Merkmalsbildung mit den beiden Tandem-Verfahren

07. Veröffentlichung des

Bitte wählen Sie in der Kopfzeile eine Sprachversion, eine der nachfolgenden Internet-Verknüpfungen oder Überschriften aus dem Inhaltsverzeichnis aus!

(«) Erste Veröffentlichung (<) Vorhergehende Veröffentlichung (>) Nachfolgende Veröffentlichung (») Letzte Veröffentlichung (^) Autor (=) Redaktion ($) Bestellung des ausführlichen Textes (&) Liste der Veröffentlichungen (§) Liste der Firmenschriften

Art der Veröffentlichung:
Beitrag zum 7. Ebernburger Gespräch vom 17. bis 19.04.1997 (Auszug)

Thema:
Merkmalsbildung mit den beiden Tandem-Verfahren

Autor:
Christian E. Jacob

Inhaltsverzeichnis: (0) Zusammenfassung (1) Einführung (2) Beschreibung (3) Merkmalsbildung (4) Doppelt Indizierte Infomuster (5) Anwendungen (6) Lösungen (7) Literaturverzeichnis

(0) Zusammenfassung
Neuronale Verfahren der Maschinen-, Aggregate-, Fahrzeugdiagnose, Spracherkennung u.s.w. erfordern effektive Methoden der Merkmalsbildung.
Die Tandem-Verfahren lösen bisher verwendete Verfahren auf Basis der Hüllkurvenklassifizierung durch Kompressionsverfahren und der Schnellen Fourier-Transformation (FFT) durch eine parallele und bezüglich der Spektrallinien skalierbare Diskrete Fourier-Transformation (DFT) ab.
Im vorliegenden Artikel wird vorgeschlagen, die Merkmale in vereinheitlichten Datenelementen, sogenannten Doppelt Indizierten Infomustern (DIIM) zu strukturieren. Über eine Kopfspalte im Infomuster kann die Struktur der DIIMs automatisch erkannt werden.

(1) Einführung
Die Tandem-Verfahren sind in den Jahren 1992 bis 1995 als Programmbausteine zur Auswertung von Simulationsdaten (Programm Simplorer^®) entstanden. Zielstellung war es damals, die Datenflut bereits bei der Entstehung zu verdichten und den Postprozess (als den zeitaufwendigsten Teil der Simulation) deutlich zu verkürzen. Das ist u.a. mit Hilfe der Tandem-Verfahren sehr gut gelungen. Aufbauend auf diese Erfahrung werden inzwischen auch Anwendungen in anderen Bereichen vorbereitet.

(2) Beschreibung
Die Tandem-Messung^® ermittelt die Periodendauer der dominanten Schwingung in einem Schwingungsgemisch. Im Gegensatz zur Ordnungsanalyse ist keine a priori-Information zur dominanten Schwingung erforderlich. Die dominante Schwingung kann sich somit im Verlaufe der Messung stark verändern, die Tandem-Messung passt sich den Veränderungen ohne Zeitverzug an.
Die Tandem-Messung teilt dabei das Messsignal in kleine Zeitabschnitte. Zeitabschnitte mit ähnlichen Eigenschaften werden zu Gruppen zusammengefasst. Die Deutlichkeit der Gruppe und der Wechsel von einer Gruppe in eine andere werden über eine Akzentuierung an eine übergeordnete Auswertung weitergeben.
Die Tandem-Analyse^® ist vom Verfahrensablauf her in die Tandem-Messung eingebettet. Sie dient der Spektralanalyse und/oder anderer Signaltransformationen.

(3) Merkmalsbildung
Entsprechend des Informationsgehaltes wird die Zeitfunktion (Originalfunktion) in sinnvolle Zeitabschnitte zerlegt. Es wird nur ein Zeitabschnitt gebildet, wenn die Originalfunktion tatsächlich eine oder mehrere Informationen enthält.
Für jeden Zeitabschnitt werden die dort enthaltenen Informationen zu Merkmalen verdichtet und in sogenannten Infomustern abgelegt. Die Infomuster können auch Merkmale aus einer Spektralanalyse und/oder anderer Signaltransformationen (Transformierte) enthalten.
Bei den Tandem-Verfahren werden die Spektralanalyse und/oder andere Signaltransformationen für jeden Zeitabschnitt gesondert ausgeführt. Für eine Diskrete Fourier-Analyse (DFT) stellt die Tandem-Messung^® z.B. die Periodendauer der dominanten Schwingung bereit. Sie wird für jeden Zeitabschnitt in Echtzeit aktualisiert.
Im Gegensatz zur Schnellen Fourier-Analyse (FFT) werden bei der Diskreten Fourier-Analyse (DFT) auf Basis der Tandem-Verfahren alle Spektrallinien nebeneinander (parallel) berechnet. Aus diesem Grund eignen sich die Tandem-Verfahren besonders für Echtzeitanwendungen zur Merkmalsbildung im mechanischen, akustischen und biomedizinischen Bereich.
Mit der o.g. Generierung der Zeitabschnitte durch die Tandem-Messung wird jeweils ein Ereignis auf allen Verarbeitungsschichten ausgelöst. Diese Ereignissteuerung ermöglicht es erst, eine perfomante Merkmalsbildung und -verarbeitung unter Echtzeitbedingungen zu implementieren. Ferner ist es möglich unter Ausnutzung der unter Pkt. 2 genannten Akzentuierung auf allen Verarbeitungsschichten Rechnerkapazität entsprechend der Dringlichkeit der Ereignisse zuzuteilen.
Für eine vertiefte Auflösung einer Zeitfunktion, die z.B. Subharmonische enthält, wird ein Subanalysator auf Basis der Tandem-Verfahren [JACOB 95.2] eingesetzt.

