In hydraulischen Strömungsmaschinen oder auch anderen technischen Anwendungen können Dampfblasen im Fluid entstehen, wenn der lokale Druck im Fluid unterhalb des Verdampfungsdrucks sinkt. Werden die so entstandenen Dampfblasen anschließend in Bereiche höheren Druckes transportiert kommt es zu deren schlagartiger Implosion. Der Prozess der Nukleation, des Wachstums und der Implosion der Dampfblasen wird als Kavitation bezeichnet.
Links sind Kavitationsschäden an einer Turbinenschaufel abgebildet. Am Rand der Schaufel wurde eine gehärtete Schicht zur Erhöhung der Widerstandsfähigkeit gegen Kavitationsschäden aufgebracht. Wie zu erkennen ist verhindert auch eine solche Schicht nicht Schäden an der Turbine, umso wichtiger ist eine rechtzeitige und zuverlässige Kavitationserkennung.
Durch die Kavitation entstehen signifikante Geräuschmuster im Ultraschallbereich. Um diese Geräuschmuster zu klassifizieren wurde am IHS eine auf künstlichen neuronalen Netzen basierendes Verfahren entwickelt. Künstliche neuronale Netze sind mathematische Modelle, welche das menschliche Gehirn imitieren und im Laufe ihres Lebens stets dazulernen können. Als Eingabewerte für die neuronalen Netze bieten sich zum einen Zeitsignale und zum anderen Spektrogramme an. Die Funktionsweise des menschlichen Gehörs ist jedoch nicht richtig verstanden. Die Zeitsignale weisen sehr komplizierte Strukturen auf vielen unterschiedlichen Zeitskalen auf, so dass sich für die Analyse Spektrogramme bevorzugt anbieten .
Das entwickelte Neuronale Netz ist schematisch in Bild 4 skizziert. Nach Eingabe eines Spektrogramms durchläuft dieses unterschiedliche Verarbeitungs-schritte im Netz. Zunächst passiert es eine Vielzahl an Bildfiltern auf variablen Tiefen. So werden die interessanten Gebiete im Bild selektiert und redundante oder uninteressante ausgeblendet. Nach der Filterung des Bilds entstehen mehrere hunderte oder gar tausende kleiner Bilder, welche jeweils ein Merkmal aus dem Original beschreiben. Im Anschluss werden alle berechneten Merkmale fusioniert und es wird eine Entscheidung über den Zustand der Maschine gefällt.
Das eigentliche Lernen geschieht vorab durch das Finden von geeigneten Filtern und Gewichtungen zwischen den Merkmalen. Während des Lernprozesses kann das neuronale Netz auf eine Datenbank von unterschiedlichen Maschinen und Betriebspunkten zurückgreifen, und so einen Erfahrungsschatz aufbauen.