01 · A
Problem
Fachleute können Tausende Kandidaten nicht einzeln prüfen; neue Signalfamilien passen eventuell nicht in vordefinierte Klassen. Die Prüfung muss verdichtet werden, ohne Cluster-IDs als physikalische Diagnose auszugeben.
Alle Projekte03 / 09
Unbekannte Signalfamilien prüfbar ordnen
Clusteranalyse von Teilentladungssignalen
Ein Workflow aus Mehrdomänenmerkmalen und Clustering, der ähnliche Kandidaten gruppiert, Ausreißer bewahrt und Cluster über repräsentative Wellenformen prüfen lässt.
- Zeitraum
- Oct 2024 — Mar 2026
- Schwerpunkt
- Industrial Machine Learning · Unsupervised Learning · Explainable Analysis
- Kerntechnologien
- Python · NumPy · SciPy · scikit-learn
Kurzfassung
- Problem
- Fachleute können Tausende Kandidaten nicht einzeln prüfen; neue Signalfamilien passen eventuell nicht in vordefinierte Klassen. Die Prüfung muss verdichtet werden, ohne Cluster-IDs als physikalische Diagnose auszugeben.
- Mein Beitrag
- Zeit-, Frequenz- und Wavelet-Merkmalspipelines implementiert.
- Ergebnis / Grenze
- Cluster, Ausreißer und Projektionen für die Fachinterpretation erhalten, ohne unbelegte Qualitätswerte zu veröffentlichen.
01 · B
Kontext
Bei einem anonymisierten Unternehmen für industrielle Messtechnik folgte Clustering auf Vorauswahl und Klassifikation, damit Fachleute Verteilungen, repräsentative Wellenformen und Ausreißer vergleichen konnten. Kunden- und Gerätedetails bleiben privat.
Warum es wichtig ist
Unterschiedliche Entladungsmechanismen können eigene Wellenformfamilien bilden; Rauschen und besondere Betriebszustände erzeugen weitere Strukturen. Clustering reduziert die Zahl einzeln zu prüfender Beispiele und kann unbekannte Gruppen zeigen, sofern der Bezug zur Originalwellenform erhalten bleibt.
Technische Details öffnenDie eigentliche Schwierigkeit · Systempfad · Zentrale Abwägungen
Die eigentliche Schwierigkeit
- 01
Rohwellenform-Distanzen reagieren stark auf Phase, Amplitude und Dauer.
- 02
Merkmalswahl und Skalierung verändern die sichtbare Clusterstruktur.
- 03
Dichtebasierte Rauschpunkte sind nicht automatisch Nicht-Entladungen.
- 04
Zweidimensionale Projektionen helfen der Prüfung, verzerren aber hochdimensionale Distanzen.
Mein Ansatz
Systempfad
Beschreiben
Zeit-, Frequenz-, Spektral- und Wavelet-Merkmale extrahieren
Repräsentieren
Robust skalieren und Originalraum mit reduzierten Ansichten vergleichen
Gruppieren
Dichte- und hierarchische Verfahren mit erhaltenen Ausreißern anwenden
Prüfen
Medoide, Wellenformen, Spektren und Wavelet-Signaturen je Gruppe untersuchen
Von Merkmalen zur Prüfung
Clustering ordnet Aufmerksamkeit, nicht die Physik
Komplementäre Merkmalsfamilien werden skaliert, gruppiert und für die Fachinterpretation auf repräsentative Originalwellenformen zurückgeführt.
01rückverfolgbar
Wellenformsegmente
Kandidaten mit Quellenbezug
02komplementär
Merkmalsfamilien
Zeit-, Spektral- und Wavelet-Merkmale
03vergleichbar
Robuste Skalierung
Dominierende Größenordnungen vermeiden
04Unsicherheit
HDBSCAN / Hierarchie
Dichte Gruppen und Ausreißer erhalten
05Fachprüfung
Medoide + Originale
Gruppen auf Wellenformen zurückführen
Zentrale Abwägungen
Merkmalsfamilien statt Zaubermerkmal
Zeit-, Spektral- und Wavelet-Sichten erfassen ergänzende und einzeln prüfbare Aspekte.
Nicht zugeordnete Punkte erhalten
Erzwungene Zuordnung verbirgt Unsicherheit und kann seltene Muster löschen.
Zur Wellenform zurückkehren
Embeddings organisieren Aufmerksamkeit; repräsentative Rohsignale bleiben Gegenstand der Fachprüfung.
04 · A
Mein Beitrag
- Zeit-, Frequenz- und Wavelet-Merkmalspipelines implementiert.
- Dichtebasierte, hierarchische und reduzierte Clustering-Abläufe verglichen.
- Repräsentativsignal-Ansichten für die Prüfung gegen Originalwellenformen entwickelt.
04 · B
Umgesetzte Ergebnisse
- Eine prüfbare Nachanalyse von Merkmalsextraktion bis zur Repräsentativwellenform umgesetzt.
- Cluster, Ausreißer und Projektionen für die Fachinterpretation erhalten, ohne unbelegte Qualitätswerte zu veröffentlichen.
Drei Sichten, drei Aufgaben
Ein sauberes Embedding ist nicht die letzte Evidenz
Der Originalraum unterstützt Gruppierung, die 2D-Projektion Navigation und die Rohwellenform das technische Urteil.
01Analyse
Originaler Merkmalsraum
Distanzen des Clusterings
02Orientierung
2D-Projektion
Verlustbehaftete Karte zur Navigation
03Interpretation
Repräsentative Wellenform
Form, Spektrum und Kontext
Erkenntnisse
01Ein sauberes 2D-Clusterbild kann weniger wahr sein als ein unordentlicher, aber rückverfolgbarer Prüfsatz.
02Unüberwachtes Lernen wird nützlich, wenn es Expertenarbeit reduziert und Unsicherheit erhält.
Was ich öffentlich teilen kann
Kundenaufzeichnungen, Durchsatz und Clusterqualitätswerte dieser vertraulichen Arbeit kann ich nicht veröffentlichen. Den Ablauf aus Merkmalen, Clustering und Prüfung repräsentativer Wellenformen vermittle ich mit einer Illustration mit festem Seed.
Öffentliche Quellen