfrüherkennung an Spinnmaschinen.
3.3.3 Zustandsüberwachung
Die Eignung HMM- und SVM-basierter statistischer Klassifikationsverfahren zur akustischen
Zustandsüberwachung wurde anhand von Proben zweier typischer Flugzeugkonstruktionsmaterialien
nachgewiesen. Für die Experimente wurden eine Aluminium- und eine CFK-Platte mit Ultraschall-Aktuatoren
(Sender-/Empfängereinheiten) bestückt (Details siehe [9]). Jeder Aktuator fungiert umlaufend als Körperschallsender,
während alle anderen die durch das Material laufenden Schallwellen aufzeichnen. Jede Sender-Empfänger-
Kombination („Messstrecke“) liefert eine Teilinformation über den Zustand des Bauteils, die Teilinformationen werden
am Ende der Verarbeitung zu einer Gesamtaussage zusammengefasst. Die Untersuchung der Testobjekte erfolgte
im intakten sowie in beschädigten Zuständen. Bei der Aluminiumplatte wurde schrittweise ein Riss zunehmender
Länge eingebracht, bei der CFK-Platte 5 Einschläge mit verschieden hohen Einschlagsenergien.
Abbildung 4: Ergebnisse der Fehlerdetektion mit HMM- und SVM-Klassifikator für die Aluminiumplatte (links) und die
CFK-Platte (rechts). Dargestellt sind Maße für die Abweichung der Messsignale vom intakten Zustand (HMM: neglog.
Likelihood NLL, SVM: neglog. Wahrscheinlichkeit NLP, jeweils gemittelt über alle Messstrecken). Die Datenpunkte
sind Mittelwerte und Standardabweichungen von jeweils 200 bzw. 1000 Testmessungen (Aluminium- / CFK-Platte).
Ziel der Zustandsüberwachung mit HMM- und SVM-basierten Klassifikatoren war die sichere Erkennung von
Beschädigungen und, wenn möglich, eine Abschätzung deren Grades. Abbildung 4 stellt die wichtigsten Ergebnisse
für die Aluminium- und CFK-Platte zusammen. Sowohl mit HMMs als auch mit SVMs konnten alle getesteten Fehler
sicher erkannt werden (größte gemessene Fehlerrate über alle Experimente 0,3 %). HMMs sind besonders zur
Abschätzung des Beschädigungsgrads, SVMs besonders zur Erkennung geringfügiger Beschädigungen geeignet.
Zum Vergleich mit einem „herkömmlichen“ Verfahren wurde für die Aluminiumplatte eine laufzeittomografische
Bildrekonstruktion basierend auf den beschriebenen Messdaten durchgeführt. Diese konnte Risse in der
Aluminiumplatte erst ab 12 cm Länge detektieren, beide statistischen Verfahren ab dem kleinsten getesteten Riss von
1 cm Länge.
11

Literatur: [9]
In den Aufgabenbereich der Zustandsüberwachung fällt auch die in 3.6.2 beschriebene Fehlerprüfung von
Eisenbahnrädern, welche passiv (ohne Anregungssignal) arbeitet.
3.4 Ausblick auf zukünftige Arbeiten
Bei selbst lernenden Systemen besteht das prinzipielle Problem einer möglichen Fehlanpassung der Modelle an die
Trainingsstichprobe. Die Qualität und Gültigkeit der Modelle hängen also wesentlich von der Wahl dieser Stichprobe
ab. In der statistischen Lerntheorie wird dieser Effekt als Generalisierungsfehler bezeichnet. Abbildung 5 zeigt
beispielhaft die typische Auswirkung des Generalisierungsfehlers eines Hidden-Markov-Modells
(Zustandsüberwachung einer CFK-Platte, siehe Abschnitt 3.3.3). In der Praxis (z. B. [1][3][9][10][24]) führen
fehlangepasste Modelle zu irrtümlichen Fehleranzeigen auf Grund der Veränderung von für die Prüfungaufgabe
irrelevanten Umgebungsbedingungen, was zu unzureichender Betriebssicherheit führen kann und in jedem Fall die
aufwändige Implementation (halb-) automatischer Korrekturmaßnahmen erfordert. Abgesehen von dieser
Einschränkung unterstreichen jedoch sowohl die Ergebnisse dieses Projekts als auch die internationale Literaturlage
die hervorragende Eignung statistischer Klassifikatoren für die akustische zerstörungsfreie Prüfung (z. B.
[47][48][50][57]).
Eine Lösung zur Vermeidung von Fehlanpassungen von Modellen würde den breiten Einsatz selbst lernender
Diagnose- und Prognosesysteme auf HMM- und SVM-Basis in der Praxis wesentlich erleichtern.
Abbildung 5: Ergebnisse der Fehlerdetektion mit einem HMM-Klassifikator für eine zunehmend beschädigte CFK-
Platte (siehe 3.3.3). Dargestellt sind Maße für die Abweichung der Messsignale vom intakten Zustand (neglog.
Likelihood NLL, jeweils gemittelt über alle Messstrecken) für 1000 Testmessungen pro Zustand. Das Modell wurde
mit (von den Testdaten verschiedenen) Messsignalen aus dem Zustand „Intakt 1“ trainiert. Es ist auf diese Daten
fehlangepasst, da es den Zustand „Intakt 2“ (Aufbau des Testobjekts auf einem anderen Versuchsstand) nicht als
„intakt“, sondern als „Einschlag“ erkennt (dicke schwarze Linie: Klassifikationsschwellwert). Die Fehlanpassung
lässt sich beheben, indem zum Training des Modells „Intakt“ Daten beider Intakt-Zustände verwendet werden.
Nach unserer Meinung liegt demnach der Hauptforschungsbedarf zur Verbesserung der akustischen
zerstörungsfreien Prüfung mit Hilfe statistischer Klassifikatoren in der Minimierung des
Modellgeneralisierungsfehlers. Die statistische Lerntheorie bietet dafür zwar theoretische Ansätze, diese sind
jedoch nicht einfach auf praktische Anwendungen übertragbar. Insbesondere nimmt die statistische Lerntheorie
die Merkmale, welche die zu klassifizierenden Objekte beschreiben, als gegeben an. Gerade hier liegt aber
wahrscheinlich das größte Optimierungspotenzial. Im Folgenden werden einige Lösungsvorschläge dargestellt.
Kombination von statistischer und physikalischer Modellierung
Im Rahmen dieses Projekts wurde stets zu Gunsten der Allgemeingültigkeit auf die Verwendung von
„Expertenwissen“ über die Prüfaufgabe verzichtet. Durch Wissen über die für die Klassifikation relevanten
physikalischen Vorgänge können die Merkmalextraktion und bestimmte Modellparameter jedoch von vornherein
optimal gestaltet werden (siehe z. B. [40][57]). Anzustreben wäre eine geeignete Kombination von physikalischer
und statistischer Modellierung, welche die jeweiligen Vorteile möglichst vereint. Ein wichtiger Nebeneffekt eines
solchen Vorgehens wäre die potenzielle Möglichkeit der Erzeugung von Trainingsdaten für das statistische Modell
aus Simulationsrechnungen mit dem physikalischen Modell. Besonders für fehlerhafte Teile ist die Beschaffung
einer ausreichenden Menge von Trainingsdaten erfahrungsgemäß schwierig. Denkbar sind beispielsweise ein
Training des statistischen Modells mit (einer großen Menge) simulierter Daten und eine anschließende Adaption
des Modells mit (einer kleineren Menge) realer Daten.
Informationstheoretisch motivierte Merkmaltransformation
12

