• 专利附录
  • 专利说明
  • 权利要求
  • 类似技术
  • 同族专利
  • 引用文献
  • 法律状态
  • 优先权
    • 专利摘要:
    EineVorrichtung (100) zur Beurteilung einer Güteklasse eines zu prüfenden Objektsumfasst eine Einrichtung zum Erfassen eines Prüfsignals (108) von dem zu prüfenden Objekt(104). Ferner umfasst die Vorrichtung (100) zum Beurteilen eineEinrichtung (110) zum Bereitstellen eines stochastischen Markov-Modells, dasauf der Grundlage von Referenzmessungen von Objekten bekannter GüteklassenZuständeund Übergänge zwischenZuständenumfasst sowie eine Einrichtung (114) zum Bewerten des Prüfsignals(108) unter Verwendung des stochastischen Markov-Modells aufweist.Außerdem umfasstdie Vorrichtung (110) zum Beurteilen eine Einrichtung (118) zumEinordnen des zu prüfendenObjekts (104) in eine Güteklasse(GK), basierend auf der Bewertung des Prüfsignals. Eine derartige Vorrichtung(110) bietet den Vorteil, eine gegenüber dem Stand der Technik exaktere Einordnungeines zu prüfendenObjekts (104) in eine Güteklasse(GK) durchführenzu können.
    公开号:DE102004023824A1
    申请号:DE200410023824
    申请日:2004-05-13
    公开日:2005-12-15
    发明作者:Matthias Eichner；Dieter Dr. Hentschel；Rüdiger Prof. Hoffmann；Constanze TSCHÖPE；Matthias Wolff
    申请人:Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV；Technische Universitaet Dresden；
    IPC主号:G01M7-08
    专利说明:
    [0001] Dievorliegende Erfindung betrifft das technische Gebiet der zerstörungsfreienPrüfungund insbesondere betrifft die vorliegende Erfindung ein Verfahrenund eine Vorrichtung zur Klassifikation eines zu prüfenden Objektsin eine Güteklasseunter Verwendung von akustischen Signalen.
    [0002] Umeinen Verschleiß odereine Restlebensdauer eines Objekts, wie beispielsweise Eisenbahnräder, bestimmenzu können,werden oftmals Verfahren eingesetzt, die das zu testende Objektnicht zerstören,damit dieses Objekt weiterhin verwendungsgemäß eingesetzt werden kann. Umein solches zerstörungsfreiesPrüfenzu ermöglichen,werden insbesondere akustische Signale, zu einer solchen Verschleiß- oderRestlebensdauerprüfungeingesetzt, da diese besonders gute Ausbreitungseigenschaften inFestkörpernaufweisen. Ein zu prüfendesObjekt wird dann mit einem akustischen Anregungssignal beaufschlagtund überSensoren eine empfangene Impulsantwort auf das Anregungssignal digitalabgespeichert. Von diesem empfangenen Signal, das heißt, derImpulsantwort auf das Anregungssignal, erfolgt dann in mehrerenZeitfenstern eine Berechnung einer Kurzzeit-FFT, welche eine Betrachtungdes Signals im Frequenzbereich ermöglicht. Das Ergebnis wird inForm einer spektralen Repräsentation(Spektrogramm) dargestellt. In diesem ist eine Signalenergie des empfangenenImpulsantwortsignals in Abhängigkeitvon einer Zeit und einer Frequenz aufgetragen. Dadurch ist eineumfassende Charakterisierung der relevanten Schwingungsmodi undihres Dämpfungsverlaufsmöglich.
    [0003] Voraussetzungfür eineBewertung der zu prüfendenBauteile oder Objekte ist meist die Durchführung eines Anlernprozessesin einem vorausgehenden Schritt. Dabei wird eine repräsentativeAuswahl von Gutteilen zur Bildung eines Referenzmusters verwendet.
    [0004] DerAbstand zum Referenzmuster wird bestimmt. Anhand dessen wird entschieden,ob es sich um ein fehlerfreies oder defektes Bauteil handelt.
    [0005] Durcheine Einführungeines Mehrklassenmodells konnte bewirkt werden, dass die durch dieseVeränderungentstandenen Klassen manuell als weitere Gutklassen definiert werdenkonnten. Bei auftretenden Abweichungen von der Anlernklasse wurdedas Teil oder Objekt nicht mehr als schlecht definiert, statt dessen erfolgtedie Bildung einer neuen Klasse, die zunächst als undefinierte Klassegalt und erst durch manuelle Prüfungdas Prädikat "gut" bzw. "schlecht" erhielt.
    [0006] Zueiner solchen Klassifikation der Bauteile oder Objekte konnte bereitserfolgreich der Ansatz verwendet werden, strukturierte, nicht-sprachlicheSignale mit Methoden der Sprachverarbeitung zu klassifizieren. Ineinigen Fällenkann dazu ein einfacher DTW-Erkenner (DTW = Dynamic Time Warping)verwendet werden, wie dies beispielsweise in P. Holstein, M. Koch,D. Hirschfeld, R. Hoffmann, D. Bader, K. Augsburg: "A Strategy for SignalRecognition under Adverse Conditions" in: Proc. 32nd Conf. Internoise, 2003,Jeju, Korea, vorgeschlagen wurde. In komplizierten Fällen wirddas Konzept der Hidden-Markov-Modelle (HMM = hidden Markov Modell)angewendet, wie es exemplarisch in 5 dargestelltist. Die Anwendung eines solchen HMM-Konzepts wurde beispielsweisein den folgenden Schriften vorgeschlagen: D. Zhang Y. Zeng,X. Zhou, Cheng Y: "Thepattern recognition of non-destructive testing based on HMM", in: Proc. 4th World Congress on Intelligent Controland Automation (Cat. No. 02EX527), 2002, vol. 3, pp. 2198-2202,Piscataway, NJ, USA; P. Baruah und R.B. Chinnma: "HMMs for diagnosticsand prognostics in machining processes," in: Proc. 57th Meetingof the Society for Machinery Failure Prevention Technology, 2003,pp. 389-398, Virginia Beach, USA; A.R. Taylor und S. R. Duncan: "A comparison of techniquesfor monitoring process faults," in:Proc. Conf. Control Systems, 2002, pp. 323-327, Stockholm, SE; H.Y.K.Lau: "A hidden markovmodel-based assembly contact recognition system," Mechatronics, vol. 13(8-9), pp. 1001-1023, 2003, ISSN0957-4158.
    [0007] Aufgrundder wohl definierten sequentiellen Struktur eines Sprachsignalsverwenden Hidden-Markov-Modelle normalerweise einfache Links-Rechts-Graphen,wie den Graphen 500 in 5.Diese Graphen bestehen aus einer Menge miteinander verbundener,sog. versteckter (hidden) Knoten 1,..., 5 (auch Zustände genannt),und einer Funktion, die den ZuständenMerkmalvektoren zuordnet. Der Knoten 1 stellt den Eingangsknotendes Hidden-Markov-Modells und der Knoten 5 den Ausgangsknoten desHidden-Markov-Modells dar. Die einzelnen Knoten 1 bis 5 sind dabeidurch die Verbindungen 502 miteinander verbunden, die eine Übergangswahrscheinlichkeitvon einem Knoten in einen nachfolgenden Knoten wiedergeben. DieFunktion, die den ZuständenMerkmal-Vektoren zuordnet, ist zumeist eine Mischung aus Gauß-Verteilungsdichtefunktionenim Merkmalraum fürjeden inneren Zustand des HMMs.
    [0008] DieGrenzen der vorstehend beschriebenen herkömmlichen Verfahren liegen meistdarin, dass solche Verfahren auf kleine Produktionsveränderungen,die sich nicht auf die Qualitätdes Bauteils auswirken, mit dem Aussortieren von fehlerfreien Teilenreagieren. Die Verwendung von Mehrklassenmodellen ist bei der Lösung diesesProblems zwar ein erster Schritt, allerdings werden auf diese Weiseverhältnismäßig vieleKlassen erzeugt, die jedes Mal vom Anwender die Entscheidung erfordern,ob es sich bei der neu aufgetretenen Klasse um eine gute oder umeine schlechte Klasse handelt. Die Verwendung von HMMs erzielt bereitsgute Erfolge bei einfach strukturierten Signalen. Da jedoch Signale,die bei komplizierteren Problemen der zerstörungsfreien Prüfung auftreten,im Allgemeinen keine einfachen Strukturen besitzen wie die vorstehendbeschriebene Links-Rechts-Struktur, können solche einfachen Links-Rechts-Strukturenkeine oder nur eine sehr ungenaue Bestimmung einer Güteklassedes zu überprüfenden Bauteilsbieten.
