[go: up one dir, main page]

DE4207728A1 - Quality testing of test objects - externally stimulating object to emit sound waves which are analysed to classify objects using neural network taught using objects of known class - Google Patents

Quality testing of test objects - externally stimulating object to emit sound waves which are analysed to classify objects using neural network taught using objects of known class

Info

Publication number
DE4207728A1
DE4207728A1 DE19924207728 DE4207728A DE4207728A1 DE 4207728 A1 DE4207728 A1 DE 4207728A1 DE 19924207728 DE19924207728 DE 19924207728 DE 4207728 A DE4207728 A DE 4207728A DE 4207728 A1 DE4207728 A1 DE 4207728A1
Authority
DE
Germany
Prior art keywords
objects
sound
neural network
classification
test objects
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
DE19924207728
Other languages
German (de)
Inventor
Hans-Joachim Dipl Ing Dr Kolb
Michael Dipl Phys Loos
Manfred Dipl Phys Dr Rueff
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Saab Medav Technologies GmbH
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Original Assignee
Medav GmbH
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Medav GmbH, Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV filed Critical Medav GmbH
Priority to DE19924207728 priority Critical patent/DE4207728A1/en
Publication of DE4207728A1 publication Critical patent/DE4207728A1/en
Ceased legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/3404—Sorting according to other particular properties according to properties of containers or receptacles, e.g. rigidity, leaks, fill-level
    • B07C5/3408—Sorting according to other particular properties according to properties of containers or receptacles, e.g. rigidity, leaks, fill-level for bottles, jars or other glassware
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H13/00—Measuring resonant frequency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/22—Details, e.g. general constructional or apparatus details
    • G01N29/30—Arrangements for calibrating or comparing, e.g. with standard objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/10—Number of transducers
    • G01N2291/101—Number of transducers one transducer

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

The method involves stimulating the object to emit sound waves using an external pulsed stimulus. The emitted sound waves are recorded by a sound detector and used to classify the object into one of two classes. The sound spectrum of the object is classified using a neural network using knowledge learnt during a previous training phase for a selected set of test objects. The knowledge acquisition process can involve alternative algorithms. USE/ADVANTAGE - E.g. for quality testing of glass or porcelain objects. Fault classification is achieved over wide range of objects with high reliability.

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.The invention relates to a method for quality testing of Test objects, in which the test objects to be examined by an external, pulsed excitation for the emission of Sound waves are excited at which the emitted Sound waves can be registered in a sound detector, and in which one based on the registered sound The test objects are divided into at least two classes.

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.Such procedures for quality inspection of test objects, the do not emit sound waves (such as glass, ceramics, Porcelain, plastic, etc.) are known. The for Quality inspection of these workpieces required  So far, quality control has been carried out by specially trained Staff. This takes over the emitted sound waves Listen up, compare the registered sound impression with im Memory stored experience values of the sound error-free or faulty test objects and takes thereupon a corresponding evaluation of the test object. Quality assurance by people has the disadvantage that only a limited reliability rate at the Classification into "good" and "bad" test objects achieved becomes. When analyzing the test object stimulated it is also sound emitted by the human ear not possible to discover errors in the test object that are in Manifest frequency ranges of the emitted sound, which are in the inaudible range. The human ear also has a limited resolving power, so that closely adjacent frequency lines are not separated can. This disadvantageously entails that errors manifest in more complex sound spectra of the test object can no longer be reliably recognized.

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. They are also automated quality control procedures known. The disadvantage of these is that they only have one have a very narrow area of application: for classification The algorithm used for sound waves is specific to the coordinated with the respective application. It is therefore extensive Modifications to the algorithm used are required if different test objects are to be tested. A efficient quality control is therefore not possible.  

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.For quality inspection problems where none mathematical formulation of sound signal generation exists and the correlation function between the emitted sound spectrum and a certain error of the Test object is not known analytically, are currently no automatable methods at all available, so that you continue to rely on test personnel in this area is instructed.

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.To avoid these disadvantages, the invention provides Task of developing a quality assurance procedure, which is characterized by a high degree of reliability in the Error classification of the test objects and by a distinguishes universal application.