Die im vorigen Abschnitt dargestellte Kombination von physikalischer und statistischer Modellierung lässt zwar
Verbesserungen erwarten, steht jedoch im Widerspruch zur Universalität, die wesentliches Ziel des
abgeschlossenen Projekts war. Es besteht nach unserer Meinung weiterer Forschungsbedarf bei
informationstheoretisch motivierten Merkmalextraktionsverfahren, welche den Generalisierungsfehler der Modelle
senken können, ohne problemspezifisch zu sein. Als Beispiel hierfür sei die independent component analysis
(ICA, siehe Abschnitt 3.2.2) genannt, die mit dem Ziel angewandt wird, möglichst viele Informationen in möglichst
wenigen Merkmalvektorkomponenten zu vereinen. Die Idee ist, das Messsignal als Mischung (hypothetischer)
unabhängiger Signalquellen zu interpretieren und zu versuchen, diese voneinander zu trennen. Das Ergebnis
wären kompakte und aussagekräftige Merkmalvektoren. Im Rahmen des Projekts ist es leider nicht gelungen, ein
angemessenes Zielkriterium für diese statistische Trennung zu finden. Trotzdem erscheint dieser Ansatz viel
versprechend. Er ist, im Kontext der automatischen Spracherkennung, Gegenstand verschiedener internationaler
Veröffentlichungen, wobei keine der vorgeschlagenen Lösungen befriedigend ist [43][44][45].
Theoretische Untersuchung von Strukturaufdeckungsverfahren
Im abgeschlossenen Projekt wurden erfolgreich Verfahren zur Signalmodellierung mit Hilfe von finite state
transducers (FST, siehe Abschnitt 3.2.3) entwickelt und getestet. Diese Verfahren sind bislang nicht aus Sicht der
statistischen Lerntheorie untersucht worden. Diese Untersuchungen hätten Aussagen zu oberen Schranken des
Generalisierungsfehlers von HMMs mit gelernten Automatengraphen zum Ziel. Obwohl, wie oben ausgeführt,
keine direkte Übertragung solcher Aussagen auf praktische Anwendungen möglich sein dürfte, ist ein besseres
Verständnis der theoretischen Grundlage des automatischen Lernens von symbolischen Signaldarstellungen
wichtig für die zielgerichtete Weiterentwicklung entsprechender Trainingsverfahren.
3.5 Interdisziplinäre Weiterentwicklung
Das abgeschlossene Projekt hat selbst einen interdisziplinären Charakter. In ihm arbeiteten Experten aus den
Gebieten der zerstörungsfreien Prüfung sowie der Signalanalyse und -erkennung erfolgreich zusammen. Diese
interdisziplinäre Kooperation soll nach Abschluss des Projekts aufrecht erhalten und wenn möglich ausgebaut
werden. Dazu existiert bereits eine Vielzahl konkreter Vorhaben (siehe Abschnitte 3.6.2 und 3.6.3). Weiterhin soll die
Grundlagenforschung von beiden Instituten wie unter 3.4 beschrieben gemeinsam fortgeführt werden. Ein besonderer
Schwerpunkt für die zukünftige interdisziplinäre Zusammenarbeit liegt in der Verbindung von physikalischer
Modellierung und Simulation (Fraunhofer IZFP-D) mit der statistischen Modellierung und Klassifikation (TU Dresden,
IAS). Der hauptsächliche Nutzen der weiteren Kooperation liegt in Industrieanwendungen der zerstörungsfreien
Prüfung. Besonders ermöglicht die entwickelte Technologie eine Überwachung kritischer Bauteile im laufenden
Betrieb. Hierzu wird vor allem eine engere Kooperation mit der Luftfahrtindustrie (z. B. IMA Dresden) angestrebt.
Die wesentlichen Ergebnisse dieses Projekts wurden auf Konferenzen beider Fachgebiete publiziert [1]-[12], [17].
Ein Aufsatz in der Zeitschrift NDT&E ist derzeit in Arbeit.
3.6 Verwertungspotenzial
Das Verwertungspotenzial der durchgeführten Forschungsarbeit wird im Folgenden durch erhaltene Patente
(3.6.1) und anhand der fünf abgeschlossenen oder noch laufenden Folgeprojekte (3.6.2) dokumentiert. Das
Projekt „Datenanalyseverfahren“ bildete die Grundlage für alle diese Ergebnisse. Sie wären ohne die Förderung
nicht oder nur eingeschränkt erreicht worden. Im Abschnitt 3.6.3 werden weiterhin einige in Vorbereitung
befindliche Anwendungen vorgestellt.
3.6.1 Patente
Das Verfahren zur Erkennung akustischer Signale wurde erfolgreich als deutsches und internationales Patent
angemeldet:
Deutsches Patent:
Hentschel, D.; Tschöpe, C.; Hoffmann, R.; Eichner, M.; Wolff, M.: Vorrichtung und Verfahren zur Beurteilung einer
Güteklasse eines zu prüfenden Objekts. Deutsches Patentamt, Nr. 10 2004 023 824 B4, Erteilung: 13.7.2006.
Internationales Patent:
Hentschel, D.; Tschöpe, C.; Hoffmann, R.; Eichner, M.; Wolff, M.: Vorrichtung und Verfahren zur Beurteilung einer
Güteklasse eines zu prüfenden Objekts. Nr. EP1733223, Erteilung: 1.2.2007.
Folgendes Patent konnte in einem der Folgeprojekte erfolgreich beantragt werden:
Eichner, M.; Wolff, M.; Hoffmann, R.; Kordon, U.; Ziegenhals, G.: Verfahren und Vorrichtung zur Klassifikation und
Beurteilung von Musikinstrumenten. Deutsches Patentamt, Nr. 10 2006 014 507 A1, Erteilung: 20.9.2007.
13

3.6.2 Durchgeführte und laufende Folgeprojekte
Nichtinvasive Blutdruckmessung am aktiven Menschen, Gesundheitstechnik Stier (10/2004 – 12/2005)
Ziel dieses Projekts war die automatische akustische Blutdruckmessung am Oberarm mit Druckmanschette und elektronischem
Stethoskop (bestehend aus zwei in die Manschette integrierten Spezialmikrofonen) anhand der so
genannten Korotkoff-Geräusche (siehe Abbildung 6). Diese Geräusche bestehen aus vier unterscheidbaren Phasen,
der Beginn der ersten Phase sowie das Ende der letzten Phase markieren den systolischen und diastolischen
Blutdruck.
Abbildung 6. Typische Stethoskopsignale (Korotkoff-Geräusche) in Ruhe (links oben) und während
Fitnessübungen (links unten) sowie Beispiel für manuelle und automatische Blutdruckmessung (rechts).
Mit Hilfe eines HMM-basierten Signalmodells wurden das Korotkoff-Geräusch im Stethoskopsignal automatisch
lokalisiert und aus der Position die Blutdruckwerte berechnet. Befindet sich der Patient in Ruhe, liefert das
Verfahren eine gute Genauigkeit. In Bewegung (Fitnessübungen) entstehen durch Muskeln und Gelenke starke
Störgeräusche (Abbildung 6 links unten). Bei der Blutdruckmessung unter solchen Bedingungen konnte eine
immer noch akzeptable Genauigkeit erzielt werden. Ein technologischer Schwerpunkt dieses Projekts war eine
angepasste Merkmalextraktion für den HMM-Klassifikator.
Literatur: [14][16][28][29][30][31]
Bmbf-Projekt „Musicon Valley“ (01/2005 – 12/2006)
(Teilprojekt „Bewertung und Beurteilung von Musikinstrumenten anhand von Solomusikstücken“)
Ziel dieses Forschungsprojektes war es unter anderem, mit Hilfe statistischer Klassifikatoren Musikinstrumente
anhand des beim Instrumentenspiel entstehenden Schallsignals zu beurteilen und zu vergleichen. Bislang
basierten alle instrumentellen Ansätze zu einer solchen Beurteilung auf physikalischen Modellen beziehungsweise
auf künstlichen Anspielvorrichtungen. Die automatische Beurteilung von Musikinstrumenten anhand gespielter
Musik sollte zunächst spielerunabhängig, im zweiten Schritt zusätzlich melodieunabhängig und im dritten Schritt
dazu noch raum- und aufnahmeunabhängig sein. Es wurde eine Datenbasis mit Anspielen von jeweils zehn
Gitarren, Violinen, Klarinetten und Trompeten aufgenommen. Jedes der 40 Instrumente wurde in zwei Räumen,
von fünf Musikern, mit drei unterschiedlichen Stücken und je einer Wiederholung (also insgesamt 60 Mal)
aufgenommen.
Abbildung 7: Versteckter Automat eines Hidden-Markov-Modells für eine individuelle Konzertgitarre, ermittelt aus
etwa 50 verschiedenen Melodieanspielen (links) und mit Hilfe solcher Modelle aufgestellte Ähnlichkeitsmatrix von
zehn Gitarren (rechts, dunkle Farbe bedeutet große Ähnlichkeit).
Voraussetzung für die Beurteilung eines Instruments ist das sichere Erkennen individueller Instrumente
unabhängig von Spieler, Melodie und Aufnahmebedingungen. Ist dies erfolgreich möglich, können relativ einfach
automatisch „objektive“ Ähnlichkeiten zwischen Instrumenten bestimmt werden. Abbildung 7 zeigt beispielhaft das
14

