Lokalisierung von Schallemissionsereignissen mittels künstlicher neuronaler Netze zur Bestimmung der Quellenkoordinaten.

Diese Arbeit stellt eine Erweiterung des Projektes zur Klassifizierung der Schallemissionsdaten mithilfe künstlicher neuronaler Netze dar. Dafür wurden künstliche Schallemissionssignale verwendet, die durch das Brechen der Bleistiftminen auf einer Granitplatte erzeugt wurden. Die Versuche erfolgten an 81 Positionen mit jeweils 128 Messungen im Bereich von 10 mm x 10 mm um jede Position. Es wurde bereits gezeigt, dass die Wavelet-transformierten Schallemissionsdaten mittels künstlicher neuronaler Netze voneinander unterschienen und klassifiziert werden können. Die Vorhersagen konnten dabei nur anhand der gegebenen Positionen getroffen werden. Das Ziel dieser Arbeit ist die Entwicklung eines künstlichen neuronalen Netzes, das Informationen aus den Schallemissionsdaten extrahieren und eine möglichst genaue Position der Schallemissionsquelle vorhersagen kann. Die Vorhersagen sind dabei nicht an die gegebenen Positionen gekoppelt. Das bedeutet, auch Quellen außerhalb der gelernten Koordinaten können vorhersagt werden. Zu diesem Zweck wird die Methode zur Bestimmung der Ankunftszeiten von Schallemissionssignalen und eine optimale Netzarchitektur gesucht, um die Schallemissionsquellen möglichst genau zu lokalisieren.