Automatisierte Erkennung anomaler Geräusche mit dem OpenTest Sequence Mode und der AI Analysis

Bei Prüfungen von Motoren, Kopfhörern, Lautsprechern und vollständigen Produkten ist anomaler Schall häufig nicht nur ein einfaches Thema des Schalldruckpegels. Viele frühe Defekte äußern sich als leichtes Schleifgeräusch, Pfeifen, Brummen, anomales Geräusch oder Veränderungen in spektralen Details. Traditionelle elektroakustische Prüfungen und manuelle Hörprüfungen lassen sich in groß angelegten Tests nur schwer konsistent halten. Am Beispiel einer AI-Hörprüfung für TWS-Ohrhörer erklärt dieser Artikel, wie OpenTest Sequence Mode die Erfassung, Signalanalyse, AI Analysis, Gut/Schlecht-Entscheidung und Ergebnisausgabe zu einem wiederholbaren, automatisierten Workflow zur Erkennung anomaler Geräusche verbinden kann.

Bei F&E-Validierung und Produktionstests von Kopfhörern, Motoren und vollständigen Produkten ist die Erkennung anomaler Geräusche seit jeher eine typische technische Herausforderung.

Am Beispiel von TWS-Ohrhörern umfasst ein gängiger Prüfansatz in der Regel zwei Teile: zunächst eine traditionelle elektroakustische Prüfung, gefolgt von einer manuellen Hörprüfung, um festzustellen, ob anomale Geräusche vorhanden sind. Traditionelle elektroakustische Prüfungen können grundlegende Kennwerte wie Frequenzgang, Verzerrung und Rauschabstand abdecken. Anschließend wird mittels manuellen Hörens versucht, Probleme zu identifizieren, die der realen Hörwahrnehmung näherkommen, etwa Brummen, Schleifgeräusche, Schwingspulenreiben, Luftleckagen oder einen anomalen Rauschboden.

In realen Produktionsumgebungen hat manuelles Hören jedoch klare Einschränkungen. Verschiedene Bediener können eine unterschiedliche Empfindlichkeit und unterschiedliche Beurteilungskriterien für anomale Geräusche haben. Auch derselbe Bediener kann zu unterschiedlichen Zeiten durch Ermüdung, Umgebung und Erfahrung beeinflusst werden. Bei leichten, intermittierenden oder komplexen anomalen Geräuschen ist es schwierig, die manuelle Prüfung über die Zeit hinweg konsistent zu halten. Sie hängt zudem stark von personellen Ressourcen ab, was die Skalierung in der Massenproduktion erschwert.

OpenTest Sequence Mode und AI Analysis bieten für diese Art von Anwendungen einen stärker standardisierten Ansatz. Ingenieure können Produktverbindung, Audiowiedergabe, Erfassung des akustischen Signals, Datenanalyse, AI-Entscheidung, Ergebnisspeicherung und Berichtsausgabe als standardisierte Testsequenz konfigurieren. Dies unterstützt den Wandel der Erkennung anomaler Geräusche von subjektiven manuellen Entscheidungen hin zu einem Workflow auf Basis standardisierter Tests, Datenanalyse und Gut/Schlecht-Ergebnissen.

Erkennung anomaler Geräusche: Zeit- und Frequenzbereichsgrenzen reichen nicht immer aus

Die Schwierigkeit bei der Erkennung anomaler Geräusche besteht darin, dass sich Defekte nicht immer als eindeutige Verletzung eines einzelnen Kennwerts äußern.

Bei TWS-Ohrhörertests können einige fehlerhafte Prüflinge Frequenzgangkurven aufweisen, die sich nahezu mit guten Prüflingen überlappen, sodass sie mit einfachen oberen und unteren Grenzlinien schwer zu unterscheiden sind. Einige transiente anomale Geräusche erzeugen möglicherweise auch keine stabilen, sichtbaren Unterschiede in Zeitbereichsverläufen. Mit anderen Worten: Selbst nach Spektrumanalyse oder Betrachtung der Wellenform können Ingenieure weiterhin mit Fällen konfrontiert sein, in denen gute und fehlerhafte Prüflinge in den Daten ähnlich aussehen, aber in der Realität unterschiedlich klingen.

Ähnliche Probleme können auch bei Motoren, Lüftern, Kompressoren und Lautsprechern auftreten. Lageranomalien, leichtes Schleifen, elektromagnetische Geräusche, lose Strukturen oder transiente Geräusche können nur unter bestimmten Betriebsbedingungen, in bestimmten Frequenzbereichen oder in kurzen Zeitfenstern auftreten. Wenn sich die Prüfung ausschließlich auf feste Grenzwerte oder manuelles Hören stützt, können frühe Defekte übersehen werden, und Unterschiede zwischen Bedienern können zudem zu inkonsistenten Urteilen führen.

