Mathematik > Arbeitsgruppen > Arbeitsgruppe Stochastische Optimierung > Forschung > Erkennung von Fehlermustern in der Qualitätskontrolle

Erkennung von Fehlermustern in der Qualitätskontrolle

Bei modernen industriellen Produktionsprozessen werden die Erzeugnisse häufig automatisch auf Fehler untersucht, beispielsweise durch sogenannte Oberflächeninspektionssysteme, die Abweichungen in Farbe oder Struktur der Oberfläche erkennen und als Fehlerereignis melden. Die Klassifikationsleistung solcher Systeme reicht aber häufig nicht aus, da Zusammenhänge zwischen einzelnen Fehlerereignissen nicht erkannt und damit bei der Klassifikation nicht berücksichtigt werden können. Dies ist insbesondere dann der Fall, wenn zusammengehörige Fehlerereignisse nicht unmittelbar benachbart sind.

Ziel dieses Projektes ist es, automatisiert den Kontext von Fehlerereignissen zu erkennen, um aus diesen "Fehlergestalten" Hinweise auf die Art des Fehlers und seine Ursachen ableiten zu können. Dabei kommen zum Einsatz sowohl Methoden der Statistik, des maschinellen Lernens wie auch der heuristischen Optimierung.

Je nach Empfindlichkeit des verwendeten Oberflächeninspektionssystems handelt es sich bei den untersuchten Daten um eine sehr große Zahl unstrukturierter Fehlermeldungen, die auf verschiedene anwendungsabhängige Gestalten und Eigenschaften hin untersucht werden müssen. Ein Schwerpunkt liegt dabei auf der Bestimmung zusammengehöriger Fehlermeldungen, dem sogenannten Clustering. Hier werden verschiedene, zum Teil neu entwickelte Verfahren erprobt. Im Anschluss an das Clustering erfolgt eine Zuordnung der Cluster zu den in der konkreten Anwendung möglichen Fehlerarten.

Die verwendeten Verfahren müssen typischerweise mit Trainingsdaten eingestellt und kalibriert werden (supervised learning). Solche Trainingsdaten bestehen im Allgemeinen aus Datensätzen, die von menschlichen Experten bewertetet worden sind. Trainingsdaten sind daher häufig teuer und knapp. Ein Ansatz in diesem Vorhaben besteht daher darin, aus vorhandenen, noch nicht untersuchten Datensätzen gezielt solche auszusuchen, bei der eine Bewertung durch den menschlichen Experten einen besonderen Gewinn an Leistung für das System bringen würde (active learning). Unter Ausnutzung der Struktur der gegebenen Datenlandschaft soll darüber hinaus der Umfang eines Trainingsdatensatzes unüberwacht aus vorhandenen Datensätzen ergänzt werden, wobei die Qualität statistisch abzusichern ist (semi-supervised learning).

 

Sitemap  Datenschutz  Kontakt  Impressum
© TU Clausthal 2017