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

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

Kurzfassung. DieAnwendung von neuronalen Netzwerkes — Neokognitrons, fuer Erkennung undKlassiefizierung von 2-dimensionalen Zeit-Frequenz Repraesentationen (diewerden als 2-dimensionale Farbbilde dargestellt) der vibroakustischen Signalewurde untersucht.

Es its gutbekannt, dass die instationaere Regime der meschanischen Einrichtung (z.B.Anlauf, Ablauf von rotierenden Maschinen) viel mehr informativ als stationaeresind, also viel mehr information ueber technischen Zustand der Einrichtungtragen. Es ist aber problematisch, diese Regime mit Hilfe konventioneleMethoden (z.B. FFT)  zu untersuchen, soverwendet man dafuer Zeit-Frequenz Repraesentationen, solche wie z.B.Geglaettete Wigner Distribution (SWD), die die Veraenderung derEnergieverteilung im Frequenzbereich mit der Zeit beschreiben, und derenParametern angepasst sein koennen, die interessierende Signaleigenschaften(momentan Amplituden der Signalkomponenten) mit der vorgegebenen Genauigkeit zubewerten [1]. Diese Zeit-Frequenz Repraesentationen werden als 2-dimensionalefarben Abbildungen — Sonogrammen — grafisch dargestellt.

Die Aufgabefolgender Merkmalextraktion und die Klassifizierung des Signale aufgrund derextrahierte Merkmaele ist aber keinesfalls trivielle Aufgabe, da es sehr vielEinflussfaktoren gibt. Deswegen wurde es vorgeschlagen, fuer diese Aufgabe einneuronale Netzwerk zu verwenden. Das ausgewaelte Netzwerkarchitektur — Neokognitron — wird fuer die Erkennung einiger grafischen Objekte erfolgreichverwendet [2].

DasNetzwerkstruktur laesst sich fuer die Extraktion bestimmter Merkmaele vonSonogrammen einstellen, aufgrund denen folgende Signalklassifizierungdurchgefuert werden kann. Dabei gibt man die zulaessige Abweichungen dieserMerkmaele an. An der Abbildung 1 ist eine typische Sonogramme dargestellt (diedem Ablauf einer E-Maschine entspricht).

Ancomputersimulierten Signale hat Neokognitron gute Faehigkeit gezeigt, diebedeutende Merkmaele der Zeit-Frequenz Repraesentationen (SWD) zu extrahiren.Danach wurden die experimentale Daten (vibroakustische Signale Ablaufs einerE-Maschine) mit Hilfe dieser Netzwerke bearbeiten, dabei haben die Experimentegute Abstimmung mit der Simulationsergebnisse gegeben. Einige Merkmaele der SWDermoeglichen es, guter und schlechter Maschinenzustand von eineinder trennen.

<img src="/cache/referats/9824/image002.jpg" v:shapes="_x0000_i1025">

Abbildung 1

Literatur:

1.Slesarev D., Schade H.-P., «Optimalgeglättete Wigner-Distribution für ein Signalmodell», Ilmenau,IWK-40, B.1, S.490, 1995.

2.Lau C., Neural Networks. IEEE Press 1992.