Klassifizierung von kornorientierten Elektroblechen durch magnetisches Barkhausen-Geräusch unter Verwendung von zeit-frequenzanalytischen Methoden und ausgewählten Machine-Learning-Algorithmen

In diesem Papier wurde eine Kombination aus magnetischem Barkhausen-Geräusch (MBN) und mehreren klassischen Machine-Learning (ML)-Methoden verwendet, um sowohl die Klasse als auch die magnetischen Richtungen konventioneller und hoch kornorientierter Elektrobleche, die verschiedenen Oberflächenbehandlungsverfahren unterzogen wurden, zu bewerten. Die vorgestellte Analyse wurde durchgeführt, um die Leistung von zwei Machine-Learning-Ansätzen, klassischem ML und Deep Learning (DL), in Bezug auf dasselbe MBN-Überprüfungsproblem und basierend auf derselben Datenbank zu vergleichen. Während des Experiments wurden 26 klassische ML-Algorithmen eingesetzt, darunter Entscheidungsbäume, Diskriminanzanalyse, Support Vector Machines, naïve Bayes, nächster Nachbar, künstliche neuronale Netze und Ensemble-Klassifikatoren. Die Experimente wurden unter Berücksichtigung einer unterschiedlichen Anzahl erkannter magnetischer Richtungen und damit auch der Anzahl der bestimmten Klassen durchgeführt. Die Ergebnisse der Klassifikationsgenauigkeit der angewandten ML-Methoden wurden mit denen verglichen, die für das in einem früheren Papier vorgestellte DL-Modell erzielt wurden. Die höchste Genauigkeit wurde für ML-Modelle erzielt, die auf künstlichen neuronalen Netzen und Ensemble-Methoden basierten. Dennoch erreichte die Genauigkeit im besten Fall—für die kleinste Anzahl bestimmter Klassen—nicht 89%. Dennoch deuteten die erzielten Ergebnisse allgemein auf einen etwa 10 Prozent Vorteil des Deep-Learning-Modells gegenüber den klassischen in Bezug auf die Genauigkeit in jedem der betrachteten Fälle hin.