Open Access

Franka Weirich

• In der folgenden Arbeit wird die Entwicklung einer Menüsteuerung für Füllstandsensoren dokumentiert. Diese soll es ermöglichen, die Sensoren auch innerhalb von explosionsgefährdeten Bereichen zu bedienen. Alle verwendeten Ansätze analysieren dabei Geräuschsignaturen, die durch die Interaktion eines Benutzers mit dem Gehäuse des Füllstandsensors entstehen und klassifizieren diese unter VerwendungIn der folgenden Arbeit wird die Entwicklung einer Menüsteuerung für Füllstandsensoren dokumentiert. Diese soll es ermöglichen, die Sensoren auch innerhalb von explosionsgefährdeten Bereichen zu bedienen. Alle verwendeten Ansätze analysieren dabei Geräuschsignaturen, die durch die Interaktion eines Benutzers mit dem Gehäuse des Füllstandsensors entstehen und klassifizieren diese unter Verwendung von künstlicher Intelligenz. Dabei wird in zwei Ansätze mit unterschiedlichen Gehäusen unterteilt: das bereits vorhandene Gehäusedesign und eine modifizierte Version davon. Für jedes Gehäuse wurden mehrere Lösungsansätze entwickelt und deren Ergebnisse miteinander verglichen. Dabei wird vor allem auf Bild- und Zeitreihen-Klassifikation mithilfe von Convolutional Neural Networks eingegangen. Für diese Arbeit wurden Trainingsdaten mit beiden Gehäusetypen aufgezeichnet und die Aufnahmen anschließend mit Labeln im Dateinamen versehen. Dabei wurden zunächst vier Klassenlabel definiert, die in beiden Ansätzen klassifiziert werden sollen. Bei der Arbeit mit dem modifizierten Gehäusedeckel wurde eine zusätzliche Rauschklasse definiert. Anhand dieser Datensätze wurden verschiedene Ansätze implementiert und evaluiert. Die Lösungsansätze mit dem bestehenden Gehäusedesign konnten keine zufriedenstellenden Ergebnisse liefern. Das modifizierte Gehäuse hingegen erreicht mit einem Zeitreihen-Convolutional-Neural-Network eine finale Accuracy von ca. 95%. Dazu wurden einige Augmentierungs- und Optimierungsschritte durchgeführt. Die Ansätze, die das Standard-Gehäusedesign zur Signalgenerierung verwenden, hatten einen Nachteil bei der Aufnahme des Datensatzes. Durch die Rundung des Gehäuses und der fehlenden Führung kam es häufig zum Abrutschen oder zu unvollständigen Signalen während der Aufnahmen, was die Klassifizierung erschwert hat. Die späteren Ansätze mit dem modifizierten Gehäuse konnten dieses Problem umgehen und unter anderem dadurch deutlich bessere Ergebnisse erzielen.…