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.This object is achieved in that this Classification of the sound spectrum of the test objects by a Neural network takes place, which for classification required knowledge in one of the actual Classification phase preceding training phase using a selected set of test objects of known classification was taught.

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.The measures according to the invention are advantageous An almost unlimited field of application of the method achieved: Because the inventive method does not require Knowledge of the signal generation, so that on consuming too  creating, only for a limited area of application usable mathematical algorithms completely omitted can be. The one used in the method according to the invention Neural network is therefore extremely flexible and can be simple quickly and by the user himself for completely new products be taught.

Vorteilhafte Weiterbildungen der Erfindung sind in den Unteransprüchen beschrieben.Advantageous developments of the invention are in the Subclaims described.

Im folgenden wird das erfindungsgemäße Verfahren anhand des Ausführungsbeispiels im einzelnen beschrieben. Es zeigt:In the following, the method according to the invention is based on Embodiment described in detail. It shows:

Fig. 1 eine schematische Darstellung des Verfahrens. Fig. 1 is a schematic representation of the method.

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. A test object 1 is excited by a mechanical pulse generator 2 . The mechanical pulse generator 2 can be designed in various ways: it is possible for a wooden, plastic or metal plunger to be hit electromagnetically or pneumatically against the test object 1 . A rotatably mounted hammer can also be used, which can be struck on the test object 1 from above by means of its own weight. Alternatively, it is also conceivable to drop the test object on a hard surface. It is only important that the test object 1 is excited by the mechanical pulse acting on it to emit sound waves.

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.As a result of the pulse-shaped excitation by the mechanical pulse generator 2 , the test object 1 emits a pulse-like, broadband sound signal, which is replaced by a longer decay phase. In this decay phase, corresponding discrete frequency lines appear in excited oscillation modes, which decay exponentially with different time constants. These discrete frequency lines in the signal are a direct representation of the material properties and the internal structure of the test object 1 . From the deviation of the parameters of the frequency lines of the test object 1 from the corresponding values of an error-free test object and from the different time constants of the exponentially decaying frequency lines of the corresponding test objects, it is possible to draw conclusions about possible errors of the test object 1 .

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. The sound waves are registered in a sound detector 4 and converted into electrical signals. These are digitized in an analog / digital converter, digital signal processing 5 and subjected to preprocessing. This has the effect that the digital signal supplied by the sound detector 4 , which represents the entire emission spectrum of the excited test object, is reduced in such a way that after the preprocessing process in the preprocessed signal only the signal features significant for the subsequent classification process of the test object are present.

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.This preprocessing can be used in the calculation of the envelope of the signal, its arc length, the fractal dimension, the Calculation of the autocorrelation function, the short-term spectrum by means of Fourier analysis, the cepstrum of the signal or its Wigner distribution exist. In addition, the calculation is a Wavelet transformation or the transfer function opposite an ideal test object possible. In addition, each can several of these different preprocessing analyzes carried out at different times and from this Collectively the mean, the variance, the skewness, the Symmetry or the trend of the signals can be calculated. It is also possible to freely carry out the aforementioned preprocessing analyzes combine.

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.The person skilled in the art knows which preprocessing analysis he is looking for has to use a certain application, so that on a detailed description of the different No preprocessing options at this point can be.

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.The digital signal processing 5 is followed by a neural network 6 . In a known manner, the neural network 6 consists of a layer of input neurons, a so-called hidden layer consisting of one or more layers of neurons, and a layer of output neurons. The individual neurons of the layers of the neural network are connected via synapses in accordance with a predetermined topology known to the person skilled in the art. The structure of the neural network 6 described is not explicitly shown in FIG. 1, since it is known to the person skilled in the art.

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:The neural network 6 now classifies the signals supplied to it via its input neurons in at least two quality classes. For this purpose, it is necessary to teach the neural network 6 the knowledge required to carry out this classification in a training phase preceding the actual classification phase. The type of knowledge acquisition of the neural network 6 is essentially determined by the learning algorithm used:

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.It is possible to train the neural network 6 through a so-called "monitored learning process" using a perceptron algorithm. A set of selected test objects is used as the starting point of the learning process, in which the error of each test object was previously determined and classified by experts using known methods. The use of supervised learning is particularly advantageous if there is a clear, analytical connection between a certain error in a test object and the sound spectrum, which is emitted by a test object with this error.

