Wiedererkennung von Geräuschen in hydraulischen Kraftwerken bei sich ändernden Umgebungsgeräuschen

Inhaltsverzeichnis

Kurzfassung.

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1. Einleitung
1.1 Motivation und Zielsetzung

2. Theoretische Grundlagen
2.1 Teilentladungen
2.2 Akustische Signale
2.2.1 Töne, Klänge & Geräusche
2.2.2 Kontinuierliche und diskrete Signale
2.3 Digitalisierung von akustischen Signalen
2.3.1 Abtastung
2.3.2 Quantisierung
2.4 Darstellung von akustischen Signalen
2.4.1 Diskrete Fourier-Transformation
2.4.2 Schnelle Fourier-Transformation
2.4.3 Kurzzeit Fourier-Transformation
2.4.4 Mel-Frequenz-Cepstrum-Koeffizienten
2.5 Statistische Methoden
2.5.1 Normalverteilung
2.5.2 Boxplot
2.5.3 Histogramm
2.6 Maschinelles Lernen
2.7 Algorithmen des maschinellen Lernens
2.7.1 Hauptkomponentenanalyse
2.7.2 Künstliche neuronale Netze
2.7.3 Faltende neuronale Netze

3. Experiment
3.1 Versuchsaufbau und -ablauf
3.2 Ergebnisse
3.3 Auswertung der Daten
3.3.1 Zeitabstand
3.3.2 Steigung
3.4 Interpretation der Daten
3.4.1 Zeitabstand
3.4.2 Steigung

4. Konzepte zur Erkennung von Korona
4.1 Störgeräuscherkennung
4.1.1 Anwendung eines MAV-Filters für den kompletten Datensatz
4.1.2 Verwendung der positiven Datenwerte
4.1.3 Berechnung der z-standardisierten Steigungen
4.1.4 Klassifizierung der z-Werte
4.1.5 Stufenweises Schneiden der z-Werte
4.1.6 Bestimmung der Start und Stopp Indexwerte
4.2 Erkennung von Koronaentladung
4.2.1 Schnelle Fourier-Transformation
4.2.2 Hauptkomponentenanalyse
4.2.3 Faltendes Neuronales Netzwerk

5. Zusammenfassung und Ausblick

6. Anhang

7. Literaturverzeichnis

Kurzfassung

Ziel dieser Arbeit ist die Detektion von Geräuschen mithilfe von akustischen Sensoren. Dafür wurde im Speziellen die Identifizierung von Koronaentladungen in hydraulischen Kraftwerken gewählt. Anhand der Schallaufnahmen sollen verschiedene Algorithmen unter der Berücksichtigung von möglichen Störgeräuschen die Koronaentladung wiedererkennen. Für diesen Zweck wurde in der Voith eigenen Versuchsanstalt ein Experiment zur Erzeugung von Koronaentladung durchgeführt. Die Schallmessungen beinhalten neben der künstlich erzeugten Korona, eine simultan ablaufende Maschine, die unter Betriebsbedingungen steht.

In einem späteren Verlauf werden in einem zweiten Experiment weitere Schallaufnahmen getätigt, um die entwickelten Algorithmen zu verifizieren. Es wird gezeigt, dass Koronaentladungen mithilfe der verwendeten Konzepte erkannt werden kann.

Abbildungsverzeichnis

Abbildung 1: Zeit- und Frequenzverhalten eines Klanges..

Abbildung 2: Links das Audiosignal des Wortes "Ich" , rechts das abgetastete Audiosignal

Abbildung 3: Abtast-Halte-Schaltung

Abbildung 4: Ausgangssignal nach Abtast-Halte-Schaltung..

Abbildung 5: Frequenzspektrum Koronaentladung

Abbildung 6: Spektrogramm Koronaentladung..

Abbildung 7: Prozesse zur Generierung von MFCC...

Abbildung 8: Experiment 1 - MFCC Koronaentladung.

Abbildung 9: Standardnormalverteilung.

Abbildung 10: Standardnormalverteilung mit Grenzen für Standardabweichung.

Abbildung 11: Boxplot...

Abbildung 12: Experiment 1 - Histogramm Maschine + Koronaentladung...

Abbildung 13: Allgemeiner Lernprozess für Maschinelles Lernen.