    [0009] Fernerwird in dem Konferenzbeitrag F. Wolfertstetter und G. Ruske: "Structured Markovmodels for speech recognition",in: Proc. ICASSP, 1995, pp. 544-547, Detroit, USA ein Ansatzvorgeschlagen, erweitere Strukturmodelle für eine Sprachverarbeitung einzusetzen.Diese erweiterten Strukturmodelle in Form von stochastischen Markov-Graphenermöglicheneine verbesserte Synthese und Erkennung von Sprache. Als nachteilhafterweist sich dieser Ansatz allerdings dadurch, dass Sprachsignalegegenüberden vorstehend erwähntenakustischen Prüfsignalenvon völligverschiedenen Prozessen erzeugt werden und damit auch andere Eigenschaftenaufweisen. Eine einfache Übernahmeder besonderen Strukturmodelle in Form der stochastischen Markov-Graphenfür einezerstörungsfreiePrüfungkann daher nicht ohne weiteres erfolgen.
    [0010] Ebensowird in einem Konferenzbeitrag M. Eichner, M. Wolff und R.Hoffmann: "A unifiedapproach for speech synthesis and speech recognition using stochasticMarkov graphs," inProc. 6th Int. Conf. Spoken Language Processing(ICSLP), 2000, vol. 1, pp. 701-704, Beijing, PR China, undin dem Konferenzbeitrag M. Eichner, S. Ohnewald, M. Wolff andR. Hoffmann: "Speechsynthesis using Stochastic Markov Graphs," in: Proc. ICASSP, May 5-7, 2001, SaltLake City, UT, USA, eine Möglichkeitzur Spracherkennung bzw. Sprachsynthese auf der Basis von komplexenStrukturmodellen in der Form von stochastischen Markov-Graphen vorgeschlagen.Hier gelten ebenso wiederum die zuvor genannten Nachteile bzw. Problemebei der Übertragungder komplexen Strukturmodelle aus der Sprachverarbeitung auf einzerstörungsfreiesPrüfverfahren.
    [0011] Dervorliegenden Erfindung liegt daher die Aufgabe zugrunde, eine exaktereund weniger störanfälligereMöglichkeitzu schaffen, eine Klassifikation eines zu prüfenden Bauteils in eine Güteklassevorzunehmen.
    [0012] DieseAufgabe wird durch eine Vorrichtung zum Beurteilen einer Güteklasseeines zu prüfendenObjekts gemäß Anspruch1 und ein Verfahren zum Beurteilen einer Güteklasse eines zu prüfenden Objektsgemäß Anspruch13 gelöst.
    [0013] Dievorliegende Erfindung schafft eine Vorrichtung zum Beurteilen einerGüteklasseeines zu prüfendenObjekts mit folgenden Merkmalen: einer Einrichtung zum Erfasseneines Prüfsignalsvon dem zu prüfendenObjekt; einer Einrichtung zum Bereitstellen eines stochastischenMarkov-Modells, das auf der Grundlage von Referenzmessungen vonObjekten bekannter GüteklassenZuständeund Übergänge zwischenZuständenumfasst; einer Einrichtung zum Bewerten des Prüfsignalsunter Verwendung des stochastischen Markov-Modells; und einerEinrichtung zum Einordnen des zu prüfenden Objekts in eine Güteklasse,basierend auf der Bewertung des Prüfsignals.
    [0014] Fernerschafft die vorliegende Erfindung ein Verfahren zum Beurteilen einerGüteklasseeines zu prüfendenObjekts mit folgenden Schritten: Erfassen eines Prüfsignalsvon dem zu prüfendenObjekt; Bereitstellen eines stochastischen Markov-Modells,das auf der Grundlage von Referenzmessungen von Objekten bekannterGüteklassenZuständeund Übergänge zwischenZuständenumfasst; Bewerten des Prüfsignalsunter Verwendung des stochastischen Markov-Modells; und Einordnendes zu prüfendenObjekts in eine Güteklasse,basierend auf der Bewertung des Prüfsignals.
    [0015] Dervorliegenden Erfindung liegt die Erkenntnis zugrunde, dass sichkomplexe Strukturmodelle wie das stochastische Markov-Modell auchfür zerstörungsfreiePrüfverfahrenverwenden lassen, wobei dann diese stochastischen Markov-Modelle Zustände und Übergänge zwischenZuständenumfassen müssen,die auf der Grundlage von Referenzmessungen von Objekten bekannterGüteklassenausgebildet sind. Im Unterschied zur Sprachverarbeitung bzw. Spracherkennungist es bei der Anwendung der stochastischen Markov-Modelle dahernötig,die Netz-Struktur des stochastischen Markov-Modells, das heißt, die Übergänge zwischeneinzelnen Zuständensowie die Anzahl und Lage der Zustände im stochastischen Markov-Modell vor der eigentlichenBeurteilung einer Güteklasseeines zu prüfendenObjekts zunächstunter Zuhilfenahme von Referenzmessungen von Objekten bekannterGüteklassenentsprechend auszubilden. Bei der Sprachverarbeitung ist ein solchesAusbilden der Übergänge zwischeneinzelnen Zuständenund der Lage der einzelnen Zuständeim stochastischen Markov-Modell oftmals nicht notwendig und kannnach der Ausbildung des stochastischen Markov-Modells auf der Basis vonallgemeinen psychoakustischen Zusammenhängen dann während der Klassifikation vonSprachabschnitten zu einer Anpassung der Genauigkeit verwendet werden.Der Kerngedanke der vorliegenden Erfindung besteht somit darin,dass sich auch bei der zerstörungsfreienPrüfungvon Objekten akustische Signale einsetzen lassen, und durch Verfahrenwie die aus der Sprachverarbeitung bekannten stochastischen Markov-Modelleklassifizieren lassen, wobei dann jedoch auf eine geeignete Ausbildungder Zuständeund Übergänge zwischenden Zuständenzu achten ist.
    [0016] Dievorliegende Erfindung bietet den Vorteil, dass der vorgeschlageneAnsatz universell einsetzbar und vollständig datengesteuert ist undnur wenig Kenntnisse überdie zugrundeliegenden Prozesse der Strukturierung des Prüfsignalin dem zu prüfendenObjekt notwendig ist. Im Vergleich zu den bisher verwendeten Methoden,insbesondere der Verwendung von HMM-Strukturen, bei der zerstörungsfreienPrüfungwerden eindeutig bessere, d.h. exaktere Ergebnisse erzielt, diezudem weniger störanfällig gegeneine Fehlklassifikation sind. So kann bei Verwendung des stochastischenMarkov-Modells gegenüber derVerwendung von HMM-Strukturen eine deutliche Verbesserung der Trennschärfe zwischenden Güteklassenerzielt werden. Damit könnenbeispielsweise "gute" von "schlechten" Bauteilen zu nahezu100 Prozent unterschieden werden. Bei der Ermittlung einer Lebensdauerdes zu prüfendenObjekts unter Verwendung der stochastischen Markov-Modelle kannein Alterungszustand des zu prüfendenObjekts zu annähernd98 % richtig erkannt werden. Es ist somit ein wesentlicher Vorteilder vorliegenden Erfindung, dass die aus der Sprachverarbeitungbzw. Spracherkennung bekannten Strukturmodelle der stochastischenMarkov-Modelle nach einer Anpassung auch für nicht sprachliche Anwendungen wiedie zerstörungsfreiePrüfungeingesetzt werden könnenund somit die Vorteile der Verwendung von stochastischen Markov-Modellenin Form einer exakteren Klassifikationsmöglichkeit auch für die nicht-sprachlichenAnwendungen nutzbar sind.
    [0017] DerKern der Erfindung liegt somit in der Anwendung von stochastischenMarkov-Modellen oder -graphen zur Klassifizierung nicht-sprachlicherakustischer Signale. Es erfolgt eine automatische "Strukturaufdeckung" der Signale undeine Modellierung als stochastische Markov-Graphen oder -modellen.
    [0018] BevorzugteAusführungsbeispieleder vorliegenden Erfindung werden nachfolgend anhand der beiliegendenZeichnungen nähererläutert.Es zeigen:
    [0019] 1 einBlockschaltbild eines Ausführungsbeispielsder vorliegenden Erfindung;
    [0020] 2 einBlockschaltbild eines ersten Ausführungsbeispiels des erfindungsgemäßen Verfahrens;
    [0021] 3 eineschematische Darstellung einer Netzstruktur eines HMM-Graphen undeines SMM-Graphen, zur Verdeutlichung der Unterschiede zwischenHMM-Graphen undSMM-Graphen;
    [0022] 4 einzweites Ausführungsbeispieldes erfindungsgemäßen Verfahrens;und
    [0023] 5 eineDarstellung einer Netztopologie eines HMM-Graphen, wie er in herkömmlichenAnsätzen verwendetwird.