unüberwacht erlernte Hidden-Markov-Modell des Klangs einer Gitarre und eine automatisch ermittelte
Ähnlichkeitsmatrix zwischen zehn verschiedenen Gitarren. Das Projekt ergab als ein wesentliches Ergebnis, dass
die beschriebene statistische Modellierung für bestimmte Instrumente hervorragend (z. B. Gitarren 94 - 99 %,
Violinen 96 - 98 % Erkennungsrate eines aus 10 Instrumenten), für andere weniger gut (z. B. Trompeten 33 - 97 %
Erkennungsrate eines aus 10 Instrumenten) geeignet ist. Ein technologischer Schwerpunkt dieses Projekts war
die automatische Strukturaufdeckung von Signalen.
Literatur: [13][15][25][27][32][33][34][35]
Machbarkeitsstudie zur Prüfung von gesinterten Zahnrädern, Miba Sinter Austria GmbH (07/2005 – 04/2006)
In dieser Studie wurde eine Gut-/Schlechtanalyse gesinterter Zahnräder durchgeführt. Dabei wurde der Klang des
Zahnrades (Frequenzspektrum, Abklingverhalten) bei definierter Anregung durch einen Ultraschall-Impuls mit Hilfe
des in diesem Projekt entwickelten HMM-Klassifikators bewertet. Jede Aufnahme wurde gleichzeitig mit zwei
unabhängigen Sensoren durchgeführt. Die besondere Schwierigkeit der Aufgabe bestand darin, dass nicht nur
grobe Fehler wie Ausbrüche oder Risse gefunden werden sollten, sondern auch winzige Einschlüsse oder
geringfügige Kontamination des Rohmaterials. Abbildung 8 zeigt ein typisches Fehlerbild sowie das
Klassifikationsergebnis für die insgesamt 62 untersuchten Teile.
Abbildung 8: Links: optimale Trennfunktionen für Gut- und Ausschussteile bei Verwendung jeweils eines von zwei
Sensorsignalen (gestrichelte Linien) sowie bei Verwendung eines Sensorfusionsverfahrens (Bayes-Klassifikation,
durchgezogenen Linie). Der Klassifikator wurde immer so eingestellt, dass er alle Ausschussteile korrekt
identifiziert (Fehlakzeptanzrate 0 %). Durch die Sensorfusion sinkt die Fehlrückweisungsrate (irrtümliches
Aussortieren intakter Teile) in diesem Beispiel von 24 % (nur Sensor 1) bzw. 55 % (nur Sensor 2) auf 15 %.
Rechts: Röntgenbild eines typischen Fehlerbildes (Lunker).
Literatur: [24]
Signalverarbeitung für ein rotationsbezogenenes Messsystem (06/2006 – 02/2007)
Dieses am IZFP-D durchgeführte Projekt befasste sich mit einem neuartigen Verfahren zur in-situ-Überwachung
von Eisenbahnrädern durch Auswertung der Laufgeräusche beim normalen Betrieb (herkömmliche Verfahren
testen die Räder nur während der Wartung). Ziel ist es, Fehler am Rad sofort zu detektieren und somit auf akute
Störfälle reagieren zu können. Das IZFP-D entwickelte eine spezielle Messsonde (siehe Abbildung 9) mit acht
gleichmäßig auf dem Umfang verteilten Körperschallsensoren. Schäden auf der Lauffläche des Rades führen zu
periodischen Störungen der Messsignale. Eine umlaufsynchrone Signalmittelung über viele Radumdrehungen
beseitigt zufällige Störungen (z. B. Schienenstöße u. ä.) Abbildung 9 zeigt das Spektrogramm der gemittelten
Signale eines Sensors für ein Rad mit beschädigter Lauffläche (Abplattung). Durch die umlaufsynchrone Mittelung
kann statt der Zeitachse der Drehwinkel des Rades angegeben werden.
15

Abbildung 9: Messsonde in Eisenbahnradachsen (links, aus [41]), Spektrogramm eines Sensorsignals bei einem
beschädigten Rad (Abplattung bei ca. 260°, rechts oben) und Fehlerdetektion und –lokalisierung durch
automatische Zuordnung der HMM-Zustände „OK“ / „FEHLER“ zum Sensorsignal (rechts unten).
Ein untersuchter Ansatz zur Fehlerdetektion besteht in der statistischen Klassifikation der Laufgeräusche. Dazu wurde
im einfachsten Fall ein HMM mit zwei Zuständen („OK“ und „FEHLER“) trainiert. Das rechte untere Diagramm in
Abbildung 9 zeigt die automatische Zuordnung des Laufgeräusches zu den Zuständen „OK“ und „FEHLER“ in
Abhängigkeit vom Drehwinkel (helle Farbe bedeutet hohe Wahrscheinlichkeit der Zuordnung). Nachteil dieses
Ansatzes ist, dass Daten fehlerhafter Räder zum Modelltraining benötigt werden. Abhilfe schafft eine Abwandlung des
Verfahrens, welche nur die Ähnlichkeit zur Klasse „OK“ ermittelt (Zeile „OK“ im rechten unteren Diagramm von
Abbildung 9) und bei zu geringer Ähnlichkeit eine Fehlstelle detektiert. Die Experimente zeigten, dass mit Hilfe
statistischer Verfahren Fehler an Eisenbahnrädern anhand der Laufgeräusche erkannt und lokalisiert werden können.
Ein technologischer Schwerpunkt dieses Projekts war eine angepasste Merkmalextraktion für den HMM-Klassifikator.
Literatur: [25][41][42]
AIF-Projekt „Fehlerfrüherkennung an Spinnmaschinen“ (01/2007 – heute)
Ziel des durch die AiF geförderten Forschungsprojektes ist es, einen bevorstehenden Ausfall von beweglichen
Maschinenteilen an Spinnmaschinen mit Hilfe eines HMM-Klassifikators zu diagnostizieren. Bei bestimmten
Bauteilen (in unseren Versuchen: gummierte Oberwalzen und Lager in einem Streckwerk) führt schon eine
gewisse Abnutzung zu periodischen Garnfehlern, die unbedingt vermieden werden sollen. Bisher erfolgt die
Fehlerdiagnose durch Sichtkontrollen und akustische Wahrnehmung von Schadgeräuschen während
regelmäßiger Inspektionen. Die automatische Körperschalldiagnose soll die Kontrolle unterstützen und
zuverlässige Aussagen zum Zustand von Bauteilen möglich machen. Grundlage sind Änderungen im
Schwingungsspektrum des jeweiligen Teils im Vergleich zu intakten Bauteilen. Diese Änderungen sollen mit Hilfe
eines portablen Maschinendiagnosegerätes erkannt und Aussagen zum Verschleißzustand getroffen werden.
Abbildung 10: Prüfobjekt (Gummiwalze) mit sichtbarer Beschädigung (rechts) sowie Histogramm über Maßzahlen
für die Abweichung der Messsignale verschiedener Prüfobjekte vom intakten Zustand (neglog. Likelihood NLL,
jede Messung wurde 1000 Mal wiederholt, links)
Im Gegensatz zu anderen akustischen Diagnoseverfahren wird dabei aus einer Stichprobe typischer
Signalverläufe ein stochastisches Strukturmodell gebildet, welches die zeitliche Abfolge von Signalereignissen
berücksichtigt und das zu modellierende Signal nicht nur als statisch betrachtet. Die zu untersuchenden Daten
werden von einer sich in Entwicklung befindlichen autarken Sensorbaugruppe bereitgestellt, die
Körperschallsignale aufzeichnet und dem Diagnosegerät drahtlos übermittelt. Für die Positionierung und
Entwicklung der Sensorbaugruppe sind fortlaufend Aussagen in Bezug auf Änderungen zu bisherigen
Klassifikationsergebnissen notwendig. Deshalb wurde eine Datenbank mit Körperschallsignalen des
Versuchsstreckwerkes aufgebaut. Für die Erhebung stehen 6 Walzen unterschiedlichen Zerstörungsgrades (2
neuwertige und 1 defekte Walze, sowie 3 mittleren Zerstörungsgrades) zur Verfügung. Mit Hilfe eines HMMbasierten
Signalmodells ist es zum gegenwärtigen Zeitpunkt am Versuchsstreckwerk möglich, die intakten und
gänzlich defekten Walzen klar zu erkennen. Ein technologischer Schwerpunkt dieses Projekts ist die Analyse
vorhandener und Entwicklung neuer Merkmalextraktionsverfahren für die Klassifikation mittels HMMs.
Literatur: [1][2][10]
3.6.3 Geplante Folgeprojekte
Qualitätskontrolle von Tissue-Produkten (WEPA GmbH Kriebstein)
In Akquisition befindet sich ein Projekt, welches sich mit der Weichheit von Tissue-Produkten beschäftigt. Dabei
sollen das Papier im Produktionsprozess bzw. die fertigen Produkte, z. B. Taschen- oder Kosmetiktücher, mittels
einer zu entwickelnden Apparatur und eines entsprechenden Klassifikationsverfahrens untersucht werden.
Letztendlich wird eine Aussage „weich“/“mittel“/“hart“ erwartet. In Voruntersuchungen muss geprüft werden, ob
16

