Entwicklung von Datenanalyseverfahren für die Qualitäts - IAS ...
Entwicklung von Datenanalyseverfahren für die Qualitäts - IAS ...
Entwicklung von Datenanalyseverfahren für die Qualitäts - IAS ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
- Institutsteil Dresden -<br />
Abschlussbericht<br />
zum DFG-Projekt<br />
HE 3656/1-1 und HO 1674/8-1<br />
<strong>Entwicklung</strong> <strong>von</strong> <strong>Datenanalyseverfahren</strong> <strong>für</strong> <strong>die</strong> <strong>Qualitäts</strong>bewertung<br />
technischer Prozesse, basierend auf spektralen<br />
Repräsentationen akustischer Vorgänge<br />
Bearbeiter:<br />
Dr.-Ing. Matthias Wolff 2)<br />
Dipl.-Inf. Constanze Tschöpe 1)<br />
Projektleiter:<br />
........................................................................... ...........................................................................<br />
Dr.-Ing. Dieter Hentschel 1) Prof. Dr.-Ing. habil. Rüdiger Hoffmann 2)<br />
15.12.2007<br />
1) Fraunhofer-Institut <strong>für</strong> Zerstörungsfreie Prüfverfahren, Maria-Reiche-Straße 2, 01109 Dresden<br />
2) Technische Universität Dresden, Institut <strong>für</strong> Akustik und Sprachkommunkation
Übersicht der Abkürzungen:<br />
HMM Hidden-Markov-Modell<br />
stochastisches Modell <strong>für</strong> Vektorfolgen oder Matrizen<br />
SVM Supportvektormaschine<br />
spezieller numerischer Linearklassifikator <strong>für</strong> Vektoren<br />
LCQ line cepstral quefrencies<br />
Signalanalyse- und Merkmalextraktionsverfahren<br />
ICA independent component analysis<br />
hier: statistisches Merkmaltransformationsverfahren<br />
LDA linear discriminant analysis<br />
hier: statistisches Merkmaltransformationsverfahren<br />
FST finite state transducer<br />
Spezialform der FSM, versteckter Automat in Hidden-Markov-Modellen<br />
LPC linear predictive coding<br />
Signalanalyse- und Merkmalextraktionsverfahren<br />
LSF line spectral frequencies<br />
Signalanalyse- und Merkmalextraktionsverfahren<br />
PCA principal component analysis, auch HKA (Hauptkomponentenanalyse)<br />
hier: statistisches Merkmaltransformationsverfahren<br />
HKA Hauptkomponentenanalyse<br />
hier: statistisches Merkmaltransformationsverfahren<br />
GMM Gaussian mixture model<br />
multimodale, multivariate Normalverteilung (bzw. deren Parameter)<br />
FSM finite state machine<br />
endlicher Automat<br />
Mel Maßeinheit <strong>für</strong> <strong>die</strong> psychoakustische Größe Tonheit<br />
NLL neglog. Likelihood,<br />
stochastisches Bewertungsmaß <strong>für</strong> <strong>die</strong> Abweichung zwischen Modell und Messsignal, siehe [7]<br />
NLP neglog. Wahrscheinlichkeit<br />
stochastisches Bewertungsmaß <strong>für</strong> <strong>die</strong> Abweichung zwischen Modell und Messsignal<br />
2
Allgemeine Angaben<br />
1.1 DFG-Geschäftszeichen<br />
HE 3656/1-1 und HO 1674/8-1<br />
1.2 Antragsteller<br />
1. Antragsteller 2. Antragsteller<br />
Dr.-Ing. Dieter Hentschel Prof. Dr.-Ing. habil. Rüdiger Hoffmann<br />
Kieler Straße 20 Wieckestraße 75<br />
01109 Dresden 01237 Dresden<br />
Tel: 0351/8906231 Tel: 0351/2 84 82 70<br />
E-Mail: Dieter.Hentschel@izfp-d.fraunhofer.de E-Mail: Ruediger.Hoffmann@ias.et.tu-dresden.de<br />
1.3 Institut/Lehrstuhl<br />
1. Antragsteller 2. Antragsteller<br />
Fraunhofer-Institut <strong>für</strong> Zerstörungsfreie Prüfverfahren, Technische Universität Dresden<br />
Institutsteil Dresden (IZFP-D) Institut <strong>für</strong> Akustik und Sprachkommunikation<br />
Maria-Reiche-Straße 2 Helmholtzstraße 18<br />
01109 Dresden 01062 Dresden<br />
Tel: 0351/88815-540, Fax: 0351/88815-509 Tel: 0351/463 32747, Fax: 0351/463 37781<br />
1.4 Aus DFG-Mitteln bezahlte wissenschaftliche Mitarbeiter<br />
1. Antragsteller 2. Antragsteller<br />
Dipl.-Inf. Constanze Tschöpe DI Steffen Werner (1/1 Stelle, 01.01.04 - 31.12.05)<br />
(1/1 Stelle, 01.12.03 - 31.07.07) DI Thomas Fehér (1/2 Stelle, 15.04.06 - 14.04.07)<br />
Dipl.-Ing. Bernd Frankenstein (05.07) DI Sören Wittenberg (1/2 Stelle, 15.06.06 - 31.12.06)<br />
DI Guntram Strecha (1/2 Stelle, 01.02.07 - 14.07.07)<br />
1.5 Thema des Projekts<br />
<strong>Entwicklung</strong> <strong>von</strong> <strong>Datenanalyseverfahren</strong> <strong>für</strong> <strong>die</strong> <strong>Qualitäts</strong>bewertung technischer Prozesse, basierend auf<br />
spektralen Repräsentationen akustischer Vorgänge<br />
1.6 Berichtszeitraum, Förderungszeitraum insgesamt<br />
Förderung seit 1.12.2003<br />
Laufzeit des Erstantrags bis zum 31.12.2005<br />
Laufzeit des Folgeantrags bis zum 31.12.2006<br />
Kostenneutrale Verlängerung der Laufzeit bis zum 31.07.2007<br />
1.7 Fachgebiet, Arbeitsrichtung<br />
Akustische zerstörungsfreie Prüfung, Signalverarbeitung und Mustererkennung<br />
1.8 Verwertungsfelder<br />
Luftfahrtindustrie, Maschinenbau<br />
1.9 Am Projekt beteiligte Kooperationspartner<br />
– keine –<br />
3
2 Zusammenfassung (max. 2 DIN A4-Seiten)<br />
2.1 Allgemeinverständliche Darstellung der wesentlichen Ergebnisse und der<br />
erzielten Fortschritte gegenüber dem Stand des Wissens zum Zeitpunkt der<br />
Antragstellung.<br />
In der zerstörungsfreien Prüfung (ZfP) finden zunehmend Überwachungstechniken Einzug. Dazu gehören:<br />
─ <strong>die</strong> Überwachung <strong>von</strong> Produktionsprozessen mit ZfP-Methoden (Produktionsüberwachung; engl.<br />
process integrated non-destructive testing, PINT),<br />
─ <strong>die</strong> Überwachung des Verschleißzustandes <strong>von</strong> Maschinen und deren Komponenten zur Abschätzung<br />
ihrer Restlebensdauer (hier wie im Antrag Lebensdaueranalyse genannt; engl. life cycle analysis, LCA)<br />
sowie<br />
─ <strong>die</strong> Überwachung <strong>von</strong> Strukturen (Strukturintegrierte Zustandsüberwachung; engl. structural health<br />
monitoring, SHM).<br />
Dieses Projekt befasste sich mit akustischen Verfahren, bei denen entweder Arbeitsgeräusche der zu prüfenden<br />
Bauteile analysiert werden (passive Verfahren) oder bei denen <strong>die</strong> Prüfobjekte durch Ultraschallimpulse zur<br />
Schwingung angeregt werden (aktive Verfahren). Ziel des Projekts war es, <strong>die</strong> Eignung selbst lernender,<br />
statistischer Klassifikationsverfahren <strong>für</strong> <strong>die</strong> akustische zerstörungsfreie Prüfung zu untersuchen. Die meisten zum<br />
Projektbeginn veröffentlichten Methoden basierten auf Heuristiken. Statistische Ansätze wurden seit etwa 1990 <strong>für</strong><br />
einige spezielle Anwendungen untersucht, z. B. [46], jedoch nicht systematisch<br />
─ <strong>für</strong> alle Bereiche der zerstörungsfreien Prüfung und<br />
─ vergleichend <strong>für</strong> verschiedene statistische Klassifikationsverfahren.<br />
Ziel <strong>die</strong>ses Projekts war, mindestens ein universell anwendbares Verfahren zu entwickeln, das akustische<br />
Messsignale automatisch Güteklassen (z. B. „gut“ / „schlecht“ oder „neuwertig“ / „verschlissen“ / „defekt“)<br />
zuordnet. Die Zuordnung kann wahlweise hart durch Angabe der Güteklasse oder graduell durch Angabe eines<br />
Ähnlichkeitsmaßes vorgenommen werden (z. B. „80 % Lebenszeit erreicht“ oder „leicht beschädigt“).<br />
Im Ergebnis des Projekts wurden zwei universelle Verfahren entwickelt und deren Eignung <strong>für</strong> <strong>die</strong> drei<br />
Anwendungsbereiche der akustischen zerstörungsfreien Prüfung experimentell nachgewiesen:<br />
1. Hidden-Markov-Modelle (HMM) und<br />
2. Supportvektormaschinen (SVM)<br />
HMM-basierte Verfahren stellen den klassischen Ansatz dar. Der wesentlich in <strong>die</strong>sem Projekt erzielte Fortschritt<br />
gegenüber früheren Arbeiten liegt in der <strong>Entwicklung</strong> eines automatischen Lernverfahrens <strong>für</strong> den Zustandsgraphen<br />
der HMMs, welches eine optimale Anpassung <strong>die</strong>ser Modelle an <strong>die</strong> zeitliche Struktur der Messsignale erlaubt. Im<br />
Fehlen <strong>die</strong>ser Anpassung lag ein wesentlicher Schwachpunkt früherer Ansätze. Das entwickelte Verfahren zur<br />
symbolischen Signalmodellierung ist neuartig und wurde vom IZFP und der TU Dresden gemeinsam patentiert.<br />
SVM-basierte Verfahren wurden bislang nicht <strong>für</strong> <strong>die</strong> zerstörungsfreie Prüfung benutzt, der Nachweis ihrer<br />
Eignung <strong>für</strong> <strong>die</strong>se Aufgabe stellt einen weiteren Erkenntnisgewinn aus <strong>die</strong>sem Projekt dar.<br />
Es konnte gezeigt werden, dass eine breite Palette <strong>von</strong> Aufgaben der zerstörungsfreien Prüfung sowohl mit HMM-<br />
als auch mit SVM-basierten Verfahren hervorragend lösbar ist. HMMs sind besonders zur Abschätzung des<br />
Beschädigungsgrads, SVMs besonders zur Erkennung geringfügiger Beschädigungen geeignet. Beide Technologien<br />
sind herkömmlichen heuristischen Verfahren weit überlegen, da sie problemunabhängig sind und nur einen<br />
minimalen Anpassungsaufwand <strong>für</strong> neue Anwendungen erfordern. Im Vergleich zu Bild gebenden Verfahren<br />
(akustische Laufzeittomografie, siehe Abschnitt 3.3.3) sind <strong>die</strong> entwickelten statistischen Verfahren sensibler,<br />
jedoch erlauben sie im Gegensatz zu den ersteren keine Schadenslokalisierung im Bauteil.<br />
Voraussetzung <strong>für</strong> eine erfolgreiche statistische Klassifikation ist <strong>die</strong> Extraktion geeigneter Merkmale aus den<br />
Messsignalen. Es wurde in großem Umfang an Merkmalextraktions- und -transformationsverfahren geforscht. Die<br />
Berechnung der sogenannten LCQ-Koeffizienten sowie <strong>die</strong> direkte nicht lineare Skalierung der Merkmalräume<br />
stellen dabei Neuheiten dar, welche auch außerhalb des Projektes erfolgreich Anwendung fanden (Details siehe<br />
Abschnitt 3.2.2, [37][38]).<br />
Im Rahmen <strong>die</strong>ses Projekts und der fünf abgeschlossenen oder noch laufenden Folgeprojekte (siehe Abschnitt<br />
3.6.2) wurden Datenbasen aus Messsignalen im Umfang <strong>von</strong> mehr als 100 GB gesammelt. Es ist geplant, einen<br />
großen Teil <strong>die</strong>ser Daten zu Forschungszwecken zur freien Verfügung zu stellen. Weiterhin entstand eine<br />
einheitliche, universelle Plattform <strong>für</strong> Signalklassifikation und automatische Sprachverarbeitung, welche eine breite<br />
Vielfalt an Werkzeugen zur Signalverarbeitung, Mustererkennung, Datenvisualisierung usw. umfasst.<br />
4
2.2 Ausblick auf künftige Arbeiten und Beschreibung möglicher Anwendungen.<br />
Künftige Arbeiten<br />
Die experimentellen Untersuchungen <strong>die</strong>ses Projekts unterstreichen neben der guten Eignung statistischer<br />
Verfahren zur akustischen zerstörungsfreien Prüfung auch deren Neigung zur Fehlanpassung der automatisch<br />
erlernten Modelle, welche <strong>die</strong> Grundlage der Klassifikationsentscheidung bilden. Dieser Effekt ist allgemein<br />
bekannt und wird meist durch Einbeziehung <strong>von</strong> zusätzlichem Wissen über <strong>die</strong> zu unterscheidenden Objekte<br />
abgeschwächt. Jedoch mindert <strong>die</strong>ses Vorgehen <strong>die</strong> Universalität der Methode. Für das Anwendungsgebiet der<br />
zerstörungsfreien Prüfung soll hier weitere Forschung zu folgenden Themen durchgeführt werden:<br />
─ Kombination <strong>von</strong> statistischer und physikalischer Modellierung,<br />
─ Informationstheoretisch motivierte Merkmaltransformation und<br />
─ Theoretische Untersuchung <strong>von</strong> Strukturaufdeckungsverfahren<br />
Diese Themen sind in Abschnitt 3.4 detaillierter ausgeführt. Eine entsprechende Lösung zur Vermeidung <strong>von</strong><br />
Fehlanpassungen <strong>von</strong> Modellen würde den breiten Einsatz selbst lernender Diagnose- und Prognosesysteme auf<br />
HMM- und SVM-Basis in der Praxis wesentlich erleichtern.<br />
Anwendungen<br />
Eine der wichtigsten Anwendungsmöglichkeiten der durchgeführten Forschungsarbeit liegt in der automatischen<br />
Überwachung <strong>von</strong> Bauteilen und Strukturen bei laufendem Betrieb (structural health monitoring, SHM). Im<br />
Rahmen des Projekts wurde <strong>die</strong> prinzipielle Eignung der untersuchten statistischen Klassifikationsverfahren <strong>für</strong><br />
<strong>die</strong>sen Zweck anhand <strong>von</strong> Flugzeugkonstruktionsmaterialien (Aluminium und kohlefaserverstärkter Kunststoff,<br />
CFK) nachgewiesen. Ein praktisches Ziel auf <strong>die</strong>sem Gebiet ist <strong>die</strong> fortlaufende Überwachung kritischer<br />
Flugzeugteile (Steuer- und Tragflächen, Rumpf, Tank) auf akute Beschädigung. Dazu müssten <strong>die</strong> zu<br />
überwachenden Bauteile, wie in den durchgeführten Laborversuchen untersucht, mit einem Netzwerk <strong>von</strong><br />
