h1

000573621 001__ 573621
000573621 005__ 20240715100455.0
000573621 020__ $$a978-3-941277-26-7
000573621 0247_ $$2URN$$aurn:nbn:de:hbz:82-rwth-2016-036192
000573621 0247_ $$2HBZ$$aHT018964258
000573621 0247_ $$2Laufende Nummer$$a35443
000573621 037__ $$aRWTH-2016-03619
000573621 041__ $$aEnglish
000573621 082__ $$a620
000573621 1001_ $$0P:(DE-82)015508$$aGarate-Penaranda, Kenny$$b0
000573621 245__ $$aPattern recognition, classification and diagnosis of acoustic emission signals in applications for mining$$cKenny Alexander Gárate Peñaranda$$honline, print
000573621 246_3 $$aMustererkennung, Klassifikation und Diagnose von Acoustic Emission Signalen für Anwendungen im Bergbau$$yGerman
000573621 250__ $$a1. Auflage
000573621 260__ $$aAachen$$bVerlag R. Zillekens$$c2016
000573621 300__ $$a131 Seiten : Illustrationen, Diagramme
000573621 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000573621 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000573621 3367_ $$02$$2EndNote$$aThesis
000573621 3367_ $$2DRIVER$$adoctoralThesis
000573621 3367_ $$2BibTeX$$aPHDTHESIS
000573621 3367_ $$2DataCite$$aOutput Types/Dissertation
000573621 3367_ $$2ORCID$$aDISSERTATION
000573621 4900_ $$aAachener Schriften zur Rohstoff- und Entsorungstechnik des Instituts für Maschinentechnik der Rohstoffindustrie$$v88
000573621 500__ $$aAuch veröffentlicht auf dem Publikationsserver der RWTH Aachen University
000573621 502__ $$aDissertation, RWTH Aachen, 2016$$bDissertation$$cRWTH Aachen$$d2016$$gFak05$$o2016-04-29
000573621 5203_ $$aIn dieser Arbeit wird eine Mustererkennung (Pattern Recognition Technique PRT) für die Klassifikation von Acoustic Emission (AE) Signalen, die in Bergbauprozessen entstehen, vorgenommen. In zwei experimentellen Aufbauten werden die AE Signale durch geeignete Messtechnik erfasst. Anschließend werden Parameter und Merkmale in diesen Signalen gesucht, die als wiederkehrendes Muster zu erkennen sind. Für die Bestimmung dieser Parameter kann die Signalverarbeitung sowohl im Zeit- als auch im Frequenzbereich durchgeführt werden.Ziel dieser Arbeit ist zunächst die Identifizierung von Merkmalen mit einer sich anschließ enden Klassifizierung der AE Signale. Die Klassifizierung der Signale erfolgt sowohl durch eine überwachte als auch eine nicht überwachte Mustererkennung (PRT). Hierzu werden unterschiedliche Versuche durchgeführt, um Korrelation zwischen AE Signalen und Prozessabläufen im Bergbau herzustellen. Die Versuche finden zunächst im Labormaß stab statt, die Rückschlüsse auf reale Bergbauprozesse zulassen.Im Verlauf dieser Arbeit wird zunächst eine Problemstellung formuliert. Anschließ end werden die AE Daten in den Versuchen erfasst und die Mustererkennung für die Klassifikation der AE Signale durchgeführt. Die einzelnen Schritte hierbei sind die Datenvorverarbeitung, die Auswahl geeigneter Kennwerte, ein überwachte sowie nicht überwachte Klassifikation gefolgt von der Interpretation und Beurteilung der Ergebnisse.Für die Vorverarbeitung der Daten werden die Daten zunächst mit Hilfe der Standard Score Normalization normalisiert. Die sich anschließ ende Auswahl der Kennwerte erfolgt nach der jeweiligen Anwendung drei unterschiedlicher Algorithmen, der Principal Components Analysis (PCA), Linear Discrimination analysis (LDA) und Multidimensional Scaling (MDS).Die ausgewählten Kennwerte werden durch sechs verschiedene Methoden klassifiziert und auf wiederkehrende Muster untersucht.Für die überwachte Klassifikation werden die Methoden linear Support Vector Machine, non-linear Support Vector Machine and Back-propagation Neural Network verwendet. Die überwachten Cluster werden durch den classification accuracy untersucht.Die unüberwachte Klassifikation erfolgt durch K-means Clustering, Fuzzy C-Means Clustering und Vector Quantization Clustering. Anschließ end werden die Ergebnisse auf ihre Sinnhaftigkeit und Genauigkeit beurteilt. Durch den Rand Index (RI) lassen sich Gemeinsamkeiten innerhalb der gebildeten Cluster bestimmen.Insgesamt werden zwei unterschiedliche Berbauprozesse betrachtet, die AE Signale während des jeweiligen Prozesses erfasst, und die Algorithmen auf die ausgewählten Kennwerte angewendet. In einem ersten Prozess wurden die AE Signale an einer Flotationszelle aufgezeichnet, um eine Aussage über die Blasenbildung und die Blasengröße innerhalb der Zelle treffen zu können. In einem zweiten Prozess wurde die AE Technologie für die Materialidentifikation während Schneidprozessen in der schneidenden Rohstoffgewinnung verwendet.Die Versuche wurden im Labormaß stab durchgeführt und die AE Signale zur Beurteilung und Analyse des Prozesses verwendet. Die Mustererkennung (PRT) wurde in Kombination mit konventionellen und fortgeschrittenem Signalverarbeitungstechnologie angewendet, um die erfassten AE Signale zu charakterisieren.$$lger
