Anforderungsliste Datenauswertung

Umsetzung der Sensorik

Sensor	Detail	Mess-bereich	Empfind-lichkeit	Messverstärker	Anschluss	Anschlusstyp	Anschlussart	Sampling
Mikrofon	PCB 377B02	15 - 20000 Hz	50 mV / Pa	PCB 426E01	BNC	analog	ICP / IEPE 0..5V 4 mA	~ 50 kHz
Vibrationsaufnehmer	PCB M353B15	1 - 10000 Hz	10 mV / g		BNC	analog	ICP / IEPE 0..5V 4 mA	~ 50 kHz
Vibrationsaufnehmer	PCB M357B11	1 - 12000 Hz	3 pC / g	PCB 422E53	BNC	analog	ICP / IEPE 0..5V 4 mA	~ 50 kHz
Pyrometer	KGA 740 - LO	200 - 3500 °C			BNC	analog	0 .. 10 V	~ 50 kHz
Sauerstoff 1	Unitronic KE-25	0 - 2 %			Klemme	analog	0 .. 5 V	~ 60 Hz
Sauerstoff 2	Unitronic KE-25	2 - 20 %			Klemme	analog	0 .. 5 V	~ 60 Hz
Differenzdruck	GMUD-MP-F-MBF-GE605958	0 - 1 mbar			Klemme	analog	0 .. 10 V	~ 60 Hz
Temperatur Plattform	PT100			B&R X20AT4222	Klemme	analog	am Sensor oder Eingangsmodul max 24V	~ 60 Hz
Temperatur Kammer	PT100			B&R X20AT4222	Klemme	analog	am Sensor oder Eingangsmodul max 24V	~ 60 Hz
Reserve 1					Klemme	analog	0 .. 10 V	~ 60 Hz
Reserve 2					Klemme	analog	0 .. 10 V	~ 60 Hz
Reserve 3					Klemme	analog	0 .. 10 V	~ 60 Hz
Temperatur Raum					Klemme	analog	4 .. 20 mA	~ 60 Hz
Feuchte Raum					Klemme	analog	4 .. 20 mA	~ 60 Hz

Anforderungen an das Datenmodell

Metadaten und Overhead

Es soll ein praktikabler Kompromiss zwischen den folgenden Eigenschaften gefunden werden:

Forderung	Beschreibung
F2.1.1	Flexibilität bezüglich des Datentyps, darunter unkomprimierte Audio-Dateien, RAW-Fotos, Zeitserien von Spannungssignalen, etc.
F2.1.2	In Relation zur Gesamtgröße der Datenbasis geringer Overhead
F2.1.3	Möglichkeit zur Einbindung aussagekräftiger Metadaten, etwa Start-/Stoppzeiten Baujob, Jobname, etc.
F2.1.4	Hohe Lese- und Schreibperformanz

Die Forderungen werden nach aktuellem Stand (22.09.20) folgendermaßen umgesetzt:

Umsetzung	Beschreibung
U2.1.1	Bevorzugt sind Formate, die in hierarchischer Weise mehrere Datentypen beinhalten können (containerisierte Speicherung)
U2.1.2	Bzgl. der zu erwartenden Datenmenge im Bereich von 10¹ bis 10² GB wird davon ausgegangen, dass der Overhead vernachlässigbar ist
U2.1.3	Vgl. U2.1.1
U2.1.4	Bevorzugt sind Formate, die die Datensätze im Binärformat serialisieren können

Vorschläge zur Umsetzung sind nach aktuellem Stand (22.09.20, absteigend):

• HDF5
• AVRO
• JSON
• CSV

Softwaretechnische Umsetzung

Die entwickelte Softare-Umgebung sollte folgende Anforderungen erfüllen:

Forderung	Beschreibung
F2.2.1	In einer möglichst gängigen Sprache verfasst sein, um die Nutzbarkeit für andere Einrichtungen zu gewährleisten (öffentliches Forschungsprojekt)
F2.2.2	In einer Sprache verfasst sein, die eine möglichst gute Lesbarkeit durch einfache Semantik garantiert
F2.2.3	In einer Sprache verfasst sein, die die Anbindung an möglichst viele, frei zugängliche Bibliotheken ermöglicht
F2.2.4	Aufgrund der verschiedenen Beitragenden zur Software in einem zugriffsbeschränkten Repository vorhanden sein

Ein Vorschlag zur Umsetzung ist nach aktuellem Stand (22.09.20):

Umsetzung	Beschreibung
U2.2.1	Python (TIOBE Index Rang 3)
U2.2.2	Python: keine Variablendeklarationen, multiparadigmatisch, einrückungsbasierte Syntax
U2.2.3	Python: Tensorflow, Keras, PyTorch, Pandas, Numpy, SciPy, matplotlib, h5py
U2.2.4	GitLab-Repository der Uni Augsburg: Kostenloses Hosting, unbeschränkt viele Contributor, bewährtes Git-basiertes Versionsmanagement, sicheres Zugriffsmanagement, einfache Publikation

Algorithmische Umsetzung

Die entwickelten Verfahren sollten folgende Anforderungen erfüllen:

Forderung	Beschreibung
F2.3.1	Möglichst schnelle, valide und reliable Vorhersagen zur Prozessqualität liefern
F2.3.2	Auf reproduzierbaren Features basieren
F2.3.3	Im Rahmen des maschinellen Lernens möglichst geringe Anforderungen bzgl. Rechenleistung in der Trainingsphase liefern
F2.3.4	Möglichst durch unüberwachtes oder semi-überwachtes Lernen Vorhersagen zur Prozessqualität liefern

Vorschläge zur Umsetzung sind nach aktuellem Stand (22.09.20):