    [0024] Inder nachfolgenden Beschreibung der Ausführungsbeispiele der vorliegendenErfindung werden für diein den verschiedenen Zeichnungen dargestellten und ähnlich wirkendenElemente gleiche oder ähnliche Bezugszeichenverwendet, wobei auf eine wiederholte Beschreibung dieser Elementeverzichtet wird.
    [0025] 1 zeigtein Blockschaltbild eines Ausführungsbeispielsder vorliegenden Erfindung. Hierbei umfasst die Vorrichtung 100 zurBeurteilung einer Güteklasseeines zu prüfendenObjekts eine Einrichtung 102 zum Erfassen eines (beispielsweiseakustischen) Prüfsignals 108 vondem zu prüfendenObjekt 104 oder zum Beaufschlagen des zu prüfenden Objekts 104 miteinem akustischen Anregungssignal 106, um darauf basierendein Prüfsignal 108 zuerfassen. Ferner umfasst die Vorrichtung 100 zum Beurteileneine Einrichtung 110 zum Bereitstellen eines stochastischenMarkov-Modells. Die Einrichtung 110 zum Bereitstellen ist über eine Verbindung 112 mitder Einrichtung 102 zum Erfassen verbunden. Ferner umfasstdie Vorrichtung 100 zum Beurteilen eine Einrichtung 114 zumBewerten des Prüfsignalsunter Verwendung des stochastischen Markov-Modells, wobei die Einrichtung 114 zumBewerten übereine zweite Verbindung 116 mit der Einrichtung 110 zumBereitstellen und übereine weitere Verbindung 117 mit der Einrichtung 102 zumBeaufschlagen verbunden ist. Außerdemumfasst die Vorrichtung 100 zur Beurteilung eine Einrichtung 118 zumEinordnen des zu prüfendenObjekts 104 in eine GüteklasseGK, basierend auf der Bewertung des Prüfsignals 108. Die Einrichtung 118 zumEinordnen ist ferner übereine dritte Verbindung 120 mit der Einrichtung 114 zumBewerten verbunden und weist ferner einen Ausgang 122 auf,an dem ein Signal abgreifbar ist, das einen Rückschluss auf die GüteklasseGK bietet, in die die Einrichtung 118 zum Einordnen daszu prüfendeObjekt 104 eingeordnet hat.
    [0026] Umein zu prüfendesObjekt 104 auf bestimmte Parameter, wie beispielsweiseeine Herstellungsqualität,einen Verschleiß odereinen Betriebszustand zu überprüfen, kanndie Einrichtung 102 zum Erfassen dem zu prüfenden Objekt 104 einakustisches Anregungssignal 106 zuführen, wobei das akustischeAnregungssignal 106 beispielsweise ein Ultraschallimpulsoder ähnlichist, das übereine feste (oder flüssigebzw. gasförmige)Verbindung dem zu prüfendenObjekt 104 beaufschlagt wird (aktives Erfassen). Ansprechendauf das akustische Anregungssignal 106 kann sich in demzu prüfendenObjekt 104 entsprechend einer zu prüfenden charakteristischen Strukturin dem Objekt 104, die beispielsweise einem Materialabtragbei einer Verschleiß-Untersuchung entspricht,ein charakteristisches akustisches Muster ausbilden, das als Prüfsignal 108 zuerfassen ist.
    [0027] Alternativkann das Prüfsignal 108 auchdurch ein passives Erfassen ermittelt werden, wobei dann ein Beaufschlagendes zu prüfendenObjektes 104 mit dem Anregungssignal 106 entfallenkann, wobei sich ein von dem zu prüfenden Objekt ausgehendes Signalnutzen lässt.
    [0028] DiesesPrüfsignal 108 kanndann beispielsweise wieder unter Verwendung einer festen, flüssigen oder gasförmigen (z.B.Luft) Verbindung zur Einrichtung 102 zum Erfassen übertragenwerden und in dieser entsprechend aufbereitet werden. Diese Aufbereitungkann beispielsweise eine Zeit-Spektral-Analyse unter Verwendungeiner Fourier- oder Wavelet-Transformation sein, wodurch das Prüfsignal 108 inForm einer dreidimensionalen Zeit-Frequenz-Darstellung die Amplitudenzu den jeweiligen Zeit- und Frequenzpunkten wiedergibt. Weiterhinkann in der Einrichtung 102 zum Erfassen bereits eine Extraktionder Merkmale (d.h. der Amplituden) in einen Merkmalsraum n-ter Dimensionerfolgen und anschließendeine Transformation des Merkmalsraumes n-ter Ordnung und einen Merkmalsraumm-ter Dimension überführt werden,wobei n und m natürlicheZahlen sind, die die Bedingung m > nerfüllen.Eine solche Transformation bietet daher die Möglichkeit, nicht alle möglichenMerkmalsausprägungen(beispielsweise alle erhaltenen Amplitudenwerte der Zeit-Frequenzbereichsdarstellung)zum Beurteilen des zu prüfendenObjekts zu verwenden, sondern lediglich diejenigen Merkmalsausprägungen zuverwenden, die eine spezifische Aussage über das charakteristische Muster indem Prüfsignal 108 enthalten.Eine solche Reduktion der Dimension des Merkmalsraums bringt dannauch eine Vereinfachung der nachfolgenden Schritte mit sich, daeine geringere Anzahl von Merkmalsausprägungen zu berücksichtigensind. Die von der Einrichtung 102 zum Erfassen erfassten(und eventuell transformierten) Merkmalsausprägungen des Prüfsignals 108 können dannzu Merkmalvektoren X gruppiertbzw. unterteilt werden.
    [0029] Diegebildeten Merkmalvektoren könnendann überdie Verbindung 112 zur Einrichtung zum Bereitstellen desstochastischen Markov-Modells übertragenwerden. Die Einrichtung 110 zum Bereitstellen des stochastischenMarkov-Modells kanndabei in einer ersten Version ein bereits trainiertes stochastischesMarkov-Modell umfassen, wenn die Vorrichtung 110 lediglichzur Klassifikation von zu prüfendenObjekten 104 in bekannte Güteklassen erfolgen soll, undein Training auf neue Güteklassennicht erforderlich ist. Beispielsweise wäre eine solche festtrainierteVorrichtung in Form einer Prüfanlagefür denVerschleiß vonEisenbahnräderndenkbar, wobei eine solche Prüfanlagein jedem Ausbesserungswerk fürSchienenfahrzeuge installiert sein könnte; die Grenzwerte des Radverschleißes jedochbeispielsweise vom Eisenbahnbundesamt vorgegeben werden und somiteine neue Einteilung in die Güteklassen „in Ordnung" oder „nichtin Ordnung" nichtdurch einen Mitarbeiter des Ausbesserungswerks neu einzustellenist.
    [0030] Andererseitskann die Einrichtung 110 zum Bereitstellen des stochastischenMarkov-Modells aber auch ausgebildet sein, um ein Training auf eineneue Güteklassedurchführenzu können,wobei eine solche Vorrichtung 110 zur Beurteilung einerGüteklasseeines zu prüfendenObjekts dann beispielsweise in Forschungs- der Produktionsanlageninstalliert sein könnte,wobei eine Neujustierung der Güteklassenerforderlich werden kann, wenn Produktionsprozessveränderungenbei der Herstellung des zu prüfendenObjekts zu einer Fehlklassifikation in die vorhandenen Güteklassenführt,oder zu einer Generierung von einer hohen Anzahl von neuen, undefiniertenGüteklassenführt.
    [0031] Aufdie Beschreibung der Unterschiede der Verwendung von herkömmlichenHMM-Graphen und SMM-Graphen (SMM = stochastisches Markov-Modell,auch SMG genannt) und einem entsprechenden Training wird in einemnachfolgenden Abschnitt noch detaillierter eingegangen.
