Options
2004
Diploma Thesis
Titel
Entwicklung eines Mustererkennungs- und Klassifikationsmoduls für die indirekte Charakterisierung von Werkstoffeigenschaften
Abstract
Im Rahmen dieser Diplomarbeit wurde ein Mustererkennungsmodul für die indirekte Charakterisierung von Werkstoffeigenschaften erstellt. Das Mustererkennungsmodul wurde in das am IZFP entwickelte modulare Messsystem integriert und dient dort zur Kalibrierung des Messsystems anhand eines Probensatzes mit bekannten Werkstoffeigenschaften. Diese Kalibrieraufgabe wurde bisher von einer Regressionsanalyse über eine polynomiale Approximation des Zusammenhangs zwischen den Prüfgrößen und der Zielgröße umgesetzt. Da die Regressionsanalyse zur Kalibrierung ein funktionales Modell anwendet und dieses Annahmen bzw. Vorrausetzungen an den Prüfgrößen-Zielgröße-Zusammenhang stellt, war die Verwendung einer modellfrei arbeitenden Musterkennung für Kalibrierzwecke erforderlich. Bei dem verwendeten Mustererkennungsverfahren handelt es sich um eine Nearest-Neighbor-Suche. Zur Umsetzung der Nearest-Neighbor-Suche findet zunächst eine Normierung der verwendeten Prüfgrößen statt, welche die Prüfgrößenwerte in äquivalente Bereiche transformiert. Nachdem die Prüfgrößenwerte normiert sind, wird eine Distanzbetrachtung zwischen den Prüfgrößenwerten der zuvor angelegten Kalibrierdatenbank und den Prüfgrößenwerten der zu charakterisierenden Probe vorgenommen. Um die Distanzbetrachtung zu realisieren wird aus den Differenzen der einzelnen Prüfgrößenwerte für jeden Eintrag in der Kalibrierdatenbank eine Gesamtdistanz ermittelt, welche die Ähnlichkeit der zu charakterisierenden Probe mit der jeweiligen Kalibrierprobe ausdrückt. Je kleiner die ermittelte Gesamtdistanz ist, desto größer ist die Ähnlichkeit. Abhängig von einer maximalen Distanz, die von dem Benutzer des Mustererkennungsmodul gewählt wird, werden diejenigen Einträge aus der Kalibrierdatenbank als nächste Nachbarn der zu charakterisierenden Probe angesehen, deren ermittelte Gesamtdistanz kleiner als die maximale Distanz ist. Um aus den nächsten Nachbarn einen Näherungswert für die Zielgröße der zu charakterisierenden Probe zu erhalten, wird ein von den Gesamtdistanzen der Nachbarn abhängige, gewichtete Mittelwertbildung über die den Nachbarn zugeordneten Zielgrößenwerte durchgeführt. Weiterhin wurde eine optionale Gewichtsoptimierung implementiert, die in die Nearest-Neighbor-Suche integriert werden kann. Die Optimierung der Gewichte für die einzelnen Prüfgrößen dient dazu Prüfgrößen ihrem Informationsgehalt entsprechend in der Nearest-Neighbor-Suche zu verwenden. Es werden somit Prüfgrößen mit geringer Aussagekraft auch gering gewichtet, was eine Verbesserung der Nearest-Neighbor-Suche gleichkommt. Die Gewichtsoptimierung wurde mittels genetischer Algorithmen verwirklicht. Genetische Algorithmen sind aus der Evolutionstheorie abgeleitet und eignen sich für Such- und Optimierungsprobleme. Durch das Musterkennungsmodul wurde ein modellfreier Kalibrieransatz entwickelt, mit dem eine vollständige und im Vergleich zur Regressionsanalyse fehlerarme Kalibrierung durchgeführt werden kann. Der Fehler der Kalibrierung kann durch eine zusätzliche Gewichtsoptimierung gesenkt werden.
ThesisNote
Saarbrücken, Univ., Dipl.-Arb., 2004
Verlagsort
Saarbrücken