Hidden Markov models for state recognition in injection molding processes using acceleration data

Der rasante technologische Fortschritt führt dazu, dass in Bereichen wie Medizin, Industrie
oder dem Finanzwesen immer größere Mengen an Daten aller Art generiert werden. Ein
Verwendungszweck dieser Daten kann die Überwachung und Steuerung von Prozessen
sein. Dabei müssen oft Klassifizierungsaufgaben bewältigt werden, was aufgrund der
Komplexität und Dynamik der Daten eine große Herausforderung darstellt. Es gibt viele
Werkzeuge, die versuchen, diese Herausforderung zu meistern. Eines davon ist das Hidden Markov Modell (HMM). HMM sind statistische Modelle, die die Zustandswechsel in
einem System beschreiben, wobei nur indirekte Information über die zugrunde liegenden Zustände verfügbar ist. Basierend auf einer Folge von beobachtbaren Emissionen
des Systems ermöglichen HMM eine Schätzung der wahrscheinlichsten zugehörigen
Zustandsfolge.
Diese Arbeit gibt zunächst eine ausführliche Einführung in das Thema HMM und untersucht die dabei auftretenden Fragestellungen im Detail. Anschließend wird das Konzept
der HMM in einer praktischen Anwendung in der Spritzgießindustrie eingesetzt. Ein
an der Spritzgießmaschine angebrachter 3D-Beschleunigungssensor liefert Daten eines
Spritzgießprozesses, die in Zeitreihen dargestellt werden können. Ziel dieser Arbeit
ist es, mithilfe von HMM die Zustände von Spritzgießprozessen aus 15 verschiedenen
Datensätzen anhand ihrer Beschleunigungsdaten zu identifizieren.
Um bestmögliche Ergebnisse zu erzielen, werden verschiedene Ansätze zur Datenvorverarbeitung und -transformation angewandt, um für das Modell aussagekräftige Kennzahlen
aus den Zeitreihen zu gewinnen. Die Ergebnisse der durchgeführten Experimente lassen
die Komplexität der Problemstellung erahnen. Es ist zu erkennen, dass die Leistung des
HMM für verschiedene Datensätze variiert, was ein Indiz für die Schwierigkeit ist, einen
effektiven allgemeinen Klassifikator für alle Datensätze zu entwickeln. Es wird gezeigt,
dass eine Erhöhung der Anzahl verwendeter HMM auf vier Modelle zu erheblichen
Verbesserungen der Gesamtergebnisse führt. Darüber hinaus wird ein Ansatz vorgestellt,
der zusätzliches spezifisches Wissen über den Spritzgießprozess zur Nachkorrektur der
Klassifizierungsergebnisse nutzt.