Körperschall- oder Dehnungssensoren instrumentiert werden. Entsprechende Techniken werden im DFG-<br />
Sonderforschungsbereich 639 unter anderem an der TU Dresden erforscht. Das potenzielle Anwendungsgebiet<br />
der automatischen Bauteilüberwachung reicht selbstverständlich weit über <strong>die</strong> Luftfahrtindustrie hinaus. Als ein<br />
Beispiel sei <strong>die</strong> Schadensdiagnose <strong>von</strong> Rotorblättern an Windkraftanlagen genannt, an der das Fraunhofer IZFP-<br />
D arbeitet (z. B. [40]).<br />
Für <strong>die</strong> beiden anderen Anwendungsbereiche der zerstörungsfreien Prüfung, Produktionsüberwachung und<br />
Lebensdaueranalyse, besteht ein großer potenzieller Bedarf im Maschinenbau. Als ein praktisches Beispiel sei<br />
hier auf das durch <strong>die</strong> AIF geförderte Vorhaben „Fehlerfrüherkennung an Spinnmaschinen“ verwiesen, dessen<br />
Grundlage im abgeschlossenen Grundlagenforschungsprojekt geschaffen wurde. Es wird hier ein Diagnosesystem<br />
<strong>für</strong> Verschleißteile entwickelt, welches in der Lage ist, einen bevorstehenden Ausfall zu prognostizieren. Somit<br />
wird einerseits <strong>die</strong> Ausfallzeit <strong>von</strong> Maschinen durch Defekte minimiert und andererseits <strong>die</strong> Notwendigkeit der<br />
Lagerhaltung <strong>von</strong> Ersatzteilen gemindert. Es liegt <strong>für</strong> <strong>die</strong>ses Vorhaben ein letter of intent der Firma Rieter Textile<br />
Systems Ingolstadt, einem der weltweit führenden Hersteller <strong>von</strong> Textilmaschinen, zum Einsatz des<br />
Diagnosesystems vor.<br />
Die entwickelten Techniken zur Signalklassifikation sind universell und über <strong>die</strong> zerstörungsfreie Prüfung hinaus<br />
vielfältig einsetzbar. Unter anderem wurde es in Folgeprojekten erfolgreich zur Bio- und Musiksignalverarbeitung<br />
eingesetzt. Insgesamt konnten bislang fünf Nachfolgeprojekte durchgeführt werden:<br />
─ Nichtinvasive Blutdruckmessung am aktiven Menschen, Gesundheitstechnik Stier (10/2004 – 12/2005),<br />
─ Bmbf-Projekt „Musicon Valley“ (01/2005 – 12/2006)<br />
(Teilprojekt „Bewertung und Beurteilung <strong>von</strong> Musikinstrumenten anhand <strong>von</strong> Solomusikstücken“),<br />
─ Machbarkeitsstu<strong>die</strong> zur Prüfung <strong>von</strong> gesinterten Zahnrädern, Miba Sinter Austria GmbH (07/2005 –<br />
04/2006),<br />
─ Signalverarbeitung <strong>für</strong> ein rotationsbezogenenes Messsystem (06/2006 – 02/2007) und<br />
─ AIF-Projekt „Fehlerfrüherkennung an Spinnmaschinen“ (01/2007 – heute).<br />
Eine detailliertere Beschreibung der Folgeprojekte befindet sich in Abschnitt 3.4. Weitere Vorhaben befinden sich<br />
in Vorbereitung beziehungsweise in Akquisition. Wesentliche Technologien wurden patentiert.<br />
─ Hentschel, D.; Tschöpe, C.; Hoffmann, R.; Eichner, M.; Wolff, M.: Vorrichtung und Verfahren zur<br />
Beurteilung einer Güteklasse eines zu prüfenden Objekts. Deutsches Patentamt, Nr. 10 2004 023 824<br />
B4, Erteilung: 13.7.2006.<br />
─ Hentschel, D.; Tschöpe, C.; Hoffmann, R.; Eichner, M.; Wolff, M.: Vorrichtung und Verfahren zur<br />
Beurteilung einer Güteklasse eines zu prüfenden Objekts. Nr. EP1733223, Erteilung: 1.2.2007.<br />
5
─ Eichner, M.; Wolff, M.; Hoffmann, R.; Kordon, U.; Ziegenhals, G.: Verfahren und Vorrichtung zur<br />
Klassifikation und Beurteilung <strong>von</strong> Musikinstrumenten. Deutsches Patentamt, Nr. 10 2006 014 507 A1,<br />
Erteilung: 20.9.2007.<br />
6
3 Arbeits- und Ergebnisbericht (max. 12 DIN A4-Seiten)<br />
3.1 Ausgangslage<br />
Auf dem Gebiet der zerstörungsfreien Prüfung existieren viele Anwendungen, <strong>die</strong> in ihren Problemstellungen<br />
ähnlich sind und in denen eine automatische Entscheidungsfindung notwendig ist. Man kann <strong>die</strong>se<br />
Applikationsfelder in drei Bereiche unterteilen:<br />
─ Produktionsüberwachung (PINT),<br />
─ Lebensdaueranalyse und<br />
─ Zustandsüberwachung.<br />
In jedem Fall werden passiv oder aktiv, beispielsweise durch Ultraschallanregung, gewonnene Messsignale<br />
automatisch Güteklassen (zum Beispiel „gut“ / „schlecht“ oder „neuwertig“ / „verschlissen“ / „defekt“) zugeordnet.<br />
Die Zuordnung kann wahlweise hart durch Angabe der Güteklasse oder graduell durch Angabe eines<br />
Ähnlichkeitsmaßes vorgenommen werden (zum Beispiel „80% Lebenszeit erreicht“ oder „leicht beschädigt“). Diese<br />
Angaben ermöglichen <strong>die</strong> „Durchführung einer zustandsorientierten Instandhaltung, <strong>die</strong> Vermeidung <strong>von</strong> Ausfällen<br />
und eine Optimierung der Instandhaltungskosten <strong>von</strong> technischen Anlagen“ [36].<br />
Das zum damaligen Zeitpunkt eingesetzte Verfahren zur <strong>Qualitäts</strong>bewertung technischer Bauteile, das im<br />
Projektantrag dargelegt wurde, war nicht in der Lage, den Problemstellungen gerecht zu werden. Die Eignung <strong>von</strong><br />
Verfahren der Spracherkennung <strong>für</strong> akustische Signale sollte zu <strong>die</strong>sem Zwecke untersucht werden.<br />
Eine besondere Bedeutung auf dem Gebiet der Zustandsüberwachung (structural health monitoring - SHM) nimmt<br />
<strong>die</strong> Flugzeugprüfung ein, <strong>die</strong> im Folgeantrag im Mittelpunkt stand.<br />
Das im Projektantrag [36] formulierte Primärziel lautete:<br />
Ziel des beantragten Projekts ist es, ein möglichst universell anwendbares Verfahren zu entwickeln, das<br />
Fehler in technischen Systemen sicher aus - <strong>von</strong> den technischen Prozessen stammenden - akustischen<br />
Signalen erkennt beziehungsweise anhand <strong>die</strong>ser Signale eine <strong>Qualitäts</strong>bewertung des technischen<br />
Prozesses vornimmt.<br />
Als weitere Ziele wurden <strong>die</strong> Systematisierung der Arbeiten zur Klassifikation und <strong>die</strong> Erhöhung der<br />
Klassifikationssicherheit genannt. Im Folgeantrag sollte das entwickelte Verfahren zur akustischen Fehlerdetektion<br />
in Flugzeugbauteilen eingesetzt werden.<br />
Die wesentlichen Arbeitshypothesen zu Beginn des Projektes waren:<br />
1. Verfahren der Folgenklassifikation sind <strong>für</strong> technische Signale geeignet<br />
2. es ist möglich, ein universell anwendbares Verfahren zu entwickeln<br />
Da in ersten Voruntersuchungen (siehe Projektantrag) Verfahren der Folgenklassifikation gute Ergebnisse zur<br />
Zahnradprüfung erzielen konnten, wurde vermutet, dass <strong>die</strong>se Verfahren generell zur Klassifikation akustischer<br />
Signale geeignet seien. Diese Hypothese wurde untersucht und durch Experimente aus den 3 oben genannten<br />
Applikationsfeldern untermauert.<br />
3.2 Beschreibung der durchgeführten Arbeiten<br />
Der Arbeitsplan (siehe Tabelle 2 in Anhang A) wurde größtenteils eingehalten. Es gab folgende Abweichungen:<br />
1. Es wurden sechzehn statt der geplanten drei Merkmalextraktionsverfahren untersucht.<br />
2. Zur Merkmaltransformation wurde <strong>die</strong> independent component analysis (ICA) anstelle der linear discriminant<br />
analysis (LDA) untersucht.<br />
3. Es wurde nicht mit Arbeitsgeräuschen <strong>von</strong> Schaltschützen experimentiert.<br />
4. Auf Grund guter Ergebnisse konnte weitgehend auf <strong>die</strong> Optimierung des Klassifikators auf Basis <strong>von</strong><br />
Supportvektormaschinen (SVM) verzichtet werden.<br />
5. Anstelle der geplanten Sensorfeldmodelle auf Basis <strong>von</strong> finite state transducers (FST) wurde mit<br />
Sensorfusionsverfahren gearbeitet.<br />
Detaillierte Angaben zur Erfüllung der einzelnen Arbeitspakete sind in Tabelle 2 im Anhang A enthalten.<br />
3.2.1 Datenbasen<br />
Eine wesentliche Voraussetzung <strong>für</strong> <strong>die</strong> <strong>Entwicklung</strong> und Erprobung <strong>von</strong> statistischen Klassifikationsverfahren ist<br />
<strong>die</strong> Erstellung <strong>von</strong> Signaldatenbasen. Entsprechend der geplanten Anwendungsszenarien wurden drei<br />
Datenbasen angelegt:<br />
7
─ Produktionsüberwachung (sintermetallurgische Zahnräder) ca. 94 MB<br />
─ Lebensdaueranalyse (Magnetventile) ca. 58 GB<br />
─ Zustandsüberwachung (Flugzeugbauteile) ca. 35 GB<br />
Im Rahmen <strong>von</strong> Folgeprojekten wurden weitere Datenbasen zur akustischen Diagnose beweglicher Teile an<br />
Textilmaschinen (ca. 1 GB), zur <strong>Qualitäts</strong>beurteilung <strong>von</strong> Musikinstrumenten (ca. 2 GB), zur Ausschussprüfung<br />
weiterer Zahnräder (ca. 800 MB), zur akustischen Überwachung <strong>von</strong> Eisenbahnrädern (ca. 10 GB) sowie zur nichtinvasiven<br />
Blutdruckmessung (ca. 200 MB) erstellt, welche im Rahmen <strong>die</strong>ses Projekts zum Test und zur<br />
Optimierung der Algorithmen genutzt werden konnten. Insgesamt stehen nunmehr Datenbasen im Umfang <strong>von</strong><br />
mehr als 100 GB zur dauerhaften Verfügung. Tabelle 3 im Anhang B enthält weitere Details.<br />
3.2.2 Merkmalextraktion, –kompression und –statistik<br />
Für <strong>die</strong> statistischen Signalklassifikationsverfahren, deren Anwendung <strong>für</strong> technische Signale Gegenstand des<br />
Projekts war, ist <strong>die</strong> Umwandlung der Messsignale in Folgen <strong>von</strong> Merkmalvektoren notwendig. Ursprünglich sollten<br />
spektrale Merkmale, Cepstrum und LPC auf ihre Eignung <strong>für</strong> <strong>die</strong> verschiedenen Anwendungsszenarien untersucht<br />
werden. Die Ausnutzung <strong>von</strong> Synergien mit anderen Projekten erlaubte <strong>die</strong> Untersuchung einer wesentlich<br />
breiteren Palette <strong>von</strong> 16 verschiedenen Merkmalextraktionsverfahren. Neben den geplanten sind <strong>die</strong>s unter<br />
anderem line spectral frequency (LSF) und line cepstral quefrency (LCQ) Koeffizienten. Details zu den Verfahren<br />
sind Abbildung 11 im Anhang D, eine Übersicht der durchgeführten Experimente Tabelle 4 in Anhang C zu<br />
entnehmen. Die Berechnung der LCQ-Koeffizienten sowie <strong>die</strong> direkte nicht lineare Skalierung der LSF- und LCQ-<br />
Koeffizienten stellen dabei eine Neuheit dar, welche auch außerhalb des Projektes erfolgreich Anwendung fanden<br />
[37][38]. Einige wichtige Ergebnisse werden in Abschnitt 3.3 vorgestellt.<br />
Nach der Merkmalextraktion wird bei statistischen Klassifikationsverfahren oft eine Merkmaltransformation (mit dem<br />
Ziel einer Dimensionsreduktion der Merkmale) durchgeführt. In <strong>die</strong>sem Projekt wurde mit Standardverfahren wie<br />
Vektorstandardisierung, Berechnung <strong>von</strong> Differenzmerkmalen und Hauptkomponentenanalyse (HKA) experimentiert.<br />
Als weiteres Verfahren sollte <strong>die</strong> lineare Diskriminanzanalyse (LDA) untersucht werden. Da letztere nicht „rein“<br />
statistisch ist, sondern <strong>die</strong> Klassifikation vorweg nimmt, wurden, unter anderem im Rahmen einer Diplomarbeit [19],<br />
umfangreiche Experimente mit der rein statistischen independent component analysis (ICA) durchgeführt. Leider<br />
konnte hiermit selbst nach problemspezifischen Anpassungen der Standardalgorithmen keine Verbesserung der<br />
Klassifikationsleistung gegenüber der Hauptkomponentenanalyse erreicht werden. Die Schwierigkeit liegt nicht in der<br />
ICA selbst, sondern im Finden eines geeigneten Auswahlkriteriums <strong>für</strong> Dimensionsreduktion im Bildraum der<br />
Transformation (siehe dazu auch [43][44][45]). An <strong>die</strong>ser Stelle besteht weiterer Forschungsbedarf.<br />
3.2.3 Strukturaufdeckung, Modellierung und Klassifikation mit endlichen Automaten (FST)<br />
Im Neuantrag wurde <strong>die</strong> Anwendung <strong>von</strong> Hidden-Markov-Modellen (HMM) <strong>für</strong> <strong>die</strong> Klassifikation technischer Signale<br />
vorgeschlagen, welche im Vorfeld am Institut <strong>für</strong> Akustik und Sprachkommunikation <strong>für</strong> <strong>die</strong> Spracherkennung<br />
verwendet wurden. Eine Herausforderung <strong>die</strong>ses Projekts war <strong>die</strong>, im Gegensatz zu Sprachlauten, nicht a priori<br />
bekannte symbolische Struktur der vielfältigen zu untersuchenden technischen Signale. Um eine größtmögliche<br />
Flexibilität der Algorithmen zu erreichen, wurden im Rahmen des Projekts alle HMM-basierenden Verfahren<br />
konsequent unter Verwendung <strong>von</strong> finite state transducers (FST) als „versteckte“ Automaten ausgeführt, deren<br />
Eingabesymbole Normalverteilungen (welche akustische „Elementarereignisse“ beschreiben) und deren<br />
Ausgabesymbole Signalklassen (z. B. „gut“, „schlecht“ usw.) sind. Diese Automaten modellieren <strong>die</strong> Struktur eines<br />
Signals auf Symbolebene.<br />