statistische Verfahren im Allgemeinen und das in diesem Projekt entwickelte Verfahren im Besonderungen dazu
geeignet wäre.
Verbesserte Ausschussprüfung bei der Herstellung von Zahnrädern (EHW Thale Sintermetall GmbH)
Weiterhin ist ein Fortsetzungsprojekt zur Zahnradprüfung geplant, bei dem neben einer verbesserten Sensorik
auch die Online-Auswertung der Bauteile mit dem im Projekt entwickelten Verfahren ermöglicht. Das dazu zu
entwickelnde Gesamtsystem muss auf die rauen Industriebedingungen vor Ort angepasst sein. Weiterhin sind
spezielle Erfordernisse an die Software, wie z. B. ein automatisiertes „Nachlernen“ der Teile, zu berücksichtigen.
Internetportal zu Signaldatenbasen und Klassifikatoren (TU Dresden, Fraunhofer IZFP-D)
Die reichhaltigen Datenbasen und die entwickelte statistische Klassifikationstechnologie soll für nationale und
internationale Forschergruppen zur nicht kommerziellen Nutzung über ein Internetportal frei verfügbar gemacht
werden. Ein großes Hindernis für den internationalen Wissensaustausch ist das weitestgehende Fehlen
gemeinsam nutzbarer Daten zum Vergleich verschiedener Prüfverfahren. Die freie Verfügbarkeit einer großen
Menge (>100 GB) an Testdaten wäre hier ein wertvoller Beitrag. Gleichzeitig soll das zu erstellende Internetportal
ermöglichen, die von uns entwickelten Klassifikationsmethoden mit Nutzerdaten zu erproben. Dies erlaubt
anderen Forschern, Vergleichsergebnisse für ihre eigenen Testdaten zu erhalten. Es ist geplant, die Datenbasen
systematisch, besonders im Bereich Flugzeugbauteile, zu erweitern.
3.7 Beteiligte Wissenschaftler
Name Position Tätigkeit
Fraunhofer IZFP-D
Hentschel, Dieter, Dr.-Ing.
Geschäftsfeld-
Leiter
Tschöpe, Constanze, Dipl.-Inf. wiss. MA
17
– Antragsteller, Projektleiter
– Datenbasen
– Datenaufbereitung
– Experimentierplattform
– Experimente
– Auswertung
Neunübel, Heiko, Dipl.-Ing. (FH) wiss. MA – Experimente
Leppin, Anna Praktikantin – Auswertung
Heil, Cathleen Hiwi – Auswertung
Schulz, Norbert Hiwi – Auswertung
Richter, Christian Hiwi – Auswertung
TU Dresden, Institut für Akustik und Sprachkommunikation
Hoffmann, Rüdiger, Prof. Dr.-Ing. habil. Professor – Antragsteller, Projektleiter
Werner, Steffen, Dr.-Ing. wiss. MA
– SVM-Klassifikator
– Experimentierplattform
Strecha, Guntram, Dipl.-Ing. wiss. MA – Merkmalextraktion
– Merkmalextraktion
Wittenberg, Sören, Dipl.-Ing. wiss. MA – HMM-Klassifikator
– Datenbasen
Fehér, Thomas, Dipl.-Ing. wiss. MA – Merkmaltransformation
Duckhorn, Frank, Dipl.-Ing. wiss. MA – Strukturaufdeckung
– HMM-Klassifikator
Eichner, Matthias, Dr.-Ing. wiss. MA
– Merkmalextraktion
– Experimentierplattform
– Datenbasen
– HMM-Klassifikator
– SVM-Klassifikator
Wolff, Matthias, Dr.-Ing. wiss. MA – Strukturaufdeckung
– Experimentierplattform
– Datenbasen
Feig, Christian SHK – Entwicklungsumgebung und Datenvisualisierung
Larws, Stephan SHK – Entwicklungsumgebung und Datenvisualisierung
Tabelle 1: Beteiligte Wissenschaftler

4 Publikationen
4.1 Publikationen in Fachzeitschriften
Tschöpe, C.; Wolff, M.: A Statistical Approach to Non-Destructive Testing. (In Arbeit)
4.2 Kongressbeiträge
Dieses Projekt (veröffentlicht)
[1] Tschöpe, C.; Hentschel, D.; Wolff, M.; Eichner, M.; Hoffmann, R.: Classification of Non-Speech Acoustic Signals
using Structure Models. Proc. IEEE International Conference On Acoustics, Speech, and Signal Processing
(ICASSP 2004), May 17 – 21, 2004, Montreal, Canada, V-653 – V-656.
[2] Tschöpe, C.: Classification of Non-Speech Acoustic Signals using Structure Models. Jahr der Technik,
Dresden, 8.7.2004.
[3] Tschöpe, C.; Hirschfeld, D.; Hoffmann, R.: Klassifikation technischer Signale für die Geräuschdiagnose von
Maschinen und Bauteilen. 4. Symposium „Motor- und Aggregateakustik“ Magdeburg, 15./16.2005. in:
Tschöke, H.; Henze, W. (Hrsg.): Motor- und Aggregateakustik II, expert Verlag, Renningen, 2005.
[4] Cuevas, M.; Wolff, M; Werner, S.; Eichner, M.; Hoffmann, R.: Integration von Finite State Transducers in das
UASR-System. ITG-Fachtagung Sprachkommunikation, Kiel, 26.-28.4.2006, in: Berlin/Offenbach: VDE-Verlag
2006=ITG-Fachbericht 192, 4 Seiten.
[5] Hoffmann, R.: Recognition of non-speech acoustic signals. 13 th International Workshop Advances in Speech
Technology (AST), University of Maribor, 5.-7.7.2006. Abstract in: Kacic, Z. (ed.), Advances in Speech
Technology 2006, Proceedings, S. 107.
[6] Hoffmann, R.; Wolff, M.: Klassifikation akustischer Signale. Workshop „Perspektiven eines bioakustischen
Monitoring“, Humboldt-Universität zu Berlin, Institut für Biologie, 11.2.2006.
[7] Tschöpe, C.; Wolff, M.: Automatic Decision Making in SHM using Hidden Markov Models. Proc. IEEE 18 th
International Conference on Database and Expert Systems Applications (DEXA 2007), 03.-07.09.2007,
Regensburg, pp 307-311.
Dieses Projekt (eingereicht)
[8] Tschöpe, C.; Duckhorn, F.; Wolff, M.; Hoffmann, R.: Signal Structure Discovery for Acoustic Health
Monitoring.
[9] Wolff, M.; Schubert, R.; Hoffmann, R.; Tschöpe, C.; Schulze, E.; Neunübel, H.: Experiments in Acoustic
Structural Health Monitoring of Airplane Parts. IEEE International Conference On Acoustics, Speech, and
Signal Processing (ICASSP 2008), 30.3.-4.4.2008, Las Vegas, USA.
[10] Wittenberg, S.; Wolff, M.; Hoffmann, R.: Comparison of Statistical Classifiers for Monitoring Rollers.
[11] Strecha, G.; Wolff, M.; Hoffmann, R.: Line Cepstral Quefrencies for HMM-based Speech Recognition.
[12] Wolff, M.: Klassifikation akustischer Signale. DAGA 2008, Dresden.
Folgeprojekte (veröffentlicht)
[13] Eichner, M.; Wolff, M.: Hoffmann, R.: Instrument classification using Hidden Markov Models. 7th International
Conference on Music Infomation Retrieval (ISMIR 2006), Victoria, 8.-12.10.2006, Proceedings, 349-350.
[14] Kordon, U.; Wolff, M.; Hussein, H.: Auswertung von Korotkoff-Geräuschsignalen mit Verfahren der
Mustererkennung für die Blutdruckmessung am aktiven Menschen. DAGA 2006, Braunschweig, 20.-
23.3.2006, in: Tagungsband „Fortschritte der Akustik“, S. 719-720.
[15] Merchel, S.; Hoffmann, R.: Subjective evaluation of musical instruments on the basis of solo pieces of music.
2 nd ISCA/DEGA Workshop on Perceptual Quality of Systems, Berlin, 4.-6.9.2005, Proceedings, S. 68-75.
[16] Wolff, M.; Kordon, U.; Hussein; H.; Eichner, M.; Hoffmann, R.; Tschöpe, C.: Auscultatory Blood Pressure
Measurement using HMMs. Proc. IEEE International Conference on Acoustics, Speech, and Signal
Processing (ICASSP 2007), 12.-20.04.2007, Honolulu, Hawaii, Volume 1, Page(s): I-405 - I-408.
4.3 Buchbeiträge
[17] Hoffmann, R.; Eichner, M.; Wolff, M.: Analysis of Verbal and Non-Verbal Acoustic Signals with the Dresden
UASR System. In: Esposito, A. (Ed.): Verbal and Nonverbal Communication Behaviours, Springer, 2007.
ISBN-13 978-3-540-76441-0.
4.4 Studien- und Diplomarbeiten, Dissertationen, Habilitationen, Berichte,
sonstige Publikationen
Dieses Projekt
18

