Xeidana

Sensorfusion

© Fraunhofer IWU
Beispielhafte Kombination verschiedener Sensorsyteme

Xeidana® ermöglicht die Kombination unterschiedlicher Sensortypen, wie beispielsweise Wirbelstromsonden, Oberflächenscanner, (IR-) Kameras oder Köperschallmikrofone. Die Vorteile der gleichzeitigen Verwendung von Sensorsystemen, welche auf unterschiedlichen physikalischen Prinzipien basieren, liegen in der Erhöhung des Spektrums erkennbarer Defekte sowie der Steigerung der Bewertungszuverlässigkeit.

Zudem können Anwender neue Sensortypen unter Verwendung der Programmierschnittstelle (API) des jeweiligen Sensorherstellers in Xeidana® integrieren. Dies wird durch das in Xeidana® umgesetzte Konzept der generischen Datenanbindung erreicht.

© Fraunhofer IWU
Erweiterung der Software um eine neue Datenanbindung

Modularar Aufbau/Erweiterbarkeit

© Fraunhofer IWU
Beispielhafter Aufbau miteinander verbundener Datenanbindungen und Module

Xeidana® ist modular aufgebaut. Algorithmen sind in Modulen implementiert und können durch das Hinzufügen von Verbindungen miteinander verknüpft werden. Die jeweiligen Module verfügen über individuelle Einstellungsmöglichkeiten, sodass vorhandene Lösungen leicht abgeändert und an verwandte Problemstellungen angepasst werden können.

Zudem kann Xeidana® mit Hilfe eines Plug-In-Systems um neue Module erweitert werden. Die Verwaltung der Plug-Ins erfolgt unkompliziert über den integrierten Plug-In-Manager. Es ist dem Anwender weiterhin gestattet, eigene Plug-Ins unter Verwendung der Xeidana-API zu entwickeln und in Xeidana® einzubetten.

Datenanalyse

Xeidana® stellt eine Reihe von Verfahren aus den Bereichen der mathematischen Statistik und des maschinellen Lernens zur Verfügung. Diese lassen sich unterteilen in strukturentdeckende und strukturüberprüfende Verfahren.

Strukturentdeckende Verfahren

Bei der gleichzeitigen Verwendung mehrerer Sensorsysteme spielen folgende Aufgabengebiete eine wichtige Rolle und können mit Hilfe von strukturentdeckenden Verfahren abgearbeitet werden:

  • Merkmalsselektion: Die Qualität von Bauteilen wird häufig anhand einer Reihe von Kennzahlen (CTQ – Critial-To-Qualities) beschrieben. Ein automatisches Qualitätsüberwachungssystem kann Entscheidungen jedoch lediglich auf Basis der zur Verfügung stehenden Sensordaten treffen. Daher müssen Merkmale in den Sensordaten gefunden werden, welche die gegebenen CTQ optimal repräsentieren.
  • Signifikanz: Um beispielsweise verschiedene Arten von Defekten anhand von Sensordaten voneinander unterscheiden zu können, ist eine Analyse der Aussagekraft der Sensoren erforderlich. Die zentrale Fragestellung lautet hierbei: Mit welcher Sicherheit können die Defekte mit Hilfe der selektierten Merkmale voneinander unterschieden werden?
  • Unabhängigkeit: Bei Untersuchung ein und desselben physikalischen Systems mit Hilfe mehrerer Sensoren können Abhängigkeiten zwischen den Sensoren auftreten, welche Aufschluss über das Systemverhalten geben können. Zudem kann ermittelt werden, inwiefern sich Sensoren gegenseitig ergänzen und ob die Verwendung zusätzlicher Sensoren einen Vorteil für die Lösung einer Problemstellung liefert.
  • Cluster-Bildung: Für die Bildung einer abstrakteren Sicht auf einen Sensordatenbestand können Cluster-Analyse-Verfahren verwendet werden. Diese ermöglichen beispielsweise die automatische Erkennung gut trennbarer Defektklassen.

Strukturüberwachende Verfahren

Xeidana® ist in der Lage anhand von Musterbauteilen zu lernen, ob ein Defekt vorliegt oder ob das Bauteil in Ordnung ist. Dies wird durch die Anwendung von Verfahren des maschinellen Lernens erreicht - sogenannte Klassifikatoren. Eine wichtige Eigenschaft von Klassifikatoren ist deren Generalisierungsfähigkeit. D.h., ein Klassifikator muss von einer aus Musterteilen bestehenden Beispielmenge auch auf die Qualität gleichartiger Bauteile, welche nicht in dieser Beispielmenge enthalten sind, schließen können.

Um die Generalisierungsfähigkeit beim Anlernen von Klassifikatoren zu erhalten und ein „Auswendiglernen“ von Beispielen zu vermeiden, wird in Xeidana® beim Anlernprozess zusätzlich eine unabhängige Testmenge verwendet. Das Anlernen wird dann gestoppt, wenn die Bewertungssicherheit bezüglich dieser Testmenge maximal ist.

Parallele Datenverarbeitung

© Fraunhofer IWU
Modul als eigenständiger Thread - Abarbeitung erfolgt nach dem Eingang aller Daten

Durch parallele Datenverarbeitung in Xeidana® ist eine Optimale Ausnutzung der Leistung von Mehrkern-Prozessoren möglich. Jedes Modul erzeugt mindestens einen separaten Thread, in dem die entsprechenden Algorithmen abgearbeitet werden. Dies erlaubt beispielsweise die gleichzeitige Vorverarbeitung verschiedener Sensorsignale, bevor die Signale einer gemeinsamen Ausführung zugeführt werden. Ebenso können die Module im Pipeline-Betrieb parallel abgearbeitet werden. D.h., während ein Modul noch die Ausgabe für ein eingetroffenes Datenpaket berechnet, kann dessen Vorgängermodul bereits zeitgleich ein neues Datenpaket bearbeiten.

© Fraunhofer IWU
Prinzipien der parallelen Datenverarbeitung

Automatisierung

© Fraunhofer IWU
Möglicher, mittels Skript realisierbarer Ablauf eines Überwachungsprozesses

Um die gesamte Ausführung der Datenerfassung und -auswertung komfortabler, unkomplizierter und dynamischer zu gestalten, verfügt Xeidana® über Werkzeuge zur Automatisierung. Zu diesen zählt eine mächtige Scriptsprache, die den Zugriff auf
sämtliche Eigenschaften von Modulen und Datenanbindungen der Software ermöglicht. Mit Hilfe dieser Scriptsprache können Prozessabläufe durch externe Signalgeber oder programminterne Timer gesteuert werden.


Im Bereich der Datenanalyse ist es des Weiteren oft notwendig, ein und denselben Datenbestand je nach Problemstellung auf unterschiedliche
Art und Weise zu visualisieren. Xeidana® begegnet diesem Sachverhalt mit der Option, Daten mit speziellen zuvor erstellten Skripten oder Netzwerksystemen zu verknüpfen. Die Zuordnung erfolgt dabei anhand der hinterlegten Dateiformate. So ist es im Anschluss möglich, den gegebenen Datenbestand mit einem einzigen Mausklick in der gewünschten Form anzeigen zu lassen. Individuelle Visualisierungen können jederzeit hinzugefügt werden. Die zur Verfügung stehenden Skripte sind dabei nicht nur auf die Visualisierung von Datenbeständen begrenzt, sondern können beliebig komplexe Schritte zur Datenverarbeitung enthalten.