In diesem Kapitel wurde zunächst eine Vorgehensweise zum schrittweisen Ent-wurf des zerstörungsfreien Prüfverfahrens vorgestellt. Diese basiert auf der VDI 2206, welche gemäß den Anforderungen der Mechatronik angepasst ist und da-her eine domänenspezifische Aufteilung der Entwurfsphase beinhaltet.
Auf dieser Grundlage wurden unter Berücksichtigung des aktuellen Stands der Technik und Wissenschaft die Anforderungen an ein zerstörungsfreies Prüfver-fahren für Batterieseparatoren gesammelt und in technische und prozessuale Anforderungen klassifiziert. Die technischen Anforderungen, welche maßgeblich das Prinzip der ZfP beeinflussen, wurden anschließend herangezogen, um eine Klasse der erarbeiteten Taxonomie zerstörungsfreier Prüfverfahren auszuwählen.
Hierbei wurde für die optische Prüfung die höchste Anforderungserfüllung iden-tifiziert. Ferner erfolgte eine Zerlegung in fünf Teilfunktionen anhand der Schrit-te der BildverarbeitungsketSchrit-te.
Im Anschluss an die Auswahl der optischen Prüfung wurden die Randbedingun-gen in Bezug auf die optischen EiRandbedingun-genschaften der Materialien sowie auftretender Ungänzen als Prüfmerkmal analysiert. Als maßgebliche optische Eigenschaften wurden aus dem Stand der Technik die Opazität, der Glanz sowie die
Homogeni-tät des Materials und deren Einflussgrößen bei Batterieseparatoren identifiziert.
Die Veränderlichkeit dieser Einflussgrößen in der Produktion musste in der Fol-ge durch eine entsprechende Signalvorverarbeitung im Bildverarbeitungssystem berücksichtigt werden. Da es sich bei Ungänzen nicht um eine Zielgröße eines Produktionsprozesses, sondern um Resultate eines Störeinflusses oder statisti-scher Effekte während der Herstellung handelt, mussten hinsichtlich der Samm-lung von Musterteilen die unterschiedlichen Störeinflüsse, d. h. die verschiede-nen Klassen der Ungänzen, erfasst werden. Aufgrund der Abhängigkeit vom Herstellungsprozess und dessen Umgebungsbedingungen ist das Auftreten der Ungänzen materialspezifisch. Des Weiteren variieren die Ausprägungen der einzelnen Klassen – auch innerhalb eines Materials – maßgeblich.
Schließlich erfolgte der Entwurf des zerstörungsfreien Prüfverfahrens, basierend auf den technischen und prozessualen Anforderungen sowie den Randbedingun-gen bei der optischen Prüfung, getrennt nach den Teilfunktionen der Bildverar-beitungskette. Diese wurde abschließend in einer Übersicht des zerstörungsfreien Prüfverfahrens dargestellt.
5 Methode zur Klassifikation von Ungänzen
bei der optischen Prüfung von Batterieseparatoren
5.1 Übersicht
Auf der Grundlage des in Kapitel 4 ausgewählten und entworfenen zerstörungs-freien Prüfverfahrens kann eine Aufnahme und Weiterverarbeitung von Ungän-zen in Batterieseparatoren erfolgen. Ferner soll der Modellierungsschritt bei der Klassifikation der Ungänzen und damit die Einordung deren Qualitätseinflusses mittels Entscheidungsbäumen erfolgen. Zur Lösung von Klassifikationsaufgaben ist jedoch ein strukturiertes Vorgehen erforderlich. Hierzu wird im Folgenden eine Methode zur Klassifikation von Ungänzen bei der optischen Prüfung von Batterieseparatoren vorgestellt, welche spezifische Schritte zur Parametrierung sowie zur Implementierung von Klassifikationsmodellen in die Bildverarbei-tungskette enthält. Darüber hinaus wird die technische und prozessuale Integrati-on in das zerstörungsfreie Prüfverfahren gezeigt.
Die Methode zur Klassifikation von Ungänzen bei der optischen Prüfung von Batterieseparatoren gliedert sich in vier Schritte: Selektierung, Vorbereitung, Modellierung und Evaluierung. Da die Methode der Parametrierung der Bildver-arbeitungskette und insbesondere der Klassifikation dient, verfügt die Methode über Schnittstellen zur Bildverarbeitung (vgl. Abbildung 28).
