Die Arbeit hatte zwei Ebenen: zuerst die Materialunterscheidung zweier Werkstoffe als stabiler Methodennachweis, danach die deutlich schwerere Zustandsunterscheidung über fünf mechanische Zustände. Ziel war eine Pipeline zur Merkmalsselektion, die Klassifikationsgüte erhält und zugleich zeigt, wo Sensorik, Feature-Selektion und kleine Stichproben an ihre Grenzen kommen.
Die stärkste Lesart der Thesis ist nicht nur die Feature-Reduktion. Entscheidend ist die Reihenfolge: Teil 1 beweist, dass die Pipeline grundsätzlich trägt. Teil 2 zeigt, wie anspruchsvoll die Zustandsklassifikation wird, wenn fünf Zustände materialübergreifend getrennt werden sollen.
Die erste Aufgabe trennt die Werkstoffe 22NiMoCr3-7 und 20MnMoNi5-5. Hier konnte die Pipeline zeigen, dass 3MA-X8-Merkmale, Feature-Selektion und LDA ein kompaktes, belastbares Modell ergeben. Das war die Verifizierung der Pipeline-Funktionalität.
Verteidigungsanker: 99,5 % CV-BA, 98,8 % Test-BA und nur 0,7 Prozentpunkte Generalisierungslücke.
Die zweite Aufgabe unterscheidet 0,8 %, 2 % und 4 % plastische Dehnung sowie LCF 30 % und LCF 45 %. Das war der schwierigere Teil: Die Zustände liegen nicht als sauber getrennte Inseln im Merkmalsraum. Dieser Teil zeigt die physikalischen Grenzen der Trennbarkeit.
Verteidigungsanker: 4 % Dehnung war nahezu perfekt trennbar, 0,8 % Dehnung blieb die Grauzone.
Die Kolloquiumsstruktur macht die Seite stärker: Erst wird die Methodik an der binären Materialfrage validiert, danach wird sie an der fünfklassigen Zustandsfrage kritisch belastet.
Mikromagnetische Prüfsysteme erzeugen hochdimensionale Merkmalsräume aus wenigen physischen Proben. Das ist statistisch heikel: Kleine Stichprobe, viele korrelierte Features, mehrere Messungen pro Probe und ein hohes Leakage-Risiko.
261 Features sind nicht durch Modellgröße zu erschlagen. Die Reduktion läuft sequenziell: Qualität prüfen, Korrelationen entfernen, Cluster verdichten, Multikollinearität senken.
Features mit Fehlwertquote > 5 % oder nahezu konstanten Werten raus.261 -> 248 (-13)
Pearson und Spearman simultan geprüft. Schwelle |rho| >= 0,95.248 -> 133 (-115, -46,4 %)
Average-Linkage mit Repräsentantenselektion pro Feature-Cluster.133 -> 112 (-21)
Iteratives Pruning bei VIF > 20,0 entfernt verbleibende Multikollinearität.112 -> 77 (-35)
Alle Messungen einer Probe landen gemeinsam in einer Fold. Dadurch wird verhindert, dass Messungen derselben physischen Probe gleichzeitig in Training und Test auftauchen. Genau dieser Punkt macht die Arbeit methodisch glaubwürdig: Die Validierung respektiert die reale Datenstruktur.
Statt einen einzelnen Ranker absolut zu setzen, vergleicht die Pipeline zehn Methoden aus drei Klassen und aggregiert die Ergebnisse. Relevant ist, was methodenübergreifend stabil bleibt.
ANOVA-F, Mutual Information und korrelationsbasierte Verfahren: modellunabhängige Signale.
Lasso und Random-Forest-Importances: Feature-Auswahl als Modell-Nebenprodukt.
Backward Elimination: direkter Optimierungspfad gegen die Modellgüte.
Die Materialunterscheidung liefert den klaren Leistungsanker. Die Zustandsunterscheidung ist bewusst anders gerahmt: nicht als Scheitern, sondern als Grenzlandkarte der Methode bei fünf mechanischen Zuständen.
CV-BA 99,5 %, Test-BA 98,8 %
finales Materialmodell
unabhängiges Hold-out-Set
bestes B_K37-Modell
90,0 % Probe-Level BA
Perplexity half, belastbare Quellen und peer-reviewte Paper schneller zu finden; NotebookLM wurde zum Ort, an dem Quellen, Podcasts, Videos und kleine Wissensbasen für ML, NDT und Methodik zusammenliefen.
Der kurzfristige Themenwechsel zwang zu sehr schneller Einarbeitung. Rückblickend war das der Moment, in dem klar wurde, wie mächtig diese Werkzeuge werden, wenn man sie diszipliniert in Recherche, Strukturierung und Umsetzung einbettet.
Wenn deutlich mehr Merkmale als unabhängige Proben vorliegen, ist die Antwort nicht ein noch stärkeres Modell. Erst reduzieren, dann modellieren.
Mehrere Messungen pro Probe dürfen nicht über Training und Test verteilt werden. GroupKFold ist hier kein Detail, sondern der Schutz gegen Leakage.
Zwei Werkstoffe lassen sich mit einem kompakten 20-Feature-Modell sehr stabil trennen. Das ist der klare Proof-of-Method.
Fünf mechanische Zustände über zwei Werkstoffe hinweg sind deutlich schwerer, weil Mikrostrukturänderungen kontinuierlich verlaufen und Klassen physikalisch überlappen.
LDA mit wenigen Features ist debugbar, interpretierbar und reproduzierbar. Das war wertvoller als ein schwer erklärbarer Black-Box-Gewinn.
Die Seite soll nicht nur eine Erfolgszahl zeigen. Für technische Entscheider ist fast wichtiger, dass die Arbeit sauber erklären kann, wo und warum die Methodik an Grenzen stößt.
36 Samples für die Materialfrage und 30 Proben für die Zustandsfrage sind realistische industrielle Datenlagen, aber sie begrenzen jede Aussage über neue Werkstoffchargen, Anlagen oder Messbedingungen.
Plastische Verformung und Low-Cycle-Fatigue verändern Mikrostruktur kontinuierlich. 4 % Dehnung war nahezu perfekt trennbar, aber 0,8 % Dehnung überschneidet sich mit 2 % und LCF 30 %. Die fünf Zustände sind deshalb kein sauber separiertes Klassifikationsspiel, sondern ein Trennbarkeitsproblem an der Grenze der Mess- und Merkmalsinformation.
Der sinnvolle Output ist hier nicht, die Grenzfälle mit mehr Modellkomplexität zu überdecken, sondern systematisch zu zeigen, welche Zustandspaare stabil unterscheidbar sind und wo zusätzliche Daten, Prozesswissen oder andere Sensorik nötig wären.
Die vollständige Thesis wird wegen Sperrvermerk nicht öffentlich bereitgestellt. Diese Seite zeigt bewusst nur kuratierte Methodik, Ergebnisse, Visualisierungen und Grenzen.
Keine Rohdaten, keine vollständigen Anhänge, kein öffentlicher PDF-Download.