Erkennung anomaler Geräusche: Von menschlichen Ohren zu KI

Mit dem rasanten Wachstum von Consumer-Audioprodukten wie Kopfhörern, Lautsprechern und Wearables sind die Erwartungen der Nutzer an "guten Klang" weit über das bloße klare Hören hinausgewachsen. Heute erwarten sie einen Klang, der komfortabel, sauber und frei von zusätzlichem Rascheln, Klicken oder Kratzgeräuschen ist.

In den meisten Fabriken stützt sich die Prüfung auf anomale Geräusche jedoch nach wie vor stark auf das menschliche Gehör. Schichtpläne, subjektive Unterschiede zwischen Bedienern, Ermüdung und emotionaler Zustand wirken sich direkt auf Ihre Ausbeute und Ihren Markenruf aus.

In diesem Artikel sprechen wir auf Basis von CRYSOUNDs realen Projekterfahrungen mit KI-Hörprüfungen für TWS-Ohrhörer darüber, wie Sie KI einsetzen können, um die "menschlichen Ohren" von der Fertigungslinie zu befreien und Hörtests wirklich stabil, effizient und reproduzierbar zu machen.

Warum sind Audio-Hörtests so arbeitsintensiv?

In herkömmlichen Setups folgt die Fertigungslinie in der Regel diesem Muster:

automatischer elektroakustischer Test + manuelle Hör-Nachprüfung.

Die Schmerzpunkte manueller Hörprüfungen sind sehr offensichtlich:

• Starke Subjektivität: Verschiedene Prüfer haben eine unterschiedliche Empfindlichkeit gegenüber Geräuschen wie "Rascheln" oder "Kratzen". Selbst dieselbe Person kann zwischen Früh- und Nachtschicht unterschiedlich urteilen.
• Geringe Skalierbarkeit: Manuelles Hören erfordert hohe Konzentration, und über längere Zeiträume tritt schnell Ermüdung auf. Hohe UPH in der Massenproduktion zu unterstützen, ist schwierig.
• Hohe Schulungskosten: Ein qualifizierter Hörprüfer benötigt systematische Schulung und langjährige Erfahrung; neue Bediener brauchen Zeit, bis sie das nötige Niveau erreichen.
• Schwer nachvollziehbare Ergebnisse: Subjektive Urteile lassen sich nur schwer in quantitative Daten und Historien überführen, was spätere Qualitätsanalysen und Verbesserungen deutlich erschwert.

Deshalb sucht die Branche schon lange nach einer Möglichkeit, diese Arbeit mit Automatisierung und Algorithmen stabiler und wirtschaftlicher zu bewältigen - ohne die Empfindlichkeit des "menschlichen Ohrs" zu opfern.

Von "menschlichen Ohren" zu "KI-Ohren": Der Gesamtansatz von CRYSOUND

CRYSOUNDs Antwort ist eine standardisierte Testplattform rund um das CRYSOUND-System zur Prüfung anomaler Geräusche, kombiniert mit KI-Höralgorithmen und speziellen Vorrichtungen zu einer vollständigen, integrierten Hard‑ und Softwarelösung.

Wesentliche Merkmale der Lösung:

• Standardisierte Mehrzweck-Plattform: Modularer Aufbau, der sowohl konventionelle SPK-Audio-/Geräuschtests als auch Prüfungen auf abnormale Geräusche bzw. KI-Hörtests unterstützt.
• 1-zu-2-Paralleldtests: Ein einziges System kann zwei Ohrhörer gleichzeitig testen. In typischen Projekten kann die UPH etwa 120 Stück erreichen.
• KI-Höranalysemodul: Durch das Sammeln von Gutteil-Daten zum Aufbau eines Modells identifiziert das System automatisch Einheiten mit anomalen Geräuschen und reduziert so die Anzahl manueller Hörprüfplätze erheblich.
• Niedriges Geräuschniveau im Testumfeld: Eine leistungsstarke akustische Kammer in Kombination mit einer Innenbox-Struktur begrenzt den Hintergrundpegel auf etwa 12 dBA und stellt so eine stabile akustische Umgebung für den KI-Algorithmus bereit.

Vereinfacht ausgedrückt lautet die Lösung:

Ein standardisierter Prüftisch + eine spezielle Vorrichtung + ein KI-Höralgorithmus.