Daher sollte die Erkennung anomaler Geräusche besser als vollständiger Workflow betrachtet werden: Schallerfassung unter stabilen Testbedingungen, Extraktion von Zeitbereichs-, Frequenzbereichs- oder Zeit-Frequenz-Merkmalen durch Signalanalyse und anschließende Nutzung der AI Analysis zur Unterstützung der Gut/Schlecht-Entscheidung.

Abbildung 1: Anomalien, die mit traditionellen elektroakustischen Prüfungen nicht erkennbar sind

Testaufbau: Aufbau einer stabilen AI-Hörprüfkette

Für die AI-Hörprüfung von TWS-Ohrhörern muss das Prüfsystem in der Regel Produktverbindung, Audiowiedergabe, Erfassung des akustischen Signals und Datenanalyse ausführen.

Während des Tests wird das Produkt in eine Prüfvorrichtung oder eine schallgedämmte Box eingesetzt. Ein Bluetooth-Adapter verbindet sich mit den Ohrhörern und steuert diese zur Wiedergabe der spezifizierten Audioquelle. Der von den Ohrhörern abgegebene Schall wird von einem künstlichen Ohr oder einem akustischen Koppler erfasst und anschließend von der Erfassungshardware in Audiodaten für die Analyse umgewandelt. OpenTest führt dann eine Signalanalyse und AI Analysis an der erfassten WAV-Datei oder den Testdaten durch und gibt das Gut/Schlecht-Ergebnis aus.

Der Schlüssel zu diesem Workflow sind stabile Testbedingungen. Bei AI-gestützter Erkennung anomaler Geräusche hängt die Modellentscheidung von vergleichbaren Eingangsdaten ab. Daher sollten Audioquelle, Wiedergabemethode, Erfassungskanal, Abtastparameter, Vorrichtungsposition, Prüfumgebung und Datenverarbeitungs-Workflow konsistent bleiben. Nur wenn die vorgelagerte Prüfkette stabil ist, kann das Ergebnis der AI Analysis zuverlässiger sein.

Sequence Mode: Konfiguration der AI-Hörprüfung als automatisierte Prüfaufgabe

In OpenTest können Ingenieure den Sequence Mode nutzen, um die Erkennung anomaler Geräusche als standardisierte Prüfaufgabe zu konfigurieren. Für TWS-Ohrhörertests kann eine vollständige AI-Hörprüfsequenz Folgendes umfassen:

• Produkt scannen oder Prüflingsinformationen einlesen
• Schallgedämmte Box oder Prüfvorrichtung steuern
• Verbindung zu den Bluetooth-Ohrhörern herstellen
• Das Produkt zur Wiedergabe der spezifizierten Audioquelle steuern
• Das akustische Signal erfassen
• Spektrumanalyse, Analyse anomaler Geräusche und AI Analysis ausführen
• Die Gut/Schlecht-Entscheidung ausgeben
• Prüfdaten speichern und Ergebnisse an das MES-System übertragen

Mit dem Sequence Mode müssen Bediener Module nicht manuell umschalten, Geräte nicht erneut verbinden oder jeden Analyseschritt einzeln ausführen. Sobald der Workflow verifiziert ist, kann er in F&E-Validierung, Musterscreening oder Produktionstests wiederverwendet werden, um Unterschiede durch manuelle Bedienung zu reduzieren.

Dies ist insbesondere für Produktionsumgebungen wichtig. AI-Hörprüfungen sollten nicht nur einen einzelnen Prüfling korrekt beurteilen, sondern auch während der Serientests eine stabile Taktzeit und konsistente Ergebnisse aufrechterhalten. Mit dem Sequence Mode verbindet OpenTest "Verbindung - Wiedergabe - Erfassung - Analyse - Entscheidung - Speicherung" zu einem standardisierten Workflow und schafft so die Grundlage für automatisierte Tests und Produktionsmanagement.

Abbildung 2: Konfiguration eines Workflows zur Erkennung anomaler Geräusche im OpenTest Sequence Mode

AI Analysis: Erkennung anomaler Geräusche durch Zeit-Frequenz-Rekonstruktion

Bei der Erkennung anomaler Geräusche besteht der Kernnutzen der AI Analysis nicht einfach darin, die Gut/Schlecht-Entscheidung mit oberen und unteren Grenzwerten zu ersetzen. Vielmehr sollen anomale Merkmale in Schallmessdaten identifiziert werden, die traditionelle Grenzlinien im Zeit- oder Frequenzbereich nicht zuverlässig unterscheiden können.

