Statistische Ein-Klassen-Signalbewertung mit akustischen Datenbasen selbstbeschreibender Daten

Diese Dissertation beschreibt die Möglichkeit mit Methoden der statistischen Vektorfolgenklassifikation eine akustische Ein-Klassen-Signalbewertung durchzuführen, die z.B. im Bereich der Maschinendiagnostik zur Zustandsüberwachung beweglicher Bauteile eingesetzt werden kann. Der Wunsch zur Verwendung einer einzigen Klasse resultiert daraus, dass viele Anwendungen akustische Signale nur von einem Betriebszustand in ausreichender Menge für dessen statistische Beschreibung bereitstellen können. Es wird gezeigt, dass aus diesen akustischen Signalen Merkmale gewonnen werden können, die die statistische Modellierung der einzigen Klasse ermöglichen. Für unbekannte akustische Signale liefert das vorgestellte Verfahren einen Ähnlichkeitswert, der Auskunft über die Zugehörigkeit zur modellierten Klasse gibt. Die Modellierung der Klassen erfolgt mit mehrdimensionalen Verteilungsdichtefunktionen, die aus einer Vielzahl von akustischen Signalen geschätzt werden müssen. Zur benutzerfreundlichen Verwaltung dieser Signale liefert die Arbeit einen Ansatz zur Beschreibung jedes Signal als Objekt, welchem alle Eigenschaften direkt zugeordnet sind. Dazu wurden allgemeine Strukturbeschreibungen für selbstbeschreibende Dokumente defi niert, die alle für ein akustisches Signal vorhandenen Informationen enthalten und dabei eine automatisch verarbeitbare Struktur besitzen. Durch die Selbstbeschreibung, der in den ausgetauschten Dokumenten enthaltenen Daten, kann es nicht zu Fehlinterpretationen kommen. Dies ist besonders beim Austausch zwischen verschiedenen Signalverarbeitungsmodulen wichtig. Für den Benutzer ergibt sich der Vorteil, dass die Daten allzeit les- und interpretierbar bleiben. Durch die Verwendung der Standardtechnologien XML, DTD und XSLT können die Daten außerdem in verschiedenste Zielformate konvertiert werden und so einen schnelleren Überblick über die vorhandenen Daten eines akustischen Signals bieten. Durch die konsequent Anwendung des Ansatzes, wird im Ergebnis eine akustische Datenbasis selbstbeschreibender Daten aufgebaut.