Ziel der Entwicklung
Ziel des Projekts war die Entwicklung eines KI-basierten, automatisierbaren Verfahrens zur Auswertung akustischer Messungen mit hochkanaligen Mikrofonarrays. Der Fokus lag auf der Detektion von akustischen Leckagen in komplexen 3D-Umgebungen als Hauptanwendungsbeispiel. Das entwickelte Verfahren war so flexibel auszulegen, dass es auf andere Anwendungsfälle wie die allgemeine Fehlererkennung und -klassifikation für stationäre Geräusche in technischen Objekten und Fertigungsprozessen gut übertragbar ist. Neben bewährten statistischen Methoden der Merkmalsextraktion und Mustererkennung wurden dafür insbesondere moderne maschinelle Lernverfahren eingesetzt. Die Motivation für die Anwendung von KI-Methoden war die hohe Komplexität realer akustischer 3D-Umgebungen im industriellen Umfeld bezüglich starker Störeinflüsse. Physikalisch-theoretische Modelle und Simulationsumgebungen können diese komplexen Störungen, die in realen akustischen Umgebungen immer auftreten, nicht vollständig abbilden. Hierzu gehören Reflexionen an Raumgrenzen und Objektoberflächen, unbekannte, richtungs- und frequenzabhängige Absorptions- und Reflexionseigenschaften der Teilflächen, Abschattungen einzelner Arraymikrofone, Körperschall- und Beugungseffekte, richtungsabhängige Strahlercharakteristika von Teilschallquellen und weitere, a priori unbekannte Störquellen aus der Umgebung. Zur Erhöhung der Robustheit der Klassifikationsresultate kamen deshalb hier neuronale Netze zum Einsatz.
Vorteile und Lösungen
Es kamen künstliche neuronale Netze, vor allem Deep Convolutional Networks, zum Einsatz, um die komplexen nichtlinearen Zusammenhänge zu modellieren. Im Resultat des Projektes entstand ein Klassifikationssystem, das anhand angelernter Muster von normierten Spektrogrammen in der Lage ist, typische Leckagen, wie sie z.B. in Druckluftsystemen auftreten, von anderen Geräuschen zu unterscheiden. Das entwickelte Verfahren wurde am Druckluftsystem des Antragstellers praktisch erprobt und seine Leistungsfähigkeit am Beispiel von Testleckagen demonstriert. Während die Trainingszeiten durchaus lang sind (zirka 13 Stunden für einen Lauf), ist die Anwendung des trainierten Netzes, also die eigentliche Klassifikation eines Spektralmusters, mit zirka 15 Millisekunden sehr kurz und damit grundlegend für Praxisanwendungen geeignet.
Zielgruppe und Zielmarkt
Mit dem Vorhaben wurden wichtige Voraussetzungen geschaffen, um bislang nur interaktiv einsetzbare Arraysysteme künftig auch, unter Nutzung moderner KI-basierter Auswertemethoden, automatisiert einsetzen zu können. Dadurch können weitere Zielanwendungen und Marktsegmente für Akustische Kamerasysteme erschlossen werden. Künftige Anwendungsmöglichkeiten automatisierter Systeme gibt es u.a. in der akustischen Dichtheitsprüfung im Fahrzeugbereich, zur Leckagedetektion in der Bauakustik, zur Zustandsüberwachung von Maschinen und Anlagen sowie zur akustischen Fehlerdetektion und Klassifikation in Produktions- und Fertigungsprozessen.
