Fertigungskontrolle durch Geräuschklassifikation mit neuronalen Netzen

Akustische Prüfverfahren zur Qualifikationskontrolle werden z. B. in der Glas-, Keramik- oder auch der Elektromotorenindustrie angewendet. Die Sicherung einer hohen Qualität stellt dabei hohe Anforderungen an das Prüfpersonal. Aufgrund des erreichten Fertigungsstandards tritt in der Produktion ein nur noch geringer Prozentsatz fehlerhafter Teile auf. Das Prüfpersonal muß aus einer großen Anzahl von Gutteilen einige wenige fehlerhafte Teile aussondern. Die ständig steigenden Ansprüche der Anwender führen dazu, daß Produkte auch dann ausgesondert werden müssen, wenn sie zwar nicht defekt sind, aber subjektiv störende Geräuschkomponente besitzen. Die durch die eintönige Arbeit verursachte Ermüdung und die Subjektivität bei der Qualitätsbeurteilung führen häufig zu breit streuenden Prüfergebnissen. Für die Wettbewerbsfähigkeit ist es daher von großer Bedeutung, wenn die Qualitätskontrolle durch eine automatische Geräuschklassifikation objektiviert werden kann und die Freigabe von fehlerhaf ten Produkten vermieden wird. Bei dem hier beschriebenen Lösungsansatz wird ein neuronales Netz zur Geräuschklassifikation verwendet. Neuronale Netze sind parallele Prozessornetzwerke. Sie können Signalmerkmale, deren Klassenzugehörigkeit a priori bekannt ist, auf ihre spezielle Aufgabe trainiert werden. Seit der Entwicklung von Lernalgorithmen für mehrstufige Netze werden sie als Alternative zu klassischen Mustererkennungsverfahren diskutiert. Ihr besonderer Vorteil liegt darin, daß sie weniger restriktive Annahmen über die Eigenschaften der Eingangssignale machen als die klassischen Verfahren. Aufgrund ihrer Struktur und der benötigten Rechenoperationen eignen sich diese Verfahren besonders zur Implementierung auf Parallel- und Vektorrechnern.