Abbildung 14: Hauptkomponentenanalyse für Principal Component 1 und 2...

Abbildung 15. Funktionsweise eines Perzeptrons...

Abbildung 16: Faltendes Neuronales Netz.

Abbildung 17: Versuchsaufbau...

Abbildung 18: Experiment 1 - DC-Offset Koronaentladung.

Abbildung 19: Spitzenwerterfassung Experimente 1 & 2..

Abbildung 20: Histogramm bzgl. Zeitabstände Experiment 1 & 2.

Abbildung 21: Histogramm Steigungen Maschine + Koronaentladung.

Abbildung 22: Histogramm Steigungen Maschine.

Abbildung 23: Überlappende Steigungen Experiment 1 & 2.

Abbildung 24: Störgeräuscherkennung für Schallaufnahme...

Abbildung 25: Schallaufnahme nach Hochpass Filterung..

Abbildung 26: Positive Datenpunkte der Schallaufnahme.

Abbildung 27: Schallaufnahme nach Klassifizierung anhand z-standardisierten Werten

Abbildung 28: Schallaufnahme nach Stufe 1 Filterung..

Abbildung 29: Ermittelte Start und Stopp Indexwerte aus der Schallaufnahme...

Abbildung 30: Experiment 1 - Maschine mit Koronaentladung FFT.

Abbildung 31: Boxplot - Experiment 1 Hochfrequente Anteile.

Abbildung 32: Boxplot - Experiment 2 Hochfrequente Anteile.

Abbildung 33: Hauptkomponentenanalyse - Experiment 1

Abbildung 34: Hauptkomponentenanalyse - Experiment 2

Abbildung 35: Hauptkomponentenanalyse - Experiment 1 und 2..

Abbildung 36: Trainingsdatensatz als Spektrogramm.

Abbildung 37: Überlappung von Fenstergrößen im Audiosignal...

Abbildung 38: Struktur des faltenden neuronalen Netzes..

Abbildung 39: Konfusionsmatrix 1.

Abbildung 40: Konfusionsmatrix 2.

Abbildung 41: Konfusionsmatrix 3.

Abbildung 42: Ortsvektor für Koronaentladung

Abbildung 43: Schwellwert für Hochfrequenzerkennung..

Abbildung 44: Verschiedene Intensitäten der Koronaentladung...

Tabellenverzeichnis

Tabelle 1: Verschiedene Abtasttiefen.

Tabelle 2: Versuchsplan.

Tabelle 3: Ergebnisse aus Experiment 1.

Tabelle 4: Ergebnisse aus Experiment 2.

Tabelle 5: Statistische Kennwerte Zeitabstand.

Tabelle 6: Statistische Kennwerte Steigungen für Kor. + Masch. & Masch.

Tabelle 7: Trainingsdatensatz.

Tabelle 9: Testdatensatz.

Abkürzungsverzeichnis

MAV Moving-Average

CNN Convolutional Neuronal Network

FFT Fast Fourier Transform

DC-Offset Direct Current-Offset

AC Alternating Current

MFCC Mel Frequency Cepstral Coefficients

PCA Principal Component Analysis

DFT Discrete Fourier Transform

STFT Short-Time Fourier Transform

PCM Pulse-Code-Modulation

DPI Dots per inch

1 Einleitung

Schallereignisse in der Umgebung von Störgeräuschen mithilfe von akustischen Sensoren effektiv und genau zu klassifizieren ist immer noch ein schwieriges Problem. Moderne Algorithmen aus dem Bereich des maschinellen Lernens versprechen Klassifizierungsmethoden mit hoher Treffsicherheit. Unter sauberen Bedingungen konnten bereits Klassifikationsalgorithmen Schallaufnahmen wiedererkennen. Jedoch ist bei einer Implementierungin der Praxiszu berücksichtigen, dass Störeinflüsse die Schallaufnahmen in ihren Messergebnissen stark beeinflussen können. Dadurch wird eine Wiedererkennung schwierig oder gar unmöglich. Ein Umfeld, indem diese Problematik eine besondere Herausforderung darstellt, ist die Industrie. Hier sind beispielsweise der Lärm einer Maschine, das Reden von Personen oder impulsartige Geräusche zu nennen, welche die Schallaufnahme in ihrem Ergebnis stark verändern. Dabei wird die Klassifikationsgüte traditioneller Algorithmen schlechter(Choi, Atif, Lee, Park & Chung, 2018). Um Schallaufnahmen durch einen Algorithmus klassifizieren zu können, werden in dieser Arbeit zwei grundlegende Schritte verwendet. Zum einen muss das Störsignal als solches erkannt werden und zum anderen muss es in einem zweiten Schritt einer Klasse zugeordnet werden. Mithilfe eines neu entwickelten Konzeptes, basierend auf der z-Standardisierung, werden Störgeräusche identifiziert und in einem zweiten Schritt durch die Hauptkomponentenanalyse eines faltenden neuronalen Netzes oder mithilfe einer erweiterten Fourier-Transformation zugeordnet.