Abbildung 28: Übersicht der Methode zur Klassifikation von Ungänzen bei der optischen Prüfung von Batterieseparatoren (in Anlehnung an H U-BER et al. (2016a))
Bildverarbeitung
Modellierung Evaluierung Vorbereitung
Selektierung
1 2 3 4
Im ersten Schritt, der Selektierung, werden Ungänzen als Trainingsdatensatz für die spätere Modellierung aus der Bildverarbeitung extrahiert. Hierzu findet paral-lel die Parametrierung der Bildverarbeitungskette bis einschließlich der Merk-malsextraktion statt. In der Vorbereitung werden die Daten schließlich im Hin-blick auf die spezifischen Gegebenheiten der Modellierung durch Entschei-dungsbäume gezielt modifiziert. Durch die Vorauswahl der Klassifikationsme-thode kann darüber hinaus im dritten Schritt, der Modellierung, eine Variation der spezifischen freien Parameter des Algorithmus und damit eine Vielzahl an Klassifikationsmodellen erstellt werden. Des Weiteren erfolgt die Berechnung von Kennzahlen im Hinblick auf eine Mehrklassen-Klassifikation. Die Evaluie-rung dient schließlich zur Auswahl des optimierten Modells auf Basis einer Ge-wichtung der Kennzahlen. Ferner wird durch die Menschenlesbarkeit der Model-le eine PlausibilitätskontrolModel-le mittels Erfahrungswissen ermöglicht. Die Betrach-tung der detaillierten Mehrklassen-Testergebnisse ermöglicht abschließend eine Modellevaluierung, welche über eine Kennzahlenauswertung hinausgeht. Diese stellt die Entscheidungsgrundlage für eine ggf. erforderliche Iteration der Metho-de oMetho-der eine Implementierung Metho-des evaluierten MoMetho-dells in die Bildverarbeitung dar.
Der grundlegende Ablauf der Methode basiert auf den in Abschnitt 3.2.5 vorge-stellten KDD-Prozessen. Da diese jedoch generische, anwendungsneutrale Vor-gehensweisen der Mustererkennung darstellen, ist eine Adaption der Schritte hinsichtlich der Klassifikation von Ungänzen in Batterieseparatoren vorzuneh-men (HUBER et al. 2016a).
Ähnlich zum CRISP-DM werden die Auswahl und die Vorverarbeitung der Da-ten im ersDa-ten Schritt der Selektierung zusammengefasst, da die einzelnen Teil-schritte der Datenaufnahme stark mit der Vorverarbeitung verzahnt sind. Eine initiale Anforderungsanalyse und Formulierung der Zielsetzung ist im spezifi-schen Anwendungsfall der optispezifi-schen Prüfung von Batterieseparatoren bereits erfolgt (vgl. Abschnitte 3.5 und 4.2). Ebenso ist ein Einsatz der generierten Mo-delle durch den Anwendungsfall bereits fixiert. Aus diesen Gründen beschränkt sich die Methode auf den Kern der Klassifikationsaufgabe, welcher durch die vier genannten Schritte repräsentiert wird. Wie in Abbildung 28 dargestellt, ist die Methode durch eine Schnittstelle zur Bildverarbeitung an den vorliegenden Anwendungsfall angepasst und unterscheidet sich von heutigen Vorgehenswei-sen in den folgenden vier Punkten:
Aufgrund der bestehenden Schnittstelle zur Bildverarbeitung erfolgt in der Selektierung eine Parametrierung der Bildverarbeitungskette. Hierbei wird strukturiert Expertenwissen gesammelt, um die erforderlichen Daten aus-zuwählen. Des Weiteren wird durch einen finalen Verarbeitungsschritt die Implementierung der Modelle in die Bildverarbeitungskette sichergestellt.
Die Modellierung des Funktionszusammenhangs ist an die Verwendung von Entscheidungsbäumen als Klassifikationsmethode angepasst. Dabei erfolgt eine Variation der freien Parameter des Lernalgorithmus zur Gene-rierung mehrerer verschiedener, unkorrelierter Modelle. In der Klassifika-tionsphase wird schließlich das Modell mit der höchsten Generalisierungs-fähigkeit genutzt.
Die Evaluierung der Klassifikationsmodelle geschieht unter Verwendung von klassenspezifischen Kennzahlen. Dies ermöglicht eine individuelle Gewichtung einzelner richtig oder falsch klassifizierter Objekte sowie eine reproduzierbare Berechnung der Modellgüte. Hierdurch wird eine hohe Klassifikationsgenauigkeit erreicht.
Die Modellierungsergebnisse können permanent durch den Nutzer analy-siert werden. Eine Iteration der Methode ist somit direkt und ohne Zeit-verzögerung durchführbar. Dies verkürzt die Dauer hinsichtlich einer Im-plementierung der Klassifikationsmodelle in den Bildverarbeitungspro-zess.
In den folgenden Abschnitten werden die vier Methodenschritte näher erläutert.