DE4207728A1 - Verfahren zur qualitaetspruefung von pruefobjekten - Google Patents

Description

Die Erfindung betrifft ein Verfahren zur Qualitätsprüfung von Prüfobjekten, bei dem die zu untersuchenden Prüfobjekte durch eine externe, impulsförmige Anregung zur Emission von Schallwellen angeregt werden, bei dem die emittierten Schallwellen in einem Schalldetektor registriert werden, und bei dem auf der Grundlage des registrierten Schalls eine Einteilung der Prüfobjekte in mindestens zwei Klassen erfolgt.

Derartige Verfahren zur Qualitätsprüfung von Prüfobjekten, die keine Schallwellen aussenden (wie z. B. Glas, Keramik, Porzellan, Kunststoff, etc.) sind bekannt. Die zur Qualitätsprüfung dieser Werkstücke erforderliche Qualitätsprüfung erfolgte bisher durch speziell ausgebildetes Personal. Dieses nimmt die emittierten Schallwellen über das Ohr auf, vergleicht den registrierten Klangeindruck mit im Gedächtnis gespeicherten Erfahrungswerten des Klanges fehlerfreier bzw. fehlerbehafteter Prüfobjekte und nimmt daraufhin eine entsprechende Bewertung des Prüfobjektes vor. Die Qualitätssicherung durch Menschen hat den Nachteil, daß nur eine beschränkte Zuverlässigkeitsrate bei der Klassifizierung in "gute" und "schlechte" Prüfobjekte erreicht wird. Bei der Analyse des vom angeregten Prüfobjekt emittierten Schalls durch das menschliche Ohr ist es außerdem nicht möglich, Fehler im Prüfobjekt zu entdecken, die sich in Frequenzbereichen des emittierten Schalles manifestieren, welche im nichthörbaren Bereich liegen. Das menschliche Ohr weist ferner nur ein begrenztes Auflösungsvermögen auf, so daß eng benachbart liegende Frequenzlinien nicht getrennt werden können. Dies bringt in nachteiliger Art und Weise mit sich, daß sich in komplexeren Schallspektren manifestierende Fehler des Prüfobjekts nicht mehr zuverlässig erkannt werden können.

Es sind auch automatisierte Verfahren zur Qualitätsprüfung bekannt. Bei diesen tritt der Nachteil auf, daß sie nur einen sehr engen Einsatzbereich aufweisen: Der zur Klassifikation der Schallwellen eingesetzte Algorithmus ist speziell auf den jeweiligen Einsatzzweck abgestimmt. Es sind daher umfangreiche Modifikationen des verwendeten Algorithmus erforderlich, wenn unterschiedliche Prüfobjekte getestet werden sollen. Eine effiziente Qualitätsprüfung ist somit nicht möglich.

Für Problemstellungen der Qualitätsprüfung, bei denen keine mathematische Formulierung der Schall-Signalentstehung existiert und die Korrelationsfunktion zwischen dem emittierten Schallspektrum und einem bestimmten Fehler des Prüfobjekts nicht analytisch bekannt ist, stehen z.Zt. überhaupt keine automatisierbaren Verfahren zur Verfügung, so daß man in diesem Bereich weiterhin auf Prüfpersonal angewiesen ist.

Zur Vermeidung dieser Nachteile stellt sich die Erfindung die Aufgabe, ein Verfahren zur Qualitätssicherung zu entwickeln, das sich durch einen hohen Zuverlässigkeitsgrad bei der Fehlerklassifikation der Prüfobjekte sowie durch einen universellen Einsatzbereich auszeichnet.

Diese Aufgabe wird erfindungsgemäß dadurch gelöst, daß diese Klassifikation des Schallspektrums der Prüfobjekte durch ein Neuronales Netzwerk erfolgt, welchem das zur Klassifikation erforderliche Wissen in einer der eigentlichen Klassifikationsphase vorangehenden Trainingsphase anhand eines ausgewählten Satzes von Prüfobjekten bekannter Klassifikation gelehrt wurde.

Durch die erfindungsgemäßen Maßnahmen wird in vorteilhafter Weise ein beinahe unbegrenzter Einsatzbereich des Verfahrens erreicht: Denn das erfindungsgemäße Verfahren verlangt keine Kenntnisse über die Signalentstehung, so daß auf aufwendig zu erstellende, nur für einen begrenzten Einsatzbereich verwendbare mathematische Algorithmen vollständig verzichtet werden kann. Das im erfindungsgemäßen Verfahren verwendete Neuronale Netzwerk ist daher äußerst flexibel und kann einfach schnell und vom Anwender selbst für völlig neue Produkte eingelernt werden.

Vorteilhafte Weiterbildungen der Erfindung sind in den Unteransprüchen beschrieben.

Im folgenden wird das erfindungsgemäße Verfahren anhand des Ausführungsbeispiels im einzelnen beschrieben. Es zeigt:

Fig. 1 eine schematische Darstellung des Verfahrens.