Typischer Test-Signalpfad

Ausgehend vom Testrechner sieht die vereinheitlichte "Labor + Produktionslinie"-Kette wie folgt aus:

• PC-Host → CRY576 Bluetooth-Adapter → TWS-Ohrhörer
• Die Ohrhörer geben Schall aus, der vom CRY718-S01-Ohrsimulator erfasst wird
• Das Signal wird vom CRY6151B elektroakustischen Analysator erfasst und ausgewertet
• Die Software ruft das KI-Höralgorithmusmodul auf, analysiert automatisch die WAV-Daten und gibt ein PASS/FAIL-Ergebnis aus

Vorrichtungen und akustische Kammer: Minimierung von Station-zu-Station-Abweichungen

Produktlage und Kopplungsbedingungen bestimmen häufig die Testkonsistenz. Die Lösung verringert Teststreuungen durch die Gestaltung von Vorrichtung und Kammer, um die Testbedingungen so weit wie möglich zu fixieren:

• Vorrichtung: Formnut aus Weichgummi.
• Die Formnut stellt sicher, dass der Ohrhörer immer in derselben Lage an das Kunstohr angelegt wird, wodurch Positionsfehler und Teststreuungen reduziert werden.
• Der Weichgummi verbessert die Abdichtung und verhindert mechanische Beschädigungen der Ohrhörer.
• Akustikbox: Innenbox-Dämpfung und akustische Isolierung.
• Dadurch wird der Einfluss äußerer mechanischer Vibrationen und Umgebungsgeräusche auf die Messergebnisse reduziert.

Akustikhardware in Profi-Qualität (Beispielkonfiguration)

CRY6151B elektroakustischer Analysator

• Frequenzbereich 20-20 kHz, niedriges Eigengeräusch und hoher Dynamikbereich, kombiniert Signalausgang und Messeingang in einem Gerät.

CRY718-S01-Ohrsimulatorset

• Erfüllt die einschlägigen IEC-/ITU-Anforderungen. Unter geeigneten Konfigurationen/Bedingungen kann das Eigengeräusch des Systems das Niveau von 12 dBA erreichen.

CRY725D abgeschirmte akustische Kammer

• Kombiniert HF-Abschirmung und akustische Isolierung und ist auf TWS-Test-Szenarien zugeschnitten.

KI-Algorithmus: Wie unüberwachtes Anomalie-Tracking anomale Geräusche erkennt

Trainingsablauf: Es werden nur "gute" Ohrhörer benötigt

Die KI-Hörlösung von CRYSOUND verwendet einen unüberwachten Algorithmus zur Erkennung anomaler Geräusche. Sein größter Vorteil ist, dass im Vorfeld nicht viele abnormale Muster gesammelt werden müssen - es werden nur normale, gute Einheiten benötigt, um ein Modell zu trainieren, das "guten Klang versteht".

In realen Projekten sind die typischen Schritte wie folgt:

• Bereiten Sie mindestens 100 Gutteile vor. Erfassen Sie unter denselben Bedingungen wie im Massenproduktionstest WAV-Daten dieser 100 Einheiten.
• Trainieren Sie das Modell mit diesen Gutteil-Daten (zum Beispiel 100 Samples von jeweils 10 Sekunden; das Training dauert in der Regel weniger als 1 Minute).
• Verwenden Sie das Modell, um sowohl gute als auch defekte Muster zu testen, vergleichen Sie die Verteilung der Ergebnisse und legen Sie den Entscheidungs-Schwellenwert fest.
• Nach dem Training kann das Modell direkt in der Massenproduktion eingesetzt werden. Die Vorhersagezeit für ein einzelnes Sample liegt unter 0,5 Sekunden.

In diesem Prozess müssen Ingenieure die einzelnen Arten abnormer Geräusche nicht manuell kennzeichnen, was die Hürde für die Einführung des Systems in einem neuen Projekt deutlich senkt.

Prinzip in Kürze: Das Modell rekonstruiert anomale Geräusche zuerst

Grob gesagt arbeitet der Algorithmus in drei Schritten:

Zeit-Frequenz-Umwandlung

• Wandeln Sie die aufgezeichnete Wellenform in ein Zeit-Frequenz-Spektrogramm um (eine Art "Bild des Tons").

Rekonstruktion auf Basis von Deep Learning

• Verwenden Sie das auf "normalen Ohrhörern" trainierte Deep-Learning-Modell, um das Zeit-Frequenz-Spektrogramm zu rekonstruieren.
• Bei normalen Mustern kann das Modell das ursprüngliche Spektrogramm weitgehend "reproduzieren". Bei Mustern mit anomalen Geräuschen lassen sich die anomalen Teile nur schwer rekonstruieren.

Differenzanalyse

• Vergleichen Sie das ursprüngliche Spektrogramm mit dem rekonstruierten und berechnen Sie die Differenz entlang der Zeit- und Frequenzachse, um zwei Differenzkurven zu erhalten.
• Anomale Samples zeigen auf diesen Kurven deutlich ausgeprägte Peaks oder konzentrierte Energiebereiche.

Auf diese Weise passt sich der Algorithmus sehr genau an das "normale" Muster an und reagiert von Natur aus empfindlich auf jede Abweichung davon - ohne dass für jede Art von anomalen Geräuschen ein eigenes Modell aufgebaut werden muss.