Abbildung 1. Beispiel <strong>für</strong> Signalstrukturaufdeckung: typische Aufzeichnung des Schaltgeräusches eines<br />
Magnetventils (links) und <strong>die</strong> automatisch erlernte symbolische Darstellung seiner Signalstruktur als finite state<br />
transducer (FST). Zustand 1 beschreibt <strong>die</strong> Signalpausen (A), der Kreis 1-3-6-1 kurze Vorimpulse (B), der Kreis 1-<br />
3-4-5-7-8-1 das Einschaltgeräusch (C) und der Kreis 1-3-7-8-1 das Ausschaltgeräusch (D). Die Zahlen an den<br />
Kanten bezeichnen akustische Elementarereignisse (modelliert durch Normalverteilungen im Merkmalraum)<br />
8
Großes Gewicht wurde auf <strong>die</strong> <strong>Entwicklung</strong> <strong>von</strong> Verfahren zum unüberwachten automatischen Lernen <strong>die</strong>ser<br />
symbolischen Beschreibung (automatische Strukturaufdeckung) gelegt. Es wurden drei verschiedene<br />
Verfahrenstypen zur automatischen Strukturaufdeckung entwickelt und untersucht [8][20]:<br />
─ „einfache“ Verfahren erzielen <strong>die</strong> Strukturveränderung durch eine Komplexitätserhöhung. Dies wird durch<br />
Teilen <strong>von</strong> Normalverteilungen, Knoten oder Kanten umgesetzt.<br />
─ Kantenpruningverfahren entfernen Kanten aus dem Automaten und verringern damit dessen Komplexität.<br />
Die Auswahl der zu entfernenden Kanten kann über eine Bewertung (auf Basis der negativen<br />
logarithmieren Wahrscheinlichkeitsdichten) oder deren Benutzung durch eine <strong>Entwicklung</strong>ssdatenmenge<br />
realisiert werden.<br />
─ Pfadpruningverfahren betrachten den endlichen Automaten als Menge <strong>von</strong> Pfaden vom Start- zum<br />
Endknoten. Aus einer Auswahl <strong>die</strong>ser Pfade wird ein neuer Automat erzeugt. Die Auswahlkriterien<br />
entsprechen denen der Kantenpruningverfahren.<br />
Tabelle 5 in Anhang E enthält eine detailliertere Übersicht der Verfahren, Abbildung 1 zeigt beispielhaft ein<br />
Ergebnis. Im Ergebnis des Projekts steht ein frei skalierbares Werkzeug zur statistischen Klassifikation beliebiger<br />
Signale zur Verfügung, welches <strong>von</strong> einfachen Gaussian mixture models (GMM) bis hin zu FST-basierten Hidden-<br />
Markov-Modellen mit freier, automatisch erlernbarer Topologie reicht. Die erfolgreiche Strukturaufdeckung<br />
erforderte in jedem Fall <strong>die</strong> Kombination mehrerer Einzelverfahren aus Tabelle 5. Deren jeweilige Auswahl ist<br />
noch problemabhängig. Hier besteht weiterer Forschungsbedarf.<br />
Im Fortsetzungsantrag ursprünglich geplant war <strong>die</strong> Verwendung <strong>von</strong> finite state machines zur Modellierung<br />
physikalischer Eigenschaften <strong>von</strong> Messanordnungen mit mehreren Sensoren (siehe 3.3.3 sowie Tabelle 3 in Anhang<br />
B). Dieser Ansatz wurde im Verlauf der Arbeit zugunsten <strong>von</strong> Sensorfusionsverfahren und Metaklassifikation der<br />
Einzelergebnisse der Sensoren aufgegeben. Letztere schienen realistischer und im Hinblick auf <strong>die</strong> gewünschte<br />
Universalität geeigneter. Sie erbrachten sowohl <strong>für</strong> HMM- als auch <strong>für</strong> SVM-basierte Klassifikatoren hervorragende<br />
Erkennungsleistungen (siehe 3.3.3, [9]).<br />
3.2.4 Modellierung und Klassifikation mit Supportvektormaschinen<br />
Ein wesentlicher Schwerpunkt des Fortsetzungsantrags war <strong>die</strong> Klassifikation mit Hilfe <strong>von</strong> Supportvektormaschinen<br />
(SVM). Dazu wurde, unter anderem im Rahmen einer Stu<strong>die</strong>narbeit [23], eine Standardbibliothek (libSVM) in <strong>die</strong><br />
hauseigene Experimentierplattform integriert und problemspezifische Anpassungen, besonders hinsichtlich der<br />
Schätzung <strong>von</strong> Klassenwahrscheinlichkeiten, vorgenommen. Die Klassifikationsexperimente (Details siehe Tabelle 4<br />
in Anhang C) wurden mit L2-soft-margin SVMs mit linearem Kern durchgeführt und erbrachten in den getesteten<br />
Konfigurationen nahezu perfekte Klassifikationsergebnisse (siehe 3.3.3, [9]). Dadurch wurden Arbeiten zur<br />
Kernoptimierung sowie zu Regressionsverfahren überflüssig.<br />
3.2.5 Experimente und Erprobung, Implementierung<br />
Die betrachteten Klassifikationsverfahren wurden wie geplant in den Anwendungsszenarien<br />
„Produktionsüberwachung“, „Lebensdaueranalyse“ und „Zustandsüberwachung“ mit großen Datenmengen erprobt.<br />
Eine Übersicht der durchgeführten Experimente ist den Anhängen A und B zu entnehmen. Einige wichtige Ergebnisse<br />
sind in Abschnitt 3.3 beschreiben. Besonders hervorzuheben ist <strong>die</strong> umfassende Ausnutzung <strong>von</strong> Synergieeffekten<br />
mit Nachfolgeprojekten (siehe Abschnitt 3.6.2), welche im großen Maße nützliche empirische Erkenntnisse zur<br />
Verfahrensentwicklung innerhalb <strong>die</strong>ses Projekts beisteuerten.<br />
Großer Wert wurde auf <strong>die</strong> Schaffung <strong>von</strong> nachnutzbarer Software gelegt. Alle in <strong>die</strong>sem Projekt entstandenen<br />
und erforschten Verfahren wurden in das hauseigene Experimentiersystem, welches auch <strong>die</strong> Grundlage <strong>für</strong><br />
Vorgängerprojekte bildete (z. B. Ho 1674/7 [39]) und dort wesentlich gestaltet wurde, integriert. So entstand bis<br />
heute eine einheitliche, universelle Plattform <strong>für</strong> Signalklassifikation und automatische Sprachverarbeitung, welche<br />
eine breite Vielfalt an Werkzeugen zur Signalverarbeitung, Mustererkennung, Datenvisualisierung usw. umfasst.<br />
3.2.6 Statusseminare<br />
Es wurden planmäßig drei Statusseminare durchgeführt:<br />
Statusseminar A 08.12.2004<br />
Statusseminar B 09.02.2007<br />
Abschlussseminar 07.12.2007<br />
Die Sitzungsprotokolle und Präsentationen befinden sich auf der als Anlage beigefügten CD-ROM.<br />
3.3 Darstellung der erzielten Ergebnisse<br />
Ziel des Projekts war es, <strong>die</strong> Eignung selbst lernender, statistischer Klassifikationsverfahren <strong>für</strong> <strong>die</strong> akustische<br />
zerstörungsfreie Prüfung zu untersuchen. Die Eignung konnte <strong>für</strong> alle getesteten Einsatzszenarien<br />
(Produktionsüberwachung, Lebensdaueranalyse und Zustandsüberwachung) bestätigt werden. Die Technologie<br />
9
ist herkömmlichen heuristischen Verfahren weit überlegen, da sie problemunabhängig ist und nur einen minimalen<br />
Anpassungsaufwand <strong>für</strong> neue Anwendungen erfordert. Dies wird durch leistungsfähige, automatische<br />
Lernverfahren <strong>für</strong> <strong>die</strong> statistischen Modelle erreicht (siehe 3.2.3), welche ein wesentlicher Forschungsschwerpunkt<br />
des Projekts waren.<br />
Während der Projektlaufzeit wurden mehrfach Literaturrecherchen durchgeführt, um den aktuellen Stand des<br />
Projekts in das wissenschaftliche Umfeld einordnen zu können. So stellten wir fest, dass zu Projektbeginn nur<br />
relativ wenige Veröffentlichungen existierten [47]-[50]. Inzwischen ist <strong>die</strong> Anzahl gestiegen, was verdeutlicht, dass<br />
sich das Forschungsgebiet im Wachstum befindet und zunehmend an Bedeutung gewinnt [51]-[57]. Da wir nun<br />
bereits seit Jahren auf <strong>die</strong>sem Gebiet tätig sind, haben wir inzwischen gute Ergebnisse erzielt, <strong>die</strong> wir national und<br />
international präsentieren und veröffentlichen konnten. Unser patentiertes Verfahren ist universell und liefert gute<br />
Ergebnisse <strong>für</strong> alle Anwendungen. Es ist vorgesehen, mit anderen Wissenschaftlern <strong>die</strong>ses Forschungsgebiets in<br />
Kontakt zu treten, um Erfahrungen und Ergebnisse auszutauschen. Eine Möglichkeit dazu wäre <strong>die</strong> Einrichtung<br />
eines öffentlich zugänglichen Internetportals, das anderen Wissenschaftlern erlaubt, mit unseren umfangreichen<br />
Daten zu experimentieren und somit unsere Resultate selbst nachzuvollziehen.<br />
Im Folgenden werden wesentliche Projektergebnisse kurz vorgestellt.<br />
3.3.1 Produktionsüberwachung<br />
Bei der Produktion <strong>von</strong> Zahnrädern können zum Beispiel folgende Fehlerarten auftreten: fehlende, an- und<br />
abgebrochene Zähne, radiale Risse, Risse in der Verzahnung oder kleine Ausbrüche. Bei der automatisierten<br />
Prüfung sollen derartig beschädigte Zahnräder erkannt und aus dem Produktionsprozess entfernt werden.<br />
Die Zahnräder zweier Hersteller wurden mit unseren Verfahren untersucht. Dazu wurde jeweils ein Gutmodell<br />
trainiert und der Abstand zu <strong>die</strong>sem Modell gebildet. Da es auch wichtig ist, <strong>die</strong> Trennschärfe zwischen Gut- und<br />
Schlechtteilen zu maximieren und somit Klassifikationsfehler gering zu halten, wurden verschiedene<br />
Modellparameter variiert. Typische Ergebnisse sind in Abbildung 2 dargestellt.<br />
Abbildung 2: Histogramme der Bewertung einer Stichprobe <strong>von</strong> Zahnrädern (452 gut, 18 Ausschuss) durch ein<br />
herkömmliches HMM (links) und ein HMM mit erlernter Topologie des versteckten Automaten (rechts, siehe 3.2.3).<br />
Dargestellt sind Maße <strong>für</strong> <strong>die</strong> Abweichung der Messsignale vom Modell eines guten Zahnrads (neglog. Likelihood,<br />
NLL). Alle Ausschussteile wurden korrekt identifiziert, das durch Strukturaufdeckung gewonnene HMM zeigt einen<br />
leicht größeren Sicherheitsabstand zwischen guten und Ausschussteilen.<br />
Wichtig ist eine repräsentative Auswahl der Trainingsdaten. Würden z. B. nur Teile einer Charge trainiert, würden<br />
natürlich auch Gutteile anderer Chargen <strong>von</strong> <strong>die</strong>sem Modell abweichen (siehe Abschnitt 3.4).<br />
Literatur: [1][2][3][5][6][24]<br />
3.3.2 Lebensdaueranalyse<br />
Für den Einsatz <strong>von</strong> mikrofluidischen Bauelementen, wie z. B. Ventile, in Bereichen, bei denen ein Ausfall<br />
unerwartete, teilweise auch unvorhersehbare Folgen haben kann, ist <strong>die</strong> Erkennung eines bevorstehenden<br />
Ausfalls <strong>von</strong> großer Bedeutung. Dazu wurden 2 Dauerversuche durchgeführt, bei denen jeweils 8 Ventile zyklisch<br />
geöffnet und geschlossen wurden. Anhand der dabei aufgezeichneten Schaltgeräusche sollte eine Aussage über<br />
<strong>die</strong> zu erwartende Restlebensdauer der einzelnen Ventile ermittelt werden. In Abbildung 1 ist ein Schaltgeräusch<br />
eines Ventils dargestellt. Aufgrund der deutlich ausgeprägten Signalstruktur ist hier der Einsatz <strong>von</strong> Verfahren zum<br />
automatischen Strukturlernen (siehe Abbildung 1, Abschnitt 3.2.3 und Tabelle 5 in Anhang E) nützlich.<br />
Trainiert wurden Hidden-Markov-Modelle <strong>für</strong> <strong>die</strong> Zustände „neuwertig“ und „verschlissen“, jeweils mit Daten mehrerer<br />
Ventile. Anhand <strong>die</strong>ser Modelle wurde der Klang eines anderen Ventils bewertet. Die im Verlaufe der Lebenszeit<br />
abnehmende Ähnlichkeit zum mittleren Klang eines neuwertigen Ventils und <strong>die</strong> zunehmende Ähnlichkeit zum<br />
mittleren Klang eines abgenutzten erlaubt eine Abschätzung des Alters und somit der Restlebensdauer des<br />
unbekannten Ventils. Ein typischer Verlauf des so geschätzten Alters während der Lebenszeit eines Ventils ist in<br />
Abbildung 3 dargestellt. Nach [57] kann eine deutlichere Anzeige des bevorstehenden Ausfalls durch eine<br />
angepasste Merkmalextraktion erreicht werden. Bei der Suche nach einem geeigneten Kompromiss zwischen<br />
10
Universalität und problemspezifischer Leistungsfähigkeit der Merkmalextraktion besteht aus unserer Sicht weiterer<br />
Forschungsbedarf.<br />
Abbildung 3. Links: aus dem Klang des Arbeitsgeräusches automatisch geschätztes Lebensalter eines<br />
Magnetventils in Prozent, abgetragen über der Anzahl der Schaltspiele (tatsächliches Alter). Rechts: Prüfobjekt.<br />
Literatur: [1][2][5][6][8][20]<br />
In den Aufgabenbereich der Lebensdaueranalyse fallen auch <strong>die</strong> in 3.6.2 beschriebenen Arbeiten zur<br />
Fehlerfrüherkennung an Spinnmaschinen.<br />
3.3.3 Zustandsüberwachung<br />
Die Eignung HMM- und SVM-basierter statistischer Klassifikationsverfahren zur akustischen<br />
Zustandsüberwachung wurde anhand <strong>von</strong> Proben zweier typischer Flugzeugkonstruktionsmaterialien<br />
nachgewiesen. Für <strong>die</strong> Experimente wurden eine Aluminium- und eine CFK-Platte mit Ultraschall-Aktuatoren<br />
(Sender-/Empfängereinheiten) bestückt (Details siehe [9]). Jeder Aktuator fungiert umlaufend als Körperschallsender,<br />
während alle anderen <strong>die</strong> durch das Material laufenden Schallwellen aufzeichnen. Jede Sender-Empfänger-<br />
Kombination („Messstrecke“) liefert eine Teilinformation über den Zustand des Bauteils, <strong>die</strong> Teilinformationen werden<br />
