V.Barat, D.Slesarev, V.Lunin, H.-U. Seidel
      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.
      [pic]
      Abbildung 1
      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.