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

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.