Am Beispiel des AI-Algorithmus zur Erkennung anomaler Geräusche bei TWS-Ohrhörern kann der Algorithmus die ursprüngliche Testaufzeichnung in ein Zeit-Frequenz-Spektrogramm umwandeln. Die ursprüngliche Aufzeichnung enthält sowohl normale Schallmerkmale als auch mögliche anomale Merkmale. Nachdem das Modell mit Daten normaler Produkte trainiert wurde, kann es das Zeit-Frequenz-Spektrogramm rekonstruieren: Normale Merkmale können dabei effektiver wiederhergestellt werden, während anomale Merkmale bei der Rekonstruktion abgeschwächt oder entfernt werden.

Das System kann dann die Unterschiede zwischen dem ursprünglichen und dem rekonstruierten Spektrogramm vergleichen und Merkmale entlang der Zeit- und Frequenzachse zur Beurteilung heranziehen. Bei guten Prüflingen ist der Unterschied zwischen ursprünglichem und rekonstruiertem Spektrogramm relativ gering. Bei fehlerhaften Prüflingen mit anomalen Geräuschen führen anomale Merkmale zu deutlich sichtbareren Unterschieden. Auf Basis dieser Unterschiede kann die AI Analysis eine Gut/Schlecht-Entscheidung ausgeben.

Diese Methode eignet sich für anomale Geräusche, die mit traditionellen Grenzlinien schwer abdeckbar sind, etwa transiente Geräusche, Schleifgeräusche, anomalen Rauschboden, Schwingspulenreiben, Luftleckagen oder lokale Anomalien in bestimmten Frequenzbändern. Für die Erkennung anomaler Geräusche bei Motoren kann ein ähnlicher Ansatz verwendet werden, indem das Betriebsgeräusch in auswertbare Zeit-Frequenz-Merkmale umgewandelt wird, um die Beurteilung von Schleifgeräuschen, Lageranomalien, periodischen anomalen Geräuschen oder Problemen mit elektromagnetischen Geräuschen zu unterstützen.

Abbildung 3: AI Analysis identifiziert anomale Geräusche anhand rekonstruierter Zeit-Frequenz-Spektrogramme

Von manueller Hörprüfung zu AI-Entscheidung: Verbesserung von Konsistenz und Skalierbarkeit

Manuelles Hören ist intuitiv, lässt sich in der Großserienproduktion jedoch nur schwer konsistent halten. Verschiedene Bediener können die Grenze von "anomal" unterschiedlich definieren, und komplexe oder leichte anomale Geräusche können durch Erfahrung und Wahrnehmung beeinflusst werden.

Der Wert der AI-Hörprüfung besteht darin, Probenerfahrung in ein wiederverwendbares, modellbasiertes Urteil zu überführen. Ingenieure können ein Modell aufbauen, indem sie Daten guter Produkte sammeln, und anschließend in späteren Tests mit dem Schritt AI Analysis Gut/Schlecht-Entscheidungen ausgeben. Dies bewahrt die Erfahrung zu Schallmerkmalen aus historischen Prüflingen und macht den Entscheidungsprozess zugleich stärker standardisiert.

Für F&E-Teams hilft dies, Datenerfahrung über verschiedene Prüflinge, Strukturen und Defekttypen hinweg aufzubauen. Für Produktionsteams können so subjektive Unterschiede zwischen manuellen Hörstationen reduziert und die Skalierbarkeit des Prüfprozesses verbessert werden.

AI Analysis sollte nicht als getrennt von der ingenieurtechnischen Beurteilung betrachtet werden. Ingenieure können weiterhin die Original-Audiodaten, den Zeitbereichsverlauf, die Spektrumkurve, das Zeit-Frequenz-Spektrogramm und die AI-Ausgabe überprüfen. Wenn ein anomaler Prüfling auftritt, können die zugehörigen Daten zudem zur Defektlokalisierung und Prozessverbesserung nachverfolgt werden.

Abbildung 4: OpenTest AI Analysis gibt Gut/Schlecht-Entscheidungen für die Erkennung anomaler Geräusche aus

Ergebnisausgabe: Anomale Geräuschbeurteilungen nachvollziehbar machen

Bei F&E-Validierung und Produktionstests benötigt die Erkennung anomaler Geräusche mehr als nur ein einfaches Gut- oder Schlecht-Ergebnis. Das Ergebnis muss zudem überprüfbar und nachvollziehbar sein.

