Zur Klassifikation dieser Objekte werden zunächst geeignete neue Merkmale entwickelt, welche es ermöglichen, einen Pkw-Startermotor anhand seines Körperschalles mit Methoden der Mustererkennung zufriedenstellend nach seinen typischen Fehlerklassen sowie der Gutklasse zu unterscheiden. Die Merkmale basieren auf der Auswertung der Spektrogramme der phasenrichtig nachabgetasteten Körperschallsignale der Starter.

In einem zweiten Schritt wird die Problematik des Anlernens und der Erkennung schwach besetzter Fehlerklassen behandelt. Dazu werden Fuzzy-Logic Systeme zu adaptiven Prädiktionsfiltern trainiert und auf die gemessenen, nachabgetasteten Körperschallsignale angewendet. Diese adaptiven Filter werden durch Identifikation des Starters als körperschallausbildendes System gewonnen. Als Anregungssignal dient der Eingangsstrom des Starters. Durch die Anwendung der Fuzzy-Logic Systeme als Prädiktoren auf die gemessenen Körperschallsignale werden gefilterte Körperschallsignale erzeugt, welche dann zur weiteren Auswertung und Klassifikation herangezogen werden. Durch Vergleich der Spurkriterien der Merkmale, die aus gefilterten und ungefilterten Signalen berechnet werden, wird nachgewiesen, daß sich durch die Prädiktionsfilterung Trennschärfen erreichen lassen, die um bis zu einen Faktor vier über den Trennschärfen der Merkmale liegen, die aus den Originalsignalen berechnet werden.

Die trennungsverstärkende Wirkung der adaptiven Fuzzy-Logic Filter wird abschließend zur Aufstellung eines verbesserten Klassifikationskonzepts für eine Anwendung in der Serienfertigung genutzt. Das angegebene Verfahren erzielt Klassifikationsraten, die für mittelstark besetzte Klassen zwischen 5 und 15% oberhalb der herkömmlich erzielten Klassifikationsergebnisse liegen. Die Verbesserungen für schlechter besetzte Klassen erreichen auch höhere Werte.