Untersuchung von Machine-Learning-Algorithmen zur Automatisierung eines Korrelationsprozesses

Abstract

Diese Bachelorarbeit untersucht die Automatisierung des Korrelationsprozesses bei Standschwingungsversuchen (engl. Ground Vibration Tests, GVT) mithilfe von Machine-Learning-Verfahren. Der Prozess der manuellen Gruppierung physikalisch gleicher Schwingungsformen (Moden) zu Mode-Familien ist zeitaufwändig und komplex. Ziel dieser Arbeit ist es, diesen Prozess durch den Einsatz von maschinellen Lernverfahren zu unterstützen und zu beschleunigen, um die Effizienz unter den zeitkritischen Bedingungen eines GVTs zu steigern. Im Zentrum der Untersuchung stehen die Clustering-Algorithmen DBSCAN und agglomeratives Clustering, die auf Merkmalsvektoren aus Modal Assurance Criterion (MAC)-Werten und Eigenfrequenzen angewendet werden. Zusätzlich werden Autoencoder zur extraktiven Merkmalsgewinnung und anschließendem Clustering im latenten Raum evaluiert. Die Verfahren werden intensiv auf zwei realen Datensätzen (AK-X und Horten) getestet, wobei der Adjusted Rand Index (ARI) und MAC-Matrizen als zentrale Bewertungsmetriken dienen. Die Ergebnisse zeigen, dass unüberwachtes Clustering eine vielversprechende Grundlage für die Automatisierung darstellt. Insbesondere das agglomerative Clustering in einer Refit-Variante erzielt robuste Ergebnisse mit einem finalen ARI von 0,929 für den AK-X-Datensatz und liefert in der MAC-basierten Gesamtbewertung die konsistentesten Mode-Familien. Die Integration einer Batch-Variante dieses Algorithmus in das bestehende Correlation Tool des DLR wurde erfolgreich umgesetzt. Die Arbeit demonstriert damit die Machbarkeit einer automatisierten Korrelation, welche die manuelle Arbeit signifikant entlasten kann, und identifiziert gleichzeitig Potenzial für weitere Verbesserungen, insbesondere durch die Fertigstellung einer inkrementellen Verarbeitung.