Methods and procedures for processing and analyzing process signals in precision machining processes. - Ilmenau. - 63 Seiten
Technische Universität Ilmenau, Masterarbeit 2023
Präzisionsbearbeitung ist ein Fertigungsprozess, der zur Herstellung hochpräziser und eng tolerierter Bauteile eingesetzt wird. Die Überwachung des Prozesses ist entscheidend, um die Effektivität und Qualität der Präzisionsbearbeitungsoperationen zu gewährleisten. Schleifbrand, der auf übermäßige Wärmeerzeugung während des Schleifprozesses verweist und Oberflächenschäden sowie eine Verringerung der Produktqualität verursachen kann, ist eine der häufigsten Fehlerquellen, die bei solchen Verfahren auftreten können. Schleifbrand muss während des Prozesses mit geeigneten Techniken überwacht werden, um ihn zu vermeiden und zu reduzieren. Die Verwendung von Sensoren zur Erfassung verschiedener Datenarten, einschließlich Vibration, Strom und akustischer Emissionssignale, die zur Analyse des Schleifprozesses beitragen können, ist eine typische Methode der Prozessüberwachung. Solche Signale werden mit spezialisierten Sensoren erfasst und in dieser Arbeit als Daten für zusätzliche Analysen verwendet. Anschließend ist eine Vorverarbeitung erforderlich, um die Analyse der gesammelten Sensordaten zu verbessern. Dabei werden die Daten gereinigt und geordnet, um Rauschen zu entfernen, signifikante Segmente zu identifizieren und sinnvolle Merkmale zu extrahieren. Durch dieses Vorverarbeitungsverfahren wird eine konzentriertere und genauere Untersuchung des Schleifprozesses ermöglicht, die zusätzlichen Analysen und präzise Interpretationen zulässt. Diese Arbeit konzentriert sich auf die Vorverarbeitung eines selbst generierten Signals mit bekannten zeitlichen und frequenzspektralen Eigenschaften. Es erfolgt ein Vergleich der Leistung mehrerer Zeit-Frequenz-Transformationsmethoden, die auf dieses selbst generierte Signal angewendet werden, wie beispielsweise die Kurzzeit-Fourier-Transformation (STFT), kontinuierliche Wavelet-Transformationen (CWT), Wigner-Ville-Verteilung (WVD) und Synchrosqueezing-Transformation (SST). Es erfolgt auch eine genaue Bewertung der Zeit-Frequenz-Darstellung (TFR) des Signals. Es wird auch untersucht, wie verschiedene Zeit-Frequenz-Transformationsalgorithmen zur Prozessüberwachung verwendet werden können, beispielsweise zur Erkennung von Schleifbrand. Diese Studie untersuchte verschiedene Zeit-Frequenz-Transformationsmethoden zur Bestimmung von Merkmalen des Schleifbrands. Die STFT zeigte regelmäßig eine zuverlässige TFR-Konstruktion mit geringem MSE und reduzierter Renyi-Entropie, wodurch Eigenschaften des Signals mit geringerer Unvorhersagbarkeit erfasst wurden. Im Vergleich dazu war die kontinuierliche Wavelet-Transformation (CWT) unregelmäßiger. Mit ihrer guten Gesamtleistung und schnelleren Verarbeitung hat sich die STFT-Methode als eine geeignete Wahl für Echtzeitüberwachungsanwendungen herausgestellt. Diese Erkenntnisse tragen zur Zeichenerkennung bei Schleifbrand bei und unterstreichen das Potenzial des STFT-Ansatzes. Weitere Untersuchungen sind erforderlich, um alternative Methoden für die Hochfrequenz-Signalverarbeitung unter Berücksichtigung von Genauigkeit, Unvorhersagbarkeit und Rechenzeit zu erforschen.