000573621 520__ $$aIn this work, Acoustic Emission Technique (AET) and Pattern Recognition Technique (PRT) are used in combination for classification of AE signals obtained from two experimental applications in the mining sector. AE signals are collected and used to form features or parameters in order to identify AE events of interest. Signal processing in time domain and in frequency domain are applied to extract these features from the AE signals.The aim of this work is to identify and classify similar AE signals from experimental mining tests. It is achieved by means of using unsupervised and supervised methods of PRT. The main reason for performing these tests at a laboratory scale is to obtain a correlation of the AE signals with each mining process as well as to use the results as a guide for other specific mining applications.Beginning with the formulation of the problem and data acquisition, each step of the pattern recognition process is carried out for classification of the AE signals, namely pre-processing of the data, feature selection and extraction, unsupervised or supervised classification, assessment and interpretation of the results.In the pre-processing of the data, Standard Score Normalization is applied to the input data for further comparisons of AE features. For feature extraction, three algorithms are used, namely Principal Components Analysis (PCA), Linear Discrimination analysis (LDA), and Multidimensional Scaling (MDS). For supervised classification three methods are employed, these are linear Support Vector Machine, non-linear Support Vector Machine and Back-propagation Neural Network. These supervised classifiers are evaluated using classification accuracy. For unsupervised classification, also three classification algorithms are used, namely K-means Clustering, Fuzzy C-Means Clustering and Vector Quantization Clustering. These unsupervised classifiers are evaluated using similarities between clusters by Rand Index (RI).Two experimental applications are studied using the algorithms and the selected AE features. First, AET in a laboratory column flotation cell is used to monitor the bubble activity and bubble size, as a means of improving the efficiency of the column flotation process. Next, in rock cutting, AET and PRT are employed to identify the rocks being cut as a means of automation in the operation of underground mining and tunneling.These experiments were carried out in a laboratory scale, using AE wave measurements to analyze the processes. Pattern Recognition Technique is used in combination with classic and advanced signal processing techniques to characterize the collected AE signals.$$leng
000573621 591__ $$aGermany
000573621 653_7 $$aIngenieurwissenschaften und Maschinenbau
000573621 653_7 $$aacoustic emission technique
000573621 653_7 $$apattern recognition technique
000573621 653_7 $$asignal processing
000573621 653_7 $$asupervised classification
000573621 653_7 $$aclustering
000573621 7001_ $$0P:(DE-82)IDM00813$$aNienhaus, Karl$$b1$$eThesis advisor
000573621 7001_ $$0P:(DE-82)001544$$aPretz, Thomas$$b2$$eThesis advisor
000573621 8564_ $$uhttps://publications.rwth-aachen.de/record/573621/files/573621.pdf$$yOpenAccess
000573621 8564_ $$uhttps://publications.rwth-aachen.de/record/573621/files/573621_source.zip$$yRestricted
000573621 8564_ $$uhttps://publications.rwth-aachen.de/record/573621/files/573621.gif?subformat=icon$$xicon$$yOpenAccess
000573621 8564_ $$uhttps://publications.rwth-aachen.de/record/573621/files/573621.jpg?subformat=icon-180$$xicon-180$$yOpenAccess
000573621 8564_ $$uhttps://publications.rwth-aachen.de/record/573621/files/573621.jpg?subformat=icon-700$$xicon-700$$yOpenAccess
000573621 8564_ $$uhttps://publications.rwth-aachen.de/record/573621/files/573621.pdf?subformat=pdfa$$xpdfa$$yOpenAccess
000573621 909CO $$ooai:publications.rwth-aachen.de:573621$$popenaire$$popen_access$$purn$$pdriver$$pVDB$$pdnbdelivery
000573621 9101_ $$0I:(DE-HGF)0$$6P:(DE-82)015508$$aRWTH Aachen University$$b0
000573621 9141_ $$y2016
000573621 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000573621 9201_ $$0I:(DE-82)513220_20090101$$k513220$$lInstitut für Maschinentechnik der Rohstoffindustrie$$x0
000573621 9201_ $$0I:(DE-82)510000_20140620$$k510000$$lFachgruppe für Rohstoffe und Entsorgungstechnik$$x1
000573621 961__ $$c2016-06-13T15:12:35.707921$$x2016-04-30T16:50:46.699442$$z2016-06-13T15:12:35.707921
000573621 9801_ $$aFullTexts
000573621 980__ $$aphd
000573621 980__ $$aVDB
000573621 980__ $$abook
000573621 980__ $$aI:(DE-82)513220_20090101
000573621 980__ $$aI:(DE-82)510000_20140620
000573621 980__ $$aUNRESTRICTED