(4) Doppelt Indizierte Infomuster
Um den Rechenaufwand zur Weiterverarbeitung der Informationen zu begrenzen, werden die resultierenden Daten der Tandem-Messung^® und -Analyse^® klassifiziert und verdichtet.
Ein Datenelement mit den klassifizierten und verdichteten Daten ist ein sogenanntes Doppelt Indiziertes Infomuster (DIIM). Der prinzipielle Aufbau ist in Bild 1 dargestellt. Die Erste Schicht ist die Eingabeschicht und die q-te Schicht die Ausgabeschicht des neuronalen Netzes. Alle anderen Schichten haben unterschiedliche Größen und sind unterschiedlich strukturiert. Bild 2 enthält eine Auswahl in Abmessung (Abm.), Struktur (n, m), Informationsdichte (p) und Größe (Byte) unterschiedlicher Infomuster. Sie eignen sich für die Anwendung in Neuronalen Netzen mit verschiedenen Verarbeitungsschichten (q).
Die genannten Infomuster werden auf Neuronalen Netzwerken
1. als Software-Lösung auf einer Workstation bzw. Clusters,
2. als Hardware-Lösung Programm auf einem DSP/Controller und/oder
3. als integrierte Lösung in einem neuronalen Prozessor
weiterverarbeitet.
Vorteil des hier definierten Doppelt Indizierten Infomusters (DIIM): Die Datenelemente sind untereinander kompatibel. Sie können
1. zwischen den o.g. drei Lösungen ausgetauscht,
2. zwischengespeichert und später weiterverarbeitet und/oder
3. ineinander umgewandelt
werden. Wobei die DIIMs über die Parameter Breite, Länge und Kennung automatisch erkannt werden.

(5) Anwendungen
Für die technische Diagnose von Maschinen und Fahrzeugen (Schwingungsanalyse) gibt es bereits eine Vielzahl von Speziallösungen. Sie sind technisch sehr aufwendig. Die hohen technischen Aufwendungen resultieren aus
- der analogen Aufbereitung der Messsignale, die an das Auswertverfahren der Signale angepasst sein muss,
- speziellen Filter- und Transformationsverfahren der Signale,
- einer aufwendigen Aufbereitung der Spektren, sowie
- einer an die jeweilige Applikation angepassten grafischen Darstellung der Ergebnisse.
Die Tandem-Verfahren ermöglichen eine deutliche Reduzierung der Aufwendungen. Sie haben eine große Einsatzbreite und führen zu kosten-günstigen Lösungen:
Wissenschaft, Forschung und Strukturanalyse
· Dynamische Periodendauermessung von Schwingungen in nichtlinearen physikalischen Gebilden
· Nichtlineare digitale Filterfunktionen für deterministische und stochastische Signale
· Ermittlung von Kennwerten deterministischer und stochastischer Signale
· Transformation deterministischer und stochastischer Signale
· Spektralanalyse deterministischer und stochastischer Signale
· Zerlegung und Unterschwingungsanalyse deterministischer und stochastischer Signale
Mess-, Diagnose- und Gerätetechnik
· Maschinen-, Fahrzeug- und Aggregatediagnose
· Istwerterfassung und -verarbeitung für adaptive Regler
· Merkmalsbildung für Fuzzy-Regler, Fuzzy-Pattern-Klassifikation und Neuronale Netze
· Akustische Überwachung, Lautklassifizierung, Spracherkennung
Kommerzielle Anwendungen
· Ermitteln von Kennziffern in Verwaltungs-, Buchhaltungs-, und Börsendaten

(6) Lösungen
Folgende Lösungen sind vorhanden bzw. in Vorbereitung:
· Makro im Postprozess von Entwurfswerkzeugen zur Berechnung, Simulation und Optimierung technischer Systeme
· Software zum Filtern, Analysieren und Transformieren von Messdaten
· DSP-Baugruppe für PC zum Filtern, Analysieren und Transformieren von Messdaten
· Integration in vorhandene Geräte als Hard- oder Software-Lösung

(7) Literaturverzeichnis

[JACOB 95.2] Christian E. Jacob: Analyse von Subspektren mit massiv parallelen Rechnerstrukturen; Vortrag zum 10. ASIM-Workshop "Simulation verteilter Systeme und paralleler Prozesse" der ASIM am FhG-IIS in Dresden 23./24.10.95