    [0032] Fernerkönnendie in der Einrichtung 102 zum Erfassen gebildeten Merkmalvektorenin Form einer Merkmalvektorsequenz X dann über dieweitere Verbindung 117 zur Einrichtung 114 zumBewerten übertragen werden,wobei die Einrichtung 114 zum Bewerten auch von der Einrichtung 110 zumBereitstellen des stochastischen Markov-Modells dasselbe über diezweite Verbindung 116 enthält. Ausgehend von den über dieweitere Verbindung 117 zugeführten Merkmalvektoren X und dem über die zweite Verbindung 116 zugeführten stochastischenMarkov-Modell kann die Einrichtung 114 zum Bewerten aufeine nachfolgend nähererläuterteVorgehensweise ein Klassifikationssignal ermitteln, das über dieVerbindung 120 der Einrichtung 118 zum Einordnendes zu prüfendenObjekts in eine GüteklasseGK übermitteltwird. Aus diesem Klassifikationssignal kann dann die Einrichtung 118 zumEinordnen, beispielsweise unter Verwendung eines Entscheidungsschwellwerts, eineEinordnung des zu prüfendenObjekts 104 in eine GüteklasseGK durchführen,wobei eine Information überdie GüteklasseGK, der das zu prüfendenObjekt 104 zugeordnet wurde, an dem Ausgang 122 derEinrichtung 118 zum Einordnen entnehmbar ist.
    [0033] 2 zeigtein erstes Ausführungsbeispieldes erfindungsgemäßen Verfahrens,wobei das in 2 dargestellte Verfahren 200 imwesentlichen die Abfolge von Verfahrensschritten wiedergibt, wiesie bereits mit Bezug auf die 1 näher erläutert wurden.So erfolgt in einem ersten Schritt 202 ein Erfassen einesPrüfsignalsvon dem zu prüfendenObjekt (passives Erfassen) oder ein Beaufschlagen des zu prüfenden Objektsmit einem akustischen Anregungssignal, wobei das Beaufschlagen dannferner ein Erfassen des auf dem akustischen Anregungssignal basierenden Prüfsignalsenthält(aktives Erfassen). Ferner kann der Schritt des Beaufschlagens 202 aucheine Zeit-Frequenzbereichstransformationdes erfassten Prüfsignalsenthalten, um Amplituden des Zeit- und Frequenzbereichs als Merkmalex in einem Merkmalvektor X zusammenzufassenund aus mehreren Merkmalvektoren X eineMerkmalvektorsequenz X zu bilden.Außerdemist es möglich,eine Merkmaltransformation durchzuführen, um eine Datenreduktionin Bezug auf die entscheidenden Merkmale des Prüfsignals durchzuführen, umeine nachfolgende Verarbeitung der Merkmalvektoren zu erleichtern.
    [0034] Ineinem weiteren Verfahrensschritt 204 kann ein Bereitstelleneines stochastischen Markov-Modells erfolgen, wobei das stochastischeMarkov-Modell entweder bereits vortrainiert ist oder auf der Basisder im Verfahrensschritt 202 des Erfassens gebildeten Merkmalvektorentrainiert werden kann, wobei dann während des Trainings die Merkmalvektorenauf Objekte mit bekannten Güteklassenzu beziehen sind (Bilden von Referenz-Merkmalvektoren).
    [0035] Ineinem weiteren Verfahrensschritt 206 erfolgt ein Bewertendes Prüfsignalsunter Verwendung des stochastischen Markov-Modells, um ein Klassifikationssignalzu erhalten, mit Hilfe dessen in einem weiteren Verfahrensschritt 208 einEinordnen des zu prüfendenObjekts in eine Güteklasseerfolgen kann.
    [0036] DieGrundzügedes Lösungswegeslassen sich somit durch die vier wesentlichen Schritte der Merkmalextraktionund Merkmalstransformation, des Bereitstellens (und eventuell Trainierens)des stochastischen Markov-Modells, der Klassifikation von Merkmalenund der Einordnung der klassifizierten Merkmale in eine Güteklasseunterscheiden.
    [0037] Daswesentliche Merkmal der vorliegenden Erfindung ist die Verwendungeines akustischen Modells, das als stochastischer Markov-Graph (SMG)strukturiert ist, und dass eine verallgemeinerte Form von HMMs darstellt.Im Gegensatz zu HMMs ist die Graphenstruktur des verwendeten stochastischenMarkov-Modells allerdings deutlich komplizierter und sollte für die Verwendungdes stochastischen Markov-Graphen in akustischen zerstörungsfreienPrüfverfahrenbesonders ausgestaltet sein. Dies kann beispielsweise in einem speziellenTraining des stochastischen Markov-Graphen erfolgen, wonach dertrainierte stochastische Markov-Graph zur Klassifizierung eineszu prüfendenObjekts verwendet werden kann.
    [0038] Einstochastischer Markov-Graph lässtsich durch die Formel G = {V, E, {N}, ν(V), π(E)}darstellen,wobei der stochastische Markov-Graph G aus einem Satz von Knoten(oder Zuständen)V und einem Satz von gerichteten Kanten E ⊆ V×V besteht. Durch die Abbildung ν(V):V → {N}wird jedem Knoten eine mehrdimensionale Gauss-Verteilungsdichtefunktion Ni(μi,Σi) ∊ {N}zugeordnet, welche definiert ist, als ein bestimmtes Gebiet im sekundären Merkmalsraum,das heißt,im Merkmalsraum mit der zweiten (kleineren) Dimension. Wie in herkömmlichenHMMs besitzt jede Kante eine Übergangswahrscheinlichkeit π(E):E → R(0,1] wobei R(0,1] dieMenge der reellen Zahlen r mit 0 < r ≤ 1 bezeichnet
    [0039] Für den erstengrundlegenden Schritt der Merkmalsextraktion und -transformationder akustischen Signale (d.h. des Prüfsignals) wird beispielsweiseeine auf einer Kurzzeit-FFT basierenden Merkmalextraktion benutzt.Die Merkmale des akustischen Signals (d.h. des Prüfsignals)könnendabei beispielsweise die Amplituden zu entsprechenden Frequenz- und Zeitpunktender Kurzzeit-FFT sein. Da eine robuste Schätzung der Gaußverteilungenmit dem gegebenen, durch die in der Merkmalextraktion erkanntenMerkmale x aufgespannten Merkmalraum X, eine sehr große Mengean Trainingsdaten erfordern würde,sollte die Dimension des Merkmalsraums verkleinert werden. Dieskann durch eine sekundäreMerkmalstransformation unter zur Hilfenahme einer Hauptkomponentenanalyse(PCA = HKA) erfolgen. Eine solche Hauptkomponentenanalyse reduziertprimäreMerkmalvektoren, die durch Merkmale x aus der Merkmalextraktionentstanden sind, auf sekundäreMerkmalvektoren, wobei die Merkmale der sekundären Merkmalvektoren oder Informationen über die Merkmalevon sekundärenMerkmalvektoren nur noch füreine Beurteilung der Güteklassedes zu prüfenden Objektsrelevante Merkmale oder Informationen umfassen. Hierdurch lässt sichsomit eine bedeutende Verkleinerung der Dimension eines primären Merkmalvektorraumsmit den primärenMerkmalvektoren auf einen sekundärenMerkmalraum der sekundärenMerkmalvektoren durchführen,was sich in einer bedeutenden Vereinfachung des nachgelagerten numerischenAufwands auszeichnet.
    [0040] Alsnachfolgender wesentlicher Teil des erfindungsgemäßen Ansatzeserfolgt dann das Bereitstellen und/oder Trainieren des stochastischenMarkov-Graphen. Insbesondere soll in diesem Zusammenhang näher aufein Training des stochastischen Markov-Graphen eingegangen werden.Das Training der stochastischen Markov-Graphen umfasst erstens dieBestimmung von akustischen Parametern wie dem Mittelwertvektor μi undder Kovarianzmatrix Σi der Gaussverteilungen Ni.Durch den Index i wird hierbei ein Zustand (d.h. Knoten) des stochastischenMarkov-Graphen charakterisiert. Zweitens umfasst das Training dieBestimmung der Graphenstruktur {V, E, π(E)}des stochastischen Markov-Graphen. Das hier beschriebene Trainingsverfahrenführt diesebeiden Aufgaben gleichzeitig aus, wie nachfolgend noch detaillierterausgeführtwird.
