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.
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.
Не подходит? Заказать реферат нашим авторам? Вы также можете добавить свой реферат
Реферат прочитали 550 чел.