Analyse von Industriegeräuschen

Ihr Weg zu uns

Seit vielen Jahren forschen wir an Technologien zur audiovisuellen Signalverarbeitung und -analyse und entwickeln maschinelle Lernverfahren zur automatisierten Geräuschanalyse unter Berücksichtigung von technischem Datenschutz und Datensicherheit.

Spitzenforschung allein kann jedoch nicht ohne die Erfahrung derer gelingen, die tagtäglich vor unlösbaren Herausforderungen in der Produktion stehen und Probleme eindeutig benennen können. »Die Zukunft ist unser Antrieb« lautet der aktuelle Werbeslogan der Fraunhofer-Gesellschaft. Aus Anwendersicht betrachtet, besteht unser Antrieb weiterhin darin, die Bedarfe unserer Forschungspartner und Kunden zu erfragen, zu verstehen und mit maßgeschneiderten Lösungen darauf zu reagieren.

Im Folgenden finden Sie unsere Forschungsaktivitäten, durch welche wir in den letzten Jahren den Grundstein für interdisziplinäre Forschung an Verfahren zum KI-basierten akustischen Monitoring in der Produktion gelegt haben.

Reiternavigation

Alle ausklappen Alle einklappen

Projekte

Wir bieten Dienstleistungen im Bereich Forschung und Entwicklung und beraten unsere Industriekunden gern zu den zahlreichen Einsatzmöglichkeiten des akustischen Monitorings (amo) im Rahmen eines Industrieprojekts. Zusätzlich arbeiten wir in teilweise öffentlich geförderten Forschungs- und Entwicklungsprojekten, um gemeinsam mit breit aufgestellten Fachkonsortien anwendungsspezifische Lösungen zu entwickeln.

Möglichkeiten der gemeinsamen Projektarbeit

Aktuelle Forschungsprojekte und Netzwerkaktivitäten

Forschungsprojekt

DIAMOSS-I

Entwicklung eines intelligenten, selbstüberwachenden Schallsensorsystems für raue Industriebedingungen

Mehr Info

Forschungsprojekt

OptiStrick

Entwicklung eines KI-gestützten Inline-Qualitätssicherungssystems zur Optimierung hochflexibler Stricktechnologien

Mehr Info

Forschungsprojekt

RapidKI

Intelligente Inline-Kontrolle am Beispiel von umweltschonenden Laser-Abtragprozessen

Mehr Info

Forschungsprojekt

HybridDigital

Digitalisierung zur effizienten Prozessauswahl und Auslegung von Hybridstrukturen auf Basis experimenteller und synthetischer Daten

Mehr Info

Forschungsprojekt

ML-S-LeAF

Entwicklung von Machine Learning-Algorithmen auf Basis virtueller Schalldaten für den Leichtbau zur Qualitätssicherung in der Additiven Fertigung

Mehr Info

Forschungsprojekt

AKoS

Akustische Kontrolle von Schweißnähten bei sicherheitskritischen Bauteilen im Rahmen der Qualitätssicherung

Mehr Info

Forschungsprojekt

e-LAS+

Multimodale Qualitätssicherung für die Produktion von Stromspeichern in sicherheitskritischen Systemen

Mehr Info

Forschungsprojekt

ExtrudEAR

Abbildung der auditiven Wahrnehmung und menschlichen Expertenwissens auf die Prozesskontrolle von Extrudern

Mehr Info

Forschungsprojekt

SEC-Learn

Sensor Edge Cloud für verteiltes Lernen

Mehr Info

ZIM-Netzwerk »AkuPro«

Akustische Analysen in Produktionssystemen

Werden Sie Netzwerkpartner!

Mehr Info

Anwendung sucht Partner

Netzwerke

Leistungszentrum InSignA – Intelligente Signalanalyse- und Assistenzsysteme

AkuPro – Akustische Analysen in Produktionssystemen (ZIM-Netzwerk)

IMAMF Innovationsform zum Austausch über KI-basiertes, akustisches Monitoring von Fertigungsprozessen

Leistungszentrum

InSignA

Weitere Projekte

Experimente

Zeigen, dass es geht! Anhand prototypischer Demonstratoren aus unterschiedlichen Fachbereichen haben wir die Funktions- und Wirkungsweise neuartiger Methoden zur automatisierten akustischen Ereignisdetektion bewiesen.