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.In cases in which such a relationship cannot be determined a priori, the training of the neural network 6 is advantageously carried out in such a way that the monitored learning is preceded by a learning phase by means of the so-called “unsupervised learning”. For example, the counter propagation algorithm or the condensed nearest neighbor algorithm are available.

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.At the end of the training phase, the neural network 6 is configured in such a way that a particular quality class is assigned to a single output neuron: If the sound spectrum emitted by the excited test object 1 has a characteristic or a group of significant characteristics that is significant for a specific error, this arranges Neural network 6 this input signal to an output neuron: The corresponding output neuron "fires", ie an electrical signal occurs at the output of these neurons. This signal is then fed to a display device 7 , which displays the classification result obtained from the neural network in a correspondingly processed manner.

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.In cases in which an input signal is present whose significant features differ too significantly from the significant features of the trained classes, the neural network 6 recognizes a separate class (rejection or alarm class), which is then also displayed by the display device 7 brought.

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.1. Method for quality inspection of test objects, in which the test objects to be examined ( 1 ) are stimulated by an external, pulse-shaped excitation to emit sound waves, in which the emitted sound waves are registered in a sound detector ( 4 ), and in which on the basis the registered sound is divided into at least two classes of the test objects ( 1 ), characterized in that this classification of the sound spectrum of the test objects ( 1 ) is carried out by a neural network ( 6 ), which the knowledge required for the classification in one of the actual classification phase preceding Training phase was taught using a selected set of test objects ( 1 ) of known classification. 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die in der Trainingsphase stattfindende Wissensaquisition des Neuronalen Netzwerkes (6) durch einen Perzeptron- Algorithmus erfolgt.2. The method according to claim 1, characterized in that the knowledge acquisition of the neural network ( 6 ) taking place in the training phase is carried out by a perceptron algorithm. 3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Wissensakquisition des Neuronalen Netzwerkes (6) durch einen Counterpropagation- oder einen Condensed-Nearest-Neighbour-Algorithmus erfolgt. 3. The method according to claim 1, characterized in that the knowledge acquisition of the neural network ( 6 ) is carried out by a counterpropagation or a condensed nearest neighbor algorithm. 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.4. The method according to claim 1 to 3, characterized in that the excited by the test object ( 1 ) and in a sound detector ( 3 ) registered sound waves are converted into electrical signals, which in an analog / digital converter of a digital signal processing ( 5 ) be digitized. 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.5. The method according to claim 4, characterized in that the digital signals are subjected to a preprocessing prior to their processing in the neural network ( 6 ), in which the digital signal representing the entire sound spectrum is reduced to those significant signal features which are present in the neural network ( 6 ) go into the classification of the sound signal. 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.6. Method according to at least one of the preceding Claims, characterized in that a classification of the registered sound spectrum in a rejection class takes place when a representative of this sound spectrum Input signal has significant features that add up to far from the significant characteristics of the trained Differentiate classes.
DE19924207728 1992-03-11 1992-03-11 Quality testing of test objects - externally stimulating object to emit sound waves which are analysed to classify objects using neural network taught using objects of known class Ceased DE4207728A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE19924207728 DE4207728A1 (en) 1992-03-11 1992-03-11 Quality testing of test objects - externally stimulating object to emit sound waves which are analysed to classify objects using neural network taught using objects of known class

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE19924207728 DE4207728A1 (en) 1992-03-11 1992-03-11 Quality testing of test objects - externally stimulating object to emit sound waves which are analysed to classify objects using neural network taught using objects of known class

Publications (1)

Publication Number Publication Date
DE4207728A1 true DE4207728A1 (en) 1993-09-23

Family

ID=6453787

Family Applications (1)

Application Number Title Priority Date Filing Date
DE19924207728 Ceased DE4207728A1 (en) 1992-03-11 1992-03-11 Quality testing of test objects - externally stimulating object to emit sound waves which are analysed to classify objects using neural network taught using objects of known class

Country Status (1)

