-
Stand der
Technik
-
Bei der Fertigung verschiedenster
Elektromotoren ist die akustische Güteprüfung eine Standardmethode zur
100%-igen Prüfung
der Serienfertigung. Meist erfolgt diese Prüfung subjektiv durch geschulte
Mitarbeiter. Eine konsistentere Prüfmethode ist die Verwendung
automatischer, computergestützter
Systeme, die auf der Basis von Mustererkennungsalgorithmen arbeiten.
Das Anlernen dieser Systeme erfolgt mittels geeignet ausgewählter Stichproben,
die wegen der statistischen Schwankungen in der Serienproduktion
erfahrungsgemäß einen
Umfang von deutlich mehr als 50 Mustern aufweisen müssen:
Klassische,
automatisierte Mustererkennungssysteme sind in ihrem Lernverhalten
den Gesetzen der Statistik unterworfen, d.h. sie müssen ihre
Parameter gemäß einer
Statistik wenigstens zweiter Ordnung an die gegebene Lernstichprobe
anpassen. Ein mit 20–25
Merkmalen arbeitendes Klassifikationssystem muss also wenigstens
40–50
Parameter an die Stichprobe anpassen. Mit einer nur 50 Objekte umfassenden
Stichprobe kann das Klassifikationssystem daher nicht statistisch
signifikant trainiert werden. Andere Klassifikatoren arbeiten auf
der Basis von unscharfer Logik (Fuzzy-Logic) und neuronalen Netzen
und versuchen so, die kognitiven und assoziativen Fähigkeiten
des menschlichen Gehirns zu imitieren. Letztendlich müssen aber
auch diese Methoden die Eigenschaften der Fehlerklassen aus der
gegebenen Stichprobe extrahieren, um ihre Parameter (Gewichte, Anregungsfunktionen,
Zugehörigkeitsfunktionen, Konklusionsparameter,
Clusterzentren etc.) anzupassen. Auch sie hängen daher von den statistischen Eigenschaften
der Lernstichprobe ab. Je mehr mechanische Freiheitsgrade ein Produkt
aufweist, desto größer sind
dabei die statistischen Schwankungen der Merkmale und umso größer müssen daher
die Stichproben gewählt
werden. Der PKW-Kompaktstarter
als Gleichstrommotor mit Planetengetriebe und axial freiem Anker
ist auf Grund seiner vielen mechanischen Freiheitsgrade ein Musterbeispiel
hierfür.
-
Verwendet man automatische Fehleridentifikationssysteme
in der Serienfertigung, so besteht – neben der Forderung nach
Zuverlässigkeit – eine der Hauptanforderungen
an das System darin, dass auch neu auftretende oder sporadische
Fehler zuverlässig
erkannt werden. Dies ist mit den bislang zum Training erforderlichen
Stichprobenumfängen
nicht zufriedenstellend möglich.
Um automatisierte Klassifikationssysteme für eine Fehleridentifikation
im Serieneinsatz zu qualifizieren, muss ihnen ein sparsamer Umfang
mit Trainingsmustern anerzogen werden.
-
Eine theoretische Abhandlung zur
vorstehend genannten Problematik findet sich beispielsweise in:
R. Isermann; "Identifikation
dynamischer Systeme 1" Springer
Verlag, Berlin, Heidelberg, New York, London, Paris, Tokio, Hong
Kong, Barcelona, Budapest, 2. Aufl., 1992.
-
Aufgabe der
Erfindung
-
Eine zuverlässige Fehlerklassifikation
ist – unabhängig von
der verwendeten Klassifikationsmethode – nur über eine Auswahl möglichst
weniger aber aussagekräftiger
Merkmale möglich.
Die Aussagekraft der Merkmale misst sich an einer geeigneten Statistik
zweiter Ordnung im Sinne weit streuender Klassenmittelpunkte und
geringer Merkmalsstreuung innerhalb der Klassen oder, anschaulich
ausgedrückt,
an einer möglichst
geringen Überlappung
der Klassen im Merkmalsraum. Eine effiziente Signalvorverarbeitung
hat das Ziel, Merkmale mit genau solchen Eigenschaften aus den gemessenen
Schallsignalen zu extrahieren oder zu erzeugen.