am Ende der Verarbeitung zu einer Gesamtaussage zusammengefasst. Die Untersuchung der Testobjekte erfolgte<br />
im intakten sowie in beschädigten Zuständen. Bei der Aluminiumplatte wurde schrittweise ein Riss zunehmender<br />
Länge eingebracht, bei der CFK-Platte 5 Einschläge mit verschieden hohen Einschlagsenergien.<br />
Abbildung 4: Ergebnisse der Fehlerdetektion mit HMM- und SVM-Klassifikator <strong>für</strong> <strong>die</strong> Aluminiumplatte (links) und <strong>die</strong><br />
CFK-Platte (rechts). Dargestellt sind Maße <strong>für</strong> <strong>die</strong> Abweichung der Messsignale vom intakten Zustand (HMM: neglog.<br />
Likelihood NLL, SVM: neglog. Wahrscheinlichkeit NLP, jeweils gemittelt über alle Messstrecken). Die Datenpunkte<br />
sind Mittelwerte und Standardabweichungen <strong>von</strong> jeweils 200 bzw. 1000 Testmessungen (Aluminium- / CFK-Platte).<br />
Ziel der Zustandsüberwachung mit HMM- und SVM-basierten Klassifikatoren war <strong>die</strong> sichere Erkennung <strong>von</strong><br />
Beschädigungen und, wenn möglich, eine Abschätzung deren Grades. Abbildung 4 stellt <strong>die</strong> wichtigsten Ergebnisse<br />
<strong>für</strong> <strong>die</strong> Aluminium- und CFK-Platte zusammen. Sowohl mit HMMs als auch mit SVMs konnten alle getesteten Fehler<br />
sicher erkannt werden (größte gemessene Fehlerrate über alle Experimente 0,3 %). HMMs sind besonders zur<br />
Abschätzung des Beschädigungsgrads, SVMs besonders zur Erkennung geringfügiger Beschädigungen geeignet.<br />
Zum Vergleich mit einem „herkömmlichen“ Verfahren wurde <strong>für</strong> <strong>die</strong> Aluminiumplatte eine laufzeittomografische<br />
Bildrekonstruktion basierend auf den beschriebenen Messdaten durchgeführt. Diese konnte Risse in der<br />
Aluminiumplatte erst ab 12 cm Länge detektieren, beide statistischen Verfahren ab dem kleinsten getesteten Riss <strong>von</strong><br />
1 cm Länge.<br />
11
Literatur: [9]<br />
In den Aufgabenbereich der Zustandsüberwachung fällt auch <strong>die</strong> in 3.6.2 beschriebene Fehlerprüfung <strong>von</strong><br />
Eisenbahnrädern, welche passiv (ohne Anregungssignal) arbeitet.<br />
3.4 Ausblick auf zukünftige Arbeiten<br />
Bei selbst lernenden Systemen besteht das prinzipielle Problem einer möglichen Fehlanpassung der Modelle an <strong>die</strong><br />
Trainingsstichprobe. Die Qualität und Gültigkeit der Modelle hängen also wesentlich <strong>von</strong> der Wahl <strong>die</strong>ser Stichprobe<br />
ab. In der statistischen Lerntheorie wird <strong>die</strong>ser Effekt als Generalisierungsfehler bezeichnet. Abbildung 5 zeigt<br />
beispielhaft <strong>die</strong> typische Auswirkung des Generalisierungsfehlers eines Hidden-Markov-Modells<br />
(Zustandsüberwachung einer CFK-Platte, siehe Abschnitt 3.3.3). In der Praxis (z. B. [1][3][9][10][24]) führen<br />
fehlangepasste Modelle zu irrtümlichen Fehleranzeigen auf Grund der Veränderung <strong>von</strong> <strong>für</strong> <strong>die</strong> Prüfungaufgabe<br />
irrelevanten Umgebungsbedingungen, was zu unzureichender Betriebssicherheit führen kann und in jedem Fall <strong>die</strong><br />
aufwändige Implementation (halb-) automatischer Korrekturmaßnahmen erfordert. Abgesehen <strong>von</strong> <strong>die</strong>ser<br />
Einschränkung unterstreichen jedoch sowohl <strong>die</strong> Ergebnisse <strong>die</strong>ses Projekts als auch <strong>die</strong> internationale Literaturlage<br />
<strong>die</strong> hervorragende Eignung statistischer Klassifikatoren <strong>für</strong> <strong>die</strong> akustische zerstörungsfreie Prüfung (z. B.<br />
[47][48][50][57]).<br />
Eine Lösung zur Vermeidung <strong>von</strong> Fehlanpassungen <strong>von</strong> Modellen würde den breiten Einsatz selbst lernender<br />
Diagnose- und Prognosesysteme auf HMM- und SVM-Basis in der Praxis wesentlich erleichtern.<br />
Abbildung 5: Ergebnisse der Fehlerdetektion mit einem HMM-Klassifikator <strong>für</strong> eine zunehmend beschädigte CFK-<br />
Platte (siehe 3.3.3). Dargestellt sind Maße <strong>für</strong> <strong>die</strong> Abweichung der Messsignale vom intakten Zustand (neglog.<br />
Likelihood NLL, jeweils gemittelt über alle Messstrecken) <strong>für</strong> 1000 Testmessungen pro Zustand. Das Modell wurde<br />
mit (<strong>von</strong> den Testdaten verschiedenen) Messsignalen aus dem Zustand „Intakt 1“ trainiert. Es ist auf <strong>die</strong>se Daten<br />
fehlangepasst, da es den Zustand „Intakt 2“ (Aufbau des Testobjekts auf einem anderen Versuchsstand) nicht als<br />
„intakt“, sondern als „Einschlag“ erkennt (dicke schwarze Linie: Klassifikationsschwellwert). Die Fehlanpassung<br />
lässt sich beheben, indem zum Training des Modells „Intakt“ Daten beider Intakt-Zustände verwendet werden.<br />
Nach unserer Meinung liegt demnach der Hauptforschungsbedarf zur Verbesserung der akustischen<br />
zerstörungsfreien Prüfung mit Hilfe statistischer Klassifikatoren in der Minimierung des<br />
Modellgeneralisierungsfehlers. Die statistische Lerntheorie bietet da<strong>für</strong> zwar theoretische Ansätze, <strong>die</strong>se sind<br />
jedoch nicht einfach auf praktische Anwendungen übertragbar. Insbesondere nimmt <strong>die</strong> statistische Lerntheorie<br />
<strong>die</strong> Merkmale, welche <strong>die</strong> zu klassifizierenden Objekte beschreiben, als gegeben an. Gerade hier liegt aber<br />
wahrscheinlich das größte Optimierungspotenzial. Im Folgenden werden einige Lösungsvorschläge dargestellt.<br />
Kombination <strong>von</strong> statistischer und physikalischer Modellierung<br />
Im Rahmen <strong>die</strong>ses Projekts wurde stets zu Gunsten der Allgemeingültigkeit auf <strong>die</strong> Verwendung <strong>von</strong><br />
„Expertenwissen“ über <strong>die</strong> Prüfaufgabe verzichtet. Durch Wissen über <strong>die</strong> <strong>für</strong> <strong>die</strong> Klassifikation relevanten<br />
physikalischen Vorgänge können <strong>die</strong> Merkmalextraktion und bestimmte Modellparameter jedoch <strong>von</strong> vornherein<br />
optimal gestaltet werden (siehe z. B. [40][57]). Anzustreben wäre eine geeignete Kombination <strong>von</strong> physikalischer<br />
und statistischer Modellierung, welche <strong>die</strong> jeweiligen Vorteile möglichst vereint. Ein wichtiger Nebeneffekt eines<br />
solchen Vorgehens wäre <strong>die</strong> potenzielle Möglichkeit der Erzeugung <strong>von</strong> Trainingsdaten <strong>für</strong> das statistische Modell<br />
aus Simulationsrechnungen mit dem physikalischen Modell. Besonders <strong>für</strong> fehlerhafte Teile ist <strong>die</strong> Beschaffung<br />
einer ausreichenden Menge <strong>von</strong> Trainingsdaten erfahrungsgemäß schwierig. Denkbar sind beispielsweise ein<br />
Training des statistischen Modells mit (einer großen Menge) simulierter Daten und eine anschließende Adaption<br />
des Modells mit (einer kleineren Menge) realer Daten.<br />
Informationstheoretisch motivierte Merkmaltransformation<br />
12
Die im vorigen Abschnitt dargestellte Kombination <strong>von</strong> physikalischer und statistischer Modellierung lässt zwar<br />
Verbesserungen erwarten, steht jedoch im Widerspruch zur Universalität, <strong>die</strong> wesentliches Ziel des<br />
abgeschlossenen Projekts war. Es besteht nach unserer Meinung weiterer Forschungsbedarf bei<br />
informationstheoretisch motivierten Merkmalextraktionsverfahren, welche den Generalisierungsfehler der Modelle<br />
senken können, ohne problemspezifisch zu sein. Als Beispiel hier<strong>für</strong> sei <strong>die</strong> independent component analysis<br />
(ICA, siehe Abschnitt 3.2.2) genannt, <strong>die</strong> mit dem Ziel angewandt wird, möglichst viele Informationen in möglichst<br />
wenigen Merkmalvektorkomponenten zu vereinen. Die Idee ist, das Messsignal als Mischung (hypothetischer)<br />
unabhängiger Signalquellen zu interpretieren und zu versuchen, <strong>die</strong>se <strong>von</strong>einander zu trennen. Das Ergebnis<br />
wären kompakte und aussagekräftige Merkmalvektoren. Im Rahmen des Projekts ist es leider nicht gelungen, ein<br />
angemessenes Zielkriterium <strong>für</strong> <strong>die</strong>se statistische Trennung zu finden. Trotzdem erscheint <strong>die</strong>ser Ansatz viel<br />
versprechend. Er ist, im Kontext der automatischen Spracherkennung, Gegenstand verschiedener internationaler<br />
Veröffentlichungen, wobei keine der vorgeschlagenen Lösungen befriedigend ist [43][44][45].<br />
Theoretische Untersuchung <strong>von</strong> Strukturaufdeckungsverfahren<br />
Im abgeschlossenen Projekt wurden erfolgreich Verfahren zur Signalmodellierung mit Hilfe <strong>von</strong> finite state<br />
transducers (FST, siehe Abschnitt 3.2.3) entwickelt und getestet. Diese Verfahren sind bislang nicht aus Sicht der<br />
statistischen Lerntheorie untersucht worden. Diese Untersuchungen hätten Aussagen zu oberen Schranken des<br />
Generalisierungsfehlers <strong>von</strong> HMMs mit gelernten Automatengraphen zum Ziel. Obwohl, wie oben ausgeführt,<br />
keine direkte Übertragung solcher Aussagen auf praktische Anwendungen möglich sein dürfte, ist ein besseres<br />
Verständnis der theoretischen Grundlage des automatischen Lernens <strong>von</strong> symbolischen Signaldarstellungen<br />
wichtig <strong>für</strong> <strong>die</strong> zielgerichtete Weiterentwicklung entsprechender Trainingsverfahren.<br />
3.5 Interdisziplinäre Weiterentwicklung<br />
Das abgeschlossene Projekt hat selbst einen interdisziplinären Charakter. In ihm arbeiteten Experten aus den<br />
Gebieten der zerstörungsfreien Prüfung sowie der Signalanalyse und -erkennung erfolgreich zusammen. Diese<br />
interdisziplinäre Kooperation soll nach Abschluss des Projekts aufrecht erhalten und wenn möglich ausgebaut<br />
werden. Dazu existiert bereits eine Vielzahl konkreter Vorhaben (siehe Abschnitte 3.6.2 und 3.6.3). Weiterhin soll <strong>die</strong><br />
Grundlagenforschung <strong>von</strong> beiden Instituten wie unter 3.4 beschrieben gemeinsam fortgeführt werden. Ein besonderer<br />
Schwerpunkt <strong>für</strong> <strong>die</strong> zukünftige interdisziplinäre Zusammenarbeit liegt in der Verbindung <strong>von</strong> physikalischer<br />
Modellierung und Simulation (Fraunhofer IZFP-D) mit der statistischen Modellierung und Klassifikation (TU Dresden,<br />
<strong>IAS</strong>). Der hauptsächliche Nutzen der weiteren Kooperation liegt in Industrieanwendungen der zerstörungsfreien<br />
Prüfung. Besonders ermöglicht <strong>die</strong> entwickelte Technologie eine Überwachung kritischer Bauteile im laufenden<br />
Betrieb. Hierzu wird vor allem eine engere Kooperation mit der Luftfahrtindustrie (z. B. IMA Dresden) angestrebt.<br />
Die wesentlichen Ergebnisse <strong>die</strong>ses Projekts wurden auf Konferenzen beider Fachgebiete publiziert [1]-[12], [17].<br />
Ein Aufsatz in der Zeitschrift NDT&E ist derzeit in Arbeit.<br />
3.6 Verwertungspotenzial<br />
Das Verwertungspotenzial der durchgeführten Forschungsarbeit wird im Folgenden durch erhaltene Patente<br />
(3.6.1) und anhand der fünf abgeschlossenen oder noch laufenden Folgeprojekte (3.6.2) dokumentiert. Das<br />
Projekt „<strong>Datenanalyseverfahren</strong>“ bildete <strong>die</strong> Grundlage <strong>für</strong> alle <strong>die</strong>se Ergebnisse. Sie wären ohne <strong>die</strong> Förderung<br />
nicht oder nur eingeschränkt erreicht worden. Im Abschnitt 3.6.3 werden weiterhin einige in Vorbereitung<br />
befindliche Anwendungen vorgestellt.<br />
3.6.1 Patente<br />
Das Verfahren zur Erkennung akustischer Signale wurde erfolgreich als deutsches und internationales Patent<br />
angemeldet:<br />
Deutsches Patent:<br />
Hentschel, D.; Tschöpe, C.; Hoffmann, R.; Eichner, M.; Wolff, M.: Vorrichtung und Verfahren zur Beurteilung einer<br />
Güteklasse eines zu prüfenden Objekts. Deutsches Patentamt, Nr. 10 2004 023 824 B4, Erteilung: 13.7.2006.<br />
Internationales Patent:<br />
Hentschel, D.; Tschöpe, C.; Hoffmann, R.; Eichner, M.; Wolff, M.: Vorrichtung und Verfahren zur Beurteilung einer<br />
Güteklasse eines zu prüfenden Objekts. Nr. EP1733223, Erteilung: 1.2.2007.<br />
Folgendes Patent konnte in einem der Folgeprojekte erfolgreich beantragt werden:<br />
Eichner, M.; Wolff, M.; Hoffmann, R.; Kordon, U.; Ziegenhals, G.: Verfahren und Vorrichtung zur Klassifikation und<br />
Beurteilung <strong>von</strong> Musikinstrumenten. Deutsches Patentamt, Nr. 10 2006 014 507 A1, Erteilung: 20.9.2007.<br />
13
3.6.2 Durchgeführte und laufende Folgeprojekte<br />
Nichtinvasive Blutdruckmessung am aktiven Menschen, Gesundheitstechnik Stier (10/2004 – 12/2005)<br />
Ziel <strong>die</strong>ses Projekts war <strong>die</strong> automatische akustische Blutdruckmessung am Oberarm mit Druckmanschette und elektronischem<br />