Country Link
DE (1) DE4207728A1 (en)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2723446A1 (en) * 1994-08-08 1996-02-09 Aerospatiale AUTOMATED SOUND CONTROL PROCESS FOR COMPLEX PARTS, FOR DETECTION OF SHALLOW DEFECTS
WO1998000836A1 (en) * 1996-07-03 1998-01-08 Lagoe Thomas Device and method for analysis and filtration of sound
DE19753620C1 (en) * 1997-12-03 1999-10-07 Bernd Michaelis Method for recognizing deviations of the surface shape from a predetermined shape by means of a three-dimensional measurement value acquisition and subsequent processing with an artificial neural network
WO1999054703A3 (en) * 1998-04-17 1999-12-23 Siemens Ag Acoustic diagnostic system and method
RU2163009C2 (en) * 1999-01-06 2001-02-10 Селезнев Виктор Сергеевич Method of scheduled preventive test of physical state of buildings and structures
WO2002095633A3 (en) * 2001-05-24 2003-03-27 Simmonds Precision Products Method and apparatus for determining the health of a component using condition indicators
US6651012B1 (en) 2001-05-24 2003-11-18 Simmonds Precision Products, Inc. Method and apparatus for trending and predicting the health of a component
US6711523B2 (en) 2001-05-24 2004-03-23 Simmonds Precision Products, Inc. Method and apparatus for determining a condition indicator for use in evaluating the health of a component
US6728658B1 (en) 2001-05-24 2004-04-27 Simmonds Precision Products, Inc. Method and apparatus for determining the health of a component using condition indicators
US6754569B2 (en) 2001-05-24 2004-06-22 Simmonds Precision Products, Inc. Method and apparatus for normalizing condition indicators
US6847917B2 (en) 2001-05-24 2005-01-25 Simmonds Precision Products, Inc. Method and apparatus for selecting condition indicators in determining the health of a component
US7136794B1 (en) 2001-05-24 2006-11-14 Simmonds Precision Products, Inc. Method and apparatus for estimating values for condition indicators
DE102007060278A1 (en) 2007-12-12 2009-06-18 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Apparatus and method for the quality inspection of sheet metal parts
WO2009135719A1 (en) * 2008-05-05 2009-11-12 Siemens Aktiengesellschaft Method and device for the classification of sound-generating processes
DE10321389B4 (en) * 2003-05-12 2011-02-24 Ds Automation Gmbh Method and device for acoustic quality inspection of small parts
WO2011062866A1 (en) * 2009-11-19 2011-05-26 Illinois Tool Works Inc. Cluster analysis system and method to improve sorting performance
DE102011112534A1 (en) * 2011-09-05 2013-03-07 Audi Ag Method for testing object jointed from two half-shells by using sealing in tight manner, involves displacing object in oscillating motion, where object is detected by sound, and measurement object is impacted with impact tool in location
DE102011114058A1 (en) * 2011-09-22 2013-03-28 Volkswagen Aktiengesellschaft Evaluation method for acoustic evaluation of component, involves exciting component to generate sound, where sound of component is recorded by sensor for detection of sound
WO2014025273A1 (en) * 2012-08-06 2014-02-13 Sorpla Sp. Z O.O. A method and device for identifying material types of spatial objects
CN106841403A (en) * 2017-01-23 2017-06-13 天津大学 A kind of acoustics glass defect detection method based on neutral net
RU2653215C1 (en) * 2017-08-30 2018-05-07 Публичное акционерное общество "Транснефть" (ПАО "Транснефть") Method of inspection of the foundations of pump units
DE102017108508A1 (en) * 2017-04-21 2018-10-25 Pepperl + Fuchs Gmbh Method for recognizing and sorting objects
DE102022132935A1 (en) * 2022-12-12 2024-06-13 KyooBe Tech GmbH Production facility for manufacturing a product

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4012278A1 (en) * 1989-04-14 1990-10-18 Hitachi Ltd CONDITION DIAGNOSTIC SYSTEM FOR A PLANT

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4012278A1 (en) * 1989-04-14 1990-10-18 Hitachi Ltd CONDITION DIAGNOSTIC SYSTEM FOR A PLANT

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DE-Buch: H.Ritter et al., Neuronale Netze, Addison-Wesley Publ. Co., Bonn 1991, Titelblatt, S. 25-29 *
Industrie-Anzeiger 29/1989, S. 36-38 *

