Muster Clustering

14. Juli 2020 durch

Signal-Clustering Algorithmus


Die aktuellen QASS Messgeräte sind alle mit Mustererkennungsmethoden ausgestattet. Die Software sucht in den Datenströmen, die von Körperschall- und andere Sensoren geliefert werden, nach bekannten Mustern. Damit können verschiedene Signale anhand ihrer Signaturen erkannt werden.

Bei vielen Maschinenemissionen kann es natürlich schwierig und mühsam sein, die richtigen Muster zu gewinnen. Gerade beim Biegerichten muss man oft lange auf die genügende Menge von Risssignalen warten, die dann noch über tausende von Bauteilen verteilt auftreten. Also ist es naheliegend Methoden aus dem machine-learning zu verwenden.

Golden Sample


Um möglichst effektiv neue Muster zu gewinnen, wenden wir ein eigens entwickeltes Signal-Clustering Verfahren an. Wir ermitteln zunächst einmal alle Geräusche, die sich vom Hintergrundrauschen des Prozesses sinnvoll unterscheiden lassen. Der QASS Optimizer4D merkt sich den jeweiligen Geräuschausschnitt der Emission. Anschließend erzeugen wir von jedem unbekannten Geräusch ein Muster und vergleichen ihre Ähnlichkeit untereinander. Damit erhalten wir eine Landkarte all ihrer Ähnlichkeitsabstände, die wir dann benutzen, um sie nach Ähnlichkeitsgraden zu gruppieren, zu clustern. Wir können entweder ein Ähnlichkeitsniveau oder aber eine Anzahl von Gruppen/Clustern angeben. Die Signale, die in jeweils einer Gruppe zusammengefasst werden, stellen dann im Idealfall die typischen Erscheinungsformen eines bestimmten Prozessvorganges dar. Wir führen die verschiedenen Erscheinungsformen der Clustersignale dann jeweils zu einem repräsentativen Muster zusammen, wir berechnen dazu ein mittleres Muster, das möglichst gut zu allen Signalen des Clusters passt.

Unser Golden Sample.

Human Confirmation


Alle diese Berechnungen werden von speziellen Operatornetzen, grafisch programmierbaren Analysemodulen, innerhalb des automatischen Messablaufes auf dem QASS Optimizer4D durchgeführt. Wenn neue repräsentative Muster berechnet worden sind, müssen diese vom Anwender als Maschinengeräusch oder als Rissmuster klassifiziert werden.

Häufig findet das in enger Zusammenarbeit von QASS Anwendungstechnikern und den QS Abteilungen des Kunden statt. Bei unsicherer Signallage führt man gerne auch eine Laboranalyse der betreffenden Bauteile durch. Hier reicht es Signale, die das System bzw. der Anwender für Maschinengeräusche hält zu testen.

Risssignale sollen ja auf jeden Fall zur Ausschleusung des Bauteiles führen. Wir haben gute Erfahrungen mit unserem neuen Optimierungskonzept gesammelt.

Der Optimizer4D ausgestattet mit Mustererkennungssoftware sammelt ca. 2 Wochen lang Daten im Richtprozess (während die Erkennung mit der bisherigen Güte funktioniert). Anschließend unterwerfen wir die gefundenen „Risssignale“ dem Clustering-Prozess und erhalten damit die verschiedenen Geräuschtypen des Richtprozesses.

Im Zuge einer Optimierung werden dann Störgeräuschtypen in der Mustererkennung hinterlegt, die diese dann beim Auftreten unmittelbar erkennen und nicht mehr fälschlich als Risssignal interpretieren kann.


Diesen Beitrag teilen
Unsere Blogs
Archiv