[18] Hentschel, D.; Tschöpe, C.; Hoffmann, R.; Eichner, M.; Wolff, M.: Vorrichtung und Verfahren zur Beurteilung
einer Güteklasse eines zu prüfenden Objekts. Deutsches Patentamt, Nr. 10 2004 023 824 B4, Erteilung:
13.7.2006.
[19] Näht, T.: Realisierung eines Algorithmus zur Quellentrennung auf Basis der Independent Component
Analysis, Diplomarbeit, TU Dresden, 2007.
[20] Duckhorn, F.: Optimierung von Hidden-Markov-Modellen für die Sprach- und Signalerkennung, Diplomarbeit,
TU Dresden, 2007.
[21] Hentschel, D.; Hoffmann, R.: Entwicklung von Datenanalyseverfahren für die Qualitätsbewertung technischer
Prozesse, basierend auf spektralen Repräsentationen akustischer Vorgänge. Zwischenbericht zum DFG-
Projekt HE 3656/1 und HO 1674/8-1, Juni 2006, 34 Seiten.
[22] Schubert, R.; Werner, S.: Klassifikation mittels Support-Vektor-Machines (SVM) – ein einführender Überblick,
Institutskolloquium, TU Dresden, 7.12.2005.
[23] Schubert, R.: Domainkategorisierung und –indizierung mit Supportvektormaschinen (SVM). Studienarbeit, TU
Dresden, 2006.
[24] Tschöpe, C.; Neunübel, H.: Machbarkeitsstudie zur Prüfung von gesinterten Zahnrädern, Abschlussbericht
(Auftraggeber: Miba Sinter Austria GmbH), Fraunhofer IZFP-D, September 2005.
Folgeprojekte
[25] Eichner, M.: Signalverarbeitung für ein rotationsbezogenes Messsystem. Forschungsbericht, TU Dresden,
Institut für Akustik und Sprachkommunikation, April 2007.
[26] Eichner, M.; Wolff, M.; Hoffmann, R.; Kordon, U.; Ziegenhals, G.: Verfahren und Vorrichtung zur Klassifikation
und Beurteilung von Musikinstrumenten. Deutsches Patentamt, Nr. 10 2006 014 507 A1, Erteilung: 20.9.2007.
[27] Merchel, S.: Untersuchungen zur subjektiven und objektiven Bewertung und Beurteilung von
Musikinstrumenten anhand von Solomusikstücken, Diplomarbeit, TU Dresden, 2005.
[28] Kordon, U.; Kürbis, S; Wolff, M.: Nichtinvasive Blutdruckmessung am aktiven Menschen. TU Dresden, Institut
für Akustik und Sprachkommunikation, Vortrag (ungedruckt), 7. April 2004.
[29] Kordon, U.; Kürbis, S; Wolff, M.: Nichtinvasive Blutdruckmessung am aktiven Menschen. Forschungsbericht
(Auftraggeber: Gesundheitstechnik Stier), TU Dresden, Institut für Akustik und Sprachkommunikation, März
2004.
[30] Hussein, H.; Kordon, U.: Untersuchung von Analyseverfahren zur Pulsdetektion in gestörten Korotkov-
Geräuschsignalen. Zwischenbericht zum Projekt „Nichtinvasive Blutdruckmessung am aktiven Menschen“,
Mai 2005, 36 Seiten.
[31] Kordon, U.; Wolff, M.: Verfahren der Mustererkennung zur Pulsdetektion in gestörten Korotkov-
Geräuschsignalen. Forschungsbericht, TU Dresden, 1.4.2006.
[32] Eichner, M.: Beurteilung von Musikinstrumenten anhand von Solomusikstücken. Zwischenbericht 2005 zum
BMBF-Projekt 03i4745A, 5 Seiten.
[33] Eichner, M.; Ziegenhals, G.: Bewertung und Beurteilung von Musikinstrumenten anhand von
Solomusikstücken. In: Musicon Valley Report, Markneukirchen 2006, S. 14-22.
[34] Löschke, H.: Entwicklung einer Methodik zur Differenzierung und Beurteilung von Musikinstrumenten anhand
von Solomusikstücken. Diplomarbeit, TU Dresden, 2006.
[35] Hübler, S.: Untersuchung zur subjektiven und objektiven Bewertung und Beurteilung von Geigen anhand von
Solomusikstücken. Studienarbeit, TU Dresden, 2006.
5 Literatur
[36] Hentschel, D.; Hoffmann, R.: Entwicklung von Datenanalyseverfahren für die Qualitätsbewertung technischer
Prozesse, basierend auf spektralen Repräsentationen akustischer Vorgänge. Neuantrag zum DFG-Projekt
HE 3656/1 und HO 1674/8-1, 2003.
[37] Strecha, G.; Eichner, M.; Jokisch, O; Hoffmann, R.: Codec Integrated Voice Conversion for Embedded
Speech Synthesis. In Proc. of 9th European Conference on Speech Communication and Technology,
INTERSPEECH, S. 2589–2592, Lissabon, Sep. 2005.
[38] Strecha, G.; Eichner, M; Hoffmann, R.: Line Cepstral Quefrencies and Their Use for Acoustic Inventory
Coding. In Proc. of Interspeech, 8th Annual Conference of the International Speech Communication
Association, S. 2873–2876, Antwerpen, Aug. 2007.
[39] Cuevas, M.; Eichner, M.; Werner, S.; Wolff, M.: Integration von Spracherkennung und –synthese unter
Verwendung gemeinsamer Datenbasen. Abschlussbericht zum DFG-Projekt Ho 1674/7, 2005.
[40] Schubert, L.; Kuttner, M.; Frankenstein, B.; Hentschel, D.: Structural Health Monitoring of a rotor blade during
statical load test. In Proc. 18th International Conference on Database and Expert Systems Applications
(DEXA), 2007, S. 297 – 301.
[41] Hentschel, D.; Frankenstein, B.; Pridoehl, E.; Schubert, F.: Hollow Shaft integrated Health Monitoring System
for Railroad Wheels. in: SPIE (Hrsg.): Proceedings of 10th SPIE International Symposium „Nondestructive
Evaluation for Health Monitoring and Diagnostics”. San Diego, California USA, March 2005, paper 5770-6.
[42] Hentschel, D.; Frankenstein, B.; Schubert, F.: Möglichkeiten der akustischen Detektion von Rissen in
rollenden Radsätzen 6. Internationale Schienenfahrzeugtagung Dresden 2005.
19

