Vakuumikäsittelyn Visuaalinen Laadunarvioiniti - Seurantaraportti 2.0 (PROPOSAL)


Joni-Kristian Kämäräinen
Joni.Kamarainen@lut.fi, http://www.lut.fi/~jkamarai


Kuvaus: Tämä dokumentti liittyy projektiin: ``Vakuumikäsittelyn visuaalinen laadunarviointi''. Dokumentissa esitellään projektin nykyinen tilanne, projektin tilanne edellisessä seurannan vaiheessa ja ehdotus projektin jatkolle.

1. Projektin historia

Taulukossa 1 on esitelty projektin aikaisemmat seurantavaiheet. Edellisessä seurantapalaverissa päätettiin kerätä lisää dataa ja käyttää sitä opetusmenetelmien kehittämiseen. Lisäksi päätettiin toteuttaa demo-ohjelma vakuumikäsittelyn seurantaan.


 
Table 1: Projektin vaiheet.
15.6.1999 Projektin aloitus Projektin aloituskokous, jossa läsnä professori Heikki Kälviäinen, tutkimusapulainen Joni Kämäräinen, R&D metallurgisti Kari Terho (Imatra Steel) ja director Erkki Saarelainen (Finx Oy).
21.9.1999 Seurantapalaveri 1 Seurantapalaveri, jossa läsnä professori Heikki Kälviäinen, tutkimusapulainen Joni Kämäräinen, R&D metallurgisti Kari Terho (Imatra Steel) ja director Erkki Saarelainen (Finx Oy).

2. Projektin tilanne

Erilaisia luokitusmenetelmiä testataan kerätyn opetusaineiston avulla. Projektin käytössä oleva laitteisto toimii suunnitelmien mukaisesti. Demo-ohjelmasta vakuumikäsittelyn monitorointiin on ensimmäinen versio, joka näyttää kuvaa käsittelykammiosta. Uutta dataa ei ole suunnitteilla kerätä nykyisen aikataulun puitteissa.

3. Demo-ohjelmisto

Ohjelmiston kehitystyö on aloitettu. Nyt valmiina on ensimmäinen versio, joka päivittää ruudulle kuvaa vakuumitankista. Ohjelma tulee toimimaan Linux käyttöjärjestelmässä ja sen kehitykseen käytetään C++ ohjelmointikieltä, Qt grafiikkakirjastoa ja mahdollisesti jotain lineaarialgebran kirjastoa. Ohjelmistosta tehdään mahdollisimman modulaarinen, että siihen voidaan liittää uusia luokittelumenetelmiä joustavasti.

4. Kuvankäsittelymenetelmät

309 käsitteyajoa on käytettävissä. Käsittelyjen vetyarvojen jakauma on esitetty kuvassa 1. Jakauman keskiarvo on $\mu = 1.6285$, jota suoraan käyttämällä saadaan keskipoikkeamaksi $\sigma = 0.5062$. Tämä aiheuttaa edelleen opetusmenetelmiin voimakkaan biaksen ja useimmat menetelmät pyrkivät konvergoimaan juuri tuohon keskiarvoon. Laadukas mittausaineisto vaatisi vielä noin 2 kuukauden ajan käsittelyjen tallettamista.


  
Figure 1: Mittausaineiston vetyarvojen jakauma.
\includegraphics[width=0.4\textwidth]{pics/ajo010203hydrogenhist.ps}

Datasta käytetään opetukseen kumulatiivista harmaataso-histogrammia (arvot 0-255). Datan dimensioiden vähentämiseksi ollaan testattu PCA menetelmää, jonka tulokset ovat hyviä verrattuna datan käyttöön sellaisenaan. PCA menetelmän käyttöönotto nopeuttaa neuroverkkojen oppimista huomattavasti. Esimerkki kahdesta erilaisen vetyarvon kumulatiivisesta histoggrammista kuvassa 2. Vasemmanpuoleiset on esitetty 256 harmaa-arvolla ja oikeanpuoleiset 25 pääkomponentilla.


  
Figure 2: Esimerkki histogrammeista arvoilla 1-256 ja 25 PCA arvolla.

\includegraphics[width=\textwidth]{pics/data1hist.ps}




\includegraphics[width=\textwidth]{pics/data1histpca.ps}




\includegraphics[width=\textwidth]{pics/data6hist.ps}




\includegraphics[width=\textwidth]{pics/data6histpca.ps}



4.1 Tuloksia

Liitteissä 1-6 on esitetty esimerkkejä k-NN algoritmin ja MLP neuroverkon tuloksista. Tuloksissa on selkeästi nähtävissä jakauman aiheuttama bias. Koko mittausaineisto käytettäessä päästään noin 0.35ppm keskipoikkeamaan ja käytettäessä varsinaista efektiivistä aluetta 1ppm-2.5ppm päästään keskipoikkeamaan noin 0.3ppm, joka on erittäin hyvä ottaen huomioon vetyarvon mittaustarkkuuden. Näihin tietoihin nojaten pyritään muodostamaan optimaalinen luokitin ja toteuttamaan se demossa. Lisäksi etsitään paras mahdollinen luokitin jos erilaisia attribuutteja on käytössä (histogrammi, HLOPPU, LIITOS, SENIKÄ, VLKRT).

5. Projektin jatko

Marraskuun aikana on tarkoitus viimeistellä työstä tehtävä diplomityö niin, että siihen antavat kommenttinsa kaikki asianomaiset. Ensimmäinen versio kommentoitavaksi 19.11.1999. Samalla suoritetaan edelleen opetuskokeiluita mittausaineistolla. Joulukuun aikana ohjelmoidaan käsittelyn seurantaan demo-ohjelma, josta tehdään versioita tehtaan toivomuksesta (erilaisia tietoja näkyviin, jne.). Lisäksi joulukuun aikana valmistellaan esitys IFAC:in konferenssiin.

About this document ...

This document was generated using the LaTeX2HTML translator Version 98.1p1 release (March 2nd, 1998)

Copyright © 1993, 1994, 1995, 1996, 1997, Nikos Drakos, Computer Based Learning Unit, University of Leeds.

The command line arguments were:
latex2html -no_navigation -show_section_numbers -split 0 seurantaraportti.tex.

The translation was initiated by Joni Kämäräinen on 1999-11-15


Joni Kämäräinen
1999-11-15