Ein Prüfobjekt 1 wird durch einen mechanischen Impulsgenerator 2 angeregt. Der mechanische Impulsgenerator 2 kann auf verschiedene Art und Weise ausgebildet sein: So ist es möglich, daß ein Holz-, Kunststoff- oder Metallstößel elektromagnetisch oder pneumatisch gegen das Prüfobjekt 1 geschlagen wird. Es kann auch ein drehbar gelagerter Hammer verwendet werden, den man mittels seines Eigengewichtes von oben auf das Prüfobjekt 1 schlagen läßt. Alternativ dazu ist es weiterhin denkbar, daß man das Prüfobjekt auf eine harte Unterlage fallen läßt. Wichtig ist nur, daß das Prüfobjekt 1 durch den auf ihn einwirkenden mechanischen Impuls zur Emission von Schallwellen angeregt wird.

Als Folge der impulsförmigen Anregung durch den mechanischen Impulsgenerator 2 sendet das Prüfobjekt 1 ein impulsartiges, breitbandiges Schallsignal aus, das von einer länger ausgedehnten Abklingphase abgelöst wird. In dieser Abklingphase treten angeregten Schwingungsmoden entsprechende diskrete Frequenzlinien auf, die mit unterschiedlichen Zeitkonstanten exponentiell abklingen. Diese diskreten Frequenzlinien im Signal sind ein direktes Abbild der Materialeigenschaften und der inneren Struktur des Prüfobjekts 1. Aus der Abweichung der Parameter der Frequenzlinien des Prüfobjekts 1 von den korrespondierenden Werten eines fehlerlosen Prüfobjekts sowie aus den unterschiedlichen Zeitkonstanten der exponentiell zerfallenden Frequenzlinien der entsprechenden Prüfobjekte ist es möglich, Rückschlüsse auf eventuelle Fehler des Prüfobjekts 1 zu schließen.

Die Schallwellen werden in einem Schalldetektor 4 registriert und in elektrische Signale umgesetzt. Diese werden in einem Analog/Digital-Wandler einer digitalen Signalverarbeitung 5 digitalisiert und einer Vorverarbeitung unterzogen. Diese bewirkt, daß das vom Schalldetektor 4 gelieferte digitale Signal, welches das gesamte Emissionsspektrum des angeregten Prüfobjekts repräsentiert, derart reduziert wird, daß nach dem Vorverarbeitungsprozeß im vorverarbeiteten Signal nur mehr die für den anschließenden Klassifikationsprozeß des Prüfobjekts signifikanten Signalmerkmale vorhanden sind.

Diese Vorverarbeitung kann in der Berechnung der Einhüllenden des Signales, seiner Bogenlänge, der fraktalen Dimension, der Berechnung der Autokorrelationsfunktion, des Kurzzeitspektrums mittels Fourier-Analyse, des Cepstrums des Signals oder seiner Wigner-Verteilung bestehen. Außerdem ist die Berechnung einer Wavelet-Transformation oder der Übertragungsfunktion gegenüber einem idealen Prüfobjekt möglich. Zusätzlich können jeweils mehrere dieser verschiedenen Vorverarbeitungsanalysen zu verschiedenen Zeitpunkten durchgeführt und aus diesem Kollektiv der Mittelwert, die Varianz, die Schiefe, die Symmetrie oder der Trend der Signale berechnet werden. Es ist auch möglich, die genannten Vorverarbeitungsanalysen frei zu kombinieren.

Der Fachmann weiß, welche Vorverarbeitungsanalyse er für einen bestimmten Einsatzzweck anzuwenden hat, so daß auf eine detaillierte Beschreibung der verschiedenen Vorverarbeitungsmöglichkeiten an dieser Stelle verzichtet werden kann.

Der digitalen Signalverarbeitung 5 ist ein Neuronales Netzwerk 6 nachgeschaltet. Das Neuronale Netzwerk 6 besteht in bekannter Art und Weise aus einer Schicht von Eingangneuronen, einer aus einer oder mehreren Schichten von Neuronen bestehenden sogenannten verdeckten Schicht sowie aus einer Schicht von Ausgangsneuronen. Die einzelnen Neuronen der Schichten des Neuronalen Netzwerks sind entsprechend einer vorgegebenen, dem Fachmann bekannten Topologie über Synapsen verbunden. Der beschriebene Aufbau des Neuronalen Netzes 6 ist in Fig. 1 nicht explizit dargestellt, da er dem Fachmann bekannt ist.