Automatische Erkennung von Druckluftleckagen

Zuverlässig und automatisiert hörbare Leckagen erkennen dank Luftschallanalyse und maschineller Lernverfahren.

Druckluft ist für viele deutsche Industrie- und Handwerksbetriebe eine unerlässliche Ressource zum Betreiben von Maschinen und Anlagen. Gleichzeitig stellt sie aber auch einen hohen Kostenfaktor auf der Stromrechnung dar. Unternehmen verschwenden durchschnittlich 30 Prozent der erzeugten Energie aufgrund der unbemerkten Entweichung von teurer Druckluft. Zur Erkennung solcher Leckagen setzt man unter anderem auf Prüfverfahren mittels Ultraschall sowie auf das bloße Gehör von geschultem Personal.

Das Fraunhofer IDMT hat nun in einem Experiment getestet, ob sich dieses »Hören« automatisieren und unter Verwendung von Mikrofonen in Kombination mit maschinellen Lernverfahren nachbilden lässt, um ein zuverlässiges System zur Leckagendetektion zu entwickeln. Erste Ergebnisse zeigen, dass dies generell möglich ist.

Automatische Erkennung und Unterscheidung von Elektromotoren

Ob ein Elektromotor einwandfrei funktioniert, lässt sich mit der akustischen Qualitätsanalyse des Fraunhofer IDMT überprüfen. — Die Motoren-Demo verdeutlicht die Leistungsfähigkeit des akustischen Monitorings im industriellen Einsatz. Als Anwendungsbeispiel wurde die Erkennung drei unterschiedlich klingender Elektromotoren gewählt.

In diesem Experiment wurden drei unterschiedliche Betriebszustände simuliert: gut, schlecht und unter Last laufend. Jeder Motor hat einen dieser Zustände, die sehr unterschiedlich klingen. Die Forschenden haben ein MEMS-Mikrofon (Mikro-Elektronisch-Mechanische-Systeme zur Signalaufnahme) vor den Motoren platziert, welches die Betriebsgeräusche der nacheinander laufenden Motoren aufnimmt. Es wurden Aufnahmen jedes Motors einzeln, mit und ohne Hintergrundlärm gemacht, welche in die anschließende Analyse mit Verfahren des maschinellen Lernens einflossen.

Automatische Erkennung unterschiedlicher Materialien anhand von Pling-Geräuschen

Der Prinzipdemonstrator »Air-Hockey Tisch« bietet Besucherinnen und Besuchern auf Messen und Konferenzen neben dem fachlichen Austausch eine sportliche Abwechslung.

Anhand eines für den Forschungseinsatz modifizierten Air-Hockey Tischs wird an neuartigen Verfahren zur akustischen Qualitätssicherung im industriellen Kontext gearbeitet. Hier kommen Pucks zum Einsatz, die aus verschiedenen Materialien gefertigt sind und unterschiedliche »Pling«-Geräusche verursachen, sobald sie an die Bande des Spielgeräts treffen. Während des Spiels treten diese akustischen Signale so häufig und unregelmäßig auf, dass sie zur Analyse mittels maschineller Lernverfahren genutzt werden können, um eine zuverlässige Aussage über das Material zu treffen, aus dem die Pucks gefertigt sind.

Eingesetzt werden kann dieses berührungslose Verfahren, bei dem das Fraunhofer IDMT seine langjährige Expertise in den Bereichen akustische Messtechnik, Signalverarbeitung und maschinelles Lernen kombiniert, unter anderem zur Erkennung von Materialfehlern oder in der In-Line Überwachung von Schweißprozessen. Werden akustisch wahrnehmbare Fehler bereits im Prozess festgestellt, kann dieser abgebrochen und zeitnah neu gestartet werden. Das akustische Prüfverfahren des Fraunhofer IDMT ist zudem zerstörungsfrei und dient somit der Reduzierung von teurem Prüfschrott.

