Die Überprüfung auf Fehler durch Geräusche oder Vibrationen ist in der Industrie weit verbreitet, da sie eine nicht-invasive und oft sehr effiziente Methode darstellt, um den Zustand von Maschinen und Produkten zu überwachen. Geräusche und Vibrationen können subtile Veränderungen anzeigen, die auf beginnende Defekte oder Abnutzungserscheinungen hinweisen und diese Veränderungen sind oft früher erkennbar als visuelle oder andere sensorische Hinweise.
Herausforderung
Akustikexperten können die Lebensdauer und potenzielle Probleme von Motoren anhand ihrer Geräusche am Ende der Produktion vorhersagen. Diese Expertise ist jedoch mit hohen Kosten verbunden und nur begrenzt verfügbar. Daher werden solche Tests nur an einer Teilmenge der hergestellten Motoren durchgeführt, es wäre jedoch wünschenswert, dies für alle Motoren anwenden zu können. Zudem sind selbst die Einschätzungen von Experten oft mit Unsicherheiten behaftet.
Herangehensweise
Durch geeignet platzierte Mikrofone wird eine automatische und präzise Erfassung von Audiodaten ermöglicht. Diese Daten werden anschließend durch spezielle Verfahren transformiert und aufbereitet, um relevante Muster und Anomalien zu erkennen und ein Machine-Learning-Modell zu trainieren. Dieses verarbeitet dann im laufenden Betrieb die Audiosignale und sagt zuverlässig potenzielle Qualitätsprobleme voraus, mit einer dem Menschen vergleichbaren Genauigkeit.
Ergebnisse
Durch den Einsatz des Machine-Learning-Modells kann die Anzahl der testbaren Motoren signifikant erhöht werden. Gleichzeitig sinken die Testkosten, da der Prozess effizienter und weniger personalintensiv wird. Die Qualitätsvorhersagen des Modells weisen zudem eine geringere Varianz bei höherer Genauigkeit auf. Die Akustikexperten erhalten automatisch vom Modell eine erste Einschätzung der Qualität und müssen, wenn überhaupt, nur noch stichprobenartig eine eigene Beurteilung vornehmen.