Mitigating the Effects of Spatial Undersampling on Angle of Arrival Estimation. - Ilmenau. - 65 Seiten
Technische Universität Ilmenau, Masterarbeit 2023
Mobilfunknetze entwickeln sich kontinuierlich weiter, um steigende Anforderungen an Zuverlässigkeit, Datenraten und Netzwerkkapazität zu erfüllen. Fortschrittliche Funktionen auf der physikalischen Schicht, wie Multiple-Input-Multiple-Output (MIMO) Systeme, Strahlformung und Multi-User-MIMO, die in 5G und und darüber hinaus eingeführt werden, basieren auf der effektiven Ausnutzung der räumlichen Charakteristika des Kanals, die wiederum von den genauen Positionierungsfähigkeiten des Systems abhängen. Der Fokus dieser Arbeit liegt auf der Minderung des Problems der räumlichen Aliasing bei der Schätzung des Empfangswinkels an einem Empfänger, der mehrere Antennen verwendet. Die Aliasing-Artefakte werden beobachtet, wenn das Nyquist-Shannon-Abtasttheorem im räumlichen Bereich verletzt wird, aufgrund der Herausforderungen, die bei der Konstruktion von Antennenarrays auftreten, die in den Sub-Terahertz- und Terahertz-Frequenzbändern arbeiten. Zunächst werden die Auswirkungen von Aliasing auf die Korrelationsfunktion untersucht, die bei Maximum-Likelihood (ML) Schätzern auftreten. Zwei Ansätze zur Minderung dieser Effekte werden vorgeschlagen, nämlich (1) Breitband-Modellierung der Antennenantwort und die Verwendung von Frequenzdomänen-Messungen, um für die Winkel- und frequenzabhängigen Phasenverschiebungen zu berücksichtigen, die über das Array beobachtet werden, und (2) die Verwendung von nicht-einheitlichen Abtastschemata zur Minderung von Aliasing, die ausschließlich auf räumlichen Messungen basieren. Darüber hinaus profitiert der erste Ansatz von der Verwendung großer Messbandbreiten, daher greifen wir auf Ideen aus dem Bereich des Compressed Sensing zurück, um eine Methode vorzuschlagen, die die erforderliche Betriebsbandbreite reduziert, während eine ähnliche Schätzfehlerleistung erhalten bleibt. Durch die Verwendung von synthetischen Arrays und Monte-Carlo-Simulationen zeigen wir, dass diese Methode auf beliebige Array-Geometrien anwendbar ist und eine signifikante Reduzierung der erforderlichen Bandbreite durch einen Kompressionsoperator ermöglicht, der offline trainiert wird. Die in dieser Arbeit untersuchten Techniken können auch analog auf die Schätzung des Sendewinkels angewendet werden, wo das Shannon-Nyquist-Abtasttheorem am Sendearray verletzt wird.
Technische Universität Ilmenau, Masterarbeit 2023
In modernen Kommunikationssystemen hat sich das Clustering verschiedener Parameter des Kommunikationssystems als ein zukunftsweisendes Thema im Bereich der Kanalmodellierung herauskristallisiert. Im Vergleich zu traditionellen Clustering-Algorithmen können auf neuronalen Netzwerken basierende Clustering-Algorithmen bestimmte Merkmale in den Daten erkennen, die möglicherweise unbemerkt bleiben. Ziel dieser Arbeit ist es zu untersuchen, ob Zehntausende von Momentaufnahme-Parametern, die aus einem Kanalmessgerät gewonnen wurden, geographische Clusterphänomene aufweisen und die Ursachen für die beobachteten Muster zu erklären. Nach der Vorverarbeitung der Daten zu einem rasterbasierten Datensatz wird ein variationaler, faltender Autoencoder entwickelt, um End-to-End-Clustering durchzuführen. In diesem Clustering-Prozess werden die Verlustfunktionen des variationalen Autoencoders und der Clustering-Schicht gemeinsam durch Rückverbreitung gelernt. Die Ergebnisse zeigen, dass die mit der RIMAX-Methode geschätzten Momentaufnahme-Parameter tatsächlich geographische Clustering- phänomene aufweisen. Die Qualität der Clusterbildung variiert erheblich unter verschiedenen Umweltbedingungen. Basierend auf den Visualisierungskarten analysieren und diskutieren wir die möglichen Gründe für dieses Phänomen.