Automatische Erkennung von Materialfehlern anhand von Rollgeräuschen

Der Kugelbahndemonstrator verdeutlicht die Leistungsfähigkeit des akustischen Monitoring-Verfahrens im industriellen Einsatz. Als Anwendungsbeispiel wurde die Erkennung von Fehlern in Oberflächen gewählt.

Drei unterschiedlich beschichtete Kugeln rollen in zufälliger Reihenfolge durch das Kugelbahnsystem. Die Bewegungsgeräusche der Kugeln werden von kleinen Mikrofonen aufgenommen und durch maschinelle Lernalgorithmen analysiert. Auf diese Weise werden die Kugeln in Echtzeit überwacht und anhand ihres spezifischen Rollgeräusches identifiziert. Das Analyseergebnis - die Reihenfolge der Ankunft - wird sofort grafisch auf einem Display dargestellt. Das Institut zeigt mit diesem Prinzip-Demonstrator neue akustische Verfahren zur Qualitätssicherung – berührungslos, zerstörungsfrei und sicher integriert.

»Einbrechern das Handwerk legen«

KI-Demonstrator zur akustischen Einbruchsüberwachung auf Geräten mit begrenzter Rechenleistung.

Akustische Qualitätskontrolle von Drehteilen

Mit Luftschallanalyse und KI Haarrisse in Drehteilen zuverlässig erkennen.

Im Rahmen der Qualitätsprüfung durchlaufen die gezeigten Drehteile üblicherweise eine 100 % visuelle Endkontrolle. Geprüft wird auf feinste Haarrisse, die optisch kaum erkennbar sind, jedoch auf einen Qualitätsmangel hindeuten. In einem Experiment hat das Fraunhofer IDMT untersucht, inwieweit Haarrisse mittels Luftschallanalyse mit KI automatisiert detektiert werden können. Als Prüfschritt in der Endkontrolle wurde der Aufprall eines Drehteils auf eine Platte aufgenommen und entsprechend den Klassen »i.O.« und »n.i.O« zugeordnet. Dabei stellten sich die Wissenschaftlerinnen und Wissenschaftler den Fragestellungen, ob die Klangspektren des Aufpralls eine Unterscheidung in Gut- und Fehlteile zulassen, welche Parameter diese Klangspektren beeinflussen (bspw. Fallhöhe oder Material der Platte) und welche Mikrofonpositionen sich am besten für die Aufnahmen und zur späteren Analyse eignen. Erste Ergebnisse zeigten, dass es generell möglich ist, die Drehteile anhand des Aufprallgeräusches in zwei Klassen zu unterscheiden.

»Wenn Toningenieur und Nussknacker aufeinandertreffen«

Ein kleiner saisonaler Videogruß - denn die Anwendungsmöglichkeiten unserer KI-basierten Verfahren sind mehr als vielfältig.

Datensätze

Die Datensätze wurden in mehreren wissenschaftlichen Publikationen auf internationalen Konferenzen vorgestellt und sollen der wissenschaftlichen Community als potenzielle Benchmarks für Vergleichsexperimente dienen.

Industrielle Audiodatensätze

[Englisch]

IDMT-ISA-Electric-Engine
An audio database for the automatic analysis of operational states of electric enginges
IDMT-ISA-Metal-Balls
An audio database for the automatic surface detection of metal balls
IDMT-ISA-Tubes
An audio database for the automatic detection of bulk materials
IDMT-ISA-Pucks
An audio database for the automatic detection of air-hockey pucks of different plastic materials
IDMT-ISA-Compressed-Air
An audio database for compressed air leak detection
IDMT-TRAFFIC
An audio database for acoustic traffic monitoring
IDMT-FL
DESED-FL and URBAN-FL: Federated learning datasets for sound event detection

Publikationen

In regelmäßigen Abständen tauschen sich die Wissenschaftlerinnen und Wissenschaftler mit Industrievertretern aus und präsentieren aktuelle Forschungsergebnisse auf wissenschaftlichen Tagungen und Kongressen. Zudem veröffentlichen wir regelmäßig Beiträge in Fachmagazinen, welche Anwendungsthemen unserer Forschungsrichtung behandeln.

