Innovative Methoden zur multivariaten Auswertung von Wirbelstromprüfsignalen

Zerstörungsfreie Prüfverfahren, die direkt in die Fertigung integriert werden können, spielen im Sinne einer Nullfehlerstrategie eine zunehmend große Rolle. Für die automatisierte Prüfung leitfähiger Materialien eignet sich das Wirbelstromverfahren, das sowohl Defekte (Risse, Ausdünnungen) als auch Änderungen der Werkstoffeigenschaften (Gefüge, Härte usw.) erkennen kann. Oftmals stellen jedoch Störeinflüsse durch die Umgebung oder durch das Prüfobjekt ein Problem dar. Innovative Prüfgeräte bieten daher die Möglichkeit, beispielsweise gleichzeitig bei mehreren Prüffrequenzen zu messen, um frequenzabhängige Effekte auszuschließen. Die Auswertung der Prüfsignale erfolgt derzeit meist durch Festlegung von Schwellwerten bzw. Toleranzgebieten für die Prüfsignale jeder einzelnen Frequenz. Zur Bewertung wird die maximale Überschreitung herangezogen. Am Beispiel der zerstörungsfreien Ermittlung der mechanisch-technologischen Werkstoffeigenschaften von thermomechanisch gewalzten C-Stählen wurden innovative Methoden zur Auswertung von Wirbelstromdaten auf der Basis einer multivariaten Datenanalyse entwickelt und getestet. Die Wirbelstromprüfung erfolgte mit 3 verschiedenen Tastsonden im Frequenzbereich von 250 Hz bis 15 kHz und gleichzeitiger Erfassung der jeweils 3. und 5. Oberwelle. Für die Datenanalyse wurden Klassifikationsverfahren angewendet, die die Prüfsignale aller variierten Parameter kombinieren und gemeinsame Merkmale ableiten. Ein Manko von Klassifikationsverfahren in industriellen Anwendungen besteht im notwendigen Expertenwissen beim Anlernen derartiger Systeme. Um diese Prozedur zu vereinfachen, wurden strukturentdeckende Methoden zur Minimierung des Lernaufwandes integriert (Support Vector Machine). Diese berechnen die Klassifikation von Lernmengen auch in hochdimensionalen Merkmalsräumen äußerst effizient und finden eine optimale Trennung der Klassen nach dem "Maximum Margin-Prinzip". Um die Suche nach optimalen Parametern zu vereinfachen, wurde ein Optimierungsverfahren integriert, das ausgewählte Parameter sukzessive ändert und für jeden neuen Parametersatz die Leistung des resultierenden Klassifikators anhand einer Zielfunktion bewertet. Mit dieser Vorgehensweise lässt sich der Aufwand beim Anlernen deutlich senken. Von Blechproben aus unterschiedlichen Coilbereichen wurden zwei Klassen mit unterschiedlichen Eigenschaften gebildet. Zum Anlernen der Datenauswertung wurden jeweils 75% der Messungen benutzt und der resultierende Klassifikator an den verbleibenden 25 % getestet. Im Ergebnis wurde eine vollständige Übereinstimmung von Prüfergebnis und Vorgabe erreicht. Die beste Trennleistung erbrachten die Prüfsignale der 3. Oberwellen. Vergleichbare Analysen mit der Mehrfrequenzprüfung (Klassenzuordnung über das Signal mit der maximalen Überschreitung des Toleranzgebietes) lieferten ein Ergebnis mit 90% Fehlerentdeckung und 4 % Falschalarm. Im Vergleich zur Signalauswertung auf der Basis von Schwellen bzw. Toleranzgebieten werden das Verhältnis von Fehlererkennung zu Falschalarm und damit die Bewertungssicherheit signifikant verbessert.