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0696734A1 (en) * 1994-08-08 1996-02-14 AEROSPATIALE Société Nationale Industrielle Method for automatic controlling of complex pieces with sound, for detecting shallow flaws
US5589635A (en) * 1994-08-08 1996-12-31 Aerospatiale Societe Nationale Industrielle Automated tapping process for complex parts used for detecting shallow faults
FR2723446A1 (en) * 1994-08-08 1996-02-09 Aerospatiale AUTOMATED SOUND CONTROL PROCESS FOR COMPLEX PARTS, FOR DETECTION OF SHALLOW DEFECTS
WO1998000836A1 (en) * 1996-07-03 1998-01-08 Lagoe Thomas Device and method for analysis and filtration of sound
US6243671B1 (en) 1996-07-03 2001-06-05 Lagoe Thomas Device and method for analysis and filtration of sound
DE19753620C1 (en) * 1997-12-03 1999-10-07 Bernd Michaelis Method for recognizing deviations of the surface shape from a predetermined shape by means of a three-dimensional measurement value acquisition and subsequent processing with an artificial neural network
US6591226B1 (en) 1998-04-17 2003-07-08 Siemens Aktiengesellschaft Acoustic diagnostic system and associated method
WO1999054703A3 (en) * 1998-04-17 1999-12-23 Siemens Ag Acoustic diagnostic system and method
RU2163009C2 (en) * 1999-01-06 2001-02-10 Селезнев Виктор Сергеевич Method of scheduled preventive test of physical state of buildings and structures
US6651012B1 (en) 2001-05-24 2003-11-18 Simmonds Precision Products, Inc. Method and apparatus for trending and predicting the health of a component
US6711523B2 (en) 2001-05-24 2004-03-23 Simmonds Precision Products, Inc. Method and apparatus for determining a condition indicator for use in evaluating the health of a component
US6728658B1 (en) 2001-05-24 2004-04-27 Simmonds Precision Products, Inc. Method and apparatus for determining the health of a component using condition indicators
US6754569B2 (en) 2001-05-24 2004-06-22 Simmonds Precision Products, Inc. Method and apparatus for normalizing condition indicators
US6847917B2 (en) 2001-05-24 2005-01-25 Simmonds Precision Products, Inc. Method and apparatus for selecting condition indicators in determining the health of a component
US7136794B1 (en) 2001-05-24 2006-11-14 Simmonds Precision Products, Inc. Method and apparatus for estimating values for condition indicators
WO2002095633A3 (en) * 2001-05-24 2003-03-27 Simmonds Precision Products Method and apparatus for determining the health of a component using condition indicators
DE10321389B4 (en) * 2003-05-12 2011-02-24 Ds Automation Gmbh Method and device for acoustic quality inspection of small parts
US8365598B2 (en) 2007-12-12 2013-02-05 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Device and method for quality testing sheet metal parts
DE102007060278A1 (en) 2007-12-12 2009-06-18 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Apparatus and method for the quality inspection of sheet metal parts
WO2009074220A1 (en) * 2007-12-12 2009-06-18 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Device and method for quality testing sheet metal parts
WO2009135719A1 (en) * 2008-05-05 2009-11-12 Siemens Aktiengesellschaft Method and device for the classification of sound-generating processes
US8533131B2 (en) 2008-05-05 2013-09-10 Siemens Aktiengesellschaft Method and device for classification of sound-generating processes
CN102317770B (en) * 2008-05-05 2013-12-18 西门子公司 Method and device for classification of sound-generating processes
CN102317770A (en) * 2008-05-05 2012-01-11 西门子公司 Method and device for the classification of sound-generating processes
CN102725631B (en) * 2009-11-19 2015-12-16 伊利诺斯工具制品有限公司 Improve the cluster analysis system and method for classification performance
CN102725631A (en) * 2009-11-19 2012-10-10 伊利诺斯工具制品有限公司 Cluster analysis system and method to improve sorting performance
WO2011062866A1 (en) * 2009-11-19 2011-05-26 Illinois Tool Works Inc. Cluster analysis system and method to improve sorting performance
US8744983B2 (en) 2009-11-19 2014-06-03 Illinois Tool Works Inc. Cluster analysis system and method to improve sorting performance
DE102011112534A1 (en) * 2011-09-05 2013-03-07 Audi Ag Method for testing object jointed from two half-shells by using sealing in tight manner, involves displacing object in oscillating motion, where object is detected by sound, and measurement object is impacted with impact tool in location
DE102011112534B4 (en) * 2011-09-05 2014-02-13 Audi Ag Method of testing a sealed article of two half-shells with a gasket
DE102011114058A1 (en) * 2011-09-22 2013-03-28 Volkswagen Aktiengesellschaft Evaluation method for acoustic evaluation of component, involves exciting component to generate sound, where sound of component is recorded by sensor for detection of sound
DE102011114058B4 (en) 2011-09-22 2022-02-17 Volkswagen Aktiengesellschaft Method and device for acoustic assessment of a component
WO2014025273A1 (en) * 2012-08-06 2014-02-13 Sorpla Sp. Z O.O. A method and device for identifying material types of spatial objects
US9791414B2 (en) 2012-08-06 2017-10-17 Sorpla Sp. Z O.O. Method and a device for identifying material types of spatial objects
CN104995505A (en) * 2012-08-06 2015-10-21 索普拉有限责任公司 A method and device for identifying material types of spatial objects
CN106841403A (en) * 2017-01-23 2017-06-13 天津大学 A kind of acoustics glass defect detection method based on neutral net
DE102017108508A1 (en) * 2017-04-21 2018-10-25 Pepperl + Fuchs Gmbh Method for recognizing and sorting objects
RU2653215C1 (en) * 2017-08-30 2018-05-07 Публичное акционерное общество "Транснефть" (ПАО "Транснефть") Method of inspection of the foundations of pump units
DE102022132935A1 (en) * 2022-12-12 2024-06-13 KyooBe Tech GmbH Production facility for manufacturing a product