Chauhan, J., Gourishetti, S., Rohe, M., Sennewald, M., Hildebrand, J., & Bergmann, J. P. (2023).
Empirical study on DED-Arc welding quality inspection using airborne sound analysis.
In K.-U. Sattler (Ed.), Engineering for a Changing World: Proceedings; 60th ISC, Ilmenau Scientific Colloquium, Technische Universität Ilmenau, September 04-08, 2023 (1.3.055). Ilmenau Scientific Colloquium. Technische Universität Ilmenau ; 60 (Ilmenau) : 2023.09.04-08. https://doi.org/10.22032/dbt.58732

Kodera S, Schmidt L, Römer F, Schricker K, Gourishetti S, Böttger D, Krüger T, Kátai A, Straß B, Wolter B, et al.
Temporal Resolution of Acoustic Process Emissions for Monitoring Joint Gap Formation in Laser Beam Butt Welding.
Applied Sciences. 2023; 13(18):10548. https://doi.org/10.3390/app131810548

Saichand Gourishetti, Sascha Grollmisch, Jaydeep Chauhan; Jean Pierre Bergmann, Jörg Hildebrand, Maximilian Rohe, Martin Sennewald (Technische Universität Ilmenau, FG Fertigungstechnik)
Arc Welding Process Monitoring Using Neural Networks and Audio Signal Analysis
Proceedings SMSI 2023 - Sensor and Measurement Science International

Y. Ren, C. Adams, P. Gross, A.B. Talagini Ashoka, A. Kátai, M. Weigold and T. Melz
Acoustic data acquisition for quality monitoring during Powder Bed Fusion with Laser Beam (PBF-LB)
Tagungsband, Fortschritte der Akustik - DAGA 2023

Ö.F. Yildiz, A. Fritz, J. Storch, A. Kátai, S. Ribecky, P. Hofmann, A.B. Talagini Ashoka, R. Fassbender, H. Marckmann, S. Grollmisch, S. Jansen, C. Adams, I. Kroh, O. Zaleski, A. Manohar, S. Keuchel, H. Merschroth, T. Schröder, P. Gross, Y. Ren, C. De Boni, I. Balestra, R. Ferretti, J. Schötz, J. Bös and M. Weigold
Automated Quality Inspection in Additive Manufacturing for Lightweight Construction: A New Approach Based on Virtual Sonic Data and Machine Learning (ML-S-LeAF)
Tagungsband, Fortschritte der Akustik - DAGA 2023

Fritsch, Tobias; Bös, Joachim; Grollmisch, Sascha; Gourishetti, Saichand; Hofmann, Peter; Liebetrau, Judith
Intelligentes akustisches Monitoring durch ausgewählte Mikrofonierungskonzepte
Tagungsband, Fortschritte der Akustik - DAGA 2022

Gourishetti, Saichand ; Grollmisch, Sascha; Abeßer, Jakob; Liebetrau, Judith:
Potentials and Challenges of AI-based Audio Analysis in Industrial Sound Analysis
Tagungsband, Fortschritte der Akustik - DAGA 2022

Grätzel, M.; Other, S.; Stoll, B.; Rohe, M.; Hasieber, M.; Löhn, T.; Hildebrand, J.; Bergmann, J. P. (Fachgebiet Fertigungstechnik, TU Ilmenau); Kátai, A.; Breitbarth, K.; Bös, J. (Fraunhofer IDMT):
Investigation of the directional characteristics of the emitted airborne sound by Friction Stir Welding for online process monitoring
2nd International Conference on Advanced Joining Processes (AJP 2021)

Johnson, David S.; Lorenz, Wolfgang; Tänzer, Michael; Mimilakis, Stylianos; Grollmisch, Sascha; Abeßer, Jakob; Lukashevich, Hanna:
DESED-FL and URBAN-FL: Federated LearningDatasets for Sound Event Detection
29th European Signal Processing Conference, EUSIPCO 2021

Abeßer, Jakob; Gourishetti, Saichand; Kátai, András; Clauß, Tobias; Sharma, Prachi; Liebetrau, Judith:
IDMT-Traffic: An Open Benchmark Dataset forAcoustic Traffic Monitoring Research
29th European Signal Processing Conference, EUSIPCO 2021