Stethoskop (bestehend aus zwei in <strong>die</strong> Manschette integrierten Spezialmikrofonen) anhand der so<br />
genannten Korotkoff-Geräusche (siehe Abbildung 6). Diese Geräusche bestehen aus vier unterscheidbaren Phasen,<br />
der Beginn der ersten Phase sowie das Ende der letzten Phase markieren den systolischen und diastolischen<br />
Blutdruck.<br />
Abbildung 6. Typische Stethoskopsignale (Korotkoff-Geräusche) in Ruhe (links oben) und während<br />
Fitnessübungen (links unten) sowie Beispiel <strong>für</strong> manuelle und automatische Blutdruckmessung (rechts).<br />
Mit Hilfe eines HMM-basierten Signalmodells wurden das Korotkoff-Geräusch im Stethoskopsignal automatisch<br />
lokalisiert und aus der Position <strong>die</strong> Blutdruckwerte berechnet. Befindet sich der Patient in Ruhe, liefert das<br />
Verfahren eine gute Genauigkeit. In Bewegung (Fitnessübungen) entstehen durch Muskeln und Gelenke starke<br />
Störgeräusche (Abbildung 6 links unten). Bei der Blutdruckmessung unter solchen Bedingungen konnte eine<br />
immer noch akzeptable Genauigkeit erzielt werden. Ein technologischer Schwerpunkt <strong>die</strong>ses Projekts war eine<br />
angepasste Merkmalextraktion <strong>für</strong> den HMM-Klassifikator.<br />
Literatur: [14][16][28][29][30][31]<br />
Bmbf-Projekt „Musicon Valley“ (01/2005 – 12/2006)<br />
(Teilprojekt „Bewertung und Beurteilung <strong>von</strong> Musikinstrumenten anhand <strong>von</strong> Solomusikstücken“)<br />
Ziel <strong>die</strong>ses Forschungsprojektes war es unter anderem, mit Hilfe statistischer Klassifikatoren Musikinstrumente<br />
anhand des beim Instrumentenspiel entstehenden Schallsignals zu beurteilen und zu vergleichen. Bislang<br />
basierten alle instrumentellen Ansätze zu einer solchen Beurteilung auf physikalischen Modellen beziehungsweise<br />
auf künstlichen Anspielvorrichtungen. Die automatische Beurteilung <strong>von</strong> Musikinstrumenten anhand gespielter<br />
Musik sollte zunächst spielerunabhängig, im zweiten Schritt zusätzlich melo<strong>die</strong>unabhängig und im dritten Schritt<br />
dazu noch raum- und aufnahmeunabhängig sein. Es wurde eine Datenbasis mit Anspielen <strong>von</strong> jeweils zehn<br />
Gitarren, Violinen, Klarinetten und Trompeten aufgenommen. Jedes der 40 Instrumente wurde in zwei Räumen,<br />
<strong>von</strong> fünf Musikern, mit drei unterschiedlichen Stücken und je einer Wiederholung (also insgesamt 60 Mal)<br />
aufgenommen.<br />
Abbildung 7: Versteckter Automat eines Hidden-Markov-Modells <strong>für</strong> eine individuelle Konzertgitarre, ermittelt aus<br />
etwa 50 verschiedenen Melo<strong>die</strong>anspielen (links) und mit Hilfe solcher Modelle aufgestellte Ähnlichkeitsmatrix <strong>von</strong><br />
zehn Gitarren (rechts, dunkle Farbe bedeutet große Ähnlichkeit).<br />
Voraussetzung <strong>für</strong> <strong>die</strong> Beurteilung eines Instruments ist das sichere Erkennen individueller Instrumente<br />
unabhängig <strong>von</strong> Spieler, Melo<strong>die</strong> und Aufnahmebedingungen. Ist <strong>die</strong>s erfolgreich möglich, können relativ einfach<br />
automatisch „objektive“ Ähnlichkeiten zwischen Instrumenten bestimmt werden. Abbildung 7 zeigt beispielhaft das<br />
14
unüberwacht erlernte Hidden-Markov-Modell des Klangs einer Gitarre und eine automatisch ermittelte<br />
Ähnlichkeitsmatrix zwischen zehn verschiedenen Gitarren. Das Projekt ergab als ein wesentliches Ergebnis, dass<br />
<strong>die</strong> beschriebene statistische Modellierung <strong>für</strong> bestimmte Instrumente hervorragend (z. B. Gitarren 94 - 99 %,<br />
Violinen 96 - 98 % Erkennungsrate eines aus 10 Instrumenten), <strong>für</strong> andere weniger gut (z. B. Trompeten 33 - 97 %<br />
Erkennungsrate eines aus 10 Instrumenten) geeignet ist. Ein technologischer Schwerpunkt <strong>die</strong>ses Projekts war<br />
<strong>die</strong> automatische Strukturaufdeckung <strong>von</strong> Signalen.<br />
Literatur: [13][15][25][27][32][33][34][35]<br />
Machbarkeitsstu<strong>die</strong> zur Prüfung <strong>von</strong> gesinterten Zahnrädern, Miba Sinter Austria GmbH (07/2005 – 04/2006)<br />
In <strong>die</strong>ser Stu<strong>die</strong> wurde eine Gut-/Schlechtanalyse gesinterter Zahnräder durchgeführt. Dabei wurde der Klang des<br />
Zahnrades (Frequenzspektrum, Abklingverhalten) bei definierter Anregung durch einen Ultraschall-Impuls mit Hilfe<br />
des in <strong>die</strong>sem Projekt entwickelten HMM-Klassifikators bewertet. Jede Aufnahme wurde gleichzeitig mit zwei<br />
unabhängigen Sensoren durchgeführt. Die besondere Schwierigkeit der Aufgabe bestand darin, dass nicht nur<br />
grobe Fehler wie Ausbrüche oder Risse gefunden werden sollten, sondern auch winzige Einschlüsse oder<br />
geringfügige Kontamination des Rohmaterials. Abbildung 8 zeigt ein typisches Fehlerbild sowie das<br />
Klassifikationsergebnis <strong>für</strong> <strong>die</strong> insgesamt 62 untersuchten Teile.<br />
Abbildung 8: Links: optimale Trennfunktionen <strong>für</strong> Gut- und Ausschussteile bei Verwendung jeweils eines <strong>von</strong> zwei<br />
Sensorsignalen (gestrichelte Linien) sowie bei Verwendung eines Sensorfusionsverfahrens (Bayes-Klassifikation,<br />
durchgezogenen Linie). Der Klassifikator wurde immer so eingestellt, dass er alle Ausschussteile korrekt<br />
identifiziert (Fehlakzeptanzrate 0 %). Durch <strong>die</strong> Sensorfusion sinkt <strong>die</strong> Fehlrückweisungsrate (irrtümliches<br />
Aussortieren intakter Teile) in <strong>die</strong>sem Beispiel <strong>von</strong> 24 % (nur Sensor 1) bzw. 55 % (nur Sensor 2) auf 15 %.<br />
Rechts: Röntgenbild eines typischen Fehlerbildes (Lunker).<br />
Literatur: [24]<br />
Signalverarbeitung <strong>für</strong> ein rotationsbezogenenes Messsystem (06/2006 – 02/2007)<br />
Dieses am IZFP-D durchgeführte Projekt befasste sich mit einem neuartigen Verfahren zur in-situ-Überwachung<br />
<strong>von</strong> Eisenbahnrädern durch Auswertung der Laufgeräusche beim normalen Betrieb (herkömmliche Verfahren<br />
testen <strong>die</strong> Räder nur während der Wartung). Ziel ist es, Fehler am Rad sofort zu detektieren und somit auf akute<br />
Störfälle reagieren zu können. Das IZFP-D entwickelte eine spezielle Messsonde (siehe Abbildung 9) mit acht<br />
gleichmäßig auf dem Umfang verteilten Körperschallsensoren. Schäden auf der Lauffläche des Rades führen zu<br />
periodischen Störungen der Messsignale. Eine umlaufsynchrone Signalmittelung über viele Radumdrehungen<br />
beseitigt zufällige Störungen (z. B. Schienenstöße u. ä.) Abbildung 9 zeigt das Spektrogramm der gemittelten<br />
Signale eines Sensors <strong>für</strong> ein Rad mit beschädigter Lauffläche (Abplattung). Durch <strong>die</strong> umlaufsynchrone Mittelung<br />
kann statt der Zeitachse der Drehwinkel des Rades angegeben werden.<br />
15
Abbildung 9: Messsonde in Eisenbahnradachsen (links, aus [41]), Spektrogramm eines Sensorsignals bei einem<br />
beschädigten Rad (Abplattung bei ca. 260°, rechts oben) und Fehlerdetektion und –lokalisierung durch<br />
automatische Zuordnung der HMM-Zustände „OK“ / „FEHLER“ zum Sensorsignal (rechts unten).<br />
Ein untersuchter Ansatz zur Fehlerdetektion besteht in der statistischen Klassifikation der Laufgeräusche. Dazu wurde<br />
im einfachsten Fall ein HMM mit zwei Zuständen („OK“ und „FEHLER“) trainiert. Das rechte untere Diagramm in<br />
Abbildung 9 zeigt <strong>die</strong> automatische Zuordnung des Laufgeräusches zu den Zuständen „OK“ und „FEHLER“ in<br />
Abhängigkeit vom Drehwinkel (helle Farbe bedeutet hohe Wahrscheinlichkeit der Zuordnung). Nachteil <strong>die</strong>ses<br />
Ansatzes ist, dass Daten fehlerhafter Räder zum Modelltraining benötigt werden. Abhilfe schafft eine Abwandlung des<br />
Verfahrens, welche nur <strong>die</strong> Ähnlichkeit zur Klasse „OK“ ermittelt (Zeile „OK“ im rechten unteren Diagramm <strong>von</strong><br />
Abbildung 9) und bei zu geringer Ähnlichkeit eine Fehlstelle detektiert. Die Experimente zeigten, dass mit Hilfe<br />
statistischer Verfahren Fehler an Eisenbahnrädern anhand der Laufgeräusche erkannt und lokalisiert werden können.<br />
Ein technologischer Schwerpunkt <strong>die</strong>ses Projekts war eine angepasste Merkmalextraktion <strong>für</strong> den HMM-Klassifikator.<br />
Literatur: [25][41][42]<br />
AIF-Projekt „Fehlerfrüherkennung an Spinnmaschinen“ (01/2007 – heute)<br />
Ziel des durch <strong>die</strong> AiF geförderten Forschungsprojektes ist es, einen bevorstehenden Ausfall <strong>von</strong> beweglichen<br />
Maschinenteilen an Spinnmaschinen mit Hilfe eines HMM-Klassifikators zu diagnostizieren. Bei bestimmten<br />
Bauteilen (in unseren Versuchen: gummierte Oberwalzen und Lager in einem Streckwerk) führt schon eine<br />
gewisse Abnutzung zu periodischen Garnfehlern, <strong>die</strong> unbedingt vermieden werden sollen. Bisher erfolgt <strong>die</strong><br />
Fehlerdiagnose durch Sichtkontrollen und akustische Wahrnehmung <strong>von</strong> Schadgeräuschen während<br />
regelmäßiger Inspektionen. Die automatische Körperschalldiagnose soll <strong>die</strong> Kontrolle unterstützen und<br />
zuverlässige Aussagen zum Zustand <strong>von</strong> Bauteilen möglich machen. Grundlage sind Änderungen im<br />
Schwingungsspektrum des jeweiligen Teils im Vergleich zu intakten Bauteilen. Diese Änderungen sollen mit Hilfe<br />
eines portablen Maschinendiagnosegerätes erkannt und Aussagen zum Verschleißzustand getroffen werden.<br />
Abbildung 10: Prüfobjekt (Gummiwalze) mit sichtbarer Beschädigung (rechts) sowie Histogramm über Maßzahlen<br />
<strong>für</strong> <strong>die</strong> Abweichung der Messsignale verschiedener Prüfobjekte vom intakten Zustand (neglog. Likelihood NLL,<br />
jede Messung wurde 1000 Mal wiederholt, links)<br />
Im Gegensatz zu anderen akustischen Diagnoseverfahren wird dabei aus einer Stichprobe typischer<br />
Signalverläufe ein stochastisches Strukturmodell gebildet, welches <strong>die</strong> zeitliche Abfolge <strong>von</strong> Signalereignissen<br />
berücksichtigt und das zu modellierende Signal nicht nur als statisch betrachtet. Die zu untersuchenden Daten<br />
werden <strong>von</strong> einer sich in <strong>Entwicklung</strong> befindlichen autarken Sensorbaugruppe bereitgestellt, <strong>die</strong><br />
Körperschallsignale aufzeichnet und dem Diagnosegerät drahtlos übermittelt. Für <strong>die</strong> Positionierung und<br />
<strong>Entwicklung</strong> der Sensorbaugruppe sind fortlaufend Aussagen in Bezug auf Änderungen zu bisherigen<br />
Klassifikationsergebnissen notwendig. Deshalb wurde eine Datenbank mit Körperschallsignalen des<br />
Versuchsstreckwerkes aufgebaut. Für <strong>die</strong> Erhebung stehen 6 Walzen unterschiedlichen Zerstörungsgrades (2<br />
neuwertige und 1 defekte Walze, sowie 3 mittleren Zerstörungsgrades) zur Verfügung. Mit Hilfe eines HMMbasierten<br />
Signalmodells ist es zum gegenwärtigen Zeitpunkt am Versuchsstreckwerk möglich, <strong>die</strong> intakten und<br />
gänzlich defekten Walzen klar zu erkennen. Ein technologischer Schwerpunkt <strong>die</strong>ses Projekts ist <strong>die</strong> Analyse<br />
vorhandener und <strong>Entwicklung</strong> neuer Merkmalextraktionsverfahren <strong>für</strong> <strong>die</strong> Klassifikation mittels HMMs.<br />
Literatur: [1][2][10]<br />
3.6.3 Geplante Folgeprojekte<br />
<strong>Qualitäts</strong>kontrolle <strong>von</strong> Tissue-Produkten (WEPA GmbH Kriebstein)<br />
In Akquisition befindet sich ein Projekt, welches sich mit der Weichheit <strong>von</strong> Tissue-Produkten beschäftigt. Dabei<br />
sollen das Papier im Produktionsprozess bzw. <strong>die</strong> fertigen Produkte, z. B. Taschen- oder Kosmetiktücher, mittels<br />
einer zu entwickelnden Apparatur und eines entsprechenden Klassifikationsverfahrens untersucht werden.<br />
Letztendlich wird eine Aussage „weich“/“mittel“/“hart“ erwartet. In Voruntersuchungen muss geprüft werden, ob<br />
16
statistische Verfahren im Allgemeinen und das in <strong>die</strong>sem Projekt entwickelte Verfahren im Besonderungen dazu<br />
geeignet wäre.<br />
Verbesserte Ausschussprüfung bei der Herstellung <strong>von</strong> Zahnrädern (EHW Thale Sintermetall GmbH)<br />
Weiterhin ist ein Fortsetzungsprojekt zur Zahnradprüfung geplant, bei dem neben einer verbesserten Sensorik<br />
auch <strong>die</strong> Online-Auswertung der Bauteile mit dem im Projekt entwickelten Verfahren ermöglicht. Das dazu zu<br />
entwickelnde Gesamtsystem muss auf <strong>die</strong> rauen Industriebedingungen vor Ort angepasst sein. Weiterhin sind<br />