    [0041] Ineinem ersten Schritt des Trainings wird ein SMG-Modell (SMG = stochastischerMarkov-Graph) für jedeBeobachtungsklasse (d.h. Güteklasse)erzeugt. Diese Modelle werden durch eine äquivalente Erzeugung einerLinks-Rechts-HMM-Strukturmit M Knoten, die Zuordnung der Gaußverteilungen zu den Knotenund die Initialisierung der Parameter mit einer genügend großen Mengevon Merkmalvektoren der Beobachtung initialisiert. Alle Modellewerden dabei nachfolgend auf eine äquivalente Weise trainiert.Eine solche Links-Rechts-HMM-Struktur ist nochmals in 3 dargestelltund mit dem Bezugszeichen 302 gekennzeichnet. Diese Links-Rechts-HMM-Struktur 302 umfasstdrei Knoten S, M1, M2, M3 und E, die durch gerichtete Kanten miteinanderverbunden sind, wobei einige der gerichteten Kanten in 3 exemplarischdurch die Bezugszeichen 304 gekennzeichnet sind. Jedemder inneren Knoten M1 bis M3 ist eine (oder mehrere) Normalverteilung(en)oder Gaußverteilung(en)zugeordnet, wie sie in 3 exemplarisch durch die Bezugszeichen 306 dargestelltsind. Zuerst erfolgt dann eine iterative Verfeinerung der Parameterder Gaußverteilungen,indem beispielsweise der Viterbi-Algorithmus angewendet wird. Weiterhinwird die Übergangswahrscheinlich zwischenden Knoten der SMGs bestimmt. Nachdem das Viterbi-Training (einTraining auf der Grundlage des Viterbi-Algorithmus) konvergiertist, erfolgt eine Bereinigung der SMGs, indem alle Kanten gelöscht werden, deren Übergangswahrscheinlichkeitenunter einer gegebenen Übergangswahrscheinlichkeitsschwelleliegen. Danach wird eine Spaltung aller Gaußverteilungen (und ihrer entsprechendenSMG-Knoten) entlang der Achse ihrer größten Standardabweichungen durchgeführt. Dieneuen Knoten (d.h. beide aus der Teilung hervorgegangen Knoten)besitzen die Übergänge zu allenVorgängernund Nachfolgern der Originalknoten. Der Prozess des Viterbi-Trainings,Bereinigens und der Spaltung wird so lange wiederholt, bis entwedereine vorgegebene Anzahl der SMG-Knoten erreicht oder eine vorgegebeneAnzahl von Knoten währendder Bereinigung gelöschtwurde. Das Modell sollte nicht übertrainiertsein, d.h. wenn ein Trainingsabschnitt keine Verbesserung mehr bewirkt,die größer alseine bestimmte Verbesserungsschwelle ist, kann das Training desstochastischen Markov-Graphen abgebrochen werden. Nach dem Training,insbesondere dem Aufspalten der einzelnen Knoten M1 bis M3 und demBereinigen von Knoten und Übergängen zwischenKnoten, die eine geringere Übergangswahrscheinlichkeitals die Übergangswahrscheinlichkeitsschwellehaben, resultiert beispielsweise ein stochastischer Markov-Graphmit 10 Zuständen(Knoten) S, G4, G7, G5, G11, G8, G2, G12, G6, G9, G3 und E, wieer in 3 durch das Bezugszeichen 308 gekennzeichnetist. Die Übergangswahrscheinlichkeitender Übergänge zwischenden Knoten des SMGs 308 sind dabei aus Gründen der Übersichtlichkeitnicht dargestellt. Wie aus 3 zu erkennenist, kann durch die Spaltung der Knoten des Graphen jedem Knoteneine einzige Normal- oder Gaußverteilungzugeordnet werden, wie es beispielsweise durch die Zuordnung der Wahrscheinlichkeitsdichte 310 zumKnoten G4, der Wahrscheinlichkeitsdichte 312 zum KnotenG7 oder der Wahrscheinlichkeitsdichte 314 zum Knoten G9dargestellt ist. Hierdurch erhöhtsich zwar die Komplexitätdes Graphen, zugleich steigt jedoch auch die Klassifikationsgüte bei Verwendungdieses Graphen.
    [0042] Nachdemein derart trainierter stochastischer Markov-Graph SMG 308 bereitgestelltwurde, kann die Bewertung des Prüfsignalsunter Verwendung des bereitgestellten (und trainierten) stochastischenMarkov-Graphen und das Einordnen des zu prüfenden Objekts in eine Güteklasseerfolgen. Hierzu wird zunächst für eine Dekodierung,(d.h. eine Bewertung des Prüfsignalsfür eineKlassifizierung) ein linearer Graph X aus einer Merkmalvektorsequenz X der Beobachtung gebildet,wobei die Merkmalvektorsequenz X sichaus den einzelnen Merkmalvektoren X1, X2, X3 .... usw. zusammensetztund die einzelnen Merkmalvektoren beispielsweise Amplitudenwertenzu Zeit- und Frequenzpunkten eines Ausschnittes aus der Zeit-Frequenzbereichsdarstellungentsprechen. Weiterhin ordnet der lineare Graph X exakt einen Merkmalvektoreinem Knoten des Graphen zu. Danach folgt eine Anpassung des Graphenan die SMG-Modelle Gm aller M Beobachtungsklassen. Alslokales Abstandsmaß zwischendem Merkmalvektor Xj (wobei der Index jeinen Knoten νj bezeichnet) und einer Gaußverteilungdes Knotens νj des m-ten SMG-Modells Gm wirddie Log-Likelihood LL (Glaubwürdigkeit) genutzt,der eine Emissionswahrscheinlichkeit der Merkmalsausprägungen xi eines Merkmalvektors Xi kennzeichnetund durch die nachstehende Formel beschrieben werden kann:
    [0043] Hierbeibezeichnet der Ausdruck N(νj,m) =(μ j,m, Σj,m) die Gaußverteilung verbunden mit demKnoten νj des SMG m, wobei der Ausdruck μ j,m den Mittelwertvektor des j-ten Knotensdes m-ten SMG-Modells bezeichnet und der Ausdruck Σj,m dieKovarianzmatrix des j-ten Knotens des m-ten SMG bezeichnet. EineViterbi-Suche bestimmt einen Pfad U* m durch den stochastischen Markov-GraphenGm, welcher die Emissionswahrscheinlichkeitssummefür dieMerkmalvektorsequenz X derBeobachtung maximiert, was durch die folgende Formel mathematischausgedrücktwerden kann:
    [0044] N(ui) bezeichnet dabei mit dem Knoten ui∊U verbundene Gaußverteilungund |X| bezeichnet die Länge derMerkmalvektorsequenz X. Durchden Ausdruck LL*(X|Gm) kann fernerdie Emissionswahrscheinlichkeit des besten Weges im Modell Gm bei gegebener Merkmalvektorsequenz X bezeichnet werden.
    [0045] ImFalle eines Mehrklassenmodells (M > 1)wird dasjenige Modell m* gewählt, dasdie größte Emissionswahrscheinlichkeitfür dieBeobachtung als Erkennungsresultat liefert, was durch die nachfolgendeFormel ausgedrücktwerden kann:
    [0046] Weiterhinkann die Emissionswahrscheinlichkeit m* bzw.U* m als Konfidenzmaß genutztwerden, welche es erlaubt, eine Aussage zu treffen, wie ähnlich Beobachtungund gewählteKlasse sind.
