Bachelorarbeit Jakob Elsner

Hochschule Coburg, Studiengang Technische Physik
Fakultät Angewandte Naturwissenschaften

Realisierung einer touchsensitiven Oberfläche auf Basis geführter akustischer Wellen und deren Auswertung mittels neuronaler Netze

Kurzzusammenfassung

In dieser Arbeit wird die Realisierung einer ortsaufgelösten, touchsensitiven Oberfläche auf der Grundlage geführter akustischer Wellen beschrieben. Hierzu werden zwei Aluminiumplatten zum einen in 3×3-Felder und zum anderen in 8×8-Felder unterteilt. Dabei soll ermittelt werden, ob eine  Berührung vorliegt und in welchem Feld diese stattfand. Die Auswertung der Daten erfolgt hierbei über ein künstliches neuronales Netz.

Nach den theoretischen Grundlagen der geführten akustischen Wellen, des piezoelektrischen Effekts und der künstlichen neuronalen Netze wird näher auf die Versuchsmethoden eingegangen. Der Versuchsaufbau basiert auf vier Piezoelementen, welche sowohl als Sender als auch als Empfänger der angeregten Lamb-Wellen fungieren. Die Anregung erfolgt jeweils zeitversetzt. Die Daten werden anschließend gefiltert und zur Reduzierung der  Datenmenge downgesampled.
Berührungen werden dabei über den mittleren Absolutwert des Signals ermittelt, welcher bei einer Berührung aufgrund der Dämpfung des Signals kleiner ausfällt. Zur Bestimmung der berührten Position werden zwei Netzwerkarchitekturen – ein mehrlagiges Perzeptron und ein multi-branch feedforward neural network – miteinander verglichen. Als Input dieser Netzwerke dienen dabei verschiedene Transformationen des Signals, welche ebenfalls  miteinander verglichen werden.
Dieser Vergleich erfolgt zunächst mit den Daten eines Piezoelements. Anschließend wird untersucht, ob durch die Verwendung der Daten mehrerer Piezoelemente eine Leistungssteigerung erzielt werden kann. Des Weiteren werden im folgenden Kapitel die einzelnen Zweige des multi-branch  feedforward neural network näher untersucht und auf der Grundlage dieser Ergebnisse eine neue Trainingsmethode für derartige neuronale Netze vorgestellt. Abschließend wird die Robustheit der Modelle gegenüber von zufälligem Rauschen näher betrachtet. Dabei werden sowohl die verschiedenen Modellarchitekturen mit den jeweiligen Transformationen als auch diejenigen Modelle miteinander verglichen, welche mit den Daten von einer unterschiedlichen Anzahl an Piezoelementen trainiert wurden.

Zuletzt erfolgt eine Diskussion der internen Repräsentation der Daten in den neuronalen Netzen und eine theoretische Betrachtung der Grenzen des Versuchsaufbaus.