Anwendung eines neuranalen Netzwrkes fuer die Erkennung der Zeit-Frequenz Repraesentationen

Anwendung eines neuranalen Netzwrkes fuer die Erkennung der Zeit-Frequenz Repraesentationen

V.Barat, D.Slesarev, V.Lunin, H.-U. Seidel

Anwendung eines neuronalen Netzwerkes fuer die Erkennung der Zeit-

Frequenz Repraesentationen

Kurzfassung. Die Anwendung von neuronalen Netzwerkes - Neokognitrons,

fuer Erkennung und Klassiefizierung von 2-dimensionalen Zeit-Frequenz

Repraesentationen (die werden als 2-dimensionale Farbbilde dargestellt) der

vibroakustischen Signale wurde untersucht.

Es its gut bekannt, dass die instationaere Regime der meschanischen

Einrichtung (z.B. Anlauf, Ablauf von rotierenden Maschinen) viel mehr

informativ als stationaere sind, also viel mehr information ueber

technischen Zustand der Einrichtung tragen. Es ist aber problematisch,

diese Regime mit Hilfe konventionele Methoden (z.B. FFT) zu untersuchen,

so verwendet man dafuer Zeit-Frequenz Repraesentationen, solche wie z.B.

Geglaettete Wigner Distribution (SWD), die die Veraenderung der

Energieverteilung im Frequenzbereich mit der Zeit beschreiben, und deren

Parametern angepasst sein koennen, die interessierende Signaleigenschaften

(momentan Amplituden der Signalkomponenten) mit der vorgegebenen

Genauigkeit zu bewerten [1]. Diese Zeit-Frequenz Repraesentationen werden

als 2-dimensionale farben Abbildungen - Sonogrammen - grafisch dargestellt.

Die Aufgabe folgender Merkmalextraktion und die Klassifizierung des

Signale aufgrund der extrahierte Merkmaele ist aber keinesfalls trivielle

Aufgabe, da es sehr viel Einflussfaktoren gibt. Deswegen wurde es

vorgeschlagen, fuer diese Aufgabe ein neuronale Netzwerk zu verwenden. Das

ausgewaelte Netzwerkarchitektur - Neokognitron - wird fuer die Erkennung

einiger grafischen Objekte erfolgreich verwendet [2].

Das Netzwerkstruktur laesst sich fuer die Extraktion bestimmter

Merkmaele von Sonogrammen einstellen, aufgrund denen folgende

Signalklassifizierung durchgefuert werden kann. Dabei gibt man die

zulaessige Abweichungen dieser Merkmaele an. An der Abbildung 1 ist eine

typische Sonogramme dargestellt (die dem Ablauf einer E-Maschine

entspricht).

An computersimulierten Signale hat Neokognitron gute Faehigkeit

gezeigt, die bedeutende Merkmaele der Zeit-Frequenz Repraesentationen (SWD)

zu extrahiren. Danach wurden die experimentale Daten (vibroakustische

Signale Ablaufs einer E-Maschine) mit Hilfe dieser Netzwerke bearbeiten,

dabei haben die Experimente gute Abstimmung mit der Simulationsergebnisse

gegeben. Einige Merkmaele der SWD ermoeglichen es, guter und schlechter

Maschinenzustand von eineinder trennen.

[pic]

Abbildung 1

Literatur:

Slesarev D., Schade H.-P., «Optimal geglдttete Wigner-Distribution fьr ein

Signalmodell», Ilmenau, IWK-40, B.1, S.490, 1995.

Lau C., Neural Networks. IEEE Press 1992.