spezielle Erfordernisse an <strong>die</strong> Software, wie z. B. ein automatisiertes „Nachlernen“ der Teile, zu berücksichtigen.<br />
Internetportal zu Signaldatenbasen und Klassifikatoren (TU Dresden, Fraunhofer IZFP-D)<br />
Die reichhaltigen Datenbasen und <strong>die</strong> entwickelte statistische Klassifikationstechnologie soll <strong>für</strong> nationale und<br />
internationale Forschergruppen zur nicht kommerziellen Nutzung über ein Internetportal frei verfügbar gemacht<br />
werden. Ein großes Hindernis <strong>für</strong> den internationalen Wissensaustausch ist das weitestgehende Fehlen<br />
gemeinsam nutzbarer Daten zum Vergleich verschiedener Prüfverfahren. Die freie Verfügbarkeit einer großen<br />
Menge (>100 GB) an Testdaten wäre hier ein wertvoller Beitrag. Gleichzeitig soll das zu erstellende Internetportal<br />
ermöglichen, <strong>die</strong> <strong>von</strong> uns entwickelten Klassifikationsmethoden mit Nutzerdaten zu erproben. Dies erlaubt<br />
anderen Forschern, Vergleichsergebnisse <strong>für</strong> ihre eigenen Testdaten zu erhalten. Es ist geplant, <strong>die</strong> Datenbasen<br />
systematisch, besonders im Bereich Flugzeugbauteile, zu erweitern.<br />
3.7 Beteiligte Wissenschaftler<br />
Name Position Tätigkeit<br />
Fraunhofer IZFP-D<br />
Hentschel, Dieter, Dr.-Ing.<br />
Geschäftsfeld-<br />
Leiter<br />
Tschöpe, Constanze, Dipl.-Inf. wiss. MA<br />
17<br />
– Antragsteller, Projektleiter<br />
– Datenbasen<br />
– Datenaufbereitung<br />
– Experimentierplattform<br />
– Experimente<br />
– Auswertung<br />
Neunübel, Heiko, Dipl.-Ing. (FH) wiss. MA – Experimente<br />
Leppin, Anna Praktikantin – Auswertung<br />
Heil, Cathleen Hiwi – Auswertung<br />
Schulz, Norbert Hiwi – Auswertung<br />
Richter, Christian Hiwi – Auswertung<br />
TU Dresden, Institut <strong>für</strong> Akustik und Sprachkommunikation<br />
Hoffmann, Rüdiger, Prof. Dr.-Ing. habil. Professor – Antragsteller, Projektleiter<br />
Werner, Steffen, Dr.-Ing. wiss. MA<br />
– SVM-Klassifikator<br />
– Experimentierplattform<br />
Strecha, Guntram, Dipl.-Ing. wiss. MA – Merkmalextraktion<br />
– Merkmalextraktion<br />
Wittenberg, Sören, Dipl.-Ing. wiss. MA – HMM-Klassifikator<br />
– Datenbasen<br />
Fehér, Thomas, Dipl.-Ing. wiss. MA – Merkmaltransformation<br />
Duckhorn, Frank, Dipl.-Ing. wiss. MA – Strukturaufdeckung<br />
– HMM-Klassifikator<br />
Eichner, Matthias, Dr.-Ing. wiss. MA<br />
– Merkmalextraktion<br />
– Experimentierplattform<br />
– Datenbasen<br />
– HMM-Klassifikator<br />
– SVM-Klassifikator<br />
Wolff, Matthias, Dr.-Ing. wiss. MA – Strukturaufdeckung<br />
– Experimentierplattform<br />
– Datenbasen<br />
Feig, Christian SHK – <strong>Entwicklung</strong>sumgebung und Datenvisualisierung<br />
Larws, Stephan SHK – <strong>Entwicklung</strong>sumgebung und Datenvisualisierung<br />
Tabelle 1: Beteiligte Wissenschaftler
4 Publikationen<br />
4.1 Publikationen in Fachzeitschriften<br />
Tschöpe, C.; Wolff, M.: A Statistical Approach to Non-Destructive Testing. (In Arbeit)<br />
4.2 Kongressbeiträge<br />
Dieses Projekt (veröffentlicht)<br />
[1] Tschöpe, C.; Hentschel, D.; Wolff, M.; Eichner, M.; Hoffmann, R.: Classification of Non-Speech Acoustic Signals<br />
using Structure Models. Proc. IEEE International Conference On Acoustics, Speech, and Signal Processing<br />
(ICASSP 2004), May 17 – 21, 2004, Montreal, Canada, V-653 – V-656.<br />
[2] Tschöpe, C.: Classification of Non-Speech Acoustic Signals using Structure Models. Jahr der Technik,<br />
Dresden, 8.7.2004.<br />
[3] Tschöpe, C.; Hirschfeld, D.; Hoffmann, R.: Klassifikation technischer Signale <strong>für</strong> <strong>die</strong> Geräuschdiagnose <strong>von</strong><br />
Maschinen und Bauteilen. 4. Symposium „Motor- und Aggregateakustik“ Magdeburg, 15./16.2005. in:<br />
Tschöke, H.; Henze, W. (Hrsg.): Motor- und Aggregateakustik II, expert Verlag, Renningen, 2005.<br />
[4] Cuevas, M.; Wolff, M; Werner, S.; Eichner, M.; Hoffmann, R.: Integration <strong>von</strong> Finite State Transducers in das<br />
UASR-System. ITG-Fachtagung Sprachkommunikation, Kiel, 26.-28.4.2006, in: Berlin/Offenbach: VDE-Verlag<br />
2006=ITG-Fachbericht 192, 4 Seiten.<br />
[5] Hoffmann, R.: Recognition of non-speech acoustic signals. 13 th International Workshop Advances in Speech<br />
Technology (AST), University of Maribor, 5.-7.7.2006. Abstract in: Kacic, Z. (ed.), Advances in Speech<br />
Technology 2006, Proceedings, S. 107.<br />
[6] Hoffmann, R.; Wolff, M.: Klassifikation akustischer Signale. Workshop „Perspektiven eines bioakustischen<br />
Monitoring“, Humboldt-Universität zu Berlin, Institut <strong>für</strong> Biologie, 11.2.2006.<br />
[7] Tschöpe, C.; Wolff, M.: Automatic Decision Making in SHM using Hidden Markov Models. Proc. IEEE 18 th<br />
International Conference on Database and Expert Systems Applications (DEXA 2007), 03.-07.09.2007,<br />
Regensburg, pp 307-311.<br />
Dieses Projekt (eingereicht)<br />
[8] Tschöpe, C.; Duckhorn, F.; Wolff, M.; Hoffmann, R.: Signal Structure Discovery for Acoustic Health<br />
Monitoring.<br />
[9] Wolff, M.; Schubert, R.; Hoffmann, R.; Tschöpe, C.; Schulze, E.; Neunübel, H.: Experiments in Acoustic<br />
Structural Health Monitoring of Airplane Parts. IEEE International Conference On Acoustics, Speech, and<br />
Signal Processing (ICASSP 2008), 30.3.-4.4.2008, Las Vegas, USA.<br />
[10] Wittenberg, S.; Wolff, M.; Hoffmann, R.: Comparison of Statistical Classifiers for Monitoring Rollers.<br />
[11] Strecha, G.; Wolff, M.; Hoffmann, R.: Line Cepstral Quefrencies for HMM-based Speech Recognition.<br />
[12] Wolff, M.: Klassifikation akustischer Signale. DAGA 2008, Dresden.<br />
Folgeprojekte (veröffentlicht)<br />
[13] Eichner, M.; Wolff, M.: Hoffmann, R.: Instrument classification using Hidden Markov Models. 7th International<br />
Conference on Music Infomation Retrieval (ISMIR 2006), Victoria, 8.-12.10.2006, Proceedings, 349-350.<br />
[14] Kordon, U.; Wolff, M.; Hussein, H.: Auswertung <strong>von</strong> Korotkoff-Geräuschsignalen mit Verfahren der<br />
Mustererkennung <strong>für</strong> <strong>die</strong> Blutdruckmessung am aktiven Menschen. DAGA 2006, Braunschweig, 20.-<br />
23.3.2006, in: Tagungsband „Fortschritte der Akustik“, S. 719-720.<br />
[15] Merchel, S.; Hoffmann, R.: Subjective evaluation of musical instruments on the basis of solo pieces of music.<br />
2 nd ISCA/DEGA Workshop on Perceptual Quality of Systems, Berlin, 4.-6.9.2005, Proceedings, S. 68-75.<br />
[16] Wolff, M.; Kordon, U.; Hussein; H.; Eichner, M.; Hoffmann, R.; Tschöpe, C.: Auscultatory Blood Pressure<br />
Measurement using HMMs. Proc. IEEE International Conference on Acoustics, Speech, and Signal<br />
Processing (ICASSP 2007), 12.-20.04.2007, Honolulu, Hawaii, Volume 1, Page(s): I-405 - I-408.<br />
4.3 Buchbeiträge<br />
[17] Hoffmann, R.; Eichner, M.; Wolff, M.: Analysis of Verbal and Non-Verbal Acoustic Signals with the Dresden<br />
UASR System. In: Esposito, A. (Ed.): Verbal and Nonverbal Communication Behaviours, Springer, 2007.<br />
ISBN-13 978-3-540-76441-0.<br />
4.4 Stu<strong>die</strong>n- und Diplomarbeiten, Dissertationen, Habilitationen, Berichte,<br />
sonstige Publikationen<br />
Dieses Projekt<br />
18
[18] Hentschel, D.; Tschöpe, C.; Hoffmann, R.; Eichner, M.; Wolff, M.: Vorrichtung und Verfahren zur Beurteilung<br />
einer Güteklasse eines zu prüfenden Objekts. Deutsches Patentamt, Nr. 10 2004 023 824 B4, Erteilung:<br />
13.7.2006.<br />
[19] Näht, T.: Realisierung eines Algorithmus zur Quellentrennung auf Basis der Independent Component<br />
Analysis, Diplomarbeit, TU Dresden, 2007.<br />
[20] Duckhorn, F.: Optimierung <strong>von</strong> Hidden-Markov-Modellen <strong>für</strong> <strong>die</strong> Sprach- und Signalerkennung, Diplomarbeit,<br />
TU Dresden, 2007.<br />
[21] Hentschel, D.; Hoffmann, R.: <strong>Entwicklung</strong> <strong>von</strong> <strong>Datenanalyseverfahren</strong> <strong>für</strong> <strong>die</strong> <strong>Qualitäts</strong>bewertung technischer<br />
Prozesse, basierend auf spektralen Repräsentationen akustischer Vorgänge. Zwischenbericht zum DFG-<br />
Projekt HE 3656/1 und HO 1674/8-1, Juni 2006, 34 Seiten.<br />
[22] Schubert, R.; Werner, S.: Klassifikation mittels Support-Vektor-Machines (SVM) – ein einführender Überblick,<br />
Institutskolloquium, TU Dresden, 7.12.2005.<br />
[23] Schubert, R.: Domainkategorisierung und –indizierung mit Supportvektormaschinen (SVM). Stu<strong>die</strong>narbeit, TU<br />
Dresden, 2006.<br />
[24] Tschöpe, C.; Neunübel, H.: Machbarkeitsstu<strong>die</strong> zur Prüfung <strong>von</strong> gesinterten Zahnrädern, Abschlussbericht<br />
(Auftraggeber: Miba Sinter Austria GmbH), Fraunhofer IZFP-D, September 2005.<br />
Folgeprojekte<br />
[25] Eichner, M.: Signalverarbeitung <strong>für</strong> ein rotationsbezogenes Messsystem. Forschungsbericht, TU Dresden,<br />
Institut <strong>für</strong> Akustik und Sprachkommunikation, April 2007.<br />
[26] Eichner, M.; Wolff, M.; Hoffmann, R.; Kordon, U.; Ziegenhals, G.: Verfahren und Vorrichtung zur Klassifikation<br />
und Beurteilung <strong>von</strong> Musikinstrumenten. Deutsches Patentamt, Nr. 10 2006 014 507 A1, Erteilung: 20.9.2007.<br />
[27] Merchel, S.: Untersuchungen zur subjektiven und objektiven Bewertung und Beurteilung <strong>von</strong><br />
Musikinstrumenten anhand <strong>von</strong> Solomusikstücken, Diplomarbeit, TU Dresden, 2005.<br />
[28] Kordon, U.; Kürbis, S; Wolff, M.: Nichtinvasive Blutdruckmessung am aktiven Menschen. TU Dresden, Institut<br />
<strong>für</strong> Akustik und Sprachkommunikation, Vortrag (ungedruckt), 7. April 2004.<br />
[29] Kordon, U.; Kürbis, S; Wolff, M.: Nichtinvasive Blutdruckmessung am aktiven Menschen. Forschungsbericht<br />
(Auftraggeber: Gesundheitstechnik Stier), TU Dresden, Institut <strong>für</strong> Akustik und Sprachkommunikation, März<br />
2004.<br />
[30] Hussein, H.; Kordon, U.: Untersuchung <strong>von</strong> Analyseverfahren zur Pulsdetektion in gestörten Korotkov-<br />
Geräuschsignalen. Zwischenbericht zum Projekt „Nichtinvasive Blutdruckmessung am aktiven Menschen“,<br />
Mai 2005, 36 Seiten.<br />
[31] Kordon, U.; Wolff, M.: Verfahren der Mustererkennung zur Pulsdetektion in gestörten Korotkov-<br />
Geräuschsignalen. Forschungsbericht, TU Dresden, 1.4.2006.<br />
[32] Eichner, M.: Beurteilung <strong>von</strong> Musikinstrumenten anhand <strong>von</strong> Solomusikstücken. Zwischenbericht 2005 zum<br />
BMBF-Projekt 03i4745A, 5 Seiten.<br />
[33] Eichner, M.; Ziegenhals, G.: Bewertung und Beurteilung <strong>von</strong> Musikinstrumenten anhand <strong>von</strong><br />
Solomusikstücken. In: Musicon Valley Report, Markneukirchen 2006, S. 14-22.<br />
[34] Löschke, H.: <strong>Entwicklung</strong> einer Methodik zur Differenzierung und Beurteilung <strong>von</strong> Musikinstrumenten anhand<br />
<strong>von</strong> Solomusikstücken. Diplomarbeit, TU Dresden, 2006.<br />
[35] Hübler, S.: Untersuchung zur subjektiven und objektiven Bewertung und Beurteilung <strong>von</strong> Geigen anhand <strong>von</strong><br />
Solomusikstücken. Stu<strong>die</strong>narbeit, TU Dresden, 2006.<br />
5 Literatur<br />
[36] Hentschel, D.; Hoffmann, R.: <strong>Entwicklung</strong> <strong>von</strong> <strong>Datenanalyseverfahren</strong> <strong>für</strong> <strong>die</strong> <strong>Qualitäts</strong>bewertung technischer<br />
Prozesse, basierend auf spektralen Repräsentationen akustischer Vorgänge. Neuantrag zum DFG-Projekt<br />
HE 3656/1 und HO 1674/8-1, 2003.<br />
[37] Strecha, G.; Eichner, M.; Jokisch, O; Hoffmann, R.: Codec Integrated Voice Conversion for Embedded<br />
Speech Synthesis. In Proc. of 9th European Conference on Speech Communication and Technology,<br />
INTERSPEECH, S. 2589–2592, Lissabon, Sep. 2005.<br />
[38] Strecha, G.; Eichner, M; Hoffmann, R.: Line Cepstral Quefrencies and Their Use for Acoustic Inventory<br />
Coding. In Proc. of Interspeech, 8th Annual Conference of the International Speech Communication<br />
Association, S. 2873–2876, Antwerpen, Aug. 2007.<br />
[39] Cuevas, M.; Eichner, M.; Werner, S.; Wolff, M.: Integration <strong>von</strong> Spracherkennung und –synthese unter<br />
Verwendung gemeinsamer Datenbasen. Abschlussbericht zum DFG-Projekt Ho 1674/7, 2005.<br />
[40] Schubert, L.; Kuttner, M.; Frankenstein, B.; Hentschel, D.: Structural Health Monitoring of a rotor blade during<br />
statical load test. In Proc. 18th International Conference on Database and Expert Systems Applications<br />
(DEXA), 2007, S. 297 – 301.<br />
[41] Hentschel, D.; Frankenstein, B.; Pridoehl, E.; Schubert, F.: Hollow Shaft integrated Health Monitoring System<br />
for Railroad Wheels. in: SPIE (Hrsg.): Proceedings of 10th SPIE International Symposium „Nondestructive<br />