    [0047] In 4 istein Ablaufdiagramm eines zweiten Ausführungsbeispieles des erfindungsgemäßen Verfahrensdargestellt, bei dem ein Training des stochastischen Markov-Graphen durchgeführt wird.Zuerst wird durch eine Lernstichprobe 402 ein Signall einerMerkmalsextraktionsstufe 404 zur Verfügung gestellt, wobei ein Schalter 406 inder in 4 gestrichelt dargestellten Position „Training" geschaltet ist.Durch die Merkmalsextraktionsstufe 404 werden primäre Merkmaleermittelt und weiter in einer Merkmalstransformationsstufe 408 dieseprimärenMerkmale in sekundäreMerkmale transformiert. Die sekundären Merkmale werden einer statistischenEinheit 410 zur klassenabhängigen Aufbereitung zugeführt, wobeidie statistische Einheit 410 zugleich aus der Lernstichprobe 402 eineInformation überdie Klassenmarken enthält,die dem Signall inhärent sind.Durch die statistische Einheit 410 kann dann eine charakteristischeMerkmalstatistik ermittelt werden, wie sie in 4 durchdas Bezugszeichen 412 gekennzeichnet ist. Diese Merkmalstatistik 412 umfasstdann eine Information übersignifikante Merkmalsausprägungendes Signals1, woraus sich Rückschlüsse aufdie Klasse des dem Signall zugeordneten Prüfobjekts ergeben. Insbesonderebedeutet dies, dass in der Merkmalstatistik 412 ein Zusammenhangermittelt werden kann, der eine Erkennung der Klasse auf der Basisvon wenigen relevanten Merkmalen ermöglicht, wodurch bei der Merkmaltransformation 408 eineReduktion der füreine eindeutige Klassifizierung wichtigen Merkmale möglich wird.Die Merkmalstatistik 412 kann somit als Grundlage für die Merkmaltransformation 408 dienen,was in 4 durch die Verbindung zwischen den Elementenmit den Bezugszeichen 412 und 408 gekennzeichnetist. Weiterhin könnendie sekundärenMerkmale durch eine Kompilation 414 in Merkmalvektorgraphen überführt werden,die sich zunächstfür eineModellbildung als Modellinitialisierung 416 verwenden lassen.Ferner kann auch die von der Lernstichprobe 402 bereitgestellteInformation überdie Klassenmarken bei der Modellinitialisierung 416 berücksichtigtwerden. Aus der Modellinitialisierung kann ein akustisches Modell 418 inForm eines stochastischen Markov-Graphen (SMG) bereitgestellt werden,welches im Rahmen des Modelltrainings durch die Schritte der SMG-Modellsäuberung 420 und derSMG-Spaltung 422 sowiedem hieran anschließendenViterbi-Training 424 verändert werdenkann. Das Viterbi-Training 424 kann hierbei Informationenaus der SMG-Spaltung 422, der von der Lernstichprobe 402 ausgegebenInformationen überKlassenmarken und den nach der Kompilation 414 bereitgestelltenMerkmalvektorgraphen verwenden, um verschiedene Zustände und Übergänge zwischenverschiedenen Zuständen desakustischen Modells zu verändern.Ein solches Training kann übermehrere Zyklen der SMG-Modellsäuberung 420,der SMG-Spaltung 422 und des Viterbi-Trainings 424 erfolgen,wobei das akustische Modell 418 dann als ausreichend trainiertzu betrachten ist, wenn eine weitere Trainingsschleife keine wesentlicheVeränderungder Modellstruktur mehr ergibt. Ein solcher Trainingsabbruch kannbeispielsweise nach einer Schwellwertvorgabe und einem Vergleicheiner in dem Trainingsdurchlauf bestimmten Größe mit dem Schwellwert erfolgen.Ist das akustische Modell 418 dann ausreichend trainiert,kann der Schalter 406 von der Position "Training" in die Position "Klassifikation" umgeschaltet werden und unbekannteDaten einer Teststichprobe 426 von Objekten, deren Güteklassenicht bekannt ist, könnender Merkmalextraktion 404 zugeführt werden. Dies erfolgt über dasSignal2, das beispielsweise ein Zeitbereichssignal ist, das in derMerkmalextraktion 404 einer Kurzzeit-FFT unterzogen wird,wobei die primärenMerkmale dann beispielsweise Amplituden zu definierten Zeit- und Frequenzpunktensind. Die primärenMerkmale werden dann durch die Merkmaltransformation 408 insekundäreMerkmale umgeformt, die anschließend durch eine Kompilation 414 wiederin einen Merkmalvektorgraphen überführt werden.Der Merkmalvektorgraph wird dann einer Viterbi-Suche 428 zugeführt, dieunter Berücksichtigungdes akustischen Modells 418 eine akustische Bewertung desMerkmalvektorgraphen durchführtund in einer nachfolgenden Klassifikation 430 eine Informationbereitstellt, die eine direkte Einordnung des Prüfobjekts, von dem das Signal2stammt, ermöglicht.Die Klassifikation in der mit dem Bezugszeichen 430 gekennzeichnetenEinheit kann somit erstens ein Signal KLASSE bereitstellen, ausdem eine Entscheidungslogik 432 beispielsweise unter Verwendungeines Entscheidungsschwellwerts ein Erkennungsergebnis 434 (d.h.eine Einordnung des zu prüfendenObjekts in eine Güteklasse)liefert. Die Entscheidungslogik 432 braucht jedoch nichtauf der Basis einer Entscheidungsschwelle arbeiten, vielmehr können problemabhängige Entscheidungskriterienverwendet werden, die entsprechend der gewünschten Prüfaufgabe mit nicht-sprachlichenakustischen Signalen festzulegen sind. Weiterhin kann durch dieKlassifikation 430 eine "KONFIDENZ"-Information der Entscheidungslogik 432 bereitgestelltwerden, woraus die Entscheidungslogik eine Aussage über einemöglicheAbweichung des Entscheidungsergebnisses von einem "wahren Klassifikationsergebnis" unter Verwendungdes akustischen Modells 418 resultieren würde. Einsolches Konfidenzmaß kann beispielsweiseeine Abweichung zwischen einem Wert des Signals KLASSE (beispielsweisedes Wertes U* m) undeinem charakteristischen Wert beispielsweise einem Mittelwert vonWerten des Signals KLASSE sein, die der Güteklasse zugeordnet sind. Durcheine solche "KONFIDENZ"-Information bzw.ein solches Konfidenzmaß lässt sichsomit auch eine Aussage überdie Qualitätder Einordnung eines zu prüfendenObjekts in eine Güteklassedurchführen.
    [0048] Abhängig vonden Gegebenheiten kann das erfindungsgemäße Verfahren zum Beurteileneiner Güteklasseeines zu prüfendenObjekts in Hardware oder in Software implementiert werden. Die Implementierung kannauf einem digitalen Speichermedium, insbesondere einer Disketteoder CD mit elektronisch auslesbaren Steuersignalen erfolgen, dieso mit einem programmierbaren Computersystem zusammenwirken können, dassdas entsprechende Verfahren ausgeführt wird. Allgemein bestehtdie Erfindung somit auch in einem Computerprogrammprodukt mit einemauf einem maschinenlesbaren Trägergespeicherten Programmcode zur Durchführung des erfindungsgemäßen Verfahrens,wenn das Computerprogrammprodukt auf einem Rechner abläuft. Mitanderen Worten ausgedrückt,kann die Erfindung somit als ein Computerprogramm mit einem Programmcodezur Durchführungdes Verfahrens realisiert werden, wenn das Computerprogramm aufeinem Computer abläuft.
    [0049] Zusammenfassendist anzumerken, dass durch das vorstehend beschriebene Verfahrenund die vorstehend beschriebene Vorrichtung nicht sprachliche akustischeSignale analysiert und klassifiziert werden können, wobei Algorithmen derSprachverarbeitung, insbesondere die Strukturmodelle der stochastischenMarkov-Graphen verwendet werden können, um ein universelles,nicht auf eine bestimmte Prüfaufgabeverfeinertes Verfahren zu entwickeln. Entgegen der aus der Sprachverarbeitungbekannten Vorgehensweisen ist in diesem Anwendungsfall eine spezielleAnpassung der verwendeten Strukturmodelle notwendig. Das in denobigen Ausführungenbeschriebene Verfahren kann dabei insbesondere für die folgenden technischenAnwendungsgebiete eingesetzt werden:
    [0050] DieEigenschaften von Produktionsprozessen (oder die von Bauteilen,die aus dem Produktionsprozess fließen) können überwacht und bewertet werden.Dabei sollte der entwickelte Algorithmus automatisch auf Produktionsveränderungen,die keinen Einfluss auf die Qualität des produzierten Bauteilshaben, reagieren und sich ihnen anpassen.
    [0051] Meistwerden kleinere Bauteile (Ventilsitze, Kontaktflächen von Schaltschützen), aberbeispielsweise auch Eisenbahnräderim bestimmungsgemäßen Einsatzauf Verschleiß untersucht.Zusätzlichzu den Verschleiß-Untersuchungen wirdeine repräsentativeVorhersage der Restlebensdauer durchgeführt, um einem bevorstehendenAusfall rechtzeitig vorzubeugen.
    [0052] Hierstehen die Struktursicherheit und die Gewährleistung der Betriebsfestigkeitim Vordergrund. Dabei werden Grenzwerte ermittelt und bewertet.Ein Beispiel hierfürist die Zustandsüberwachungvon Konstruktionselementen in Flugzeugen. So kann beispielsweisedie Integritätvon Flugzeug-Rumpfschalen permanent während des Fluges überwachtwerden.
    [0053] ImGegensatz zur Spracherkennung beruht die vorliegende Erfindung aufeiner speziellen Anpassung und Anwendung des Verfahrens der Spracherkennungauf technische Signale. Eine einfache Übernahme der Verfahren kannjedoch aus folgenden Gründennicht funktionieren: Die zu klassifizierenden Signale (Prüfsignale)werden in der vorliegenden Erfindung von völlig verschiedenen Prozessenerzeugt und weisen damit auch andere Eigenschaften auf, nach deneneine Klassifikation erfolgen kann.
    [0054] DieMerkmalextraktion fürSprache ist psychoakustisch motiviert (mel-skalierte Bänder). DieMerkmale fürtechnische Signale könnenganz andere sein, wodurch sich eine einfache Übertragung der Sprachdatenerkennungauf die Erkennung von Strukturen in technischen Signalen nicht direkt,sondern nur unter geeigneten Anpassungen einsetzen lässt.
