Please use this identifier to cite or link to this item: http://doi.org/10.25358/openscience-4220
Authors: Dranischnikow, Egor
Title: Effiziente und robuste, feature-basierte Wiedererkennung langer Zeitreihen in großen Datenbanken
Online publication date: 3-Apr-2014
Language: german
Abstract: Die Materialverfolgung gewinnt in der Metallindustrie immer mehr an Bedeutung:rnEs ist notwendig, dass ein Metallband im Fertigungsprozess ein festgelegtes Programm durchläuft - erst dann ist die Qualität des Endprodukts garantiert. Die bisherige Praxis besteht darin, jedem Metallband eine Nummer zuzuordnen, mit der dieses Band beschriftet wird. Bei einer tagelangen Lagerung der Bänder zwischen zwei Produktionsschritten erweist sich diese Methode als fehleranfällig: Die Beschriftungen können z.B. verloren gehen, verwechselt, falsch ausgelesen oder unleserlich werden. 2007 meldete die iba AG das Patent zur Identifikation der Metallbänder anhand ihres Dickenprofils an (Anhaus [3]) - damit kann die Identität des Metallbandes zweifelsfrei nachgewiesen werden, eine zuverlässige Materialverfolgung wurde möglich.Es stellte sich jedoch heraus, dass die messfehlerbehafteten Dickenprofile, die als lange Zeitreihen aufgefasst werden können, mit Hilfe von bisherigen Verfahren (z.B. L2-Abstandsminimierung oder Dynamic Time Warping) nicht erfolgreich verglichen werden können.Diese Arbeit stellt einen effizienten feature-basierten Algorithmus zum Vergleichrnzweier Zeitreihen vor. Er ist sowohl robust gegenüber Rauschen und Messausfällen als auch invariant gegenüber solchen Koordinatentransformationen der Zeitreihen wie Skalierung und Translation. Des Weiteren sind auch Vergleiche mit Teilzeitreihen möglich. Unser Framework zeichnet sich sowohl durch seine hohe Genauigkeit als auch durch seine hohe Geschwindigkeit aus: Mehr als 99.5% der Anfragen an unsere aus realen Profilen bestehende Testdatenbank werden richtig beantwortet. Mit mehreren hundert Zeitreihen-Vergleichen pro Sekunde ist es etwa um den Faktor 10 schneller als die auf dem Gebiet der Zeitreihenanalyse etablierten Verfahren, die jedoch nicht im Stande sind, mehr als 90% der Anfragen korrekt zu verarbeiten. Der Algorithmus hat sich als industrietauglich erwiesen. Die iba AG setzt ihn in einem weltweit einzigartigen dickenprofilbasierten Überwachungssystemrnzur Materialverfolgung ein, das in ersten Stahl- und Aluminiumwalzwerkenrnbereits erfolgreich zum Einsatz kommt.
Material tracking is becoming increasingly important in the metal industry: It is necessary that a metal coil passes through a fixed program during its manufacturing process - only then the quality of the product is guaranteed. The current practice is to assign each metal coil a number with which it is labeled. This method proves to be prone to errors: During the day-long storage of the metal coils between two production steps the labels may bernlost, swapped, incorrectly read or become unreadable. In 2007 iba AG filed a patent for the identification of the metal coils by their thickness profile (Anhaus [3]). Thus, the identity of a metal coil can be definitely established and a reliable material tracking becomes possible. However, it turned out that the measured thickness profiles, which can be considered to be long time series, are notoriously error-prone due to difficult circumstances of the measurement process. The length of the time series and the multitude of different measurement errors make it impossible for established well-known methods (such as L2 distance minimization or Dynamic Time Warping) to be successfully applied. This work presents an efficient feature-based algorithm for comparison of two time series. It is robust to noise and measurement failures as well as invariant with respect to coordinate transformations of the time series such as scaling and translation. In adition, comparison of subsequences is also possible. Our framework is characterized by its high accuracy as well as by its high speed: More than 99.5% of the queries to our database with real world datarnare answered correctly. With several hundred time series comparisons per second, it is approximately 10 times faster than other tested methods, which are not able to process more than 90% of the queries correctly. This performance of the algorithm enabled the iba AG to build a unique thickness profile based verification system that is already successfully applied in several steel and aluminum rolling mills.
DDC: 004 Informatik
004 Data processing
Institution: Johannes Gutenberg-Universität Mainz
Department: FB 08 Physik, Mathematik u. Informatik
Place: Mainz
DOI: http://doi.org/10.25358/openscience-4220
Version: Original work
Publication type: Dissertation
License: in Copyright
Information on rights of use: https://rightsstatements.org/vocab/InC/1.0/
Extent: 245 S.
Appears in collections:JGU-Publikationen

Files in This Item:
File SizeFormat 
3707.pdf5.11 MBAdobe PDFView/Open