Skip to content
Licensed Unlicensed Requires Authentication Published by Oldenbourg Wissenschaftsverlag January 18, 2019

Bewertung subjektiver und automatisierter Merkmalsextraktion periodischer Zeitsignale am Beispiel des 3MA-X8-Verfahrens

Automatic feature extraction of periodic time signals using 3MA-X8 method
Sargon Youssef

Sargon Youssef, M. Sc. is a research associate at Fraunhofer Institute for Nondestructive Testing IZFP. Sargon Youssef has been working in the field of micromagnetic nondestructive testing at IZFP since 2012. In 2012, he concluded his Master’s thesis regarding temperature-compensated high-frequency eddy current measurement. His focus is the development and implementation of NDT methods with focus on micromagnetic application. Since 2015 he is doing his doctorate on the field of machine learning for NDT application.

EMAIL logo
, Cyril Zimmer , Klaus Szielasko and Andreas Schütze
From the journal tm - Technisches Messen

Zusammenfassung

Die mikromagnetischen zerstörungsfreien Prüfverfahren bedienen sich der gegenseitigen Abhängigkeit der magnetischen und mechanischen Eigenschaften ferromagnetischer Werkstoffe. Änderungen in Härte, Zugfestigkeit und Streckgrenze, aber auch Last- und Eigenspannungen schlagen sich in Änderungen von Merkmalen der magnetischen Hysteresekurve nieder (beispielsweise Koerzitivfeldstärke, Remanenz und Permeabilität). Die direkte Bestimmung der magnetischen Hysterese ist in der Praxis auf klassische Weise jedoch meist nicht möglich, teilweise aufgrund der hohen Messzeit, teilweise aufgrund der Notwendigkeit, wohldefiniert geformte Proben entnehmen zu müssen, um die Flussdichte über eine probenumfassende Spule messen zu können. Das am Fraunhofer-Institut für Zerstörungsfreie Prüfverfahren IZFP entwickelte 3MA-X8-Verfahren (3MA = Mikromagnetische Multiparameter Mikrostruktur und Spannungs-Analyse) bestimmt insgesamt 21 Merkmale, die indirekt Hysteresemerkmale abbilden. Die Extraktion dieser Merkmale basiert überwiegend auf subjektiven Unterschieden in den Messkurven. Die Aufnahme dieser Merkmale erfolgt mit Hilfe eines Prüfkopfes in Aufsatztechnik mit hoher Messgeschwindigkeit in Echtzeit. Bei Klassifizierungs- bzw. Interpolationsproblemen werden diese Merkmale je nach Aufgabenstellung entweder mit Hilfe eines Nächste-Nachbar-Klassifikators bzw. einer multiplen linearen Regression zur zerstörungsfreien Vorhersage von Werkstoffeigenschaften verwendet. Auch kleinere Messeffekte, wie z. B. Zugspannungen, lassen sich hierdurch zwar vorhersagen, bei überlagerten Einflüssen, wie der Verwendung verschiedener Werkstoffe (z. B. 100Cr6, C45 und S235 im normalisierten Zustand) verschlechtert sich die Vorhersagequalität jedoch unter Umständen dramatisch. Es besteht jedoch die Möglichkeit, dass geringe, aber signifikante Messeffekte übersehen werden. Die im Rahmen dieser Veröffentlichung vorgestellte automatisierte Merkmalsextraktion bietet die Möglichkeit, Merkmale auch mit kleinem Messeffekt zur Zielgröße unabhängig vom Beobachter zu extrahieren und dadurch die Vorhersagequalität von Werkstoffeigenschaften auch bei überlagerten Einflüssen, wie z. B. der Verwendung verschiedener Werkstoffe, zu verbessern.

Abstract

Micromagnetic nondestructive testing methods make use of mutual dependence of magnetic and mechanical properties of ferromagnetic materials. Changes in hardness, tensile and yield strength as well as applied or residual stresses are shown up in features of magnetic hysteresis curve (e. g. coercivity, remanence and permeability). Direct determination of magnetic hysteresis under practical application conditions is often not possible, either due to the large measurement time or the need to prepare samples with well-defined geometry to measure the magnetic flux density with an encompassing detection coil. The non-destructive testing method 3MA-X8 (3MA = Micromagnetic Multiparameter Microstructure and Stress Analysis) developed by the Fraunhofer-Institute for Nondestructive Testing IZFP determines 21 features which indirectly represent hysteresis features. The extraction of these features is based on subjective differences in the measurement graphs. The measurement of these features is realized with a hand-held probe head and high measuring speed in real time. For classification or interpolation problems, these features are used for non-destructive prediction of material properties, either with a nearest neighbor classifier or a multiple linear regression. Smaller measurement effects, such as compressive stresses can be predicted in this way. However, superimposed influences such as the use of different materials (e. g. 100Cr6, C45, and S235 in normalized state), may decrease the predictive quality dramatically. However, there is a possibility that small but significant measurement effects could be missed. On the other hand, as shown in this publication automated feature extraction offers the possibility to extract features even with small measurement effects and thus increase the prediction quality for material properties even with superimposed influences, in this example the determination of compressive stress for different materials.