[43] Somervuo, P.: Experiments with linear and nonlinear feature transformations in HMM based phone
recognition. In Proceedings 2000 IEEE International Conference on Acoustics Speech and Signal Processing,
Band 1, S. 52-55, 2003.
[44] Somervuo, P; Chen, B; Zhu, Q.: Feature Transformations and Combinations for Improving ASR Performance.
In Proceedings of EUROSPEECH 2003, Geneva.
[45] Lee, J.-H.; Jung, H.-Y.; Lee T.-W.; Lee, S.-Y.: Speech feature extraction using independent component
analysis. In Proceedings 2000 IEEE International Conference on Acoustics Speech and Signal Processing
(ICASSP 2000), Band 3, S. 1631 - 1634, 2000.
[46] Smyth, P.: Hidden Markov models and neural networks for fault detection in dynamic systems. Neural
Networks for Signal Processing, 6-9 Sept. 1993, Proceedings of the 1993 IEEE-SP Workshop, Page(s): 582-
592.
[47] D. Zhang, Y. Zeng, X. Zhou, Cheng Y.: The pattern recognition of non-destructive testing based on hmm. in
Proc. 4 th World Congre World Congress on Intelligent Control and Automation (Cat. No. 02EX527), 2002, vol.
3, pp. 2198–2202, Piscataway, NJ, USA.
[48] P. Baruah und R. B. Chinnam: „Hmms for diagnostics and prognostics in machining processes,” in Proc. 57th
Meeting of the Society for Machinery Failure Prevention Technology, 2003, pp. 389–398, Virginia Beach,
USA.
[49] A. R. Taylor und S. R. Duncan: „A comparison of techniques for monitoring process faults,” in Proc. Conf.
Control Systems, 2002, pp. 323–327, Stockholm, SE.
[50] H. Y. K. Lau: „A hidden markov model-based assembly contact recognition system,” Mechatronics, vol. 13(8-
9), pp. 1001–1023, 2003, ISSN 0957-4158.
[51] Xiaodong Zhang, Xu, R., Chiman Kwan, Liang, S. Y., Quilin Xie, Haynes, L.: An integrated approach to
bearing fault diagnostics and prognostics. In Proc. American Control Conference, Bd. 4, S. 2750-2755, 2005.
[52] Roshan Rammohan et al.: "Exploratory Investigations for Intelligent Damage Prognosis using Hidden Markov
Models". In Proc. IEEE Int’l Conference on Systems, Man and Cybernetics, Bd. 2, S. 1524-1529, 2005.
[53] Kothamasu et al.: "Comparison of Selected Model Evaluation Criteria for Maintenance Applications", In
Structural Health Monitoring; 3: 213-224, 2004.
[54] Qiang Miao et al.: "A Novel Hybrid System with Neural Networks and Hidden Markov Models in Fault
Diagnosis". In Proc. MICAI: Advances in Artificial Intelligence, S. 513-521, 2006.
[55] Ming Dong et al.: "Equipment health diagnosis and prognosis using hidden semi-Markov models", 2006
[56] Qiang Miao et al.: "Condition monitoring and classification of rotating machinery using wavelets and hidden
Markov models". In: Mechanical Systems and Signal Processing, Bd. 21, Ausgabe 2, S. 840-855, 2007.
[57] Ocak, H.; K. A. Loparo K. A.; Discenzo, F. M.: “Online tracking of bearing wear using wavelet packet
decomposition and probabilistic modeling: A method for bearing prognostics”. In Journal of Sound and
Vibration, Band 302, Ausgabe 4-5, 22. Mai 2007, S. 951-961.
20

6 Anhänge
Anhang A – Erfüllung des Arbeitsplans
Anhang B – Übersicht der erstellten Datenbasen
Anhang C – Übersicht der experimentellen Untersuchungen
Anhang D – Übersicht Merkmalextraktionsverfahren
Anhang E – Übersicht Strukturaufdeckungsverfahren
Anhang F – Protokolle Statusseminare
21

Anhang A – Erfüllung des Arbeitsplans
Halbjahr
1. Halbjahr
2. Halbjahr
3. Halbjahr
4. Halbjahr
Halbjahr
5. Halbjahr
6. Halbjahr
Arbeitspakete
I. Qu.
II. Qu.
I. Qu.
II. Qu.
I. Qu.
II. Qu.
I. Qu.
II. Qu.
Arbeits-
pakete
I. Qu.
II. Qu.
I. Qu.
II. Qu.
AP 1
Entwicklung
von
Klassifikationsverfahren
Merkmalextraktion �
• Spektraltransformation ����
• Cepstrale Merkmale ����
• LPC Koeffizienten ����
Verfahrensentwicklung zur
Merkmalkompression ����
1. Evaluierungsrunde,
Statusseminar A ����
• Akustisches Modell ����
• Dekodierung ����
• Abstandsklassifikator ����
2. Evaluierungsrunde,
Statusseminar B ����
AP 1
Modellierung und
Klassifikation mittels
Support Vector Machines
SVM-Klassifikation
• SV-Abstandsoptimierung
(����)
• Kernel Learning ��
• SV-Regression ��
Merkmalextraktion
Anpassung aus AP1-Hj.1/2 ����
Implementierung des
Verfahrens
����
AP 2
Entwicklung von
Methoden zum
automatischen Anlernen
Merkmalstatistik
PCA ���� / LDA (����)�
Automatische
Strukturaufdeckung
• Konzeption ����
• Prototypische
Implementation des
Trainingsverfahrens ����
• Überprüfung der Eignung
des Verfahrens an
─ Zahnrädern ����
─ Ventilen ���� /
Schaltschützen ��
─ Flugzeug-
Rumpfschalen (����)�
• Problemspezifische
Anpassungen unter
Beibehaltung der
Allgemeingültigkeit ����
AP 2
Modellierung und
Klassifikation mittels
Finite State Transducers
FST-Klassifikation
• FSM-Klassifikator ����
• FSM-Strukturlernen für
− Grammatik über
akustische Symbole ����
− Sensorfeldmodelle (����)�
• Anpassung FSM-
Algorithmen ����
Merkmalextraktion
Anpassung aus AP1-Hj.1/2 ����
Implementierung des
Verfahrens
����
Gesamtevaluierung aller getesteten
Klassifikationsverfahren und Anwendungsbereiche
����
22
AP 3
Implementierung,
Experimente,
Erprobung
Konzeptionierung,
Strukturierung,
Messaufbau,
Generierung der Daten ����
Implem
entieru
ng des
Verfahre
ns aus
AP 1
und
AP 2 ����
Experimentel
ler Nachweis
in den
Bereichen
aus Hj.2-4 ����
Experimenteller
Nachweis im
Bereich
Produktionsüberwa
chung ����
Experimenteller
Nachweis im
Bereich
Lebensdaueranaly
se ����
Experimenteller
Nachweis im
Bereich
Zustandsüberwach
ung ����
AP 3
Experimente,
Erprobung
Generierung
von akust.
Daten aus
Rumpfschale
n ����
Experimenteller Nachweis
im Bereich
Rumpfschalenüberwachung
����
3. Evaluierungsrunde
Statusseminar C
����
Tabelle 2: Arbeitspläne aus Neu- und Fortsetzungsantrag. Die Markierungen zeigen den Status der
Arbeitsaufgaben zum 15.12.2007.
Legende: � – planmäßig bearbeitet, (�) – eingeschränkt oder modifiziert bearbeitet, � - nicht bearbeitet

Kommentare zu Tabelle 2
� Es wurden viele zusätzliche Merkmalextraktionsverfahren untersucht (siehe Anhang C).
� Anstelle der LDA wurde die ICA (independent component analysis) untersucht.
� Es wurden keine verwertbaren Daten für Schaltschütze erhalten.
� Mittels Strukturaufdeckung wurde für Flugzeugbauteile keine Verbesserungen der Klassifikationsergebnisse
erhalten.
� Die Versuche mit herkömmlichen Mehrklassen-L2-SVMs mit linearem Kern erbrachten so gute Ergebnisse,
dass keine komplizierteren Ansätze verfolgt werden mussten.
� ersetzt durch Sensorfusionsverfahren (siehe 3.3.3 und [9])
23

Prüfobjekt
Datenbasis
(UASR-
Code)
Datum
DFG-Projekt „Datenanalyseverfahren“
Zahnräder
Ventile
Flugzeugbauteile
Anzahl
Signale
Signallänge
Anzahl
Sensore
n
Anzahl
Messstrecken
Anregungs-
signale
Abtastfrequenz
[MS/s]
Frequenz
-bereich
[kHz]
Datenmenge
Messaufgabe
izfp/cwt1875 1592 65 ms 2 2 Sinc 0,5 0-100 53 MB Gut-/Schlechtanalyse
izfp/cwt1937
2001 -
2003 1240 69 ms 2 2 Sinc 0,25 0-100 41 MB
Gut-/Schlechtanalyse
(602 Gutteile, 18 Schlechtteile)
izfp/mfv1 08/2003 - 12000 32 ms 1 1 (passiv) 0,25 0-100 3,4 GB Lebensdaueranalyse von 8 Ventilen
izfp/mfv2 01/2007 100000 63 ms 1 1 (passiv) 0,25 0-100 54,8 GB Lebensdaueranalyse von 8 Ventilen
izfp/als
(Alupulatte)
izfp/cfk
(CFk-Platte)
12/2004 -
01/2005
03/2007 -
08/2007
AIF-Projekt „Fehlerfrüherkennung an Spinnmaschinen“
Textilmaschinen
aif/AP03
(Strecke)
aif/AP09
(Strecke)
Bmbf-Projekt „Musicon Valley“
Musikinstrumente ifm
Industrieprojekte
Zahnräder
Eisenbahnräder izfp/rs
Blutdruckmessung knbp
01/2007 -
heute
01/2005 -
12/2006
532000 0,5 ms 8 56 Rickers 6,25 0-600 4,12 GB
924000 1 ms 12 132 RCn, Sinc 4,16 0-500 31 GB
6350 100 ms 1 1 (passiv) 0,625 0-300 794 MB
2150 100 ms 1 1 (passiv) 0,625 0-300 269 MB
Zustandsüberwachung in 38 Zuständen
(1 Gutzustand, 37 Beschädigungszustände)
Zustandsüberwachung mit 8 Zuständen
(3 Gutzustände, 5 Beschädigungszustände)
Zustandsüberwachung mit 6 Walzen
(2 neu, 3 gebraucht, 1 beschädigt)
Zustandsüberwachung mit 6 Walzen
(2 neu, 3 gebraucht, 1 beschädigt)
2140 variabel 1 1 (passiv) 0,016 0-8 2,1 GB Gütebeurteilung anhand von Solostücken
izfp/miba1 324 32 ms 2 2 Chirp 0,25/0,5 0-100 118 MB
07/2005 -
04/2006
izfp/miba2
466 32 ms 2 2 Sinc 0,25/0,5 0-100 170 MB
06/2006 -
02/2007
10/2004 -
06/2005
Tabelle 3 Übersicht über Signaldatenbasen aus diesem Projekt und Folgeprojekten
Gut-/Schlechtanalyse
(126 Gutteile, 36 Schlechtteile)
Gut-/Schlechtanalyse
(213 Gutteile, 20 Schlechtteile)
13608 variabel 8 8 (passiv) 1 0-500 ≈ 10 GB Zustandsüberwachung
470 ≈ 30 s 1 1 (passiv) 0,008 0-0,5
215,1
MB
nichtinvasive Blutdruckmessung
Anhang B – Übersicht der erstellten Datenbasen

