Entwicklung von Datenanalyseverfahren für die Qualitäts - IAS ...

─ Produktionsüberwachung (sintermetallurgische Zahnräder) ca. 94 MB
─ Lebensdaueranalyse (Magnetventile) ca. 58 GB
─ Zustandsüberwachung (Flugzeugbauteile) ca. 35 GB
Im Rahmen von Folgeprojekten wurden weitere Datenbasen zur akustischen Diagnose beweglicher Teile an
Textilmaschinen (ca. 1 GB), zur Qualitätsbeurteilung von Musikinstrumenten (ca. 2 GB), zur Ausschussprüfung
weiterer Zahnräder (ca. 800 MB), zur akustischen Überwachung von Eisenbahnrädern (ca. 10 GB) sowie zur nichtinvasiven
Blutdruckmessung (ca. 200 MB) erstellt, welche im Rahmen dieses Projekts zum Test und zur
Optimierung der Algorithmen genutzt werden konnten. Insgesamt stehen nunmehr Datenbasen im Umfang von
mehr als 100 GB zur dauerhaften Verfügung. Tabelle 3 im Anhang B enthält weitere Details.
3.2.2 Merkmalextraktion, –kompression und –statistik
Für die statistischen Signalklassifikationsverfahren, deren Anwendung für technische Signale Gegenstand des
Projekts war, ist die Umwandlung der Messsignale in Folgen von Merkmalvektoren notwendig. Ursprünglich sollten
spektrale Merkmale, Cepstrum und LPC auf ihre Eignung für die verschiedenen Anwendungsszenarien untersucht
werden. Die Ausnutzung von Synergien mit anderen Projekten erlaubte die Untersuchung einer wesentlich
breiteren Palette von 16 verschiedenen Merkmalextraktionsverfahren. Neben den geplanten sind dies unter
anderem line spectral frequency (LSF) und line cepstral quefrency (LCQ) Koeffizienten. Details zu den Verfahren
sind Abbildung 11 im Anhang D, eine Übersicht der durchgeführten Experimente Tabelle 4 in Anhang C zu
entnehmen. Die Berechnung der LCQ-Koeffizienten sowie die direkte nicht lineare Skalierung der LSF- und LCQ-
Koeffizienten stellen dabei eine Neuheit dar, welche auch außerhalb des Projektes erfolgreich Anwendung fanden
[37][38]. Einige wichtige Ergebnisse werden in Abschnitt 3.3 vorgestellt.
Nach der Merkmalextraktion wird bei statistischen Klassifikationsverfahren oft eine Merkmaltransformation (mit dem
Ziel einer Dimensionsreduktion der Merkmale) durchgeführt. In diesem Projekt wurde mit Standardverfahren wie
Vektorstandardisierung, Berechnung von Differenzmerkmalen und Hauptkomponentenanalyse (HKA) experimentiert.
Als weiteres Verfahren sollte die lineare Diskriminanzanalyse (LDA) untersucht werden. Da letztere nicht „rein“
statistisch ist, sondern die Klassifikation vorweg nimmt, wurden, unter anderem im Rahmen einer Diplomarbeit [19],
umfangreiche Experimente mit der rein statistischen independent component analysis (ICA) durchgeführt. Leider
konnte hiermit selbst nach problemspezifischen Anpassungen der Standardalgorithmen keine Verbesserung der
Klassifikationsleistung gegenüber der Hauptkomponentenanalyse erreicht werden. Die Schwierigkeit liegt nicht in der
ICA selbst, sondern im Finden eines geeigneten Auswahlkriteriums für Dimensionsreduktion im Bildraum der
Transformation (siehe dazu auch [43][44][45]). An dieser Stelle besteht weiterer Forschungsbedarf.
3.2.3 Strukturaufdeckung, Modellierung und Klassifikation mit endlichen Automaten (FST)
Im Neuantrag wurde die Anwendung von Hidden-Markov-Modellen (HMM) für die Klassifikation technischer Signale
vorgeschlagen, welche im Vorfeld am Institut für Akustik und Sprachkommunikation für die Spracherkennung
verwendet wurden. Eine Herausforderung dieses Projekts war die, im Gegensatz zu Sprachlauten, nicht a priori
bekannte symbolische Struktur der vielfältigen zu untersuchenden technischen Signale. Um eine größtmögliche
Flexibilität der Algorithmen zu erreichen, wurden im Rahmen des Projekts alle HMM-basierenden Verfahren
konsequent unter Verwendung von finite state transducers (FST) als „versteckte“ Automaten ausgeführt, deren
Eingabesymbole Normalverteilungen (welche akustische „Elementarereignisse“ beschreiben) und deren
Ausgabesymbole Signalklassen (z. B. „gut“, „schlecht“ usw.) sind. Diese Automaten modellieren die Struktur eines
Signals auf Symbolebene.
Abbildung 1. Beispiel für Signalstrukturaufdeckung: typische Aufzeichnung des Schaltgeräusches eines
Magnetventils (links) und die automatisch erlernte symbolische Darstellung seiner Signalstruktur als finite state
transducer (FST). Zustand 1 beschreibt die Signalpausen (A), der Kreis 1-3-6-1 kurze Vorimpulse (B), der Kreis 1-
3-4-5-7-8-1 das Einschaltgeräusch (C) und der Kreis 1-3-7-8-1 das Ausschaltgeräusch (D). Die Zahlen an den
Kanten bezeichnen akustische Elementarereignisse (modelliert durch Normalverteilungen im Merkmalraum)
8