Deep Learning zur Detektion von akustischen Ereignissen

Abstract

Innerhalb dieser Bachelorarbeit wurde geprüft, ob sich ein auf Deep-Learning basierendes neuronales Netzwerk zur Erkennung und Klassifikation akustischer Szenarien eignet, um zu erforschen, ob eine solche Anwendung für den Automobil- und Flugindustriebereich realisierbar sei. Somit könnten essentielle Parameter wie die Leistungsabgabe oder die Funktionserfüllung von sicherheitsrelevanten Maschinenteilen dauerhaft überwacht (sog. Monitoring) und mögliche Probleme diagnostiziert werden. Dafür wurde eine solche Deep-Learning Struktur programmiert und mit akustischen Beispieldaten trainiert. Dieses Training stellt im Bereich des maschinellen Lernens einen Lernprozess dar, durch welchen der Maschine die Möglichkeit übergeben wird, eine eigene Regel zur Lösung der gestellten Aufgabe zu erstellen. Dieser Lernprozess erfolgt durch das Angleichen im Netzwerk befindlicher Gewichte, die Informationen der Eingangsdaten nach ihrer Relevanz zum Erhalt der korrekten Ausgangswerte bewerten. Dadurch entscheidet das neuronale Netz selbst, welche Informationen und Muster es zur Erkennung und Klassifikation der akustischen Dateien nutzt. Als Eingangsgrößen des Netzwerks wurden Daten des offiziellen DCASE-Wettbewerbs zur Erkennung und Klassifikation von akustischen Ereignissen 2017 beschafft und mittels der sog. Mel-Frequenz-Cepstral-Koeffizienten bearbeitet, welche im Folgenden in die Python-basierte Keras-Umgebung implementiert wurden. Dort wurde ein eigenes, sequentielles Netzwerk-Modell zur Verarbeitung der Datenrepräsentationen programmiert und in Betrieb genommen. Der schichtweise Aufbau des Netzes wird von jeder Datei einzeln durchlaufen, sodass alle Daten den gleichen Umformungsprozess erfahren. Die Umformung der Eingabedaten dient der Merkmalserstellung, die es dem Netzwerk ermöglicht relevante Informationen zur Detektion und Klassifikation der Daten zu erkennen. Nach Abstimmung der Systemarchitektur und -parameter und erfolgreich abgeschlossenem Training, konnten bei Netzwerkbelastungen mit unbekannten Daten Korrektklassifikationsergebnisse von 86,33 % erzielt werden. Dadurch kann das erstellte neuronale Netz nicht nur akustische Szenarien erkennen, sondern diese auch mit relativer Sicherheit vorgegebenen Klassen korrekt zuordnen. Da die Abstimmung der Netzwerkparameter in empirischer Herangehensweise angepasst werden mussten und dies gewisse Erfahrungen im Umgang mit Deep-Learning Strukturen erfordert, wurde eine Parameterstudie angefertigt, die den Prozess der Findung der passenden Parameterkonstellation imitieren soll, um künftigen Anwendern bei der Lösung eigener Deep-Learning Problemstellungen behilflich zu sein. Eine Eignung neuronaler Netzwerke zur Bearbeitung akustischer Mobilitätsprobleme konnte nachgewiesen werden.