Details
| Original language | German |
|---|---|
| Title of host publication | Tagungsband DAGA 2020 |
| Subtitle of host publication | 46. Deutsche Jahrestagung für Akustik (mit Sonderteil zu "50 Jahre DAGA") |
| Pages | 378-381 |
| Publication status | Published - 2020 |
| Event | DAGA 2020: 46. Deutsche Jahrestagung für Akustik (cancelled) - Hannover, Germany Duration: 16 Mar 2020 → 19 Mar 2020 |
Abstract
Cite this
- Standard
- Harvard
- Apa
- Vancouver
- BibTeX
- RIS
Tagungsband DAGA 2020: 46. Deutsche Jahrestagung für Akustik (mit Sonderteil zu "50 Jahre DAGA"). 2020. p. 378-381.
Research output: Chapter in book/report/conference proceeding › Conference contribution › Research
}
TY - GEN
T1 - Machine Learning basierte Klassifikation von Außenschallszenen für Lärmmessungen an Windenergieanlagen
AU - Poschadel, Nils Christian
AU - Gill, Christian
AU - Preihs, Stephan
AU - Martens, Susanne
AU - Bergner, Lutz Jakob
AU - Rolfes, Raimund
AU - Peissig, Jürgen Karl
N1 - Förderung: Das Projekt WEA-Akzeptanz ist gefördert vom Bundesministerium für Wirtschaft und Energie (BMWi) unter dem Förderkennzeichen 032413A.
PY - 2020
Y1 - 2020
N2 - Im Rahmen des Projektes WEA-Akzeptanz werden an der Leibniz Universität Hannover Langzeitmessungen der Schallemission von Windenergieanlagen durchgeführt. Durch die Umgebung, das Wetter oder die Vegetation kommt es zu Störkomponenten (Wind, Regen, Vogelgezwitscher, Verkehr, ...) in den aufgenommenen Signalen, welche einen Einfluss auf die nachgeschalteten Signalauswertungen haben könnten. Aufgrund der Menge an Daten ist eine händische Identifikation von Störungen auf den Audiosignalen nicht praktikabel, sodass eine automatisierte Klassifikation der Schallszenen erforderlich ist. Wir stellen einen Machine-Learning-Ansatz für die Klassifikation monophoner Mikrofonsignale auf Basis eines auf Spektrogrammen trainierten Convolutional Neural Networks vor. Hiermit ist es möglich, bis zu 11 Klassen automatisiert zu erkennen. Das Neuronale Netz wurde sowohl mit frei verfügbaren Audiosignalen der verschiedenen Klassen als auch mit manuell gelabelten Daten unserer Messkampagnen trainiert. Die Auswertung der Klassifikationsergebnisse erfolgt auf Basis einer Konfusionsmatrix sowie durch Abgleich mit parallel zu den Audiosignalen aufgezeichneten Metadaten (Windgeschwindigkeit, Generatordrehzahl, …). Der Ansatz liefert dabei erste vielversprechende Ergebnisse, die stark mit den Resultaten einer manuellen Klassifikation korrelieren.
AB - Im Rahmen des Projektes WEA-Akzeptanz werden an der Leibniz Universität Hannover Langzeitmessungen der Schallemission von Windenergieanlagen durchgeführt. Durch die Umgebung, das Wetter oder die Vegetation kommt es zu Störkomponenten (Wind, Regen, Vogelgezwitscher, Verkehr, ...) in den aufgenommenen Signalen, welche einen Einfluss auf die nachgeschalteten Signalauswertungen haben könnten. Aufgrund der Menge an Daten ist eine händische Identifikation von Störungen auf den Audiosignalen nicht praktikabel, sodass eine automatisierte Klassifikation der Schallszenen erforderlich ist. Wir stellen einen Machine-Learning-Ansatz für die Klassifikation monophoner Mikrofonsignale auf Basis eines auf Spektrogrammen trainierten Convolutional Neural Networks vor. Hiermit ist es möglich, bis zu 11 Klassen automatisiert zu erkennen. Das Neuronale Netz wurde sowohl mit frei verfügbaren Audiosignalen der verschiedenen Klassen als auch mit manuell gelabelten Daten unserer Messkampagnen trainiert. Die Auswertung der Klassifikationsergebnisse erfolgt auf Basis einer Konfusionsmatrix sowie durch Abgleich mit parallel zu den Audiosignalen aufgezeichneten Metadaten (Windgeschwindigkeit, Generatordrehzahl, …). Der Ansatz liefert dabei erste vielversprechende Ergebnisse, die stark mit den Resultaten einer manuellen Klassifikation korrelieren.
UR - https://pub.dega-akustik.de/DAGA_2020/data/daga20_proceedings.pdf
M3 - Aufsatz in Konferenzband
SP - 378
EP - 381
BT - Tagungsband DAGA 2020
T2 - DAGA 2020
Y2 - 16 March 2020 through 19 March 2020
ER -