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.
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