Zukunftstechnologie Multisensorische Mustererkennung

Größe: px

Ab Seite anzeigen:

Download "Zukunftstechnologie Multisensorische Mustererkennung"

Heini Weiner
vor 8 Jahren
Abrufe

1 Zukunftstechnologie Multisensorische Mustererkennung mit Beispielen aus der Drucktechnologie Prof. Dr.-Ing. Volker Lohweg Institut Industrial IT Arbeitsgebiet Industrielle Signalverarbeitung Fachbereich Elektrotechnik und Informationstechnik Fachhochschule Lippe und Höxter, Liebigstr. 87, D Lemgo 1

Volker Lohweg Institut Industrial IT Arbeitsgebiet Industrielle

2 Inhalt Einführung Ansätze und Konzepte Praktisches Beispiele Zusammenfassung und Ausblick 2

3 Einführung Was ist effektive Maschinenüberwachung (Condition Monitoring)? Wie lassen sich eingeführte Bildverarbeitungskonzepte erweitern? Kann man Maschinenüberwachung und klassische bildverarbeitungs-basierte Inspektionsaufgaben verheiraten? 3

4 Einführung Was ist effektive Maschinenüberwachung (Condition Monitoring)? Johannes Schaede, KBA-Giori S.A., Lausanne see hear taste touch 4

5 Einführung Multisensor-Fusion Definitionen Datenfusion: Kombinierte Information zur Schätzung oder Vorhersage realer Verhältnisse in einer Umgebung. at least fifty, maybe a hundered horses Sensorfusion: Datenfusion von vielen Sensoren gleicher oder unterschiedlicher Art. 5

6 Einführung Warum sind Multisensorsysteme notwendig? Verschiedene Fertigungstechniken müssen erfasst werden, Maschinenfehler erzeugen Produktionsfehler, Nicht immer sind Kamerasysteme notwendig oder sinnvoll, Qualitätssicherung muss konzeptionell mit eingeschlossen werden. Hieraus folgt: Optische Bildverarbeitung muss konzeptionell erweitert werden. Verbesserung von Inspektionsstabilität Verbesserung von Falschklassifikationen Benutzerakzeptanz 6

sind Kamerasysteme notwendig oder sinnvoll, Qualitätssicherung muss konzeptionell mit eingeschlossen werden.

7 Einführung Stand der Technik heute: Monosensor-Systeme Schwierigkeiten mit Monosensor-Systemen Signalrauschen: Sensoren, Beleuchtung, Montage, Externe Quellen (Antriebe) Intraklassen Variationen: Sensoralterung, Wartung, etc. Interklassen Variationen: Unterschiedliche Produktionsverhältnisse über einen Produktionszyklus, etc. Keine Daten-Allgemeingültigkeit: Kein stabiles Systemverhalten durch Anlernen eines zeitlich begrenzten Zustands. 7

etc. Interklassen Variationen: Unterschiedliche Produktionsverhältnisse über einen Produktionszyklus, etc.

8 Einführung Herausforderungen in Multisensor-Systemen Robuste Sensoren Sensor Performance Kopplung von Bild- und anderen Daten Erzeugung von synchronen (korrelierten) Zeitdatensätzen Berechnung von fusionierten Datensätzen Methoden - was ist der beste Ansatz? Komplexität Statistische Methoden (Bayes Ansatz) Dempster-Schafer Methoden Fuzzy Methoden, etc. Mensch-Maschine-Interkommunikation Integration von menschlichen Wissen Interaktion mit dem System 8

9 Einführung Multisensor-Systeme Ein generisches System besteht aus vier Hauptkomponenten: Die Sensor Einheit, welche die Rohdaten von verschiedenen Messstellen bzw. Sensoren aufnimmt; Die Merkmalsextraktions-Einheit, welche aus den Datensätzen die entsprechenden Merkmale generiert; Die Klassifikationseinheit, die die aktuell einlaufenden Daten mit den Referenzdaten vergleicht; Die Entscheidungseinheit, welche die Klassifikationsergebnisse einer - im einfachsten Fall - Gut/Schlecht-Entscheidung zuführt. 9

Sensoren aufnimmt; Die Merkmalsextraktions-Einheit, welche aus den Datensätzen die entsprechenden Merkmale generiert; Die

10 Ansätze und Konzepte Kombination aus verschiedenen Sensortypen und Inspektionsmethoden für eine verallgemeinerte Maschinenüberwachung Optische Inspektion Farbkamera-basierend Infrarot Inspektion NIR-Sensorik Detektor-basierende Inspektion Temperaturmessung Druckmessung Akustische Messung Durchflussmessung usw. 10

Inspektion Farbkamera-basierend Infrarot Inspektion NIR-Sensorik

11 Ansätze und Konzepte Fragestellung: Können Multisensor-Systeme Ergebnisse gegenüber Monosensor-Systemen verbessern? Die Frage kann eindeutig mit Ja beantwortet werden. vgl. entsprechende Publikationen Ansatz: Poissonverteilung im Produktionsprozess 11

Die Frage kann eindeutig mit Ja beantwortet werden. vgl.