Deep learning based anomaly detection for visual inspection on the industrial dataset. - Ilmenau. - 64 Seiten
Technische Universität Ilmenau, Masterarbeit 2023
Die Erkennung von Anomalien in visuellen Inspektionssystemen ist entscheidend um die Qualitätskontrolle und Sicherheit in verschiedenen Industriezweigen zu gewährleisten. Deep Learning basierende Techniken haben vielversprechende Ergebnisse bei der Erkennung anomaler Daten in industriellen Datensäetzen geliefert. In dieser Masterarbeit haben wir einen neuartigen Ansatz untersucht, der auf unüberwachtem Lernen basiert unter Verwendung von Convolutional Autoencodern. Das Ziel war die Erkennung von Anomalien im Montageprozess der Fertigungshalle. Zusäetzliche wurde Yolov5 verwendet um die Kameraaufnahmen füer eine bessere Anomalierkennung aufzubereiten. Die vorliegende Arbeit untersucht die Durchführbarkeit von unüeberwachtem Lernen auf dem industriellen Datensatz und vergleicht ihn mit überwachten Lerntechniken, die an gelabelte, beschriftete Daten gebunden sind und somit erhebliche Kosten verursachen. Die bearbeiteten Forschungsfragen lauteten: (1) Können Convolutional Autoencoder effektiv Anomalien erkennen, (2) was sind die zugrunde liegenden Mechanismen, die unüeberwachte Lerntechniken effektiver bei der Erkennung von Anomalien machen als üeberberwachte Lerntechniken (3) Was sind die möglichen Grenzen und Weiterentwicklungsmöglichkeiten des vorgeschlagenen Ansatzes ? Die Ergebnisse der Arbeit zeigen, dass die Verwendung von Convolutional Autoencoder für die Erkennung von Anomalien eine wirksame Strategie für die visuelle Inspektion ist. Die Überlegenheit des unüberwachten Lernens bei der Erkennung von Anomalien ist auf seine Fähigkeit zurückzuführen, die Struktur und Muster der Daten zu erfassen und auf neue Instanzen von anomalem Daten zu reagieren. Der vorgeschlagene Ansatz erzielte eine hohe Präzision, Recall und F1-Score. Die Einschränkungen und potenziellen Bereiche für Verbesserungsmöglichkeiten liegen in der weiteren Optimierung und Validierung mit größeren Datenmengen. Insgesamt hat der Ansatz ein enormes Potenzial zur Verbesserung bestehender Verfahren der Anomalieerkennung in visuellen Inspektionssystemen.
DeModulation Reference Signal (DM-RS) densification in 5G-NR downlink. - Ilmenau. - 84 Seiten
Technische Universität Ilmenau, Masterarbeit 2023
Demodulation Referenzsignale (DM-RS) ermöglichen die kohärente Demodulation von physikalischen Kanälen in Systemen der fünften Generation (5G NR). Für multi-Layer-Übertragungen von physikalischen Kanälen ist jeder Layer assoziiert mit einem DMRS-Port, der im Zeit-Frequenzgrid des Transportblocks des physikalischen Kanals eingebettet ist. Ein Ziel dieser Arbeit ist die Erhöhung der Anzahl der verfügbaren DMRS-Ports eines 5G-Systems ohne die Erhöhung des DMRS-Overheads. Dieses erlaubt einer Basisstation (gNodeB) mehr Nutzer zu bedienen und erhöht die spektrale Effizienz von Uplink- oder Downlink-Übertragungen. In 5G Rel.15 werden bis zu 12 orthogonale DMRS-Ports unterstützt. In 3GPP Rel.18 wird die Erhöhung der DMRS-Ports bei gleichbleibendem Overhead untersucht. In dieser Arbeit werden verschiedene Methoden zur Erhöhung der Anzahl der DMRS-Ports untersucht sowie bezüglich ihrer Leistungsfähigkeit in Link- und Systemlevel-Simulationen miteinander verglichen. Zwei Methoden werden hierzu miteinander verglichen: längere Orthogonale Cover Codes (FD-OCC) als in 3GPP Rel. 15 und dünn-besetzte DMRS Resource-Allokationen im Frequenzbereich. Das FD-OCC ermöglicht die Orthogonalisierung von verschiedenen DMRS-Ports in der Code-Domain, wobei die DMRS-Sequenzen zu gleichen Zeit-Frequenz-Ressourcen gemappt werden. Für FD-OCC werden Hadamard- und Diskrete-Fourier-Transforms (DFT)-Ansätze untersucht. Ergebnisse aus Linklevel-Simulationen belegen, dass die erweiterten FD-OCC Ansätze eine ähnliche Performance wie die vorhandenen Rel. 15 Strukturen bzgl. der Kanalschätzung aufweisen. Eine dünnbesetzte Allokation der DMRS führt zu einer Verringerung der Leistungsfähigkeit bei Kanälen mit hohem Delay-Spread. Der Vergleich verschiedener FD-OCC-Längen für verdichtete DMRS-Strukturen mit Rel.15-Länge-2-OCC-Sequenz über verschiedene Interferenzniveaus hinweg wird ebenfalls in der Arbeit vorgestellt, um den Einfluss der Interferenz auf die verwendete OCC-Art und -Länge zu analysieren.