About the author

Sargon Youssef

Sargon Youssef, M. Sc. is a research associate at Fraunhofer Institute for Nondestructive Testing IZFP. Sargon Youssef has been working in the field of micromagnetic nondestructive testing at IZFP since 2012. In 2012, he concluded his Master’s thesis regarding temperature-compensated high-frequency eddy current measurement. His focus is the development and implementation of NDT methods with focus on micromagnetic application. Since 2015 he is doing his doctorate on the field of machine learning for NDT application.

Literatur

1. Cullity, B. D.: Introduction to magnetic materials. Reading usw.: Addison-Wesley, 1972. ISBN 0-201-01218-9.Search in Google Scholar

2. Kneller, E.: Ferromagnetismus. Berlin, Göttingen, Heidelberg: Springer-Verlag, 1962.10.1007/978-3-642-86695-1Search in Google Scholar

3. DIN, Deutsches Institut für Normung e.V.: Elektromagnetisches Feld. DIN 1324 Teil 2: Materialgrößen. Berlin: Beuth, 1988 05.Search in Google Scholar

4. Altpeter, I.; Becker, R.; Dobmann, G.; Kern, R.; Theiner, W. A.; Yashan, A.: Robust solutions of inverse problems in electromagnetic non-destructive evaluation, Inverse problems 18, 1907–1921 (2002).10.1088/0266-5611/18/6/328Search in Google Scholar

5. Dobmann, Gerd; Altpeter, Iris; Wolter, Bernd; Kern, Rolf: Industrial Applications of 3MA – Micromagnetic Multiparameter Microstructure and Stress Analysis, In: Tamburino, A. (Ed.); Melikhov, Y. (Ed.); Chen, Z. (Ed.); Udpa, L. (Ed.): Electromagnetic Nondestructive Evaluation (XI): ENDE 2007. Amsterdam, Washington, Tokyo: IOS Press, 2008, S. 18–25. (Studies in Applied Electromagnetics and Mechanics Vol. 31).Search in Google Scholar

6. Pitsch, H.: Die Entwicklung und Erprobung der Oberwellenanalyse im Zeitsignal der magnetischen Tangentialfeldstärke als neues Modul des 3MA-Ansatzes (Mikromagnetische Multiparameter- Mikrostruktur- und Spannungsanalyse). Universität des Saarlandes, Saarbrücken, 1990. (Dissertation).Search in Google Scholar

7. Wolter, B.; Buchholtz, O.-W.; Hofmann, U.; Meilland, P.; Kern, R.; Schneider, E.: Zerstörungsfreie Bestimmung von Qualitätsmerkmalen bei der Grobblechfertigung. DGZfP-Berichtsband 94, DGZfP-Jahrestagung, 2.–4. Mai, Rostock, 2005.Search in Google Scholar

8. Szielasko, K.: Entwicklung messtechnischer Module zur mehrparametrischen elektromagnetischen Werkstoffcharakterisierung und –prüfung. Saarbrücken, 2009. (Saarbrücken, Universität, Naturwissenschaftlich-Technische Fakultät III, Dissertation, 2009).Search in Google Scholar

9. Tschuncky, R.: Sensor- und geräteunabhängige Kalibrierung elektromagnetischer zerstörungsfreier Prüfverfahren zur praxisorientierten Werkstoffcharakterisierung. Saarbrücken, 2011. (Naturwissenschaftlich-Technischen Fakultät III Chemie, Pharmazie, Bio- und Werkstoffwissenschaften der Universität des Saarlandes, Dissertation, 2011).Search in Google Scholar

10. Schneider, T.; Helwig, N. and Schütze, A.: Automatic feature extraction and selection for classification of cyclical time series data, tm – Technisches Messen 84(3), 198–206 (2017), doi: 10.1515/teme-2016-0072.Search in Google Scholar

11. Schneider, T.; Helwig, N. and Schütze, A.: Automatic feature extraction and selection for condition monitoring and related datasets, In: IEEE Int. Instrumentation & Measurement Technology Conf. (I2MTC). 2018, Houston Texas, USA, 2018.Search in Google Scholar

12. Duda, R. O.; Hart, P. E. and Stork, D. G.: Pattern Classification. 2nd edn. New York: Wiley, 2001.Search in Google Scholar

13. Burman, P.: A comparative study of ordinary cross-validation, v-fold cross-validation and the repeated learning-testing methods, Biometrika 76, 503–514 (1989).10.1093/biomet/76.3.503Search in Google Scholar

14. Fahrmeir, Ludwig; Kneib, Thomas; Lang, Stefan: Regression: Modelle, Methoden und Anwendungen. Berlin/Heidelberg/New York: Springer Verlag, 2007, ISBN 978-3-540-33932-8.Search in Google Scholar

Received: 2018-11-01
Accepted: 2019-01-02
Published Online: 2019-01-18
Published in Print: 2019-05-27

© 2019 Walter de Gruyter GmbH, Berlin/Boston

Downloaded on 30.11.2022 from frontend.live.degruyter.dgbricks.com/document/doi/10.1515/teme-2018-0074/html
Scroll Up Arrow