In realen Einsätzen wurde dieser Algorithmus bereits in mehr als 10 verschiedenen Projekten verifiziert und erreichte eine Defekterkennungsrate von bis zu 99,9 %.

Praktische Vorteile des KI-Hörens

• Keine Abhängigkeit von anomalen Mustern: Es ist nicht nötig, mit großem Aufwand zahlreiche Beispiele für "Kratz-" oder "elektrische" Geräusche zu sammeln.
• Anpassung an neue Anomalien: Selbst wenn ein neuer Typ anomalen Geräuschs auftritt, der im Training nicht vorhanden war, kann der Algorithmus ihn erkennen, solange er sich deutlich vom Normalmuster unterscheidet.
• Kontinuierliches Lernen: Neue Gutteil-Daten können kontinuierlich ergänzt werden, damit sich das Modell langfristig an kleine Drifts der Linie und der Umgebung anpassen kann.
• Deutlich geringere manuelle Arbeitsbelastung: Anstelle von "alle hören" wechseln Sie zu "KI-Scanning + Stichprobenprüfung in kleinen Losen" und schaffen Freiräume, damit sich Mitarbeitende auf Analysen und Optimierungen mit höherem Mehrwert konzentrieren können.

Typisches Einsatzbeispiel: Praxis auf einer ODM-TWS-Produktionslinie

Auf der TWS-Produktionslinie eines ODM liegt der tägliche Output pro Linie in der Größenordnung von mehreren Tausend Sets. Um die Ausbeute zu verbessern und die Belastung durch manuelle Hörprüfungen zu verringern, wurde die KI-Lösung zur Prüfung anomaler Geräusche eingeführt:

Auf dieser Linie hat die KI-Hörprüfung die ursprünglichen manuellen Höraufgaben im Wesentlichen vollständig übernommen. Dadurch wurde nicht nur der Personalbedarf halbiert, sondern auch das Risiko übersehener Defekte deutlich reduziert - und es stehen belastbare Daten zur Verfügung, um die Lösung künftig auf weitere Linien zu skalieren.

Empfehlungen für den Einsatz: Wie Sie das Potenzial dieser Lösung voll ausschöpfen

Wenn Sie den Einsatz KI-basierter Prüfungen auf anomale Geräusche in Betracht ziehen, können Sie mit den folgenden Aspekten beginnen:

Planen Sie die Mustersammlung so früh wie möglich

• Beginnen Sie bereits in der Muster- und kleinen Pilotphase mit der Sammlung von Gutteil-Wellenformen mit "bestätigt ohne anomale Geräusche", damit Sie später beim KI-Training einen Vorsprung haben.

Umgebungsstörungen minimieren

• Die KI-Hörprüfstation sollte abseits von lauten Anlagen wie Dispensern und Lötmaschinen platziert werden.
• Durch das Abschalten von Alarm-Summern, das Festlegen von Materialwegeführungen, die die Teststationen umgehen, und das Reduzieren von Bodenvibrationen können Sie Fehlalarmraten wirksam senken.

Testbedingungen konsistent halten

• Verwenden Sie in Trainings- und Massenproduktionsphase dieselbe Isolationskammer, dasselbe Kunstohr, dieselben Vorrichtungen und dieselbe Testsequenz, um Modelltransferprobleme durch Umgebungsunterschiede zu vermeiden.

Eine Phase der Mensch-Maschine-Koexistenz einplanen

• In der Anfangsphase können Sie eine Strategie "100 % KI + manuelle Stichproben" wählen und dann schrittweise zu "100 % KI + eine kleine Menge DOA-Nachprüfungen" übergehen, um die mit der Einführung verbundenen Risiken zu minimieren.

Fazit: Tests wieder "auf Daten blicken" lassen und Menschen dort einsetzen, wo sie mehr Wert schaffen

KI-Hörtests sind im Kern ein industrielles Upgrade - weg von erfahrungsbasierter menschlicher Hörprüfung hin zu daten- und algorithmusgetriebener Prüfung.

Mit standardisierten CRYSOUND-Testplattformen, professioneller Akustikhardware, produktspezifischen Vorrichtungen und KI-Algorithmen unterstützt CRYSOUND immer mehr Kunden dabei, zeitaufwendige, arbeitsintensive und subjektive manuelle Hörprüfungen in stabile, quantifizierbare und wiederverwendbare Prozesse zu verwandeln.

Wenn Sie mehr über die Prüfung anomaler Geräusche bei Ohrhörern erfahren möchten, planen, KI-Hörtests auf Ihrer nächsten Fertigungslinie einzusetzen - oder Ihre Prozesse und Prüfziele diskutieren wollen -, nutzen Sie bitte das untenstehende Formular "Kontakt aufnehmen". Unser Team kann empfohlene Einstellungen und einen vor Ort angepassten Workflow bereitstellen, der auf Ihre Produktionsbedingungen zugeschnitten ist.