Technische Universität Ilmenau, Bachelorarbeit 2023
In dieser Bachelorarbeit wird die Winkelschätzung durch Datenfusion von räumlich getrennten, inkohärenten Radarsensoren untersucht. Im ersten Schritt wurde der Ansatz im Proof of Concept Kapitel validiert und ein dichtes, mehrlagiges Netzwerk wurde ausgewählt. Die Szenarien wurden einfach gehalten, um weiteres Verkomplizieren zu ermöglichen, wenn der Ansatz vielversprechende Ergebnisse erzielt. Danach wurden verschiedene Netzwerk-Layouts getestet, in denen die Größe der Lagen verändert wurde und Dropout-Lagen hinzugefügt wurden. Die Ergebnisse für Szenarien mit einem Ziel sahen vielversprechend aus, der Fehler war konstant niedrig. Das führte zu der Einführung eines zweiten Zieles, was das Ergebnis sofort verschlechterte. Zusammenfassend war die Leistung schlechter, als die gewöhnlicher Winkel-Schätz-Algorithmen. Um die Ergebnisse zu verbessern, wurde dem Netzwerk Distanz-Information hinzugefügt, was die Ergebnisse nicht gravierend verbesserte. Die verschiedenen Ansätze und deren Leistung wird am Ende evaluiert.
Integration und Charakterisierung eines optischen Freiraumkommunikations-Systems in ein Mehrband-Soundingsystem. - Ilmenau. - 91 Seiten
Technische Universität Ilmenau, Masterarbeit 2022
In dieser Masterarbeit wird ein System zur optischen Freiraumkommunikation im Bereich des Infrarotspektrums in Betrieb genommen, charakterisiert und in ein Mehrkanal-Soundingsystem integriert. Das System besteht aus einem optischen Sender und einem Empfänger und Basisbandsende und -abtasttechnik in Form zweier RedPitaya-Module. Die Charakterisierung besteht aus der Vermessung der Sende- und Empfangsmodule und der Sende- und Empfangstechnik. Anschließend wird die Übertragungsstrecke getestet, indem die Übertragung einer Testwellenform auf Integrität geprüft wird. Verschiedene Synchronisationstechniken zwischen Sender und Empfänger werden evaluiert und die ausgewählte Technik implementiert. Abschließend wird das System in ein bestehendes Mehrkanal-Soundingsystem integriert.
Investigation of Radio Channel Transitions in Urban V2I Scenarios based on Measurement and Simulation Data. - Ilmenau. - 115 Seiten
Technische Universität Ilmenau, Masterarbeit 2022
Das Design von neuen Anwendungen in V2X-Kommunikation verlangt umfangreiche Kenntnisse über den Funkkanal. Bei der V2X-Kommunikation erfährt der Kanal angesichts der hohen Mobilität der kommunizierenden Knoten schnelle und möglicherweise signifikante Änderungen. Die auffälligsten Änderungen sind Übergänge zwischen verschiedene Ausbreitungszuständen, wie vom Line-of-Sight (LoS) zum Non-Line-of-Sight (NLoS) und umgekehrt. Abgesehen davon sind auch Übergänge innerhalb des NLoS Zustandes zu beobachten, wenn das Fahrzeug von einer schmalen Straße auf eine Kreuzung oder einer Hauslücke fährt. Bisher beinhalten nur wenige Kanalmodelle solche Übergänge. Das Ziel dieser Abschlussarbeit ist Untersuchungen zu diesen Transitions detailliert durchzuführen, wobei Messdaten und Simulationsdaten verwendet werden, die durch Funkkanalmessungen bzw. Raytracing-Software gesammelt werden. Darüber hinaus wird der Einfluss der Umgebung auf den Verlauf von Übergängen analysiert und verschiedene Möglichkeiten ihrer Modellierung untersucht, um sie in zukünftige Kanalmodelle miteinbeziehen zu können.