Als speziell zu untersuchende Schallaufnahme bzw. Geräusch wurde die Identifizierung von Koronaentladungen im Umfeld von hydraulischen Kraftwerken gewählt. Koronaentladung ist eine Form der Teilentladung und als knisterndes Geräusch wahrnehmbar. Dieses Phänomen kann in der Nähe von Hochspannungsleitungen oder Generatoren beobachtet werden. Innerhalb der Industrie rufen Koronaentladungen meist unerwünschte Effekte hervor, wie dass Maschinen einen Schaden davontragen oder sie im schlimmsten Fall unerwartet ausfallen(Yang, Hwang, Ko & Lee, 2005). Zur Detektion von Koronaschall wurden in den letzten Jahren zunehmend Ultraviolettkameras eingesetzt. Diese zumeist sehr teuren Kameras müssen dabei von Experten bedient werden (Jiaqi Li* et al., 2017).

Auch die Verwendung von Teilentladungs-Lokalisierungs-Mikrofonen ist eine gängige Methode zur Detektion von Koronaentladungen. Dabei wird via Ultraschallmessung die Teilentladung, mithilfe eines damit verbundenen Kopfhörers, aufgespürt. Dieses Verfahren ist deutlich kostenfreundlicher, jedoch muss sich der Techniker in die Anlage begeben, was mit einem erhöhten Risiko verbunden ist. Die vorliegende Arbeit bietet einen Lösungsweg, um dieses Risiko zu vermeiden und gleichzeitig einen neuen und kostengünstigeren Ansatz, als die bisher verwendeten Methoden zur Erkennung von Koronaentladungen. Letztendlich soll mithilfe eines Monitoring Systems, unter Verwendung eines Mikrofons, Koronaentladungen erkannt werden.

1.1 Motivation und Zielsetzung

Die Herausforderung besteht darin, dass aufgrund verschiedener Störgeräusche eindeutige Klassifizierungen von Koronaentladungen an hydraulischen Wasserkraftwerken nicht ohne weiteres stattfinden können. Umgebungsgeräusche wie etwa der Lärm, der durch andere Maschinen oder Geräte verursacht wird, können eine Einordnung der zu ermittelnden Geräusche erschweren oder gar verunmöglichen. Geräusche in der Umgebung von Störeinflüssen zu differenzieren, speziell im industriellen Umfeld, ergibt bislang ein wenig erforschtes Gebiet.

Betrachtet man andere Bereiche, wie das Allgemeine Klassifizieren von Audioinhalten (Li, D., Sethi, Dimitrova & McGee, 2001; Łopatka, Zwan & Czyżewski, 2010; Mohanapriya & Karthika, 2014 - 2014), der Musikgenreklassifizierung (F. McKinney & Breebaart, 2003; Li, D. et al., 2001; Tzanetakis & Cook, 2002), der Medizin (Khlaifi, Istrate, Demongeot & Malouche, 2018) und der Spracherkennung (Graves, Mohamed & Hinton, 2013 - 2013; Hinton et al., 2012; Plumpe, Huang, Deng & Acero, 2000), wurden diese während der letzten Jahre umfangreich behandelt. Jedoch wurden dabei zumeist reine Audioaufnahmen ohne die Berücksichtigung von Störgeräuschen verwendet.

Die Forschungsfrage lautet somit: „Mit welchen Verfahren der computerbasierten akustischen Ereigniserkennung kann man möglichst frühzeitig, Störgeräusche innerhalb von hydraulischen Kraftwerken erkennen und Sie dann zuverlässig klassifizieren?“

[...]