Rolle im Stack
Methodenschicht: Die Master-Thesis liefert das wissenschaftliche Fundament für Datenarbeit, Modellbewertung und vorsichtige Claim-Grenzen.
— Master-Thesis · htw saar / Fraunhofer-IZFP (Institut für zerstörungsfreie Prüfung) · Note 1,0
Feature-Selektion in hochdimensionalen Sensor-Daten.
Forschungs-Case-Study: robuste Merkmalsauswahl für Sensordaten — 98,8 % balancierte Genauigkeit, Grenzen offen dokumentiert.
2 Werkstoffe5 Zustände261 Initial-FeaturesGroupKFold (Proben-Gruppen-Validierung)Sperrvermerk: kuratierter Auszug
Zuletzt aktualisiert:
Jetzt prüfbar
- Methodik, Pipeline & Ergebnisse — kuratierter Auszug hier
- Thesis-Volltext: unter Sperrvermerk — auf Anfrage
— Rollen-Transfer
Was diese Route im Stack beweist.
Diese Route belegt wissenschaftliche Arbeitsweise — geprüft an einer Master-Thesis (1,0) mit offen dokumentierter Generalisierungslücke.
Transfer
Übertragbar sind Evaluationsdesign, Umgang mit Sperrvermerken, transparente Metriken und die Übersetzung von Forschung in robuste Produktargumente.
Öffentlicher Beleg
Sperrvermerk-sichere Case-Study, Research-Route, JSON-LD und öffentlich beschriebene Methodik ohne Rohdaten.
Grenze
Keine vertraulichen Daten, keine Volltext-Veröffentlichung der Thesis und keine medizinische oder klinische Produktbehauptung.
— Zwei Aufgaben
Erst Werkstoffe trennen. Dann Zustände stress-testen.
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.
Teil 1
Materialunterscheidung: zwei Werkstoffe
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.
20
Features
98,8 %
Test BA
92,3 %
Reduktion
Verteidigungsanker: 99,5 % CV-BA, 98,8 % Test-BA und nur 0,7 Prozentpunkte Generalisierungslücke.
Teil 2
Zustandsunterscheidung: fünf Zustände
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.
5
Klassen
86,8 %
Row BA
90,0 %
Probe BA
BA = Balanced Accuracy (gleichgewichtet über alle Klassen) · Row = einzelne Messzeile · Probe = Mehrheitsentscheid über alle Zeilen einer Probe
Verteidigungsanker: 4 % Dehnung war nahezu perfekt trennbar, 0,8 % Dehnung blieb die Grauzone.
Sieben Forschungsfragen, zwei Antworttypen: Q1–Q4 prüfen an der Materialfrage, wie weit sich die Features reduzieren lassen, ohne Güte zu verlieren; Q5–Q7 belasten an der Zustandsfrage, welche der fünf Zustände wirklich trennbar sind.
— Kontext
Wenn wenige Proben auf viele Sensormerkmale treffen.
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
Initial Features
3MA-X8 Multiparameter-Messung
36
Samples
p >> n: klassische Hochdimensions-Lage
20
Final Features
Materialmodell nach Backward-Elimination
30
Zustandsproben
fünf Zustände, jeweils materialübergreifend
— Methodische Pipeline
Eine Vier-Stufen-Pipeline, jede Stufe begründet.
261 Features sind nicht durch Modellgröße zu erschlagen. Die Reduktion läuft sequenziell: Qualität prüfen, Korrelationen entfernen, Cluster verdichten, Multikollinearität senken.
Stufenweise Reduktion: 261 -> 77 Features (-70,5 %)
Wichtig: Die 77 Features sind die VIF-bereinigte Vorselektion. Der finale Leistungsanker der Materialunterscheidung ist die anschließende Backward-Elimination auf 20 Features mit 98,8 % Test-Balanced-Accuracy.
Stage 1Quality
Fehlwert- und Varianzfilter
Features mit Fehlwertquote > 5 % oder nahezu konstanten Werten raus.261 -> 248 (-13)
Stage 2Pairwise
Korrelations-Pruning
Pearson und Spearman simultan geprüft. Schwelle |rho| >= 0,95.248 -> 133 (-115, -46,4 %)
Stage 3Clustering
Hierarchisches Clustering
Average-Linkage mit Repräsentantenselektion pro Feature-Cluster.133 -> 112 (-21)
Stage 4VIF-Pruning
Variance Inflation Factor
Iteratives Pruning bei VIF > 20,0 entfernt verbleibende Multikollinearität.112 -> 77 (-35)
Validierung
5-fach GroupKFold auf Probenebene
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.
— Konsens statt Glaube
10 Ranking-Verfahren, ein stabileres Signal.
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.
Filter
ANOVA-F, Mutual Information und korrelationsbasierte Verfahren: modellunabhängige Signale.
Embedded
Lasso und Random-Forest-Importances: Feature-Auswahl als Modell-Nebenprodukt.
Wrapper
Backward Elimination: direkter Optimierungspfad gegen die Modellgüte.
— Ergebnisse
Ein starker Nachweis und ein ehrlicher Grenzfall.
Die Materialunterscheidung liefert den klaren Leistungsanker. Die Zustandsunterscheidung ist bewusst anders gerahmt: nicht als Scheitern, sondern als Grenzlandkarte der Methode bei fünf mechanischen Zuständen.
0,7 PP
Material Gap
CV-BA 99,5 %, Test-BA 98,8 %
20
Features
finales Materialmodell
98,8 %
Material Test BA
unabhängiges Hold-out-Set
35
Zustand Features
bestes B_K37-Modell
86,8 %
Zustand Row BA
90,0 % Probe-Level BA
Einordnung: Die 90,0 % Probe-Level-BA der Zustandsklassifikation entspricht 9 von 10 Testproben. Das ist stark, aber wegen der kleinen Testmenge bewusst vorsichtig zu lesen. Die Row-Level-BA von 86,8 % ist der robustere Vergleichswert für die fünf Zustände.
Materialunterscheidung: klare Trennung im 1D-LDA-Raum
Materialunterscheidung: Hold-out-Test-Set
Zustandsunterscheidung: 4 % stabil, 0,8 % als Grauzone, 0,8 % vs. LCF 30 % als Hauptverwechslung
Ranking-Verfahren im Vergleich: Modellgüte über Feature-Anzahl
— Lessons Learned
Was bleibt, wenn die Pipeline läuft.
01
Transparente Modelle gewinnen, wenn der Datenraum klein ist.
LDA mit wenigen Features ist debugbar, interpretierbar und reproduzierbar. Das war wertvoller als ein schwer erklärbarer Black-Box-Gewinn.
02
Nebenbefund: der Arbeitsmodus — hier beginnt die Agentic-Spur.
Der kurzfristige Themenwechsel zwang zu schneller Einarbeitung: Perplexity für belastbare Quellen und peer-reviewte Paper, NotebookLM als Sammelort für Quellen, Podcasts und kleine Wissensbasen, agentische Tools diszipliniert in Recherche, Strukturierung und Umsetzung eingebettet. Aus vier Monaten wurde ein anderer Arbeitsmodus — die Spur, die der Rest dieser Site belegt.
— Grenzen
Der schwere Teil war nicht die Zahl der Features, sondern die Zustände.
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.
Kleine Stichprobe limitiert Verallgemeinerung.
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.
Zustände überlappen physikalisch.
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.
Nicht jede bessere Metrik ist bessere Erkenntnis.
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.
— Sperrvermerk
Case Study statt Volltext.
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.