Bei der Herstellung von Elektromotoren unterlaufen Fehler. Diese beschraenken die Funktionstuechtigkeit der Motoren. Ein bewaehrtes Pruefverfahren dagegen ist das Hinhoeren. Ziel ist es, einen solchen Pruefprozess zu automatisieren und unabhaengig von der aktuellen Verfuegbarkeit der Fachleute reproduzierbar zu gestalten. Dazu bedient man sich der neuen Softwaretechnologie der neuronalen Netze.
Neuronale Netze koennen wichtige Faehigkeiten wie das Lernen aus Beispielen und ihre Verallgemeinerung, das Abstrahieren, das schnelle Erkennen und Vervollstaendigen komplizierter Muster etc. nachbilden und simulieren. Welche konkreten Eigenschaften ein neuronales Netz haben sollte, ist von der jeweiligen Anwendung abhaengig. In jedem Fall gilt, dass ein neuronales Netzwerk, das nur wenige Lernschritte durchgefuehrt hat, eine andere Ausgabe erzeugt als ein Netz, das genuegend lange gelernt hat. Die Korrektheit haengt entscheidend von der Laenge der vorangegangenen Lernphase ab. Zusaetzlich hat auch die Auswahl der Trainingsdaten einen entscheidenden Einfluss auf das Niveau der Netzausgabe.
Uebertragen auf die Qualitaetskontrolle von Elektromotoren durch Hinhoeren bedeutet dies im ersten Schritt, dass fuer das neuronale Netz eine Struktur gewaehlt wird, die die Motorgeraeusche tatsaechlich in die unterschiedlichen Fehlerklassen einteilen kann. Anschliessend wird dem Netz eine Reihe von Trainingsdaten zugefuehrt, naemlich die typischen Laufgeraeusche von Elektromotoren, deren Fehler bekannt sind. Dazu werden die Schallwellen der Laufgeraeusche per Mikrofon und A/D-Converter (Analog-Digital- Umsetzer) in eine fuer einen PC zugaengliche Form gebracht. Fuer diese Verarbeitung wird eine auf dem Markt erhaeltliche Standard- PC-Einsteckkarte mit Mikrofonanschluss und A/D-Converter benutzt. Allerdings erhaelt das auf dem PC laufende neuronale Netz die digitalisierten Geraeuschsignale nicht direkt. Vielmehr werden die Signale zuvor einer Fourier-Transformation unterworfen, um bereits eine erste Datenreduktion und Merkmalsextraktion zu erreichen.
Diese intensive Vorverarbeitung der relevanten Eingabedaten ist bei allen Anwendungen der neuronalen Netze zu beobachten. Generell muss der Input in eine Form gebracht werden, die das Netz verarbeiten kann. Aehnlich verhaelt es sich mit der Ausgabe des Netzes, die ebenfalls in eine der Aussenwelt verstaendliche Form transformiert werden muss.
Orientiert an dieser prinzipiellen Vorgehensweise, werden dem neuronalen Netz die fuer die Trainingsphase notwendigen Muster vorgegeben. Hier liegt die Schwierigkeit: Das neuronale Netz soll nach Moeglichkeit diese Muster nicht "auswendig lernen", sondern nur den einzelnen Qualitaetskategorien zuordnen. Trainingsziel ist naemlich, ein neuronales Netz zu erhalten, das verallgemeinern kann. Hat das Netz waehrend des Trainings auswendig gelernt, so kann es nur die im Training vorgegebenen Muster beurteilen. Ist es jedoch verallgemeinerungsfaehig, so kann es auch ihm unbekannte Testmuster richtig zuordnen.
Fuer ein solches Netztraining bei der akustischen Qualitaetspruefung der Elektrokleinmotoren wird ein repraesentativer Datensatz von Geraeuschen benoetigt. Dazu werden typische Geraeusche aus der herkoemmlichen Qualitaetspruefung aufgezeichnet und archiviert. Wichtig ist bei dieser Sammlung, dass nicht nur klar und eindeutig zu beurteilende Motorengeraeusche wie ein Lager- oder ein Buerstengeraeusch aufgenommen werden, sondern auch sogenannte Grenzgeraeusche wie "gerade noch okay" oder "schwaches Lagergeraeusch". Die Anzahl der Geraeusche je Schadensklasse muss dabei ihrem tatsaechlichen Auftreten etwa entsprechen. Je mehr Motoren in eine Schadensklasse fallen, um so mehr Geraeuschvarianten treten auf. Nur wenn im Training ausreichend viele Geraeuschmuster und die gesamte Palette der Geraeusche zur Verfuegung stehen, kann das neuronale Netz verallgemeinerungsfaehig werden.
Mit der so zusammengestellten Datenmenge wird das neuronale Netz mehrfach trainiert. Ein Trainingslauf bezeichnet dabei jeweils einen vollstaendigen Lernprozess: vom nicht trainierten zum gelernten Netz. Die einzelnen Trainingsabschnitte unterscheiden sich in zahlreichen Netzparametern, die den Lernvorgang beeinflussen: Sie reichen von der zufaelligen Auswahl der Reihenfolge der Trainingsmuster und der mit Zufallszahlen versehenen anfaenglichen Neuronengewichte bis hin zu unterschiedlich langen Trainingszeiten und -zyklen.
Nach Abschluss eines Trainingslaufes wird jedes neuronale Netz getestet. Anhand eines Testdatensatzes wird ueberprueft, ob es nur auswendig gelernt hat oder verallgemeinerungsfaehig ist. Dazu muss Testdatensatz Motorgeraeusche enthalten, die dem Netz waehrend des Trainings noch nicht angeboten worden sind. Die Anzahl der auftretenden Fehler ist ein Mass fuer die Qualitaet des trainierten Netzes. Erreichbar ist eine Trefferquote von 98 Prozent.
Richtige Netzstruktur muss gefunden werden
Grundsaetzlich fuehrt der Einsatz des neuronalen Netzes bei der Geraeuschklassifikation der Motoren zu einer Automatisierung in der Qualitaetssicherung und zu einer gleichbleibenden Pruefqualitaet waehrend der ganzen Produktionszeit. Neben der Qualitaetssicherung aufgrund akustischer Signale sind auch optische Fehlererkennungsverfahren automatisierbar: Mit einer Kamera werden Pruefobjekte aufgenommen und von einem neuronalen Netz klassifiziert. Dabei koennen sogar Nebenbedingungen beruecksichtigt werden, bei denen klassische Ansaetze oftmals scheitern. Neuronale Netze erfassen Verschmutzungen, Reflexionen, ungleichmaessige Ausleuchtungen und aehnliche Umweltbedingungen.
In allen Anwendungen zeigt sich, dass der Nutzen neuronaler Netze zum einen davon abhaengt, dass aussagekraeftige Daten in grossen Mengen fuer den Lernvorgang zur Verfuegung stehen, und zum anderen von der geschickten Auswahl der Netzstruktur.
* Dipl.-Math. Hans-Rudolf Albrecht ist Geschaeftsfuehrer der Albit Beratungsgesellschaft fuer neue Softwaretechnologien mbH in Muelheim/Ruhr
Abb: Qualitaetspruefung und -sicherung mit neuronalen Netzen in der Produktion. Quelle: Albit