Selbstüberwachtes Lernen für universelle Repräsentationen von Ultraschallsignalen

Ultraschallbasierte Messverfahren werden in zahlreichen technischen Anwendungen eingesetzt, beispielsweise zur Abstands- und Durchflussmessung, zur Charakterisierung von Flüssigkeiten oder in der zerstörungsfreien Prüfung von Bauteilen. Die dabei entstehenden Ultraschallsignale unterscheiden sich je nach Anwendung deutlich, etwa durch Materialeigenschaften, Sensorik, Kopplungsbedingungen, Anregungsform und Störeinflüsse. Auswerteverfahren werden daher häufig spezifisch für einzelne Messaufgaben entwickelt und lassen sich nur eingeschränkt auf neue Anwendungen übertragen.

Gleichzeitig ist der Einsatz überwachter Deep-Learning-Verfahren in diesem Bereich erschwert, da sie große gelabelte Datensätze erfordern. In industriellen Ultraschallanwendungen lassen sich solche Labels oft nur mit erheblichem experimentellem Aufwand gewinnen, sodass reale Trainingsdatensätze meist klein bleiben. Daraus ergibt sich die zentrale Herausforderung, Verfahren zu entwickeln, die grundlegende Eigenschaften von Ultraschallsignalen ohne gelabelte Trainingsdaten robust erfassen und anschließend mit wenigen gelabelten Beispielen für konkrete Messaufgaben nutzbar machen können.

Eine zentrale Forschungsfrage des Promotionsvorhabens ist daher, ob ein KI-Modell durch selbstüberwachtes Vortraining auf synthetisch erzeugten Ultraschall-Burstsignalen allgemeine Signalmerkmale erlernen kann, die anschließend für reale Ultraschallanwendungen nutzbar sind.

Ziel des Promotionsvorhabens ist die Entwicklung und Evaluation eines selbstüberwacht vortrainierten Masked-Autoencoder-Modells für Ultraschallsignale. Hierfür wird die ursprünglich aus der Bildverarbeitung bekannte Grundidee des Maskierens und Rekonstruierens von Datenabschnitten auf Ultraschall-Burstsignale übertragen. Das Modell soll auf synthetisch erzeugten Signalen vortrainiert werden und dabei universell nutzbare Repräsentationen grundlegender Signalmerkmale lernen.

Ein Schwerpunkt liegt auf der Frage, welche Eigenschaften des synthetischen Signalraums für die Qualität dieser Repräsentationen entscheidend sind. Dazu werden zentrale Signaleigenschaften systematisch variiert und analysiert, inwieweit sie im vortrainierten Modell abgebildet werden. So soll nachvollziehbar werden, welche Informationen das Modell während des selbstüberwachten Vortrainings erfasst und welche Rolle die Gestaltung der synthetischen Trainingsdaten dabei spielt.

Darauf aufbauend wird geprüft, inwieweit sich die gelernten Signalrepräsentationen auf reale Ultraschallmessdaten übertragen lassen. Langfristig soll daraus ein robustes Vorgehen entstehen, mit dem vortrainierte Modelle durch dateneffizientes Fine-Tuning an unterschiedliche industrielle Messaufgaben angepasst werden können.