1)
linear und nicht linear skalierte Filterbanken mit 24-32 Kanälen
2)
berechnet aus dem Filterbank-Spektrum, aus dem Zeitsignal durch UELS (Unbiased Estimator of Log-
Spectrum) und aus den LPC-Koeffizienten (Levinson, Burg)
3)
berechnet durch Levinson-Durbin-Rekursion sowie durch den Algorithmus von Burg
4)
es wurden keine verwertbaren Ergebnisse erhalten
Prüfobjekt
Datenbasis
(UASR-
Code)
Filter-
bank 1)
DFG-Projekt „Datenanalyseverfahren“
Zahnräder
Ventile
Flugzeugbauteile
HMM-Klassifikator (FSM basiert)
25
SVM-Klassifikator
Merkmakextraktion Merkmalkompr. Strukturaufdeckung Sensorfusion Merkmalaxtr. Sensorfusion
Cepst-
rum 2)
LPC
3)
LSF
3)
LCQ
2)
spe-
zielle
izfp/cwt1875 �
PCA ICA4) ein-
fach
Kan-
ten
Pfa-
de
Mit-
telg.
Meta-
klass
ohne Filter-
bank
izfp/cwt1937 � � � � � � � � � �
izfp/mfv1 � � � �
izfp/mfv2 � � � � �
izfp/als
(Alupulatte)
izfp/cfk
(CFk-Platte)
AIF-Projekt „Fehlerfrüherkennung an Spinnmaschinen“
Textilmaschinen
aif/AP03
(Strecke)
aif/AP09
(Strecke)
Bmbf-Projekt „Musicon Valley“
Mit-
telg.
� � � � � � � �
� � � � � � � �
� � � � � �
� � � � � �
Musikinstrumente ifm � � � �
Industrieprojekte
Zahnräder
izfp/miba1 � � (�)
izfp/miba2 � � (�)
Eisenbahnräder izfp/rs � � �
Blutdruckmessun
g
Tabelle 4 Übersicht der durchgeführten Experimente
knbp � � � �
Meta-
klass
Anhang C – Übersicht der experimentellen Untersuchungen

Anhang D – Übersicht Merkmalextraktionsverfahren
Abbildung 11: Merkmalextraktionsverfahren und deren Abhängigkeiten untereinander. Das gezeigte Schema
wurde im Kontext der Sprachverarbeitung entwickelt und für dieses Projekt übernommen. Für die Klassifikation
technischer Signale sind die mel-skalierten Varianten nicht von Bedeutung. Die Mel-Filterbank kann jedoch hier
durch eine problemspezifisch angepasste Filterbank ersetzt werden. Experimentell bewährt haben sich linear und
nicht linear skalierte Filterbanken mit 24 bis 32 Kanälen.
Konkret wurden die folgenden 16 Merkmalextraktionsverfahren implementiert und mit technischen Signalen
getestet:
- Filterbank-Spektrum,
- Log-FFT-Spektrum,
- LPC (linear predictive coding) - 2 Varianten: Levinson-Durbin-Rekursion / Algorithmus von Burg,
- LSF (line spectral frequencies) - 2 Varianten: siehe LPC,
- Cepstrum - 5 Varianten: aus Log-FFT-Spektrum / aus Filterbank-Spektrum / aus Zeitsignal durch
unbiased estimator of log-spectrum (UELS) / aus LPC-Koeffizienten (2 Varianten, s. LPC),
- LCQ (line cepstral quefrencies) - 5 Varianten: siehe Cepstrum

Verfahrensbezeichnung
Anzahl der
betroffenen
Pfade
„einfache“ Verfahren
split keine
hmm einige neue
Kantenpruningverfahren
prun
(Bewertung)
prunNE
(Bewertung)
uprc
(Benutzung)
uprcN
(Benutzung)
sehr viele
entfernt
(-)
sehr viele
entfernt
(-)
mäßig viele
entfernt
(+)
mäßig viele
entfernt
(+)
Pfadpruningverfahren
bestn
(Bewertung)
bestnlen
(Bewertung)
usedpath
(Benutzung)
usedpathN
(Benutzung)
viele
entfernt
(o)
viele
entfernt
(o)
viele
entfernt
(o)
viele
entfernt
(o)
Veränderung
der Anzahl der
Parameter
starke
Erhöhung
(-)
geringe
Erhöhung
(o)
sichere
Reduzierung
(+)
vorherbestimmbare
Reduzierung
(++)
sichere
Reduzierung
(+)
vorherbestimmbare
Reduzierung
(++)
je nach
Pfadanzahl
(-)
je nach
Pfadanzahl
(-)
je nach
Pfadanzahl
(-)
je nach
Pfadanzahl
(-)
Mögliche
Zerstörung
des Graphen
nein
(+)
nein
(+)
ja
(- -)
nein
(+)
nein
(+)
nein
(+)
nein
(+)
nein
(+)
nein
(+)
nein
(+)
Graphverlängerung
(kürzester Pfad)
nein
(o)
nein
(o)
sehr selten
(+)
sehr selten
(+)
selten
(+)
selten
(+)
praktisch nein
(o)
ja, unabhängig
von Daten
(- -)
abhängig von
Daten
(++)
abhängig von
Daten
(++)
Graphvergrößerung
(Komplexität)
Strukturveränderung
Direkte Abhängigkeit
von Größe der
Entwicklungsdatenmenge
Tabelle 5 Übersicht der entwickelten und getesteten Strukturaufdeckungsverfahren sowie prinzipieller Eigenschaften (aus [20]). Alle Verfahren adaptieren den
„versteckten“ endlichen Automaten beim Training von Hidden-Markov-Modellen
kaum
(o)
ja
(o)
keine
(++)
keine
(++)
keine
(++)
keine
(++)
mitunter stark
(-)
mitunter stark
(-)
mitunter sehr
stark
(- -)
mitunter stark
(-)
nicht prinzipiell
(o)
gering
(-)
gering
(-)
gering
(-)
gering
(-)
gering
(-)
stark
(+)
stark
(+)
stark
(+)
stark
(+)
(nicht benötigt)
(nicht benötigt)
nein
(+)
nein
(+)
ja
(- -)
nein
(+)
nein
(+)
nein
(+)
ja
(- -)
nein
(+)
Anhang E – Übersicht Strukturaufdeckungsverfahren