Umsetzung	Beschreibung
U2.3.1	Mehrschichtiger Ansatz gemäß Antrag: 1. Deskriptive Statistik: Identifikation von Verteilungsfunktionen, Bilden statistischer Kennwerte, Filtern von Ausreißern, Berechnung von Effekten. Insbesondere soll die Validität multivariater statistischer Verfahren untersucht werden – etwa der Hauptkomponentenanalyse (PCA) 2. Machine Learning: Einsatz von Klassifizierern, die die Zielgrößen in teilerfremde Cluster zuordnen können. Optional: Einsatz von Regressoren, die Effekte verschiedener Eingangsgrößen auf die Zielgrößen quantifizieren.
U2.3.2	Direkte, aus Daten abgeleitete Features: Ergebnisse aus statistischer Auswertung – etwa diskretisierte Mittelwerte (alle 0,2 s)
U2.3.3	Ausschluss von Deep-Learning Algorithmen, insbesondere CNN zur Bildauswertung, Fokus auf einfache Machine Learning Methoden: - Support Vector Machine - Bayesian Network - Random Forest - Spectral Clustering - K-Means
U2.3.4	Vgl. U2.3.3

Datenbasis zur Auswertung

Messung	Signalfrequenz [Hz]	Signalformat	Zielgrößen
Luftschall Kammer	50.000	Spannung - Zeit	Keyhole Rissbildung Überhitzung Kollisionen
Körperschall Beschichtung	50.000	Spannung - Zeit	Kollisionen Verzug Spratzer
Körperschall Bauplattform	50.000	Spannung - Zeit	Bindefehler Keyhole Überhitzung Rissbildung Kollisionen
CMOS NIR long	n.a. (1x je Schicht)	Bild (Pixel-Array)	Bindefehler Überhitzung
CMOS NIR PB	n.a. (2x je Schicht)	Bild (Pixel-Array)	Beschichtungsfehler
Strommessung	60	Stromstärke - Zeit	Beschichtungsfehler Kollisionen
Thermografie	300	Bild (Pixel-Array)	Bindefehler Überhitzung Spratzer
Temperatur Plattform	60	Spannung - Zeit	Temperatur Plattform (abh. Variable)
Temperatur Kammer	60	Spannung - Zeit	Temperatur Kammer (abh. Variable)
Sauerstoff 1	60	Spannung - Zeit	Sauerstoff (abh. Variable)
Sauerstoff 2	60	Spannung - Zeit	Sauerstoff (abh. Variable)
Differenzdruck	60	Spannung - Zeit	Schutzgasströmung (abh. Variable)
Feuchte Raum	60	Stromstärke - Zeit	Feuchte Raum (abh. Variable)

Zielsystem

Folgende Zielgrößen sollen durch das Modell binär klassifizierbar sein:

Nr.	Bezeichnung	Binärisierungsgrenzwert	Kritikalität
Z1	Keyhole	0	variabel
Z2	Rissbildung	0	Abbruch
Z3	Überhitzung	> 0	variabel
Z4	Kollision	> 0 (0 bei Stoppkollision)	variabel (Abbruch)
Z5	Bindefehler	> 0	Abbruch
Z6	Beschichtungsfehler	> 0	variabel
Z7	Spratzer	> 0	variabel

Features zur Datenauswertung

Luftschall Kammer

Das Slicing erfolgt bei gegebener Abtastrate von 50 kHz bei 1000 Samples.

Feature	Art	Operationen
Varianz der Signalintensität	Zeitbereich	F11 = VAR(X)
Anzahl der Frequenz-Peaks > x dB	Bildbereich	F12 = log10(F(X)) > x
Anzahl der Hauptkomponenten > x	Bildbereich	F13 = PCA(X) > x

Körperschall Beschichtung

Das Slicing erfolgt bei gegebener Abtastrate von 50 kHz bei 1000 Samples.

Feature	Art	Operationen
Varianz der Signalintensität	Zeitbereich	F21 = VAR(X)
Anzahl der Peaks > x dB	Zeitbereich	F22 = log10(X) > x
Anzahl der Frequenz-Peaks > x dB	Bildbereich	F23 = log10(F(X)) > x

Körperschall Plattform

Das Slicing erfolgt bei gegebener Abtastrate von 50 kHz bei 1000 Samples.

Feature	Art	Operationen
Varianz der Signalintensität	Zeitbereich	F31 = VAR(X)
Anzahl der Frequenz-Peaks > x dB	Bildbereich	F32 = log10(F(X)) > x
Anzahl der Hauptkomponenten > x	Bildbereich	F33 = PCA(X) > x

CMOS NIR Langzeitbelichtung

Durch die Langzeitbelichtung entsteht je ein Bild pro Schicht, daher ist kein weiteres Slicing der Eingangsdaten notwendig.

Feature	Art	Operationen
Vektor der relativ überbelichteten Pixel	Zeitbereich	F41 = X > MEAN(X) + 3*STD(X)
Vektor der absolut überbelichteten Pixel (Grenzwert x)	Zeitbereich	F42 = X > x
Anzahl der Hauptkomponenten > x	Bildbereich	F43 = PCA(X) > x

CMOS Pulverbettbelichtung

Durch die Langzeitbelichtung entstehen je zwei unabhängige Bilder pro Schicht, daher ist kein weiteres Slicing der Eingangsdaten notwendig.

Feature	Art	Operationen
Vektor der relativ überbelichteten Pixel	Zeitbereich	F41 = X > MEAN(X) + 3*STD(X)
Vektor der absolut überbelichteten Pixel (Grenzwert x)	Zeitbereich	F42 = X > x
Anzahl der Hauptkomponenten > x	Bildbereich	F43 = PCA(X) > x