-
Die Aufgabe der vorgestellten Erfindung
besteht darin, die gemessenen Körperschallsignale
von PKW-Startermotoren so vorzuverarbeiten, dass die Merkmale, die
aus ihnen extrahiert werden, die Fehlerklassen der Starter besser
trennen können,
als dies mit den Merkmalen der unverarbeiteten Körperschallsignale möglich ist.
-
Auf diese Weise wird eine Verbesserung
der statistischen Eigenschaften der Lernstichprobe erreicht, so
dass zum Training des Klassifikationssystems Stichproben mit geringeren
Umfängen
verwendet werden können.
Gelöst
wird diese Aufgabe durch ein Verfahren mit den Merkmalen des Anspruchs
1.
-
Vorteile der
Erfindung
-
Das erfindungsgemäße Verfahren mit den Merkmalen
des Anspruchs 1 wird in vorteilhafter Weise in Verbindung mit PKW-Startern
eingesetzt. Ein Einsatz ist jedoch grundsätzlich an beliebigen Elektromotoren
möglich.
-
Zur vorteilhafter Verbesserung der
Trennschärfe
der extrahierten Merkmale wird die Entstehung des Körperschalls
aus der Stromanregung des Starters als nichtlinearer Prozess interpretiert.
Der Prozess wird mittels eines adaptiven Fuzzy-Logic System (FLS)
identifiziert. Als Anregungssignal u(k) wird das Stromsignal des
Starters verwendet, als Systemsausgang y(k) das Körperschallsignal.
-
In vorteilhafter Weise kann zwischen
zwei verschiedene Anordnungen des "FLS-Identifikators" unterschieden werden:
In der seriell-parallelen Anordnung wird der Identifikator mit dem
Anregungssignal und den verzögerten
Ausgängen
des zu identifizierenden Systems angeregt. In der parallelen Anordnung
wird nicht der Ausgang des Systems zur Anregung verwendet, sondern
der Ausgang des Identifikators wird auf den Identifikatoreingang
rückgekoppelt.
-
Zur Identifikation der Entstehungsprozesse des
Körperschalls
aus der Stromanregung wird das adaptive FLS in paralleler Anordnung
trainiert, d.h. das Regelwerk des adaptiven FLS wird so angepasst,
dass es einem bestimmten Gütekriterium
genügt.
Als Trainingsdaten dienen Tupel aus Abtastwerten des gemessenen
Stroms und rückgekoppelten
Ausgangswerten des FLS. Für
jede vorkommende Geräuschfehlerklasse
wird ein eigenes FLS trainiert. Die Trainingsdaten für jedes
FLS entstammen dabei allen in der Stichprobe zur Verfügung stehenden
Startern der zu identifizierenden Geräuschfehlerklasse.
-
Nach erfolgtem Training wird das
Fuzzy-Logic System in seriell-paralleler Anordnung als Signalprädiktor im
Sinne der Systemidentifikation 2 betrieben und erzeugt so aus einem
beliebigen gemessenen Körperschallsignal
ein neues, prädiziertes "Körperschallsignal". Dieser Vorgang
kann als Filterung (Prädiktionsfilter)
verstanden werden. Aus dem gefilterten Signal werden dann Merkmale
extrahiert, welche mittels konventioneller Mustererkennungsmethoden
zur Fehlerklassifikation der Starter herangezogen werden.
-
Das angegebene Verfahren wurde an
mehreren verschiedenen stark besetzten Fehlerklassen geprüft. Die
Klassifikationsraten für
Fehlerklassen, die mit etwa 20 Objekten besetzt sind, liegen um
5 bis 10% oberhalb der herkömmlich
erzielten Klassifikationsergebnisse. Die Verbesserungen der Klassifikationsergebnisse
für lassen,
die mit weniger als 10 Objekten besetzt sind, können sogar noch darüber liegen.
Der Effekt konnte an vier verschiedenen Startertypen nachgewiesen
werden.
-
Die eingesetzten Verfahren werden
in vorteilhaften Vorrichtungen zur Durchführung der Verfahren insbesondere
unter Verwendung von Prozessoren ausgeführt.
-
Zeichnung
-
Die Zeichnung umfasst die 1 bis 3, deren Bedeutung in der nachfolgenden
Beschreibung näher
spezifiziert wird.
