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