Anhang F – Protokolle Statusseminare
Protokoll für das 1. Statusseminar zum DFG-Projekt „Datenanalyseverfahren“ HO 1674/8
Am 8. Dezember 2004 fand am Institut für Akustik und Sprachkommunikation der TU Dresden das 1.
Statusseminar statt.
Im Rahmen dieses Seminars gab es folgende Tagesordnungspunkte:
1. Prof. R. Hoffmann (TU Dresden) – Eröffnung und Einführung
2. Dr. D. Hentschel (FhG IZFP-D) - Ausgewählte Aspekte des Akustischen Monitoring
3. Dr. M. Wolff (TU Dresden) - Training und Erkennung
4. Dipl.-Inf. C. Tschöpe (FhG IZFP-D) - Experimente und bisherige Ergebnisse
5. Dipl.-Ing. S. Werner (TU Dresden) – Projektstatus
6. Diskussion
Am Statusseminar nahmen insgesamt 16 Mitarbeiter beider Einrichtungen teil.
1. Prof. Hoffmann:
− Vorstellung der Ziele des gemeinsamen Projekts und der bisherigen Erkenntnisse:
• Erweiterung der Bearbeitung anderer technischer Signale durch Kooperation
• Angleichung unterschiedlicher Terminologien in beiden Fachbereichen durch Zusammenarbeit
• gegenseitige Nutzung der Erkenntnisse
→ interdisziplinäre Zusammenarbeit
2. Dr. Hentschel:
− Vorstellung der im IZFP verwendeten Ultraschalltechniken
− Erläuterung der Aufgabengebiete der Zerstörungsfreien Prüfung, die am IZFP-D mit akustischen Methoden
durchgeführt werden
3. Dr. Wolff:
− Darlegung und Erläuterung des verwendeten Trainings- und Klassifikationsverfahrens
− Erläuterung der Strukturaufdeckung, Analysefilter und Graphensuche
4. Dipl.-Inf. Tschöpe:
− Vorstellung der Bereiche, aus denen Experimente stammen
− Erläuterung der Versuchsaufbauten und Experimente sowie Vorstellung der Ergebnisse
5. Dipl.-Ing. Werner:
− Vorstellung des Arbeitsplans, der darin enthaltenen Arbeitspakete und Kennzeichnung des aktuellen
Projektstatus
− Projektstatus ist gut
− Benennung der ausstehenden Arbeiten
− Vorstellung der bisherigen Veröffentlichungen
− Termine, u. a. Publikation in wissenschaftlicher Zeitung
6. Diskussion:
− Herausstellung der erfolgreichen bisherigen Zusammenarbeit beider Projektpartner
− Anstreben einer weiterführenden Zusammenarbeit
− Erarbeitung der Schwerpunkte der wissenschaftlichen Fragestellung für das 3. Jahr
• Finite State Transducers
• Erweiterung Flugzeugplatte
• Implementierung in Industrieprojekten (z. B. Zahnräder)

Protokoll für das 2. Statusseminar zum DFG-Projekt „Datenanalyseverfahren“ HO 1674/8
Am 9. Februar 2007 fand am Institut für Akustik und Sprachkommunikation der TU Dresden das 2. Statusseminar
statt.
Im Rahmen dieses Seminars gab es folgende Tagesordnungspunkte:
1. Prof. R. Hoffmann (TU Dresden) – Eröffnung und Einführung
2. Dr. M. Wolff (TU Dresden) – aktueller Stand des Arbeitsplanes
3. Dr. Hentschel (FhG IZFP-D) – Messungen an Flugzeugteilen
4. Dipl.-Ing. G. Strecha (TU Dresden) – Merkmalextraktion
5. Dipl.-Ing. T. Feher (TU Dresden) – ICA zur Merkmaltransformation
6. Dipl.-Ing. S. Werner (TU Dresden) – SVM-Klassifikatoren
7. Dr. M. Wolff (TU Dresden) – FST-Klassifikatoren
8. Dipl.-Inf. C. Tschöpe (FhG IZFP-D) – Experimente
9. Diskussion und Festlegungen
Am Statusseminar nahmen insgesamt 7 Mitarbeiter beider Einrichtungen teil.
1. Prof. R. Hoffmann:
− Einführung und Diskussion:
• Besprechung der Experimente und Einsatzszenarien
• Diskussion um Verwendung der ICA anstelle der LDA
• Weiterverfolgung der SVMs in Zusammenhang mit FSMs
2. Dr. Wolff:
− Erläuterung des Arbeitsplanes
− Gegenüberstellung bisher erbrachter Leistungen und noch offener Punkte
3. Dr. Hentschel:
− Keine Nutzung von Rumpfschalen für Experimente, sondern gerade Flächen
− Experimente mit gerader Platte, also einfacherem Fall, da gekrümmte Flächen schwieriger sind
→ Festlegung: Messungen und Experimente mit CFK-Platte
4. Dipl.-Ing. Strecha:
− Gegenüberstellung verschiedener Verfahren zur Merkmalextraktion: LPC/LSF/Cepstrum
− Methoden zur Berechnung der LPC-Koeffizienten
5. Dipl.-Ing. Feher:
− Vorstellung der ICA als Verfahren zur Merkmaltransformation
− Besprechung der geplanten Experimente
6. Dipl.-Ing. Werner:
− Einsatz von SVM-Klassifikatoren
− Besprechung der durchzuführenden Experimente
7. Dr. Wolff:
− Anwendungen von FST-Klassifikatoren
8. Dipl.-Inf. Tschöpe:
− Vorstellung der bisherigen Ergebnisse: Prüfung von Zahnrädern und Ventilen
− Vorhaben: Rissfindung an CFK-Platte
9. Festlegungen:
− Anzustrebende Veröffentlichungen:
• Zeitschriftenartikel
• mind. 1 Präsentation auf der ICASSP 2008 in Las Vegas
• 1 Präsentation auf der Interspeech 2007 in Antwerpen
29

Protokoll für das 3. Statusseminar (Abschlussseminar) zum DFG-Projekt „Datenanalyseverfahren“ HO
1674/8
Am 7. Dezember 2007 fand am Institut für Akustik und Sprachkommunikation der TU Dresden das
Abschlussseminar statt.
Im Rahmen dieses Seminars gab es folgende Tagesordnungspunkte:
1. Prof. R. Hoffmann (TU Dresden) – Eröffnung und Einführung
2. Dr. M. Wolff (TU Dresden) – Projektstand
3. Dipl.-Inf. C. Tschöpe (FhG IZFP-D) – Datenbasen
4. Dipl.-Ing. G. Strecha (TU Dresden) – Merkmalextraktionsverfahren
5. Dipl.-Ing. T. Feher (TU Dresden) – Merkmaltransformationsverfahren
6. Dipl.-Ing. S. Wittenberg (TU Dresden) – Experimente mit Textilmaschinendaten
7. Dipl.-Ing. F. Duckhorn (TU Dresden) – Strukturaufdeckungsverfahren
8. Dr. Wolff (TU Dresden) – HMM und SVM-Klassifikatoren
9. Prof. R. Hoffmann (TU Dresden) – Schlusswort
Am Statusseminar nahmen insgesamt 9 Mitarbeiter beider Einrichtungen teil.
1. Prof. R. Hoffmann:
− Einführung
2. Dr. Wolff:
− Vorstellung des Projektstands anhand des Arbeitsplanes
− sehr erfreulicher Realisierungsgrad
− kurze Vorstellung der auf Basis der Ergebnisse des DFG-Projekts realisierten und akquirierten Folgeprojekte
− Aufzählung der Veröffentlichungen, Forschungsberichte, wissenschaftlichen Arbeiten und Patente
3. Dipl.-Inf. Tschöpe:
− Überblick der durchgeführten Experimente
− Vorstellung der kompletten Datenbasis aller Experimente
− Zusammenfassung der Resultate für die Zahnrad-, Ventilprüfung und Auswertung der Flugzeugdaten
4. Dipl.-Ing. Strecha:
− Zusammenfassung über die Verfahren zur Merkmalanalyse
− Vorstellung der Ergebnisse zu den Experimenten mit LPC/LSF/Cepstrum/LCQ-Verfahren anhand der
Zahnradprüfung
5. Dipl.-Ing. Feher:
− Gegenüberstellung PCA und ICA
− Vorstellung der verwendeten Verfahren zur ICA und deren Ergebnisse
→ keine Verbesserung durch ICA
− Analyse der Ergebnisse
6. Dipl.-Ing. Wittenberg:
− Merkmalextraktion für die Klassifikation von Textilmaschinendaten
− Erläuterung der Problematik
− Vorstellung der Ergebnisse zu den Experimenten mit LPC/LSF/Cepstrum/LCQ-Verfahren anhand der
Walzenprüfung
7. Dipl.-Ing. Duckhorn:
− Motivation der Strukturaufdeckung
− Vorstellung und Bewertung der betrachteten Verfahren
− Strukturaufdeckung anhand der Ventilprüfung
→ Verbesserung der Ergebnisse
8. Dr. Wolff:
− Vergleich von HMM- und SVM-Klassifikatoren
− Ergebnisse der Experimente mit der CFK-Platte
• Deutliche Trennung der einzelnen Zustände
• Gefahr von Klassifikationsfehlern durch Überanpassung der Modelle
30

• Untersuchung dieser Fehler notwendig
• Evtl. Notwendigkeit einer Modelladaption
9. Prof. Hoffmann:
− Zusammenfassung
− Dank an die Projektmitarbeiter
− Herausstellung der guten und umfangreichen Ergebnisse des Projekts und der vollständigen Bearbeitung der
Punkte des Arbeitsplans
→ Positiver Projektabschluss
− Ziel: Beantragung eines Transferprojekts gemeinsam mit Dr. Hentschel
→ spezielle Form des Abschlussberichts
31