Gourishetti, Saichand; Johnson, David; Werner, Sara; Kátai, András; Holstein, Peter (SONOTEC GmbH):
Partial discharge monitoring using deep neural networks with acoustic emission
Inter-Noise 2021 Congress

Gourishetti, Saichand; Werner, Sara; Kátai, András; Liebetrau, Judith:
The Sounds of Partial Discharge
Tagungsband, Fortschritte der Akustik - DAGA 2021

Holstein, Peter (SONOTEC GmbH); Gourishetti, Saichand (Fraunhofer IDMT); Fuchs, Karsten (TU Ilmenau); Berger, Frank (TU Ilmenau); Vyas, Daxeshkumar Harikeshbhai (TU Ilmenau/SONOTEC GmbH):
Acoustics of electrical discharges
27th International Congress on Sound and Vibration, 2021

Grollmisch, Sascha; Cano, Estefanía:
Improving Semi-Supervised Learning for Audio Classification with FixMatch
Special Issue Machine Learning Applied to Music/Audio Signal Processing, MDPI, 2021

Johnson, David; Grollmisch, Sascha:
Techniques Improving the Robustness of Deep Learning Models for Industrial Sound Analysis
28th European Signal Processing Conference EUSIPCO 2020

Grollmisch, Sascha (TU Ilmenau); Johnson, David und Liebetrau, Judith (Fraunhofer IDMT):
Visualizing Neural Network Decisions for Industrial Sound Analysis
Proceedings SMSI 2020 – Sensor and Measurement Science International (Konferenz hat nicht stattgefunden)

Grollmisch, Sascha (TU Ilmenau); Johnson, David; Krüger, Tobias und Liebetrau, Judith (Fraunhofer IDMT):
Plastic Material Classification using Neural Network based Audio Signal Analysis
Proceedings SMSI 2020 – Sensor and Measurement Science International (Konferenz hat nicht stattgefunden)

Helbig, Mareike; Clauß, Tobias; Kepplinger, Sara; Lukashevich, Hanna:
Anwendung von (Luft-)Schallanalyse als ein Verfahren der berührungslosen Qualitätssicherung für die vorausschauende Wartung
Tagungsband, Instandhaltungsforum, 22.-23. Mai 2019, Dortmund

Liebetrau, Judith; Grollmisch, Sascha; Nowak, Johannes:
Luftschallbasierte Rissdetektion in kleinen Metallteilen
Proceedings, 44. Deutsche Jahrestagung für Akustik (DAGA) 19.- 22. März 2018, München

Nowak, Johannes; Grollmisch, Sascha; Cano Estefanía; Lukashevich, Hanna; Liebetrau, Judith:
Störschallunterdrückung bei Luftschallanalysen in industriellen Fertigungsstrecken
Proceedings, 44. Deutsche Jahrestagung für Akustik (DAGA) 19.- 22. März 2018, München

Clauß, Tobias; Abeßer, Jakob; Lukashevich, Hanna; Gräfe, Robert; Häuser, Franz; Kühn, Christian; Sporer, Thomas:
StadtLärm – A distributed system for noise level measurement and noise source identification in a smart city environment
Proceedings, 44. Deutsche Jahrestagung für Akustik (DAGA) 19.- 22. März 2018, München

Beiträge in Fachzeitschriften

Clauß, Tobias:
Qualität hören – Das Gehör des Technikers für die Produktion 4.0
ZfP-Zeitung 170, 07/2020

Kepplinger, Sara; Krüger, Tobias:
Der Puck macht "pling"
VDI fachmedien »Technische Sicherheit« 09/2019

Liebetrau, Judith; Grollmisch, Sascha; Clauß, Tobias:
Akustische Qualitätskontrolle mit künstlicher Intelligenz
Magazin »Mechatronik« 11/2018

Liebetrau, Judith; Grollmisch, Sascha; Clauß, Tobias:
Zisch oder Tzisch? Akustische Qualitätskontrolle in der Getränkeherstellung
Magazin »Getränkeindustrie« 11/2017

Liebetrau, Judith; Grollmisch, Sascha; Nowak, Johannes:
Hörbare Fehler – Überwachung von Maschinen und Produkten anhand akustischer Signale
Magazin »QZ – Qualität und Zuverlässigkeit« 09/2017