Maschinelles Lernen

[Computational-Acoustics.de]

 

 

Maschinelles Lernen (ML) in der Schwingungstechnik

Bei Fahrrädern, Autos und anderen technischen Geräten nehmen wir meist durch unsere Ohren wahr, wenn etwas nicht stimmt, die Bremse schleift oder das Schutzblech klappert, weil eine Schraube fehlt. Unser Gehirn hat durch stundenlanges Zuhören gelernt, Geräusche nach Funktion oder Defekt zu klassifizieren. Durch Maschinelles Lernen könnte man diese Aufgabe auch durch künstliche Intelligenz (KI) erledigen lassen. Klassischer Anwendungsfall in vielen Industriezweigen ist die vorausschauende Wartung (engl. Predictive Maintenance): Hochbeanspruchte Kugellager werden nicht mehr in festen Zeitintervallen ausgetauscht sondern dann, wenn die KI anhand von Sensorsignalen (Motorströme, Mikrofone oder Beschleunigungsaufnehmer) und sich verändernden Schwingungssignalen entscheidet, dass sich der Maschinenzustand womöglich verschlechtert.

Eingesetzte ML-Technologien von Akustikern:

Klassische Algorithmen und Prozesse aus der Frequenzanalyse, wie z.B. FFT (Fast-Fourier-Transformation) und Fensterfunktionen werden für die Vorverarbeitung der Sensordaten eingesetzt, um damit die ML-Trainings durchzuführen

Die meisten Akustiker verwenden keine speziellen neuronalen Netze, die ausschliesslich für die Akustik / Schwingungstechnik entwickelt wurden. Vielmehr machen sich die Akustiker die rasanten Fortschritte in der Bildanalyse (Objekterkennung) oder Videoanalyse durch Convolutional Neural Networks (CNN) zunutze. Akustiker wandeln einen begrenzten zeitlichen Ausschnitt eines Sensorsignals in ein Wasserfalldiagramm um, was dann als Bild fungiert, um durch das trainierte Neuronale Netz eine Vorhersage zu machen:

Wasserfalldiagramm_zur_ML-Bilderkennung
Wasserfalldiagramm des zeitlichen Ausschnitts eines Sensorsignals: Die Messzeitpunkte der horizontalen Achse können als die horizontale Pixel eines Bildes verstanden werden, die Frequenzstützstellen sind die vertikalen Pixel und die farbig dargestellten Amplituden entsprechen den RGB-Informationen eines Pixels.

Auswahl von Sensorsignalen:

In komplexen Maschinen sollten sich die Sensoren möglichst nahe an dem Bauteil befinden, über welches man eine Vorhersage machen möchte:

Kugellager in Motorgehäuse
Motorgehäuse: Für eine Vorhersage, ob das linke Motorlager defekt ist, wäre die Messung der Radialbeschleunigungen in Lagernähe wünschenswert. In kompakten Geräten ist die Zugänglichkeit der Messgrößen oft schwierig.

Bildquelle: https://upload.wikimedia.org/wikipedia/commons/a/a5/Automotive_alternator.jpg

In kompakten Geräten lässt sich dies oft nicht realisieren. Man kann aber auch andere Messgrößen verwenden, die ohnehin aus anderen Gründen ohnehin vorliegen: Z.B. wird zur Überwachung des Batteriestatus von Elektrogeräten ohnehin der Statorstrom gemessen, welchen man auch als Eingabegröße für ein Neuronales Netz verwenden könnte.

 

Akustik-Know-how im ML-Prozess:

Der Maschine-Learning-Prozess funktioniert nach dem unten dargestellten Workflow. Ansatzpunkte für unser Akustik-Know-how bieten der Normalisierungsprozess am Anfang des ML-Prozesses:

Akustikknowhow_im_ML-Prozess

Der Normalisierungsprozess besteht dabei häufig aus den folgenden Schritten:

  • Datenformatkonvertierung (z.B. von Matlab oder wav)
  • Reskalierung der Signale
  • Anpassung der Abtastrate
  • Fouriertransformation:
    • Fensterfunktion
    • FFT
    • Pegelbildung

Die Analyse der Featurematrix hilft, die Datenmenge zu reduzieren, um den Trainingsprozess des ML-Modells zu beschleunigen:

Reduktion der Größe der Feature-Matrix eines ML-Modells
Reduktion der Größe der Feature-Matrix eines ML-Modells.

Die Featurematrix besteht in ihren Spalten aus den jeweiligen Messzeiträumen/Zeitpunkten t1, t2, ..., tn. Die einzelnen Zeilen bestehen aus den Kombinationen von Messgröße und Frequenz (aus der FFT zum jeweiligen Zeitpunkt).

In dem oben aufgeführten Beispiel ist der Statorstrom IS in den Frequenen f7 und f37 für die Erkennung der Zielgröße (z.B Defekt oder ok) wichtiger als die Radialbeschleunigung a1 in der gleichen Frequenz, um einen Defekt des linken Kugellagers vorherzusagen. Zur Reduktion der Datenmengen kann man sich auf eine festgelegte Anzahl von Features beschränken, um die Trainingszeit des Modells zu reduzieren. Die weiteren Features werden für das Modelltraining ignoriert.

 

 

[Computational-Acoustics.de] [Impressum]