Entwicklung von Datenanalyseverfahren für die Qualitäts - IAS ...

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