V.Lunin, H U. Seidel Anwendung eines neuronalen Netzwerkes fuer die Erkennung der Zeit-FrequenzRepraesentationenKurzfassun g. Die Anwendung von neuronalen Netzwerkes – Neokognitrons, fuer Erkennungund Klassiefizierung von 2-dimensionalen Zeit-Frequenz Repraesentationen diewerden als 2-dimensionale
Farbbilde dargestellt der vibroakustischen Signalewurde untersucht.Es its gut bekannt, dass die instationaere Regime der meschanischenEinrichtung z.B. Anlauf, Ablauf von rotierenden Maschinen viel mehrinformativ als stationaere sind, also viel mehr information ueber technischenZustand der Einrichtung tragen. Es ist aber problematisch, diese Regime mitHilfe 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 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 Aufgabe folgender Merkmalextraktion und die Klassifizierung des Signaleaufgrund der extrahierte Merkmaele ist aber keinesfalls trivielle Aufgabe, daes sehr viel Einflussfaktoren gibt. Deswegen wurde es vorgeschlagen, fuer dieseAufgabe ein
neuronale Netzwerk zu verwenden. Das ausgewaelteNetzwerkarchitektur – Neokognitron – wird fuer die Erkennung einiger grafischenObjekte erfolgreich verwendet 2 .Das Netzwerkstruktur laesst sich fuer die Extraktion bestimmter Merkmaelevon Sonogrammen 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 .An computersimulierten Signale hat Neokognitron gute Faehigkeit gezeigt,die bedeutende Merkmaele der Zeit-Frequenz Repraesentationen SWD zuextrahiren. Danach wurden die experimentale
Daten vibroakustische SignaleAblaufs einer E-Maschine mit Hilfe dieser Netzwerke bearbeiten, dabei habendie Experimente gute Abstimmung mit der Simulationsergebnisse gegeben. EinigeMerkmaele der SWD ermoeglichen es, guter und schlechter Maschinenzustand voneineinder trennen.Abbildung 1Literatur 1. Slesarev D Schade H P Optimal gegl tteteWigner-
Distribution f r ein Signalmodell , Ilmenau, IWK-40, B.1, S.490,1995.2. Lau C Neural Networks. IEEE Press 1992.