Deutsche Übersetzung des Titels: Analyse und Klassifikation von Zeitreihen mit Zustandsraum-Modellen für industrielle Produktionsprozesse und die Biowissenschaften

Vorschau

PDF, Englisch Download (22MB) | Nutzungsbedingungen

Abstract

In this thesis the use of state-space models for analysis and classification of time series data, gathered from industrial manufacturing processes and the life sciences, is investigated. To overcome hitherto unsolved problems in both application domains the temporal behavior of the data is captured using state-space models. Industrial laser welding processes are monitored with a high speed camera and the appearance of unusual events in the image sequences correlates with errors on the produced part. Thus, novel classification frameworks are developed to robustly detect these unusual events with a small false positive rate. For classifier learning, class labels are by default only available for the complete image sequence, since scanning the sequences for anomalies is expensive. The first framework combines appearance based features and state-space models for the unusual event detection in image sequences. For the first time, ideas adapted from face recognition are used for the automatic dimension reduction of images recorded from laser welding processes. The state-space model is trained incrementally and can learn from erroneous sequences without the need of manually labeling the position of the error event within sequences. %The limitation to weakly labeled data helps to reduce the labeling effort. In addition, a second framework for the object-based detection of sputter events in laser welding processes is developed. The framework successfully combines for the first time temporal change detection, object tracking and trajectory classification for the detection of weak sputter events. %This is the first time that object tracking is successfully applied to automatic sputter detection. For the application in the life sciences the improvement and further development of data analysis methods for Single Molecule Fluorescence Spectroscopy (SMFS) is considered. SMFS experiments allow to study biochemical processes on a single molecule basis. The single molecule is excited with a laser and the photons which are emitted thereon by fluorescence contain important information about conformational changes of the molecule. Advanced statistical analysis techniques are necessary to infer state changes of the molecule from changes in the photon emissions. By using state-space models, it is possible to extract information from recorded photon streams which would be lost with traditional analysis techniques.

Übersetzung des Abstracts (Deutsch)

In dieser Dissertation wird die Anwendung von Zustandsraum-Modellen zur Analyse und Klassifikation von Zeitreihen, die aus industriellen Produktionsprozessen und den Biowissenschaften stammen, untersucht. Um bisher ungelösten Problemen in beide Anwendungsgebiete beizukommen, wird eine Zustandsraum-Darstellung gewählt, die den zeitlichen Charakter der Daten erfassen kann. Industrielle Laserschweißprozesse werden mit Hochgeschwindigkeitskameras überwacht, wobei das Auftreten von ungewöhnlichen Ereignissen in den Bildfolgen mit Fehlern am produzierten Bauteil korreliert. In dieser Arbeit werden neuartige Auswertesysteme entwickelt um diese ungewöhnlichen Ereignisse zuverlässig auffinden zu können. Für das Trainieren eines Klassifikationssystems stehen standardmässig nur ''Label'' für gesamte Bildfolgen zur Verfügung, da es sehr zeitaufwendig ist, jedes Bild der Folge einzeln auf Unregelmässigkeiten hin zu untersuchen. Das erste Überwachungssystem kombiniert erscheinungsbasierte Merkmale und Zustandsraum-Modelle zum Auffinden ungewöhnlicher Ereignisse. Hierbei werden erstmals Ideen aus der Gesichtserkennung für die automatische Dimensionsreduktion der aufgenommen Bilder von Laserschweißprozessen verwendet. Das Zustandsraum-Modell wird inkrementell aufgebaut und kann den Informationsgehalt von fehlerhaften Sequenzen automatisch nutzen, ohne dass die genaue Fehlerposition manuell spezifiziert werden muss (schwach überwachtes Lernen). Zusätzlich wird ein objektbasiertes Klassifikationssystem zur Erkennung schwacher Schweißspritzer vorgestellt. Dabei werden zeitliche Änderungsdetektion, Objekverfolgungsalgorithmen und die Klassifikation von Trajektorien erstmals erfolgreich miteinander kombiniert, um schwache Schweißspritzer robust zu erkennen. Der zweite Beitrag ist die Verbesserung und Weiterentwicklung von Datenauswerteverfahren für die Einzelmolekülfluoreszenzspektroskopie (SMFS). Bei SMFS Versuchen werden einzelne Moleküle mit einem Laser angeregt und die durch Fluoreszenz erzeugten Photonen mit hoher zeitlicher Auflösung aufgenommen. Die Aufgabe der Datenanalyse ist, aus Änderungen in der Photonenintensität, auf unterschiedliche Zustände des Moleküls zu schließen. Durch die Benutzung von Zustandsraum-Modellen wird es möglich Informationen zu extrahieren, die mit klassischen Auswerteverfahren verloren gegangen wären.