Entwicklung von Datenanalyseverfahren für die Qualitäts - IAS ...

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