12 Ansätze und Konzepte Kombinationsmethoden Fuzzy Methoden Here s where we plan to use data fusion. Verwendung von Expertenwissen Integration des Wissens über Linguistische Variable Linguistische Modifikatoren Fuzzy-Classifier-Modell mit Potentialfunktionen für jede Sensoreinheit Datenkopplung über adaptives Klassifikatormodell 12

Verwendung von Expertenwissen Integration des Wissens über Linguistische Variable

13 Ansätze und Konzepte Fusion und Klassifikation P 1 Sensors Preprocessing (e.g. spectral transforms) Fuzzy Classifier Decision Unit P n Physikalische Daten (Muster) Merkmalgenerator 1. Transformationen: Merkmale Potentialfunktionen 2. Potentialfunktionen Datenfusion Datenfusion Zugehörigkeitswert 13

Physikalische Daten (Muster) Merkmalgenerator 1.

14 Ansätze und Konzepte Linguistischer Ansatz Abhängigkeiten werden in linguistischer Form verwendet: If and... then. Else is -Regeln Allgemeine Form: if < Prämisse> then <Konklusion> Linguistische Variable: Temperatur: {kalt, normal, warm} Ölpreis : {günstig, normal, teuer} Ölverbrauch : {gering, mittel, hoch} Fuzzy Regel: if Temp. is kalt and Ölpreis is günstig then Ölverbrauch is hoch 14

Else is -Regeln Allgemeine Form: if < Prämisse> then <Konklusion> Linguistische Variable:

15 Ansätze und Konzepte Potentialfunktionen µ Zugehörigkeitsfunktion Basierend auf Messwerten parametrisch Einfach zu generieren Ausgang Zugehörigkeitswert (0 1). Normalisierung für Fusion Steuerbar über Expertenwissen 15

parametrisch Einfach zu generieren Ausgang

16 Ansätze und Konzepte Tagaki-Sugeno-Kang System R: IF ( m1 is μ 1) AND ( m2 is μ 2) AND L THEN yr = f ( m1, m 2, K) üblich: = μ δ (singleton) Ausgang für alle Regeln: y y R R R, allocation = R μ R R μ R y R 16

17 Praktisches Beispiel Beispiel: Maschinenüberwachung und Banknoteninspektion an Stahlstichmaschine Einige Daten Maschinengeschwindigkeit Bogen/h Überwachte Signale: 14 7kHz Abtastrate, NotaSave III optische Bildverarbeitung (1 Farbkamera 2048 x 1536 Pixel), SPS-signale KBA-Giori S.A., Lausanne 17

000 Bogen/h Überwachte Signale: 14 Signalkänale @ 7kHz Abtastrate, NotaSave III

18 Praktisches Beispiel Kopplung verschiedener Sensoren in einem Bildverarbeitungsund Mustererkennungssytem Bilddaten Unscharfe Mathematik Temperaturdaten Hydraulikdruck Lösungsmittelmenge Stromaufnahme Geräuschdaten Interpretation als multidimensionale Bilder Genaue und stabile Erkennung von Druckfehlern im Frühstadium 18

Temperaturdaten Hydraulikdruck Lösungsmittelmenge Stromaufnahme Geräuschdaten

19 Praktisches Beispiel Akustiksensoren (Beschleunigungsaufnehmer) KBA-Giori S.A., Lausanne Seite 1 (Motor) Seite 2 Bruel & Kjaer acc. Sensors, BW: 15kHz, 3kHz 19

20 Praktisches Beispiel Ein starkes Konzept: Cepstralanalyse Warum? Leistungsfähiges Attribut: Periodische Geräusche werden in einer spezifischen Ceptrallinie abgebildet. Unterscheidungsbeispiel (Geräusch) Fourier-Spektrum: enthält überlappende Frequenzbänder, die schwierig zu analysieren sind. Cepstrum: siehe oben. Cepstralanalyse lässt sich hervorragend zur Untersuchung von Getrieben und Kugellagern einsetzen. 20

Unterscheidungsbeispiel (Geräusch) Fourier-Spektrum: enthält überlappende Frequenzbänder, die schwierig

21 Praktisches Beispiel Cepstrum-Trendanalyse Filterung Spitzenwertmessung quefrency quefrency Spitzenwertmessung time 21

22 Praktisches Beispiel Cepstrum-Trendanalyse per sheet per 6316 sh/h 1.71 s per turn 0.57 s per sheet sec 22

23 Praktisches Beispiel Klassifikation Wischfehler KBA-Giori S.A., Lausanne 23

24 Praktisches Beispiel Klassifikaton Optische Inspektion Sensor Inspektion Informationsfusion 24

25 Zusammenfassung und Ausblick Sensorkopplung mit Hilfe von unscharfen (fuzzy) Konzepten erweist sich als höchst effektiv zur Beschreibung komplexer Systeme. Der Informationsgehalt für die Mustererkennung steigt dramatisch an. Effektive Lösungen müssen Expertenwissen einschließen. Fuzzy-Pattern-Klassifikation ist ein sinnvoller Ansatz für Multisensorfusion. 25

Ähnliche Dokumente

Aussichtsreich: Wie Bild- und Maschineninformationen in Automatisierungssystemen des Maschinen- und Anlagenbaus verschmelzen

Aussichtsreich: Wie Bild- und Maschineninformationen in Automatisierungssystemen des Maschinen- und Anlagenbaus verschmelzen init Institut Industrial IT, Lemgo Industrielle Bildverarbeitung OWL, IHK Ostwestfalen