Evaluation for Health Monitoring and Diagnostics”. San Diego, California USA, March 2005, paper 5770-6.<br />
[42] Hentschel, D.; Frankenstein, B.; Schubert, F.: Möglichkeiten der akustischen Detektion <strong>von</strong> Rissen in<br />
rollenden Radsätzen 6. Internationale Schienenfahrzeugtagung Dresden 2005.<br />
19
[43] Somervuo, P.: Experiments with linear and nonlinear feature transformations in HMM based phone<br />
recognition. In Proceedings 2000 IEEE International Conference on Acoustics Speech and Signal Processing,<br />
Band 1, S. 52-55, 2003.<br />
[44] Somervuo, P; Chen, B; Zhu, Q.: Feature Transformations and Combinations for Improving ASR Performance.<br />
In Proceedings of EUROSPEECH 2003, Geneva.<br />
[45] Lee, J.-H.; Jung, H.-Y.; Lee T.-W.; Lee, S.-Y.: Speech feature extraction using independent component<br />
analysis. In Proceedings 2000 IEEE International Conference on Acoustics Speech and Signal Processing<br />
(ICASSP 2000), Band 3, S. 1631 - 1634, 2000.<br />
[46] Smyth, P.: Hidden Markov models and neural networks for fault detection in dynamic systems. Neural<br />
Networks for Signal Processing, 6-9 Sept. 1993, Proceedings of the 1993 IEEE-SP Workshop, Page(s): 582-<br />
592.<br />
[47] D. Zhang, Y. Zeng, X. Zhou, Cheng Y.: The pattern recognition of non-destructive testing based on hmm. in<br />
Proc. 4 th World Congre World Congress on Intelligent Control and Automation (Cat. No. 02EX527), 2002, vol.<br />
3, pp. 2198–2202, Piscataway, NJ, USA.<br />
[48] P. Baruah und R. B. Chinnam: „Hmms for diagnostics and prognostics in machining processes,” in Proc. 57th<br />
Meeting of the Society for Machinery Failure Prevention Technology, 2003, pp. 389–398, Virginia Beach,<br />
USA.<br />
[49] A. R. Taylor und S. R. Duncan: „A comparison of techniques for monitoring process faults,” in Proc. Conf.<br />
Control Systems, 2002, pp. 323–327, Stockholm, SE.<br />
[50] H. Y. K. Lau: „A hidden markov model-based assembly contact recognition system,” Mechatronics, vol. 13(8-<br />
9), pp. 1001–1023, 2003, ISSN 0957-4158.<br />
[51] Xiaodong Zhang, Xu, R., Chiman Kwan, Liang, S. Y., Quilin Xie, Haynes, L.: An integrated approach to<br />
bearing fault diagnostics and prognostics. In Proc. American Control Conference, Bd. 4, S. 2750-2755, 2005.<br />
[52] Roshan Rammohan et al.: "Exploratory Investigations for Intelligent Damage Prognosis using Hidden Markov<br />
Models". In Proc. IEEE Int’l Conference on Systems, Man and Cybernetics, Bd. 2, S. 1524-1529, 2005.<br />
[53] Kothamasu et al.: "Comparison of Selected Model Evaluation Criteria for Maintenance Applications", In<br />
Structural Health Monitoring; 3: 213-224, 2004.<br />
[54] Qiang Miao et al.: "A Novel Hybrid System with Neural Networks and Hidden Markov Models in Fault<br />
Diagnosis". In Proc. MICAI: Advances in Artificial Intelligence, S. 513-521, 2006.<br />
[55] Ming Dong et al.: "Equipment health diagnosis and prognosis using hidden semi-Markov models", 2006<br />
[56] Qiang Miao et al.: "Condition monitoring and classification of rotating machinery using wavelets and hidden<br />
Markov models". In: Mechanical Systems and Signal Processing, Bd. 21, Ausgabe 2, S. 840-855, 2007.<br />
[57] Ocak, H.; K. A. Loparo K. A.; Discenzo, F. M.: “Online tracking of bearing wear using wavelet packet<br />
decomposition and probabilistic modeling: A method for bearing prognostics”. In Journal of Sound and<br />
Vibration, Band 302, Ausgabe 4-5, 22. Mai 2007, S. 951-961.<br />
20
6 Anhänge<br />
Anhang A – Erfüllung des Arbeitsplans<br />
Anhang B – Übersicht der erstellten Datenbasen<br />
Anhang C – Übersicht der experimentellen Untersuchungen<br />
Anhang D – Übersicht Merkmalextraktionsverfahren<br />
Anhang E – Übersicht Strukturaufdeckungsverfahren<br />
Anhang F – Protokolle Statusseminare<br />
21
Anhang A – Erfüllung des Arbeitsplans<br />
Halbjahr<br />
1. Halbjahr<br />
2. Halbjahr<br />
3. Halbjahr<br />
4. Halbjahr<br />
Halbjahr<br />
5. Halbjahr<br />
6. Halbjahr<br />
Arbeitspakete<br />
I. Qu.<br />
II. Qu.<br />
I. Qu.<br />
II. Qu.<br />
I. Qu.<br />
II. Qu.<br />
I. Qu.<br />
II. Qu.<br />
Arbeits-<br />
pakete<br />
I. Qu.<br />
II. Qu.<br />
I. Qu.<br />
II. Qu.<br />
AP 1<br />
<strong>Entwicklung</strong><br />
<strong>von</strong><br />
Klassifikationsverfahren<br />
Merkmalextraktion �<br />
• Spektraltransformation ����<br />
• Cepstrale Merkmale ����<br />
• LPC Koeffizienten ����<br />
Verfahrensentwicklung zur<br />
Merkmalkompression ����<br />
1. Evaluierungsrunde,<br />
Statusseminar A ����<br />
• Akustisches Modell ����<br />
• Deko<strong>die</strong>rung ����<br />
• Abstandsklassifikator ����<br />
2. Evaluierungsrunde,<br />
Statusseminar B ����<br />
AP 1<br />
Modellierung und<br />
Klassifikation mittels<br />
Support Vector Machines<br />
SVM-Klassifikation<br />
• SV-Abstandsoptimierung<br />
(����)<br />
• Kernel Learning ��<br />
• SV-Regression ��<br />
Merkmalextraktion<br />
Anpassung aus AP1-Hj.1/2 ����<br />
Implementierung des<br />
Verfahrens<br />
����<br />
AP 2<br />
<strong>Entwicklung</strong> <strong>von</strong><br />
Methoden zum<br />
automatischen Anlernen<br />
Merkmalstatistik<br />
PCA ���� / LDA (����)�<br />
Automatische<br />
Strukturaufdeckung<br />
• Konzeption ����<br />
• Prototypische<br />
Implementation des<br />
Trainingsverfahrens ����<br />
• Überprüfung der Eignung<br />
des Verfahrens an<br />
─ Zahnrädern ����<br />
─ Ventilen ���� /<br />
Schaltschützen ��<br />
─ Flugzeug-<br />
Rumpfschalen (����)�<br />
• Problemspezifische<br />
Anpassungen unter<br />
Beibehaltung der<br />
Allgemeingültigkeit ����<br />
AP 2<br />
Modellierung und<br />
Klassifikation mittels<br />
Finite State Transducers<br />
FST-Klassifikation<br />
• FSM-Klassifikator ����<br />
• FSM-Strukturlernen <strong>für</strong><br />
− Grammatik über<br />
akustische Symbole ����<br />
− Sensorfeldmodelle (����)�<br />
• Anpassung FSM-<br />
Algorithmen ����<br />
Merkmalextraktion<br />
Anpassung aus AP1-Hj.1/2 ����<br />
Implementierung des<br />
Verfahrens<br />
����<br />
Gesamtevaluierung aller getesteten<br />
Klassifikationsverfahren und Anwendungsbereiche<br />
����<br />
22<br />
AP 3<br />
Implementierung,<br />
Experimente,<br />
Erprobung<br />
Konzeptionierung,<br />
Strukturierung,<br />
Messaufbau,<br />
Generierung der Daten ����<br />
Implem<br />
entieru<br />
ng des<br />
Verfahre<br />
ns aus<br />
AP 1<br />
und<br />
AP 2 ����<br />
Experimentel<br />
ler Nachweis<br />
in den<br />
Bereichen<br />
aus Hj.2-4 ����<br />
Experimenteller<br />
Nachweis im<br />
Bereich<br />
Produktionsüberwa<br />
chung ����<br />
Experimenteller<br />
Nachweis im<br />
Bereich<br />
Lebensdaueranaly<br />
se ����<br />
Experimenteller<br />
Nachweis im<br />
Bereich<br />
Zustandsüberwach<br />
ung ����<br />
AP 3<br />
Experimente,<br />
Erprobung<br />
Generierung<br />
<strong>von</strong> akust.<br />
Daten aus<br />
Rumpfschale<br />
n ����<br />
Experimenteller Nachweis<br />
im Bereich<br />
Rumpfschalenüberwachung<br />
����<br />
3. Evaluierungsrunde<br />
Statusseminar C<br />
����<br />
Tabelle 2: Arbeitspläne aus Neu- und Fortsetzungsantrag. Die Markierungen zeigen den Status der<br />
Arbeitsaufgaben zum 15.12.2007.<br />
Legende: � – planmäßig bearbeitet, (�) – eingeschränkt oder modifiziert bearbeitet, � - nicht bearbeitet
Kommentare zu Tabelle 2<br />
� Es wurden viele zusätzliche Merkmalextraktionsverfahren untersucht (siehe Anhang C).<br />
� Anstelle der LDA wurde <strong>die</strong> ICA (independent component analysis) untersucht.<br />
� Es wurden keine verwertbaren Daten <strong>für</strong> Schaltschütze erhalten.<br />
� Mittels Strukturaufdeckung wurde <strong>für</strong> Flugzeugbauteile keine Verbesserungen der Klassifikationsergebnisse<br />
erhalten.<br />
� Die Versuche mit herkömmlichen Mehrklassen-L2-SVMs mit linearem Kern erbrachten so gute Ergebnisse,<br />
dass keine komplizierteren Ansätze verfolgt werden mussten.<br />
� ersetzt durch Sensorfusionsverfahren (siehe 3.3.3 und [9])<br />
23
Prüfobjekt<br />
Datenbasis<br />
(UASR-<br />
Code)<br />
Datum<br />
DFG-Projekt „<strong>Datenanalyseverfahren</strong>“<br />
Zahnräder<br />
Ventile<br />
Flugzeugbauteile<br />
Anzahl<br />
Signale<br />
Signallänge<br />
Anzahl<br />
Sensore<br />
n<br />
Anzahl<br />
Messstrecken<br />
Anregungs-<br />
signale<br />
Abtastfrequenz<br />
[MS/s]<br />
Frequenz<br />
-bereich<br />
[kHz]<br />
Datenmenge<br />
Messaufgabe<br />
izfp/cwt1875 1592 65 ms 2 2 Sinc 0,5 0-100 53 MB Gut-/Schlechtanalyse<br />
izfp/cwt1937<br />
2001 -<br />
2003 1240 69 ms 2 2 Sinc 0,25 0-100 41 MB<br />
Gut-/Schlechtanalyse<br />
(602 Gutteile, 18 Schlechtteile)<br />
izfp/mfv1 08/2003 - 12000 32 ms 1 1 (passiv) 0,25 0-100 3,4 GB Lebensdaueranalyse <strong>von</strong> 8 Ventilen<br />
izfp/mfv2 01/2007 100000 63 ms 1 1 (passiv) 0,25 0-100 54,8 GB Lebensdaueranalyse <strong>von</strong> 8 Ventilen<br />
izfp/als<br />
(Alupulatte)<br />
izfp/cfk<br />
(CFk-Platte)<br />
12/2004 -<br />
01/2005<br />
03/2007 -<br />
08/2007<br />
AIF-Projekt „Fehlerfrüherkennung an Spinnmaschinen“<br />
Textilmaschinen<br />
aif/AP03<br />
(Strecke)<br />
aif/AP09<br />
(Strecke)<br />
Bmbf-Projekt „Musicon Valley“<br />
Musikinstrumente ifm<br />
Industrieprojekte<br />
Zahnräder<br />
Eisenbahnräder izfp/rs<br />
Blutdruckmessung knbp<br />
01/2007 -<br />
heute<br />
01/2005 -<br />
12/2006<br />
532000 0,5 ms 8 56 Rickers 6,25 0-600 4,12 GB<br />
924000 1 ms 12 132 RCn, Sinc 4,16 0-500 31 GB<br />
6350 100 ms 1 1 (passiv) 0,625 0-300 794 MB<br />
2150 100 ms 1 1 (passiv) 0,625 0-300 269 MB<br />
Zustandsüberwachung in 38 Zuständen<br />
(1 Gutzustand, 37 Beschädigungszustände)<br />
Zustandsüberwachung mit 8 Zuständen<br />
(3 Gutzustände, 5 Beschädigungszustände)<br />
Zustandsüberwachung mit 6 Walzen<br />
(2 neu, 3 gebraucht, 1 beschädigt)<br />
Zustandsüberwachung mit 6 Walzen<br />
(2 neu, 3 gebraucht, 1 beschädigt)<br />
2140 variabel 1 1 (passiv) 0,016 0-8 2,1 GB Gütebeurteilung anhand <strong>von</strong> Solostücken<br />
izfp/miba1 324 32 ms 2 2 Chirp 0,25/0,5 0-100 118 MB<br />
07/2005 -<br />
04/2006<br />
izfp/miba2<br />
466 32 ms 2 2 Sinc 0,25/0,5 0-100 170 MB<br />
06/2006 -<br />
02/2007<br />
10/2004 -<br />
06/2005<br />
Tabelle 3 Übersicht über Signaldatenbasen aus <strong>die</strong>sem Projekt und Folgeprojekten<br />
Gut-/Schlechtanalyse<br />
(126 Gutteile, 36 Schlechtteile)<br />
Gut-/Schlechtanalyse<br />
(213 Gutteile, 20 Schlechtteile)<br />
13608 variabel 8 8 (passiv) 1 0-500 ≈ 10 GB Zustandsüberwachung<br />
470 ≈ 30 s 1 1 (passiv) 0,008 0-0,5<br />
215,1<br />
MB<br />
nichtinvasive Blutdruckmessung<br />
Anhang B – Übersicht der erstellten Datenbasen
1)<br />
linear und nicht linear skalierte Filterbanken mit 24-32 Kanälen<br />
2)<br />
berechnet aus dem Filterbank-Spektrum, aus dem Zeitsignal durch UELS (Unbiased Estimator of Log-<br />
Spectrum) und aus den LPC-Koeffizienten (Levinson, Burg)<br />
3)<br />
berechnet durch Levinson-Durbin-Rekursion sowie durch den Algorithmus <strong>von</strong> Burg<br />
4)<br />
es wurden keine verwertbaren Ergebnisse erhalten<br />
Prüfobjekt<br />
Datenbasis<br />
(UASR-<br />
Code)<br />
Filter-<br />
bank 1)<br />
DFG-Projekt „<strong>Datenanalyseverfahren</strong>“<br />
Zahnräder<br />
Ventile<br />
Flugzeugbauteile<br />
HMM-Klassifikator (FSM basiert)<br />
25<br />
SVM-Klassifikator<br />
Merkmakextraktion Merkmalkompr. Strukturaufdeckung Sensorfusion Merkmalaxtr. Sensorfusion<br />
Cepst-<br />
rum 2)<br />
LPC<br />
3)<br />
LSF<br />
3)<br />
LCQ<br />
2)<br />
spe-<br />
zielle<br />
izfp/cwt1875 �<br />
PCA ICA4) ein-<br />
fach<br />
Kan-<br />
ten<br />
Pfa-<br />
de<br />
Mit-<br />
telg.<br />
Meta-<br />
klass<br />
ohne Filter-<br />
bank<br />
izfp/cwt1937 � � � � � � � � � �<br />
izfp/mfv1 � � � �<br />
izfp/mfv2 � � � � �<br />
izfp/als<br />
(Alupulatte)<br />
izfp/cfk<br />
(CFk-Platte)<br />
AIF-Projekt „Fehlerfrüherkennung an Spinnmaschinen“<br />
Textilmaschinen<br />
aif/AP03<br />
(Strecke)<br />
aif/AP09<br />
(Strecke)<br />
Bmbf-Projekt „Musicon Valley“<br />
Mit-<br />
telg.<br />
� � � � � � � �<br />
� � � � � � � �<br />
� � � � � �<br />
� � � � � �<br />
Musikinstrumente ifm � � � �<br />
Industrieprojekte<br />
Zahnräder<br />
izfp/miba1 � � (�)<br />
izfp/miba2 � � (�)<br />
Eisenbahnräder izfp/rs � � �<br />
Blutdruckmessun<br />
g<br />
Tabelle 4 Übersicht der durchgeführten Experimente<br />
knbp � � � �<br />
Meta-<br />
klass<br />
Anhang C – Übersicht der experimentellen Untersuchungen
Anhang D – Übersicht Merkmalextraktionsverfahren<br />
Abbildung 11: Merkmalextraktionsverfahren und deren Abhängigkeiten untereinander. Das gezeigte Schema<br />
wurde im Kontext der Sprachverarbeitung entwickelt und <strong>für</strong> <strong>die</strong>ses Projekt übernommen. Für <strong>die</strong> Klassifikation<br />