Analysis of Wireless Radio Channel Measurement Data using Machine Learning. - Ilmenau. - 75 Seiten
Technische Universität Ilmenau, Masterarbeit 2022
Die Erfassung und Bewertung der Eigenschaften des Funkkanals ist für die Entwicklung eines drahtlosen Kommunikationssystems unerlässlich. Die Merkmale, die den Kanal am genauesten charakterisieren können, werden durch die Verarbeitung durch die Verarbeitung von Daten aus Funkkanalmessungen ermittelt. Die nach der Verarbeitung generierten Parameter können je nach den Bedingungen in verschiedene Szenarien unterteilt werden. Um komplexere zugrundeliegende Muster zu finden, werden in dieser Arbeit auch unüberwachtes maschinelles Lernen auf Funkkanalmessdaten verwendet. Hier wird die Struktur mit Hilfe von RIMAX und large-scale Parameterdatensätzen untersucht. Zunächst wird die Kombination verschiedener Datenvorverarbeitungs- und Clustering-Techniken untersucht, und eine solche Kombination wird anhand der Bewertungsmetriken ausgewählt. Dann wird sie für beide Datensätze auf jede Messfahrt einzeln, auf eine Kombination von einigen Messfahrten und auf alle Messfahrten angewendet. Anschließend werden die Daten daraufhin untersucht, ob die ermittelten Muster mit einer bestimmten Umgebung übereinstimmen. Der Vergleich der Ergebnisse derselben Messfahrten ermöglicht es, die Auswirkungen der Verwendung verschiedener Datensätze zu untersuchen. In dieser Arbeit wurde festgestellt, dass die Muster des unüberwachten maschinellen Lernalgorithmus für einige Ergebnisse von der Umgebung beeinflusst wurden.
Object Tracking for Joint Communication and Sensing using Deep Learning. - Ilmenau. - 69 Seiten
Technische Universität Ilmenau, Masterarbeit 2022
Die große Entwicklung der mobilen Kommunikationssysteme, insbesondere die geplanten Entwicklungen in der nächsten Generation 6G, ermöglicht es uns, viele besondere Anwendungsfälle und Applikationen zu definieren. Einer dieser Anwendungsfälle ist ein hoch präziser Ortungsdienst parallel zur Kommunikation. Dazu ist eine Methode zur Verfolgung von mehrfach streuenden Objekten in einer Umgebung erforderlich. Diese Arbeit ist ein Versuch, das Problem der Verfolgung mehrerer Objekte in Mehrwege-Kanälen mit Hilfe von Deep Learning zu formulieren und zu lösen. Diese Arbeit formuliert das Problem der Kanalverfolgung mit Hilfe des bestehenden mathematischen Rahmens für mehrere Objekte und führt damit Simulationen durch. In dem Modell für mehrere Objekte können Objekte nach dem Zufallsprinzip unter Berücksichtigung bestimmter Wahrscheinlichkeitsverteilungen erzeugt oder entfernt werden. Der mathematische Rahmen für die Simulation von Kanälen mit mehreren Objekten verwendet endliche Zufallsmengen, um die Unsicherheit der Anzahl der Objekte darzustellen. Die Aufgabe eines Verfolgungsalgorithmus besteht darin, diese Muster auszunutzen und den Zustand der Objekte aus verrauschten Messungen zu schätzen. Ein Tracking-Algorithmus muss auch das Problem der Datenzuordnung lösen, da es keine nicht bekannt ist, welche Messung von welchem Objekt stammt. Das Lösen der fehlenden Verbindung zwischen den Messungen und den Objekten und die gleichzeitige Unterscheidung von Objekten und Störgeräuschen führt zur Lösung des Tracking-Problems. Andererseits hat Deep Learning bewiesen, dass es in der Lage ist, viele Probleme zu lösen, einschließlich der modellbasierten Probleme, bei denen das Problem mithilfe mathematischer Modelle grob formuliert werden kann, oder der Probleme ohne vorherige Modellannahmen. Deep Learning hat sich in letzter Zeit auch auf Methoden und Algorithmen der Signalverarbeitung ausgedehnt und hat seinen Platz in vielen Anwendungen gefunden. Obwohl diese Aufgabe vorwiegend mit Hilfe von Filteransätzen gelöst wird, untersucht diese Arbeit die Eignung von Deep Learning-Methoden, insbesondere der Transformer. Diese Arbeit konzentriert sich auf das Transformer-Modell und schlägt eine Architektur für das Problem der Kanalverfolgung vor. Anschließend wird ein auf dem Transformer basierendes Deep Learning-Modell entwickelt, trainiert und seine Leistung hinsichtlich der Metriken untersucht.