Machine Learning basierte Klassifikation von Außenschallszenen für Lärmmessungen an Windenergieanlagen

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.