    [0055] Beitechnischen Signalen ist die Modellstruktur meist nicht bekannt.Hier wird also ein Strukturtraining benötigt, was bei der Spracherkennungnicht unbedingt nötigist. Vielmehr kann bei Sprachsignalen bereits unter Rückgriffauf bekannte psychoakustische Zusammenhänge eine grundlegende Strukturmodulierungerfolgen, die zumeist auch noch in einem wenig trainierten (oderuntrainierten) Zustand brauchbare Ergebnisse liefert.
    [0056] DieKlassifikationsstrategie ist fürtechnische Signale anders als bei der Spracherkennung. Zur Klassifikationvon technischen Signalen werden u.a. Entscheidungsschwellwerte oderder Verlauf der Konfidenzinformation betrachtet. Bei der Spracherkennungbesteht die Klassifikationsaufgabe in einer Ausgabe von Symbolfolgenbzw. Sätzen.
    权利要求:
    Claims (14)
    [1] Vorrichtung (100) zum Beurteilen einerGüteklasseeines zu prüfendenObjekts (104), mit folgenden Merkmalen: einer Einrichtung(102) zum Erfassen eines Prüfsignals (108) vondem zu prüfendenObjekt (104); einer Einrichtung (110) zumBereitstellen eines stochastischen Markov-Modells (SMM oder SMG),das auf der Grundlage von Referenzmessungen von Objekten bekannterGüteklassenZuständeund Übergangezwischen Zuständenumfasst; einer Einrichtung (114) zum Bewerten desPrüfsignals(108) unter Verwendung des stochastischen Markov-Modells(SMM); und einer Einrichtung (118) zum Einordnen deszu prüfendenObjekts in eine Güteklasse(GK), basierend auf der Bewertung des Prüfsignals (108).
    [2] Vorrichtung (100) zum Beurteilen gemäß Anspruch1, die ferner eine Einrichtung zum Beaufschlagen des zu prüfenden Objekts(104) mit einem akustischen Anregungssignal aufweist, wobeidie Einrichtung (102) zum Erfassen ausgebildet ist, umansprechend auf das akustische Anregungssignal das Prüfsignal(108) zu erfassen.
    [3] Vorrichtung (100) zum Beurteilen gemäß Anspruch1 oder 2, bei der die Einrichtung (110) zum Bereitstellenausgebildet ist, um Referenzmessdaten von Objekten bekannter Güteklassenzu empfangen, um ausgehend von den Referenzmessdaten in dem stochastischenMarkov-Modell Zuständeund Übergänge zwischenden Zuständenauszubilden.
    [4] Vorrichtung (100) zum Beurteilen gemäß Anspruch3, bei dem die Einrichtung (110) zum Bereitstellen ausgebildetist, um den Übergängen zwischenden Zuständenje eine Übergangswahrscheinlichkeit(π(E)) zuzuordnen, wobei die Einrichtung (110)zum Bereitstellen ferner ausgebildet ist, um einen Übergangzwischen einem ersten Zustand und einem zweiten Zustand zu verhindern,wenn die Übergangswahrscheinlichkeitvon dem ersten Zustand in dem zweiten Zustand kleiner als ein vorbestimmterSchwellwert ist.
    [5] Vorrichtung (100) zum Beurteilen gemäß einemder Ansprüche3 oder 4, bei der die Einrichtung (110) zum Bereitstellenausgebildet ist, um einen Zustand (ν) in eine Mehrzahl von Zuständen aufzuspalten.
    [6] Vorrichtung (100) zum Beurteilen gemäß einemder Ansprüche1 bis 5, bei der die Einrichtung (102) zum Erfassen ausgebildetist, um beim Erfassen des Prüfsignals(108) dasselbe in einen primären Merkmalraum n-ter Dimensionzu extrahieren und den primärenMerkmalraum n-ter Dimension in einen sekundären Merkmalraum m-ter Dimensionzu transformieren, wobei die m und n natürliche Zahlen sind, die dieBedingung m größer n erfüllen.
    [7] Vorrichtung (100) zum Beurteilen gemäß einemder Ansprüche1 bis 6, bei der die Einrichtung (110) zum Bereitstellenausgebildet ist, um den Zuständendes stochastischen Markov-Modells (SMM) je eine Wahrscheinlichkeitsfichtefunktion(N(ν)) undein aus Signalwerten (xi) des Prüfsignals(108) gebildeten Merkmalsvektor (X) zuzuweisen.
    [8] Vorrichtung (100) zum Beurteilen gemäß Anspruch7, bei der die Einrichtung (114) zum Bewerten ausgebildetist, um eine Log-Likelihood (LL) zwischen der Wahrscheinlichkeitsdichtefunktion(N(νi)) des Zustands (νi) unddem dem Zustand zugewiesenen Merkmalsvektor (Xi)zu bilden.
    [9] Vorrichtung (100) zum Beurteilen gemäß Anspruch7 oder 8, bei der die Einrichtung (114) zum Bewerten ausgebildetist, um das Bewerten auf der Basis des Viterbi-Algorithmus durchzuführen.
    [10] Vorrichtung (100) zum Beurteilen gemäß Anspruch1 bis 9, bei der Einrichtung (114) zum Bewerten ausgebildetist, einen Klassifikationswert (U* m) zum Bestimmen einer Güteklasse (GK) auszugeben unddie Einrichtung (118) zum Einordnen ausgebildet ist, umden Klassifikationswert (U* m)zum Einordnen des zu prüfendenObjekts in die Güteklassezu verwenden, wobei die Einrichtung (118) zum Einordnenferner ausgebildet ist, um eine Abweichung zwischen dem Klassifikationswert(U* m) und einemfür dieGüteklassecharakteristischen Wert als Konfidenzmaß für eine Ähnlichkeit des zu prüfenden Objektsin Bezug auf eine Güteklassezu verwenden.
    [11] Vorrichtung (100) zum Beurteilen gemäß einemder Ansprüche1 bis 10, bei der die Einrichtung (110) zum Bereitstellenausgebildet ist, um einer ersten Güteklasse zugeordnetes erstesMarkov-Modell bereitzustellen und ein einer zweiten Güteklassezugeordnetes zweites stochastisches Markov-Modell bereitzustellen, dasauf der Grundlage von Referenzmessungen von Objekten bekannter Güteklassenzweite Zuständeund zweite Übergänge zwischenden zweiten Zuständenumfasst, wobei die Einrichtung (114) zum Bewerten des Prüfsignalsausgebildet ist, um das zweite stochastische Markov-Modell zu einerBewertung des Prüfsignals (108)in die erste Güteklasseoder die zweite Güteklassezu verwenden.
    [12] Vorrichtung (100) zum Beurteilen gemäß einemder Ansprüche1 bis 10, bei der die Einrichtung (118) zum Einordnen ausgebildetist, um das Einordnen des zu prüfendenObjekts in die Güteklasseauf der Basis eines Entscheidungsschwellwerts durchzuführen.
    [13] Verfahren (100) zum Beurteilen einer Güteklasseeines zu prüfendenObjekts (104), mit folgenden Schritten: Erfassen einesPrüfsignals(108) von dem zu prüfendenObjekt (104); Bereitstellen (204) eines stochastischenMarkov-Modells (SMM), das auf der Grundlage von Referenzmessungenvon Objekten bekannter GüteklassenZuständeund Übergänge zwischenZuständenumfasst; Bewerten des Prüfsignals(206) unter Verwendung des stochastischen Markov-Modells(SMM); und Einordnen (208) des zu prüfenden Objektsin eine Güteklasse(GK), basierend auf der Bewertung des Prüfsignals (108).
    [14] Computerprogramm mit Programmcode zur Durchführung desVerfahrens gemäß Anspruch13, wenn das Programm auf einem Computer abläuft.
    类似技术:
    公开号 | 公开日 | 专利标题
    Satt et al.2017|Efficient Emotion Recognition from Speech Using Deep Learning on Spectrograms.
    McMurray et al.2011|What information is necessary for speech categorization? Harnessing variability in the speech signal by integrating cues computed relative to expectations.