-
Beschreibung
-
Zur Verbesserung der Trennschärfe der
extrahierten Merkmale wird die Entstehung des Körperschalls aus der Stromanregung
des Starters als nichtlinearer Prozess interpretiert. Der Prozess
wird mittels eines adaptiven Fuzzy-Logic System (FLS) identifiziert. 1 zeigt zugehörige Blockschaltbilder für seriell-parallele
Anordnung und parallele Anordnung. Als Anregungssignal u(k) wird
jeweils das Stromsignal des Starters verwendet, als Systemsausgang
y(k) das Körperschallsignal.
-
Das Prüfsystem besteht aus der Messdatenerfassung
für Strom
und Körperschall,
der Signalaufbereitung, der Prädiktionsfilterung,
der Merkmalsextraktion und dem Klassifikator. Für das Prüfsystem existieren drei verschiedene
Betriebsmodi:
-
- – Initialisierung
(Training der adaptiven FLS)
- – Training
des Klassifikators (Lernphase)
- – Klassifikation
(Arbeitsphase)
-
In der Initialisierungsphase werden
die FLS-Filter des Systems mit einer ausgewählten Stichprobe adaptiert.
In der Trainingsphase wird der eigentliche Klassifikator angelernt.
In der Klassifikationsphase können
dann unbekannte Objekte nach Fehlerklassen getrennt werden. Gegenüber der
klassischen Betriebsmodi "Training" und Klassifikation" eines konventionellen
Klassifikationssystems ist also zusätzlich eine Initialisierungsphase
erforderlich. Die 2 und 3 zeigen die Komponenten
und die Betriebsmodi des Klassifikationssystems.
-
Die grundlegende Datenverarbeitungskette für ein initialisiertes
System zeigt 2. Demnach werden
die von der Datenerfassung aufgezeichneten Signale zunächst drehzahlsynchron
nachabgetastet und auf ihre Effektivwerte normiert. Aus den vorverarbeiteten
Signalen werden die Eingangsvektoren für die FLS-Prädiktionsfiltereinheit
generiert.
-
Die Prädiktionsfiltereinheit enthält die in
der Initialisierungsphase erzeugte FLS-Filterdatenbank und führt die
Prädiktionsfilterung
der Signale durch. Die Filterung erfolgt durch Betrieb der trainierten
FLS in seriell-paralleler Anordnung zur Prädiktion des betrachteten Körperschallsignals.
Das gefilterte Signal wird dann zur Merkmalsextraktion verwendet.
-
Die Auswahl des anzuwendenden FLS-Filters
unterscheidet sich, je nach dem, ob sich er Klassifikator in der
Arbeitsphase oder in der Trainingsphase befindet:
- – in der
Klassifikationsphase bzw. Arbeitsphase wird das vorverarbeitete
Signal immer mit dem durch die Gutklasse trainierten FLS gefiltert.
- – In
der Trainingsphase des Klassifikators wird zur Prädiktionsfilterung
das Filter ausgewählt,
welches der Vorklassifizierung des betrachteten Objektes der Stichprobe
entspricht.
-
Die Filterbank wird in der Initialisierungsphase
des Prüfsystems
mit einer geeigneten vorklassifizierten Initialisierungsstichprobe
generiert.
-
In der Merkmalsextraktion werden
die Merkmale des gefilterten Signals berechnet.
-
Der Klassifikator selbst entspricht
dem Klassifikator eines konventionellen Systems. In der Trainingsphase
werden die extrahierten Merkmale gelernt, d.h. Mittelpunkte und
Streuungen der Merkmale der Objekte der verschiedenen Klassen werden
berechnet. In der Klassifikationsphase wird das Objekt anhand der
extrahierten Merkmale einer der Fehlerklassen bzw. der Gutklasse
oder gegebenenfalls einer Rückweisungsklasse
für unbekannte
Objekte zugeordnet. Als Klassifikator wird z.B. ein hierarchischer
Klassifikator mit euklidischem Abstandsmaß an den Knoten verwendet.
-
Im 3 werden
die Betriebsmodi des Klassifikationssystems dargestellt.