Mit OpenTest können Prüfdaten, Analyseergebnisse, AI-Entscheidungsergebnisse und Prüflingsinformationen in einer gemeinsamen Prüfaufgabe verwaltet werden. Für anomale Prüflinge können Ingenieure die zugehörige Audiodatei, das Spektrumsergebnis, Zeit-Frequenz-Merkmale oder Prüfprotokolle weiter analysieren, um den Zeit- und Frequenzbereich zu lokalisieren, in dem die Anomalie auftritt. Serienergebnisse können zudem den Vergleich von Prüflingen, die Qualitätsverfolgung und eine spätere Prozessoptimierung unterstützen.

Das bedeutet, dass die Erkennung anomaler Geräusche nicht mehr nur davon abhängt, was ein Bediener in einem bestimmten Moment hört. Stattdessen wird sie zu einem überprüfbaren Datensatz. Für Teams, die die akustische Produktqualität kontinuierlich verbessern müssen, ist diese Nachvollziehbarkeit oft wichtiger als ein einzelnes Prüfergebnis.

Abbildung 5: OpenTest-Autospeicherung

Anwendungsszenarien: Von F&E-Validierung bis zur Produktionsselektion

OpenTest Sequence Mode und AI Analysis können in mehreren Szenarien zur Erkennung anomaler Geräusche eingesetzt werden:

• Erkennung anomaler Motorgeräusche: Erkennung von Lageranomalien, Schleifgeräuschen, elektromagnetischen Geräuschen, periodischen anomalen Geräuschen und verwandten Problemen.
• Erkennung anomaler Kopfhörersignale: Erkennung von Brummen, Schleifgeräuschen, Schwingspulenreiben, Luftleckagen, anomalem Rauschboden und verwandten Problemen.
• Erkennung anomaler Lautsprechergeräusche: Erkennung von verzerrungsähnlichen anomalen Geräuschen, Schleifgeräuschen, Montageproblemen, Gehäuseleckagen und verwandten Problemen.
• NVH-Tests von Haushaltsgeräten und vollständigen Produkten: Erkennung anomaler Betriebsgeräusche von Lüftern, Motoren, Kompressoren, Pumpen und ähnlichen Komponenten.
• End-of-Line-Tests in der Produktion: Konfiguration stabiler Workflows als Standardsequenzen zur Reduzierung von Unterschieden bei manuellen Hörprüfungen.
• F&E-Prototypenvergleich: Vergleich der akustischen Leistung verschiedener Strukturen, Materialien und Montagekonzepte.

In diesen Szenarien besteht der Wert von OpenTest nicht nur darin, einen einzelnen Akustiktest durchzuführen. Es hilft Teams, die Erkennung anomaler Geräusche in einen wiederverwendbaren, nachvollziehbaren und skalierbaren Workflow zu überführen.

Die zentrale Herausforderung bei der Erkennung anomaler Geräusche besteht darin, "anomale" Geräusche unter komplexen Betriebsbedingungen und bei großen Prüflingsmengen konsistent zu identifizieren. Traditionelle Grenzwerte und manuelles Hören haben weiterhin ihren Wert, doch für wiederkehrende Prüfungen, Serienscreening und frühe Defekterkennung benötigen Teams stärker standardisierte Workflows und effizientere Datenanalysetools.

Mit dem OpenTest Sequence Mode können Ingenieure Verbindung, Wiedergabe, Erfassung, Analyse, AI-Entscheidung und Ergebnisausgabe als standardisierten Test-Workflow konfigurieren. Mit AI Analysis kann das System auf Basis von Schallmerkmalen Gut/Schlecht-Entscheidungen ausgeben und anomale Änderungen identifizieren, die traditionelle Zeit- oder Frequenzbereichsmethoden möglicherweise nicht durchgängig unterscheiden können.

Für Teams, die TWS-Ohrhörer, Motoren, Lautsprecher und vollständige Produkte testen, bietet dies einen stärker ingenieurorientierten Ansatz zur Erkennung anomaler Geräusche: Datenerfassung über eine stabile Prüfkette, Nutzung der AI Analysis zur Entscheidungsunterstützung, Einsatz standardisierter Sequenzen zur Sicherstellung konsistenter Workflows und Nutzung von Prüfdaten zur späteren Nachverfolgbarkeit und Verbesserung.

Die kostenlose Version von OpenTest ist auf der offiziellen OpenTest-Website verfügbar. Wenn Sie mehr über den OpenTest Sequence Mode, die AI Analysis oder Lösungen zur Erkennung anomaler Geräusche erfahren möchten, füllen Sie bitte das Kontaktformular unten aus.