Entwicklung von Datenanalyseverfahren für die Qualitäts - IAS ...
Entwicklung von Datenanalyseverfahren für die Qualitäts - IAS ...
Entwicklung von Datenanalyseverfahren für die Qualitäts - IAS ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
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