Similar Documents

Publication Publication Date Title
DE4207728A1 (en) Quality testing of test objects - externally stimulating object to emit sound waves which are analysed to classify objects using neural network taught using objects of known class
DE69526823T2 (en) Apparatus and method for analyzing information related to physical and mental condition
DE19524782C2 (en) Method for monitoring the interior of a motor vehicle
DE60020865T2 (en) System, method and computer program for a telephone emotion detector with feedback to an operator
DE69520067T2 (en) Method and device for identifying an input signal
DE69626115T2 (en) SIGNAL QUALITY ASSESSMENT
DE60031432T2 (en) SYSTEM, METHOD, AND MANUFACTURED SUBJECT FOR DETECTING EMOTIONS IN LANGUAGE SIGNALS BY STATISTICAL ANALYSIS OF LANGUAGE SIGNAL PARAMETERS
EP1439396A2 (en) Method for the analysis and monitoring of the partial discharge behavior of an electrical operating means
EP0716864A2 (en) Pacemaker with improved detection of electrical signals
DE2524804A1 (en) METHOD AND DEVICE FOR AUTOMATIC SPEECH RECOGNITION
DE2347738A1 (en) VOICE RECOGNITION METHOD AND DEVICE FOR IMPLEMENTING THE SAME
DE69605559T2 (en) Glass breakage detector
DE4433772A1 (en) Sensor arrangement and method for data acquisition with the sensor arrangement
DE3043516C2 (en) Method and device for speech recognition
DE3878895T2 (en) METHOD AND DEVICE FOR VOICE RECOGNITION.
DE102019205543A1 (en) Method for classifying digital audio data that follow one another in time
EP1092964B1 (en) Apparatus for noise recognition and noise separation
DE4010028C2 (en) Speech recognition method
DE4327429C2 (en) Method and device for brain wave analysis
EP1519301A2 (en) Apparatus for classifying physiological events
EP0865646A1 (en) Method for analyzing the signals of a danger alarm system and danger alarm system for implementing said method
EP3929600A1 (en) Method for broadband ultrasonic detection of electrical discharges
AT518532B1 (en) Apparatus and method for electrostimulation of a subject
EP1981582B1 (en) Device and computer program for generating a control signal for a cochlea-implant based on an audio signal
DE4209296A1 (en) Neural network for word recognition system with automatic learning capability - has characteristic vectors identified from speech signal that are classified based upon defined control regions

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8131 Rejection