Neues Hypergraph-Framework verbessert Strain‑Gauge‑Klassifizierung

In der intelligenten Fertigung, die stark auf das Internet der Dinge angewiesen ist, spielt die präzise Erkennung von Strain‑Gauge‑Status (SGS) eine entscheidende Rolle. Durch die schnelle Identifikation von Fehlfunktionen mechanischer Bauteile können Unfälle vermieden und die Produktionssicherheit erhöht werden.

Traditionell werden die Lade‑ und Entlade­sequenzen, die von Dehnungsmessstreifen erzeugt werden, mittels Zeitreihenklassifikationsalgorithmen (TSC) analysiert. Convolutional Neural Networks (CNNs) haben in den letzten Jahren große Erfolge erzielt, indem sie lokale Merkmale aus Teilsequenzen extrahieren. Doch bei sehr ähnlichen lokalen Sub‑Sequenzen – etwa bei SGS‑Daten von Flugzeugflügeln in statischen Belastungstests – reichen diese lokalen Merkmale oft nicht aus, um die Zeitreihen eindeutig zu unterscheiden.

Um die globale Struktur der Daten besser zu erfassen, schlägt die neue Arbeit zwei Ansätze vor: Erstens die Konstruktion globaler Merkmale durch Feature‑Engineering, und zweitens das Lernen hochgradiger Beziehungen zwischen lokalen Merkmalen. Durch ein hypergraph‑basiertes Lern- und Fusionsframework werden globale Merkmale erfasst und semantisch konsistent zusammengeführt, was die Repräsentation der SGS‑Zeitreihen deutlich verbessert.

Die vorgeschlagene Methode wurde sowohl an industriellen SGS‑Datensätzen als auch an öffentlichen UCR‑Datensätzen getestet und zeigte eine signifikante Steigerung der Erkennungsgenauigkeit. Damit eröffnet das Framework neue Möglichkeiten für die zuverlässige Überwachung von Bauteilen in der Industrie.