Das Neuronale Netz 6 führt nun eine Klassifikation der ihm über seine Eingangsneuronen zugeführten Signale in mindestens zwei Qualitätsklassen durch. Hierzu ist es erforderlich, dem Neuronalen Netzwerk 6 in einer der eigentlichen Klassifikationsphase vorangehenden Trainingsphase das zur Durchführung dieser Klassifikation erforderliche Wissen zu lehren. Die Art der Wissensakquisition des Neuronalen Netzwerkes 6 wird im wesentlichen durch den eingesetzten Lernalgorithmus bestimmt:

Es ist möglich, das Neuronale Netz 6 durch einen sogenannten "überwachten Lernvorgang" unter Verwendung eines Perzeptron-Algorithmus zu trainieren. Als Ausgangspunkt des Lernvorganges wird ein Satz ausgewählter Prüfobjekte verwendet, bei dem der Fehler eines jeden Prüfobjektes vorher von Experten mittels bekannter Verfahren festgestellt und klassifiziert wurde. Der Einsatz des überwachten Lernens ist insbesondere dann von Vorteil, wenn ein eindeutiger, analytischer Zusammenhang zwischen einem gewissen Fehler eines Prüfobjektes und dem Schallspektrum gegeben ist, welches von einem mit diesem Fehler behafteten Prüfobjekt emittiert wird.

In Fällen, in denen ein derartiger Zusammenhang a priori nicht eruierbar ist, wird vorteilhafterweise das Training des Neuronalen Netzwerkes 6 derart durchgeführt, daß dem überwachten Lernen eine Lernphase mittels des sogenannten "unüberwachten Lernens" vorangeht. Hierzu bieten sich zum Beispiel der Counterpropagation-Algorithmus oder der Condensed-Nearest-Neighbour-Algorithmus an.

Am Ende der Trainingsphase ist das Neuronale Netzwerk 6 derart konfiguriert, daß jeweils einem einzigen Ausgangsneuron jeweils eine bestimmte Qualitätsklasse zugeordnet ist: Weist das vom angeregten Prüfobjekt 1 emittierte Schallspektrum ein für einen bestimmten Fehler signifikantes Merkmal oder eine Gruppe von signifikanten Merkmalen auf, so ordnet das Neuronale Netzwerk 6 dieses Eingangssignal einem Ausgangsneuron zu: Das entsprechende Ausgangsneuron "feuert", d. h. am Ausgang dieser Neuronen tritt ein elektrisches Signal auf. Dieses Signal wird dann einer Anzeigeeinrichtung 7 zugeführt, welches das vom Neuronalen Netzwerk gewonnene Klassifikationsergebnis entsprechend aufbereitet darstellt.

In Fällen, in denen ein Eingangssignal anliegt, dessen signifikante Merkmale sich zu weit von den signifikanten Merkmalen der trainierten Klassen unterscheiden, so wird vom Neuronalen Netzwerk 6 eine separate Klasse (Rückweisungs- oder Alarmklasse) erkannt, die dann ebenfalls durch die Anzeigeeinrichtung 7 zur Darstellung gebracht wird.

Claims (6)

1. Verfahren zur Qualitätsprüfung von Prüfobjekten, bei dem die zu untersuchenden Prüfobjekte (1) durch eine externe, impulsförmige Anregung zur Emission von Schallwellen angeregt werden, bei dem die emittierten Schallwellen in einem Schalldetektor (4) registriert werden, und bei dem auf der Grundlage des registrierten Schalls eine Einteilung der Prüfobjekte (1) in mindestens zwei Klassen erfolgt, dadurch gekennzeichnet, daß diese Klassifikation des Schallspektrums der Prüfobjekte (1) durch ein Neuronales Netzwerk (6) erfolgt, welchem das zur Klassifikation erforderliche Wissen in einer der eigentlichen Klassifikationsphase vorangehenden Trainingsphase anhand eines ausgewählten Satzes von Prüfobjekten (1) bekannter Klassifikation gelehrt wurde.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die in der Trainingsphase stattfindende Wissensaquisition des Neuronalen Netzwerkes (6) durch einen Perzeptron- Algorithmus erfolgt.

3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Wissensakquisition des Neuronalen Netzwerkes (6) durch einen Counterpropagation- oder einen Condensed-Nearest-Neighbour-Algorithmus erfolgt.

4. Verfahren nach Anspruch 1 bis 3, dadurch gekennzeichnet, daß die vom angeregten Prüfobjekt (1) emittierten und in einem Schalldetektor (3) registrierten Schallwellen in elektrische Signale umgesetzt werden, welche in einem Analog/Digital-Wandler einer digitalen Signalverarbeitung (5) digitalisiert werden.

5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß die digitalen Signale vor ihrer Verarbeitung im Neuronalen Netzwerk (6) einer Vorverarbeitung unterzogen werden, bei der das das gesamte Schallspektrum repräsentierende digitale Signal auf diejenigen signifikanten Signalmerkmale reduziert wird, welche im Neuronalen Netzwerk (6) in die Klassifikation des Schallsignals eingehen.

6. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß eine Einordnung des registrierten Schallspektrums in eine Rückweisungsklasse erfolgt, wenn ein dieses Schallspektrum repräsentierendes Eingangssignal signifikante Merkmale aufweist, die sich zu weit von den signifikanten Merkmalen der trainierten Klassen unterscheiden.