(Maschinelles Lernen für die) Multisensorsignalverarbeitung (SS 2021)

Download der Vorlesungsunterlagen (pdf-Format, pps-Format)

im SS 2021: Online Webinar Montags 10:00 - 12:00 (3 Blöcke à ca. 30 min), MS Teams

Bitte beachten: Wegen der Kontaktbeschränkungen aufgrund der aktuellen Corona-Pandemie können Präsenzveranstaltungen in diesem Semester nicht stattfinden. Für angemeldete Studierende werden daher Unterlagen zum Download sowie Online-Vorträge ähnlich einem Webinar angeboten. Für die Unterlagen ist die Aufnahme im Vorlesungsteam erforderlich. Die kommentierten Vortragsfolien als mp4-Video finden Sie im Teamsverzeichnis

Zur Anmeldung senden Sie bitte eine Email (vorzugsweise von Ihrem UdS-Studierenden-Account) an Prof. Schütze (Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!) mit vollständigem Namen, Studiengang, Semester und Matrikelnummer. Sie erhalten dann alle erforderlichen Informationen.

Die Lehrveranstaltung führt ein in die Multisensorsignalverarbeitung, d.h. die Erkennung von Mustern primär mit statistischen Methoden, aber auch mit künstlichen neuronalen Netzen ("Maschinelles Lernen"). Dabei orientiert sie sich an Fragestellungen einerseits aus dem Bereich Gasmesstechnik und andererseits aus dem Condition Monitoring von Maschinen und Anlagen, jeweils mit Bezug zu aktuellen Forschungsprojekten des Lehrstuhls. Begleitet werden die Vorlesungen durch praktische Übungen am Computer, auch zum Kennenlernen der entsprechenden Software-Tools wie DAV³E, sowie durch ein Projektseminar, in dem die Studierenden selbst eine Fragestellung aus dem Spektrum der Vorlesung bearbeiten und ihr Ergebnis präsentieren. Die Computerübung und die Seminarpräsentation stellen jeweils Teilprüfungsleistungen dar, den Abschluss macht eine kurze mündliche Prüfung.

 

Vorlesungen: Datum: Inhalt:
Vorlesung 1
(Online)
12.04.2021

Kap. 1: Einführung, Grundlagen der Signalverarbeitung, Zielsetzung (als pps)

Vorlesung 2
(online)
19.04.2021

Kap. 2.1: Beispielprojekt Lösungsmittelerkennung (als pps)

Weiterführende Literatur:
- A. Gramm, A. Schütze: High Performance Solvent Vapor Identification with a Two Sensor Array using Temperature Cycling and Pattern Classification, Sensors & Actuators B 95 (2003)
- A. Schütze, A. Gramm, T. Rühl:Identification of Organic Solvents by a Virtual Multisensor System with Hierarchical Classification, IEEE Sensors Journal 4(6) (2004)
- P. Reimann, A. Schütze: Sensor Arrays, Virtual Multisensors, Data Fusion, and Gas Sensor Data Evaluation; in: C.-D. Kohl, T. Wagner (eds.): Gas Sensing Fundamentals, Springer Series on Chemical Sensors and Biosensors, Volume 15 2014 

Kap. 2.2: Beispielprojekt iCM-Hydraulik (als pps)

Weiterführende Literatur:
- A. Schütze, N. Helwig: Sensorik und Messtechnik für die Industrie 4.0; tm - Technisches Messen, 84(3), 198-206, 2017.
- A. Schütze, N. Helwig, T. Schneider: Sensors 4.0 – smart sensors and measurement technology enable Industry 4.0; J. Sens. Sens. Syst., 7, 359–371, 2018.

Vorlesung 3 26.04.2021

Kap. 3: Validierungsmethoden (als pps)

Weiterführende Literatur:
- S. Youssef et al.: Bewertung subjektiver und automatisierter Merkmalsextraktion periodischer Zeitsignale am Beispiel des 3MA-X8-Verfahrens, tm - Technisches Messen, 86 (5), 267-277, 2019.

Kap. 4: Automatisierte Merkmalsextraktion und -selektion (als pps)

Vorlesung 4 03.05.2021

Fortsetzung Kap. 4
- Kap. 4.3: Überblick Baukasten und Gesamtbetrachtung

Weiterführende Literatur:
- T. Schneider et al.: Industrial condition monitoring with smart sensors using automated feature extraction and selection, Meas. Sci. Technol. 29 (2018) 094002 (15pp).

Kap. 5: Lineare Multivariate Methoden (PCA, LDA) (als pps)

Weiterführende Literatur:
- Aleix M. Martinez, Avinash C. Kak: PCA versus LDA, IEEE Trans. Pattern Analysis and Machine Intelligence, 23(2) (2001), 228-233.

Vorlesung 5 10.05.2021

Abschluss Kap. 5

Kap. 6: Suppport Vector Machine (SVM) (als pps)

Vorlesung 6 17.05.2021 Kap. 7.1-2: Künstliche Neuronale Netze: Grundlagen und Simulation (als pps)
Computerübung 28.05.2021
9 - 13 Uhr
Einführende Übung zur Nutzung von DAV³E und zur Erprobung der grundlegenden Konzepte für Validierung, Merkalsextraktion, -selektion und Dimensionsreduktion
Vorlesung 7 31.05.2021

Kap. 7.3-4: Künstliche Neuronale Netze (als pps)
- Backpropagation Algorithmus
- Empirische Optimierungen des BackProp Algorithmus

Vorlesung 8 07.06.2021

Vorstellung Seminarthemen

Kap. 7.5-7: Künstliche Neuronale Netze (als pps)
- Cascade Correlaion: Automatische Optimierung der Netzstruktur
- Rekurrente Netzwerke
- Anwendungsbeispiel Branderkennung

Vorlesung 9 14.06.2021

Kap. 8: LVQ und SOM (als pps)

Vorlesung 10 21.06.2021

Kap. 9: Novelty detection
Teil 1: Grundlagen und Algorithmen (als pps)
Teil 2: Applikationsbeispiele (als pps)
Teil 3: Anwendungs Gasmesstechnik (als pps)

Weiterführende Literatur:
- T. Schneider et al.: Machine learning in industrial measurement technology for detection of known and unknown faults of equipment and sensors, tm - Technisches Messen (2019), 86 (11), 706–718, doi: 10.1515/teme-2019-0086
- Y. Robin et al.: Machine Learning based calibration time reduction for Gas Sensors in Temperature Cycled Operation, Proceedings I2MTC 2021

Vorlesung 11 28.06.2021 Kap. 10: Zusammenfassung und Ausblick (als pps
Seminarpräsentationen 12.07.2021
HS -1.03
bzw. hybrid
Präsentation von 2 Gruppen:
- L. Tadayon, F. Weißgerber: Pruning für Export von KI-Algorithmen

- P. Christoffel, J. Kunze: Abschätzung der Messunsicherheit durch künstliches Rauschen
Seminarpräsentationen 19.07.2021
HS -1.03
bzw. hybrid
Präsentation von 2 Gruppen:
- J. Zieder, M. Scherf: Formale Beschreibung von LDA & PCA als neuronales Netz
- D. Arendes, J. Maier: Datenaufbereitung durch rekurrente Netze zur Reproduzierung eines GCMS-Signals mit Gassensoren

     
Mündliche Prüfung   nach individueller Vereinbarung (Dauer ca. 30 min)