Entwicklung von Datenanalyseverfahren für die Qualitätsbewertung technischer Prozesse, basierend auf spektralen Repräsentationen akustischer Vorgänge
Zusammenfassung der Projektergebnisse
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, 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. 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 HMMals 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) 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. Im Rahmen dieses Projekts 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. Künftige Arbeiten Die experimentellen Untersuchungen dieses Projekts unterstreichen neben der guten Eignung statistischer Verfahren zur akustischen zerstörungsfreien Prüfung auch deren Neigung zur Fehlanpassung der automatisch erlernten Modelle, welche die Grundlage der Klassifikationsentscheidung bilden. Dieser Effekt ist allgemein bekannt und wird meist durch Einbeziehung von zusätzlichem Wissen über die zu unterscheidenden Objekte abgeschwächt. Jedoch mindert dieses Vorgehen die Universalität der Methode. Für das Anwendungsgebiet der zerstörungsfreien Prüfung soll hier weitere Forschung zu folgenden Themen durchgeführt werden: Kombination von statistischer und physikalischer Modellierung, Informationstheoretisch motivierte Merkmaltransformation und Theoretische Untersuchung von Strukturaufdeckungsverfahren. Eine entsprechende Lösung zur Vermeidung von Fehlanpassungen von Modellen würde den breiten Einsatz selbst lernender Diagnose- und Prognosesysteme auf HMM- und SVM-Basis in der Praxis wesentlich erleichtern. Anwendungen Eine der wichtigsten Anwendungsmöglichkeiten der durchgeführten Forschungsarbeit liegt in der automatischen Überwachung von Bauteilen und Strukturen bei laufendem Betrieb (structural health monitoring, SHM). Im Rahmen des Projekts wurde die prinzipielle Eignung der untersuchten statistischen Klassifikationsverfahren für diesen Zweck anhand von Flugzeugkonstruktionsmaterialien (Aluminium und kohlefaserverstärkter Kunststoff, CFK) nachgewiesen. Ein praktisches Ziel auf diesem Gebiet ist die fortlaufende Überwachung kritischer Flugzeugteile (Steuer- und Tragflächen, Rumpf, Tank) auf akute Beschädigung. Dazu müssten die zu überwachenden Bauteile, wie in den durchgeführten Laborversuchen untersucht, mit einem Netzwerk von Körperschall- oder Dehnungssensoren instrumentiert werden. Das potenzielle Anwendungsgebiet der automatischen Bauteilüberwachung reicht selbstverständlich weit über die Luftfahrtindustrie hinaus. Als ein Beispiel sei die Schadensdiagnose von Rotorblättern an Windkraftanlagen genannt, an der das Fraunhofer IZFP-D arbeitet. Für die beiden anderen Anwendungsbereiche der zerstörungsfreien Prüfung, Produktionsüberwachung und Lebensdaueranalyse, besteht ein großer potenzieller Bedarf im Maschinenbau. Als ein praktisches Beispiel sei hier auf das durch die AIF geförderte Vorhaben "Fehlerfrüherkennung an Spinnmaschinen" verwiesen, dessen Grundlage im abgeschlossenen Grundlagenforschungsprojekt geschaffen wurde. Es wird hier ein Diagnosesystem für Verschleißteile entwickelt, welches in der Lage ist, einen bevorstehenden Ausfall zu prognostizieren. Somit wird einerseits die Ausfallzeit von Maschinen durch Defekte minimiert und andererseits die Notwendigkeit der Lagerhaltung von Ersatzteilen gemindert. Die entwickelten Techniken zur Signalklassifikation sind universell und über die zerstörungsfreie Prüfung hinaus vielfältig einsetzbar.
Projektbezogene Publikationen (Auswahl)
- Tschöpe, C.; Hentschel, D.; Wolff, M.; Eichner, M.; Hoffmann, R.: Classification of Non-Speech Acoustic Signals using Structure Models. Proc. IEEE International Conference On Acoustics, Speech, and Signal Processing (ICASSP 2004), May 17-21, 2004, Montreal, Canada, V-653 - V-656.
- Cuevas, M.; Wolff, M; Werner, S.; Eichner, M.; Hoffmann, R.: Integration von Finite State Transducers in das UASR-System. ITG-Fachtagung Sprachkommunikation, Kiel, 26.-28.4.2006, in: Berlin/Offenbach: VDE-Verlag 2006=ITG-Fachbericht 192, 4 Seiten.
- Hoffmann, R.: Recognition of non-speech acoustic signals. 13th International Workshop Advances in Speech Technology (AST), University of Maribor, 5.-7.7.2006. Abstract in: Kacic, Z. (ed.), Advances in Speech Technology 2006, Proceedings, S. 107.
- Hoffmann, R.; Eichner, M.; Wolff, M.: Analysis of Verbal and Non-Verbal Acoustic Signals with the Dresden UASR System. In: Esposito, A. (Ed.): Verbal and Nonverbal Communication Behaviours, Springer, 2007. ISBN-13 978-3-540-76441-0.
- Hoffmann, R.; Wolff, M.: Klassifikation akustischer Signale. Workshop "Perspektiven eines bioakustischen Monitoring", Humboldt-Universität zu Berlin, Institut für Biologie, 11.2.2006.
- Tschöpe, C.: Classification of Non-Speech Acoustic Signals using Structure Models. Jahr der Technik, Dresden, 8.7.2004.
- Tschöpe, C.; Hirschfeld, D.; Hoffmann, R.: Klassifikation technischer Signale für die Geräuschdiagnose von Maschinen und Bauteilen. 4. Symposium "Motor- und Aggregateakustik" Magdeburg, 15./16.2005. in: Tschöke, H.; Henze, W. (Hrsg.): Motor- und Aggregateakustik II, expert Verlag, Renningen, 2005.
- Tschöpe, C.; Wolff, M.: Automatic Decision Making in SHM using Hidden Markov Models. Proc. IEEE 18th International Conference on Database and Expert Systems Applications (DEXA 2007), 03.-07.09.2007, Regensburg, pp 307-311.