technischer Signale sind <strong>die</strong> mel-skalierten Varianten nicht <strong>von</strong> Bedeutung. Die Mel-Filterbank kann jedoch hier<br />
durch eine problemspezifisch angepasste Filterbank ersetzt werden. Experimentell bewährt haben sich linear und<br />
nicht linear skalierte Filterbanken mit 24 bis 32 Kanälen.<br />
Konkret wurden <strong>die</strong> folgenden 16 Merkmalextraktionsverfahren implementiert und mit technischen Signalen<br />
getestet:<br />
- Filterbank-Spektrum,<br />
- Log-FFT-Spektrum,<br />
- LPC (linear predictive coding) - 2 Varianten: Levinson-Durbin-Rekursion / Algorithmus <strong>von</strong> Burg,<br />
- LSF (line spectral frequencies) - 2 Varianten: siehe LPC,<br />
- Cepstrum - 5 Varianten: aus Log-FFT-Spektrum / aus Filterbank-Spektrum / aus Zeitsignal durch<br />
unbiased estimator of log-spectrum (UELS) / aus LPC-Koeffizienten (2 Varianten, s. LPC),<br />
- LCQ (line cepstral quefrencies) - 5 Varianten: siehe Cepstrum
Verfahrensbezeichnung<br />
Anzahl der<br />
betroffenen<br />
Pfade<br />
„einfache“ Verfahren<br />
split keine<br />
hmm einige neue<br />
Kantenpruningverfahren<br />
prun<br />
(Bewertung)<br />
prunNE<br />
(Bewertung)<br />
uprc<br />
(Benutzung)<br />
uprcN<br />
(Benutzung)<br />
sehr viele<br />
entfernt<br />
(-)<br />
sehr viele<br />
entfernt<br />
(-)<br />
mäßig viele<br />
entfernt<br />
(+)<br />
mäßig viele<br />
entfernt<br />
(+)<br />
Pfadpruningverfahren<br />
bestn<br />
(Bewertung)<br />
bestnlen<br />
(Bewertung)<br />
usedpath<br />
(Benutzung)<br />
usedpathN<br />
(Benutzung)<br />
viele<br />
entfernt<br />
(o)<br />
viele<br />
entfernt<br />
(o)<br />
viele<br />
entfernt<br />
(o)<br />
viele<br />
entfernt<br />
(o)<br />
Veränderung<br />
der Anzahl der<br />
Parameter<br />
starke<br />
Erhöhung<br />
(-)<br />
geringe<br />
Erhöhung<br />
(o)<br />
sichere<br />
Reduzierung<br />
(+)<br />
vorherbestimmbare<br />
Reduzierung<br />
(++)<br />
sichere<br />
Reduzierung<br />
(+)<br />
vorherbestimmbare<br />
Reduzierung<br />
(++)<br />
je nach<br />
Pfadanzahl<br />
(-)<br />
je nach<br />
Pfadanzahl<br />
(-)<br />
je nach<br />
Pfadanzahl<br />
(-)<br />
je nach<br />
Pfadanzahl<br />
(-)<br />
Mögliche<br />
Zerstörung<br />
des Graphen<br />
nein<br />
(+)<br />
nein<br />
(+)<br />
ja<br />
(- -)<br />
nein<br />
(+)<br />
nein<br />
(+)<br />
nein<br />
(+)<br />
nein<br />
(+)<br />
nein<br />
(+)<br />
nein<br />
(+)<br />
nein<br />
(+)<br />
Graphverlängerung<br />
(kürzester Pfad)<br />
nein<br />
(o)<br />
nein<br />
(o)<br />
sehr selten<br />
(+)<br />
sehr selten<br />
(+)<br />
selten<br />
(+)<br />
selten<br />
(+)<br />
praktisch nein<br />
(o)<br />
ja, unabhängig<br />
<strong>von</strong> Daten<br />
(- -)<br />
abhängig <strong>von</strong><br />
Daten<br />
(++)<br />
abhängig <strong>von</strong><br />
Daten<br />
(++)<br />
Graphvergrößerung<br />
(Komplexität)<br />
Strukturveränderung<br />
Direkte Abhängigkeit<br />
<strong>von</strong> Größe der<br />
<strong>Entwicklung</strong>sdatenmenge<br />
Tabelle 5 Übersicht der entwickelten und getesteten Strukturaufdeckungsverfahren sowie prinzipieller Eigenschaften (aus [20]). Alle Verfahren adaptieren den<br />
„versteckten“ endlichen Automaten beim Training <strong>von</strong> Hidden-Markov-Modellen<br />
kaum<br />
(o)<br />
ja<br />
(o)<br />
keine<br />
(++)<br />
keine<br />
(++)<br />
keine<br />
(++)<br />
keine<br />
(++)<br />
mitunter stark<br />
(-)<br />
mitunter stark<br />
(-)<br />
mitunter sehr<br />
stark<br />
(- -)<br />
mitunter stark<br />
(-)<br />
nicht prinzipiell<br />
(o)<br />
gering<br />
(-)<br />
gering<br />
(-)<br />
gering<br />
(-)<br />
gering<br />
(-)<br />
gering<br />
(-)<br />
stark<br />
(+)<br />
stark<br />
(+)<br />
stark<br />
(+)<br />
stark<br />
(+)<br />
(nicht benötigt)<br />
(nicht benötigt)<br />
nein<br />
(+)<br />
nein<br />
(+)<br />
ja<br />
(- -)<br />
nein<br />
(+)<br />
nein<br />
(+)<br />
nein<br />
(+)<br />
ja<br />
(- -)<br />
nein<br />
(+)<br />
Anhang E – Übersicht Strukturaufdeckungsverfahren
Anhang F – Protokolle Statusseminare<br />
Protokoll <strong>für</strong> das 1. Statusseminar zum DFG-Projekt „<strong>Datenanalyseverfahren</strong>“ HO 1674/8<br />
Am 8. Dezember 2004 fand am Institut <strong>für</strong> Akustik und Sprachkommunikation der TU Dresden das 1.<br />
Statusseminar statt.<br />
Im Rahmen <strong>die</strong>ses Seminars gab es folgende Tagesordnungspunkte:<br />
1. Prof. R. Hoffmann (TU Dresden) – Eröffnung und Einführung<br />
2. Dr. D. Hentschel (FhG IZFP-D) - Ausgewählte Aspekte des Akustischen Monitoring<br />
3. Dr. M. Wolff (TU Dresden) - Training und Erkennung<br />
4. Dipl.-Inf. C. Tschöpe (FhG IZFP-D) - Experimente und bisherige Ergebnisse<br />
5. Dipl.-Ing. S. Werner (TU Dresden) – Projektstatus<br />
6. Diskussion<br />
Am Statusseminar nahmen insgesamt 16 Mitarbeiter beider Einrichtungen teil.<br />
1. Prof. Hoffmann:<br />
− Vorstellung der Ziele des gemeinsamen Projekts und der bisherigen Erkenntnisse:<br />
• Erweiterung der Bearbeitung anderer technischer Signale durch Kooperation<br />
• Angleichung unterschiedlicher Terminologien in beiden Fachbereichen durch Zusammenarbeit<br />
• gegenseitige Nutzung der Erkenntnisse<br />
→ interdisziplinäre Zusammenarbeit<br />
2. Dr. Hentschel:<br />
− Vorstellung der im IZFP verwendeten Ultraschalltechniken<br />
− Erläuterung der Aufgabengebiete der Zerstörungsfreien Prüfung, <strong>die</strong> am IZFP-D mit akustischen Methoden<br />
durchgeführt werden<br />
3. Dr. Wolff:<br />
− Darlegung und Erläuterung des verwendeten Trainings- und Klassifikationsverfahrens<br />
− Erläuterung der Strukturaufdeckung, Analysefilter und Graphensuche<br />
4. Dipl.-Inf. Tschöpe:<br />
− Vorstellung der Bereiche, aus denen Experimente stammen<br />
− Erläuterung der Versuchsaufbauten und Experimente sowie Vorstellung der Ergebnisse<br />
5. Dipl.-Ing. Werner:<br />
− Vorstellung des Arbeitsplans, der darin enthaltenen Arbeitspakete und Kennzeichnung des aktuellen<br />
Projektstatus<br />
− Projektstatus ist gut<br />
− Benennung der ausstehenden Arbeiten<br />
− Vorstellung der bisherigen Veröffentlichungen<br />
− Termine, u. a. Publikation in wissenschaftlicher Zeitung<br />
6. Diskussion:<br />
− Herausstellung der erfolgreichen bisherigen Zusammenarbeit beider Projektpartner<br />
− Anstreben einer weiterführenden Zusammenarbeit<br />
− Erarbeitung der Schwerpunkte der wissenschaftlichen Fragestellung <strong>für</strong> das 3. Jahr<br />
• Finite State Transducers<br />
• Erweiterung Flugzeugplatte<br />
• Implementierung in Industrieprojekten (z. B. Zahnräder)
Protokoll <strong>für</strong> das 2. Statusseminar zum DFG-Projekt „<strong>Datenanalyseverfahren</strong>“ HO 1674/8<br />
Am 9. Februar 2007 fand am Institut <strong>für</strong> Akustik und Sprachkommunikation der TU Dresden das 2. Statusseminar<br />
statt.<br />
Im Rahmen <strong>die</strong>ses Seminars gab es folgende Tagesordnungspunkte:<br />
1. Prof. R. Hoffmann (TU Dresden) – Eröffnung und Einführung<br />
2. Dr. M. Wolff (TU Dresden) – aktueller Stand des Arbeitsplanes<br />
3. Dr. Hentschel (FhG IZFP-D) – Messungen an Flugzeugteilen<br />
4. Dipl.-Ing. G. Strecha (TU Dresden) – Merkmalextraktion<br />
5. Dipl.-Ing. T. Feher (TU Dresden) – ICA zur Merkmaltransformation<br />
6. Dipl.-Ing. S. Werner (TU Dresden) – SVM-Klassifikatoren<br />
7. Dr. M. Wolff (TU Dresden) – FST-Klassifikatoren<br />
8. Dipl.-Inf. C. Tschöpe (FhG IZFP-D) – Experimente<br />
9. Diskussion und Festlegungen<br />
Am Statusseminar nahmen insgesamt 7 Mitarbeiter beider Einrichtungen teil.<br />
1. Prof. R. Hoffmann:<br />
− Einführung und Diskussion:<br />
• Besprechung der Experimente und Einsatzszenarien<br />
• Diskussion um Verwendung der ICA anstelle der LDA<br />
• Weiterverfolgung der SVMs in Zusammenhang mit FSMs<br />
2. Dr. Wolff:<br />
− Erläuterung des Arbeitsplanes<br />
− Gegenüberstellung bisher erbrachter Leistungen und noch offener Punkte<br />
3. Dr. Hentschel:<br />
− Keine Nutzung <strong>von</strong> Rumpfschalen <strong>für</strong> Experimente, sondern gerade Flächen<br />
− Experimente mit gerader Platte, also einfacherem Fall, da gekrümmte Flächen schwieriger sind<br />
→ Festlegung: Messungen und Experimente mit CFK-Platte<br />
4. Dipl.-Ing. Strecha:<br />
− Gegenüberstellung verschiedener Verfahren zur Merkmalextraktion: LPC/LSF/Cepstrum<br />
− Methoden zur Berechnung der LPC-Koeffizienten<br />
5. Dipl.-Ing. Feher:<br />
− Vorstellung der ICA als Verfahren zur Merkmaltransformation<br />
− Besprechung der geplanten Experimente<br />
6. Dipl.-Ing. Werner:<br />
− Einsatz <strong>von</strong> SVM-Klassifikatoren<br />
− Besprechung der durchzuführenden Experimente<br />
7. Dr. Wolff:<br />
− Anwendungen <strong>von</strong> FST-Klassifikatoren<br />
8. Dipl.-Inf. Tschöpe:<br />
− Vorstellung der bisherigen Ergebnisse: Prüfung <strong>von</strong> Zahnrädern und Ventilen<br />
− Vorhaben: Rissfindung an CFK-Platte<br />
9. Festlegungen:<br />
− Anzustrebende Veröffentlichungen:<br />
• Zeitschriftenartikel<br />
• mind. 1 Präsentation auf der ICASSP 2008 in Las Vegas<br />
• 1 Präsentation auf der Interspeech 2007 in Antwerpen<br />
29
Protokoll <strong>für</strong> das 3. Statusseminar (Abschlussseminar) zum DFG-Projekt „<strong>Datenanalyseverfahren</strong>“ HO<br />
1674/8<br />
Am 7. Dezember 2007 fand am Institut <strong>für</strong> Akustik und Sprachkommunikation der TU Dresden das<br />
Abschlussseminar statt.<br />
Im Rahmen <strong>die</strong>ses Seminars gab es folgende Tagesordnungspunkte:<br />
1. Prof. R. Hoffmann (TU Dresden) – Eröffnung und Einführung<br />
2. Dr. M. Wolff (TU Dresden) – Projektstand<br />
3. Dipl.-Inf. C. Tschöpe (FhG IZFP-D) – Datenbasen<br />
4. Dipl.-Ing. G. Strecha (TU Dresden) – Merkmalextraktionsverfahren<br />
5. Dipl.-Ing. T. Feher (TU Dresden) – Merkmaltransformationsverfahren<br />
6. Dipl.-Ing. S. Wittenberg (TU Dresden) – Experimente mit Textilmaschinendaten<br />
7. Dipl.-Ing. F. Duckhorn (TU Dresden) – Strukturaufdeckungsverfahren<br />
8. Dr. Wolff (TU Dresden) – HMM und SVM-Klassifikatoren<br />
9. Prof. R. Hoffmann (TU Dresden) – Schlusswort<br />
Am Statusseminar nahmen insgesamt 9 Mitarbeiter beider Einrichtungen teil.<br />
1. Prof. R. Hoffmann:<br />
− Einführung<br />
2. Dr. Wolff:<br />
− Vorstellung des Projektstands anhand des Arbeitsplanes<br />
− sehr erfreulicher Realisierungsgrad<br />
− kurze Vorstellung der auf Basis der Ergebnisse des DFG-Projekts realisierten und akquirierten Folgeprojekte<br />
− Aufzählung der Veröffentlichungen, Forschungsberichte, wissenschaftlichen Arbeiten und Patente<br />
3. Dipl.-Inf. Tschöpe:<br />
− Überblick der durchgeführten Experimente<br />
− Vorstellung der kompletten Datenbasis aller Experimente<br />
− Zusammenfassung der Resultate <strong>für</strong> <strong>die</strong> Zahnrad-, Ventilprüfung und Auswertung der Flugzeugdaten<br />
4. Dipl.-Ing. Strecha:<br />
− Zusammenfassung über <strong>die</strong> Verfahren zur Merkmalanalyse<br />
− Vorstellung der Ergebnisse zu den Experimenten mit LPC/LSF/Cepstrum/LCQ-Verfahren anhand der<br />
Zahnradprüfung<br />
5. Dipl.-Ing. Feher:<br />
− Gegenüberstellung PCA und ICA<br />
− Vorstellung der verwendeten Verfahren zur ICA und deren Ergebnisse<br />
→ keine Verbesserung durch ICA<br />
− Analyse der Ergebnisse<br />
6. Dipl.-Ing. Wittenberg:<br />
− Merkmalextraktion <strong>für</strong> <strong>die</strong> Klassifikation <strong>von</strong> Textilmaschinendaten<br />
− Erläuterung der Problematik<br />
− Vorstellung der Ergebnisse zu den Experimenten mit LPC/LSF/Cepstrum/LCQ-Verfahren anhand der<br />
Walzenprüfung<br />
7. Dipl.-Ing. Duckhorn:<br />
− Motivation der Strukturaufdeckung<br />
− Vorstellung und Bewertung der betrachteten Verfahren<br />
− Strukturaufdeckung anhand der Ventilprüfung<br />
→ Verbesserung der Ergebnisse<br />
8. Dr. Wolff:<br />
− Vergleich <strong>von</strong> HMM- und SVM-Klassifikatoren<br />
− Ergebnisse der Experimente mit der CFK-Platte<br />
• Deutliche Trennung der einzelnen Zustände<br />
• Gefahr <strong>von</strong> Klassifikationsfehlern durch Überanpassung der Modelle<br />
30
• Untersuchung <strong>die</strong>ser Fehler notwendig<br />
• Evtl. Notwendigkeit einer Modelladaption<br />
9. Prof. Hoffmann:<br />
− Zusammenfassung<br />
− Dank an <strong>die</strong> Projektmitarbeiter<br />
− Herausstellung der guten und umfangreichen Ergebnisse des Projekts und der vollständigen Bearbeitung der<br />
Punkte des Arbeitsplans<br />
→ Positiver Projektabschluss<br />
− Ziel: Beantragung eines Transferprojekts gemeinsam mit Dr. Hentschel<br />
→ spezielle Form des Abschlussberichts<br />
31