Anwendung eines neuronalen Netzwerkes fuer
die Erkennung der Zeit-Frequenz Repraesentationen
V.Barat, D.Slesarev, V.Lunin, H.-U. Seidel
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.
Abbildung
1
Список литературы
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.