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

V.Lunin, H U. SeidelAnwendung eines neuronalenNetzwerkes fuer die Erkennung der Zeit-Frequenz RepraesentationenKurzfassung. Die Anwendung vonneuronalen Netzwerkes - Neokognitrons, fuer Erkennung und Klassiefizierung von2-dimensionalen Zeit-Frequenz Repraesentationen die werden als 2-dimensionaleFarbbilde dargestellt der vibroakustischen

Signale wurde untersucht.Es its gut bekannt, dass die instationaere Regime dermeschanischen Einrichtung z.B. Anlauf, Ablauf von rotierenden Maschinen vielmehr informativ als stationaere sind, also viel mehr information uebertechnischen Zustand der Einrichtung tragen. Es ist aber problematisch, dieseRegime mit Hilfe konventionele Methoden z.B. FFT zu untersuchen, so verwendet man dafuerZeit-

Frequenz Repraesentationen, solche wie z.B. Geglaettete WignerDistribution SWD , die die Veraenderung der Energieverteilung im Frequenzbereichmit der Zeit beschreiben, und deren Parametern angepasst sein koennen, dieinteressierende Signaleigenschaften momentan Amplituden der Signalkomponenten mit der vorgegebenen

Genauigkeit zu bewerten 1 . Diese Zeit-FrequenzRepraesentationen werden als 2-dimensionale farben Abbildungen - Sonogrammen -grafisch dargestellt.Die Aufgabe folgender Merkmalextraktion und dieKlassifizierung des Signale aufgrund der extrahierte Merkmaele ist aberkeinesfalls trivielle Aufgabe, da es sehr viel Einflussfaktoren gibt. Deswegenwurde es vorgeschlagen, fuer diese

Aufgabe ein neuronale Netzwerk zu verwenden.Das ausgewaelte Netzwerkarchitektur - Neokognitron - wird fuer die Erkennungeiniger grafischen Objekte erfolgreich verwendet 2 .Das Netzwerkstruktur laesst sich fuer die Extraktionbestimmter Merkmaele von Sonogrammen einstellen, aufgrund denen folgendeSignalklassifizierung durchgefuert werden

kann. Dabei gibt man die zulaessigeAbweichungen dieser Merkmaele an. An der Abbildung 1 ist eine typische Sonogrammedargestellt die dem Ablauf einer E-Maschine entspricht .An computersimulierten Signale hat Neokognitron guteFaehigkeit gezeigt, die bedeutende Merkmaele der Zeit-FrequenzRepraesentationen SWD zu extrahiren.

Danach wurden die experimentale Daten vibroakustische Signale Ablaufs einer E-Maschine mit Hilfe dieser Netzwerkebearbeiten, dabei haben die Experimente gute Abstimmung mit derSimulationsergebnisse gegeben. Einige Merkmaele der SWD ermoeglichen es, guterund schlechter Maschinenzustand von eineinder trennen.Abbildung 1Literatur 1.

Slesarev D SchadeH P Optimal gegl ttete Wigner-Distribution f r ein Signalmodell ,Ilmenau, IWK-40, B.1, S.490, 1995.2. Lau C NeuralNetworks. IEEE Press 1992.