    D’orazio et al.2008|Automatic ultrasonic inspection for internal defect detection in composite materials
    Zang et al.2004|Structural damage detection using independent component analysis
    Czech et al.2014|Application of the discrete wavelet transform and probabilistic neural networks in IC engine fault diagnostics
    Hansen1996|Analysis and compensation of speech under stress and noise for environmental robustness in speech recognition
    Junsheng et al.2006|A fault diagnosis approach for roller bearings based on EMD method and AR model
    CN104903954B|2017-09-29|使用基于人工神经网络的亚语音单位区分的说话人验证及识别
    US7480574B2|2009-01-20|Method to characterize material using mathematical propagation models and ultrasonic signal
    Ocak et al.2005|HMM-based fault detection and diagnosis scheme for rolling element bearings
    Sivaram et al.2010|Sparse coding for speech recognition
    EP1508893B1|2013-05-22|Rauschunterdrückungsverfahren unter Verwendung eines Signal-Rauschverhältnisses als optimal abzuschätzende Hauptgrösse
    US6915217B2|2005-07-05|Laser doppler vibrometer for remote assessment of structural components
    Polikar et al.1998|Frequency invariant classification of ultrasonic weld inspection signals
    US7664643B2|2010-02-16|System and method for speech separation and multi-talker speech recognition
    US7177808B2|2007-02-13|Method for improving speaker identification by determining usable speech
    US7725412B2|2010-05-25|Identifying temporal sequences using a recurrent self organizing map
    Sambath et al.2010|Automatic detection of defects in ultrasonic testing using artificial neural network
    Shen et al.1999|A dynamic system approach to speech enhancement using the H/sub/spl infin//filtering algorithm
    Cooke et al.2001|Robust automatic speech recognition with missing and unreliable acoustic data
    Puchalski2015|A technique for the vibration signal analysis in vehicle diagnostics
    CN101292283B|2012-08-08|声音判别系统及声音判别方法
    KR100192854B1|1999-06-15|음성인식의 잡음강도를 개선하기 위한 스텍트랄 추정 방법
    Margrave et al.1999|The use of neural networks in ultrasonic flaw detection
    Thomas et al.2011|Estimation of glottal closing and opening instants in voiced speech using the YAGA algorithm
    同族专利:
    公开号 | 公开日
    AT384261T|2008-02-15|
    WO2005111598A1|2005-11-24|
    DE502005002573D1|2008-03-06|
    US7873518B2|2011-01-18|
    EP1733223B1|2008-01-16|
    DE102004023824B4|2006-07-13|
    EP1733223A1|2006-12-20|
    US20070100623A1|2007-05-03|
    引用文献:
    公开号 | 申请日 | 公开日 | 申请人 | 专利标题
    US6477485B1|2000-10-27|2002-11-05|Otis Elevator Company|Monitoring system behavior using empirical distributions and cumulative distribution norms|WO2009135719A1|2008-05-05|2009-11-12|Siemens Aktiengesellschaft|Verfahren und vorrichtung zur klassifikation von schallerzeugenden prozessen|
    DE102009051686A1|2009-10-23|2011-04-28|Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.|Method for determining the softness of tissue paper|
    DE102013015200A1|2013-09-13|2015-03-19|Giesecke & Devrient Gmbh|Verfahren zum Prüfen eines Wertdokuments|US5465321A|1993-04-07|1995-11-07|The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration|Hidden markov models for fault detection in dynamic systems|
    US5500941A|1994-07-06|1996-03-19|Ericsson, S.A.|Optimum functional test method to determine the quality of a software system embedded in a large electronic system|
    US5539652A|1995-02-07|1996-07-23|Hewlett-Packard Company|Method for manufacturing test simulation in electronic circuit design|
    DE19508711A1|1995-03-10|1996-09-12|Siemens Ag|Method for recognizing a signal pause between two patterns which are present in a time-variant measurement signal|
    US5867813A|1995-05-01|1999-02-02|Ascom Infrasys Ag.|Method and apparatus for automatically and reproducibly rating the transmission quality of a speech transmission system|
    US6366887B1|1995-08-16|2002-04-02|The United States Of America As Represented By The Secretary Of The Navy|Signal transformation for aural classification|
    US5778341A|1996-01-26|1998-07-07|Lucent Technologies Inc.|Method of speech recognition using decoded state sequences having constrained state likelihoods|
    US5924066A|1997-09-26|1999-07-13|U S West, Inc.|System and method for classifying a speech signal|
    DK1088211T3|1998-04-17|2003-10-20|Siemens Ag|Akustisk diagnosesystem og -fremgangsmåde|
    US6895380B2|2000-03-02|2005-05-17|Electro Standards Laboratories|Voice actuation with contextual learning for intelligent machine control|
    US6757584B2|2000-07-19|2004-06-29|Prudsys Ag|Device and method for generating a classifier for automatically sorting objects|
    US6850888B1|2000-10-06|2005-02-01|International Business Machines Corporation|Methods and apparatus for training a pattern recognition system using maximal rank likelihood as an optimization function|
    US20030233233A1|2002-06-13|2003-12-18|Industrial Technology Research Institute|Speech recognition involving a neural network|
    US20050049873A1|2003-08-28|2005-03-03|Itamar Bartur|Dynamic ranges for viterbi calculations|US8116968B2|2008-12-23|2012-02-14|National Chiao Tung University|Method for identification of traffic lane boundary|
    DE202010007655U1|2010-06-07|2011-09-08|Ulrich Seuthe|Vorrichtung zur Überwachung und Optimierung von Spritzgießprozessen|
    US9047867B2|2011-02-21|2015-06-02|Adobe Systems Incorporated|Systems and methods for concurrent signal recognition|
    US8554553B2|2011-02-21|2013-10-08|Adobe Systems Incorporated|Non-negative hidden Markov modeling of signals|
    US8843364B2|2012-02-29|2014-09-23|Adobe Systems Incorporated|Language informed source separation|
    CN103852525B|2012-11-29|2016-09-21|沈阳工业大学|基于ar-hmm的声发射信号识别方法|
    US9625592B2|2014-03-12|2017-04-18|Sercel|Method for localizing a marine mammal in an underwater environment implemented by a PAM system, corresponding device, computer program product and non-transitory computer-readable carrier medium|
    US10255358B2|2014-12-30|2019-04-09|Facebook, Inc.|Systems and methods for clustering items associated with interactions|
    CN104749249B|2015-03-23|2018-03-09|中国农业大学|一种基于超声波技术的检测种子净度的方法|
    CN105277622B|2015-12-01|2018-03-23|西南交通大学|一种列车轮对探伤检测方法及装置|
    DE102018008724A1|2018-11-07|2020-05-07|Klaus Faber AG|Messverfahren zur Bestimmung eines Struktur- und Verschleißzustandes eines Bauteils sowie Verwendung einer Messung im Oberflächenbereich eines metallischen elektrischen Leiters|
    法律状态:
    2005-12-15| OP8| Request for examination as to paragraph 44 patent law|
    2007-01-04| 8364| No opposition during term of opposition|
    2012-08-20| R082| Change of representative|Representative=s name: , |
    2012-10-11| R081| Change of applicant/patentee|Owner name: FRAUNHOFER-GESELLSCHAFT ZUR FOERDERUNG DER ANG, DE Free format text: FORMER OWNERS: FRAUNHOFER-GESELLSCHAFT ZUR FOERDERUNG DER ANGEWANDTEN FORSCHUNG E.V., 80686 MUENCHEN, DE; TECHNISCHE UNIVERSITAET DRESDEN, 01069 DRESDEN, DE Effective date: 20120820 Owner name: FRAUNHOFER-GESELLSCHAFT ZUR FOERDERUNG DER ANG, DE Free format text: FORMER OWNER: FRAUNHOFER-GESELLSCHAFT ZUR FOER, TECHNISCHE UNIVERSITAET DRESDEN, , DE Effective date: 20120820 |
    优先权:
    申请号 | 申请日 | 专利标题
    DE200410023824|DE102004023824B4|2004-05-13|2004-05-13|Vorrichtung und Verfahren zur Beurteilung einer Güteklasse eines zu prüfenden Objekts|DE200410023824| DE102004023824B4|2004-05-13|2004-05-13|Vorrichtung und Verfahren zur Beurteilung einer Güteklasse eines zu prüfenden Objekts|
    EP05737888A| EP1733223B1|2004-05-13|2005-04-05|Vorrichtung und verfahren zur beurteilung einer güteklasse eines zu prüfenden objekts|
    PCT/EP2005/003573| WO2005111598A1|2004-05-13|2005-04-05|Vorrichtung und verfahren zur beurteilung einer güteklasse eines zu prüfenden objekts|
    DE200550002573| DE502005002573D1|2004-05-13|2005-04-05|Vorrichtung und verfahren zur beurteilung einer güteklasse eines zu prüfenden objekts|
    AT05737888T| AT384261T|2004-05-13|2005-04-05|Vorrichtung und verfahren zur beurteilung einer güteklasse eines zu prüfenden objekts|
    US11/558,816| US7873518B2|2004-05-13|2006-11-10|Device and method for assessing a quality class of an object to be tested|
    [返回顶部]