-
Zunächst benötigt das Klassifikationssystem vor
der ersten Inbetriebnahme eine Initialisierung, in der die FLS-Filterbank
erstellt wird. Dazu wird anhand einer sorgfältig ausgewählten, vorklassifizierten Objektstichprobe
(Master-Stichprobe) die Systemidentifikation für die Geräuschentstehung für alle Fehlerklassen
und die Gutklasse durchgeführt.
Die Stichprobe sollte dabei aus Startern eines einzigen Typs zusammengesetzt
sein. Die Identifikation eines FLS-Filters zu einer bestimmten Klasse
kann bereits mit einem einzigen Objekt erfolgen, es ist jedoch vorteilhaft,
wenigstens vier Objekte zur Identifikation zu verwenden.
-
Die mit dieser Stichprobe initialisierte
Filterbank kann in der Regel typenübergreifend eingesetzt werden,
d.h. es ist nicht erforderlich, für jeden Startertyp eine eigene
Filterbank zu initialisieren.
-
Das Verfahren zur Systemidentifikation
wird im Folgenden genauer beschrieben: Die in Abschnitt 3 dargestellte
Identifikationsanordnung wird dazu benutzt, den Übertragungsweg zwischen der
Erregung eines Starterankers durch einen Strom i(t) am Systemeingang
und der dadurch auf dem Polgehäuse
ausbildenden Schwingung f(t) am Systemausgang zu beschreiben. Das
Anregungssignal u(t) sowie das Ausgangssignal y(t) des Schwingungssystems
nach Bild 1 sind in diesem Falle durch die diskreten, normierten
und phasenrichtig abgetasteten Zeitreihen des gemessenen Stroms
i(kΔt) =
uM(kΔt) ≡ uM(k) und der gemessenen Beschleunigung der
Polgehäuseoberfläche ξ(kΔt) = yM(kΔt) ≡ yM(k) gegeben. Für das Training der adaptiven
FLS werden somit die Trainingsdatenpaare aus den Abtastwerten der
vorverarbeiteten Strom- und Körperschallsignale
gebildet.
-
Zur Erstellung der Trainingsdatenpaare
für das
FLS-Filter einer bestimmten Klasse werden alle Starter aus der Stichprobe
verwendet, die zu der zu identifizierenden Klasse gehören. Das
adaptive FLS erlernt dadurch das klassenspezifische Übertragungsverhalten
zwischen dem Strom durch den Starter und der Schwingung an der Oberfläche des
Polgehäuses.
-
Für
das Training der FLS werden Verfahren verwendet, welche der einschlägigen Literatur
entnommen werden können.
Die initialisierte Filterbank kann danach übergreifend für verschiedene
Startertypen verwendet werden.
-
Nach erfolgter Initialisierung der
FLS-Filterbank, d.h. dem Training der adaptiven FLS für jede zu identifizierende
Klasse der Master-Stichprobe, können
die Klassifikatoren für
die verschiedenen zu klassifizierenden Startertypen angelernt werden.
Dies erfolgt analog zu dem Training konventioneller Systeme, jedoch
mit dem Unterschied, dass vor der Merkmalsextraktion die Anwendung
der adaptierten FLS auf die gemessenen Körperschallsignale als Prädiktionsfilter
erfolgt.
-
Dazu wird zu jedem Typ eine vorklassifizierte Stichprobe
erstellt: Nach der Messung von Strom und Körperschall der Objekte der
Stichproben und anschließender
Signalaufbereitung wird jedes Körperschallsignal
gemäß der Vorklassifikation
mit dem entsprechenden FLS-Filter der Filterbank gefiltert, d.h. das
FLS wird in seriell-paralleler Anordnung auf das Signal angewendet.
Aus den gefilterten Signalen werden die Merkmale berechnet und damit
die Klassifikatoren trainiert.
-
In der Arbeitsphase werden Strom
und Körperschallsignale
des zu klassifizierenden Objekts gemessen und durchlaufen anschließend die
Signalaufbereitung. Das aufbereitete Signal wird vor der Merkmalsextraktion
mit dem FLS-Filter der Gut-Klasse gefiltert. Aus den gefilterten
Merkmalen werden die Merkmale extrahiert. Anschließend wir
das Objekt anhand dieser Merkmale klassifiziert.