Erklärung des Tests auf anomale Geräusche: Prinzip, Methode und Konfiguration

In unserem vorherigen Blogbeitrag Anomalous Sound Detection: From Human Ears to AI haben wir die wichtigsten Schmerzpunkte des manuellen Abhörens erläutert, CRYSOUNDs KI‑basiertes Testverfahren für anomale Geräusche vorgestellt, den Trainingsansatz auf hoher Ebene umrissen und gezeigt, wie sich das System auf einer TWS‑Produktionslinie einsetzen lässt. In diesem Beitrag gehen wir einen Schritt weiter: Wir beleuchten die Analyseprinzipien hinter CRYSOUNDs KI‑Algorithmus für anomale Geräusche genauer, stellen praktische Testaufbauten und Ergebnisse aus realen Anwendungen vor und schließen mit einer vollständigen Konfigurations‑Checkliste ab, mit der Sie Ihre eigene Implementierung planen oder validieren können.

Herausforderungen bei der Anomalieerkennung mit herkömmlichen Algorithmen

In realen Fabriken sind echte Defekte sowohl selten als auch sehr vielfältig, was es schwierig macht, eine umfassende Bibliothek an Mustern anomaler Geräusche für überwachtes Training zu erstellen.

Selbst gut abgestimmte - teils hochgradig kundenspezifische - regelbasierte Algorithmen decken nur selten jede abnormale Signatur ab. Neue Defektarten, feine Variationen und sich verändernde Produktionsbedingungen können außerhalb vordefinierter Schwellwerte oder Merkmals‑Templates liegen und dadurch zu übersehenen Defekten (Escapes) führen.

In der folgenden Abbildung vergleichen wir zwei WAV‑Dateien, die wir manuell erzeugt haben.

Man erkennt, dass herkömmliche Prüfungen - Frequenzgang, THD und ein typischer Rub‑&-Buzz‑Algorithmus (R&B) - den eingespeisten niederpegeligen Geräuschdefekt kaum erfassen können; der Unterschied der Gesamtkurve beträgt nur ca. 0,1 dB. In einem einfachen FFT‑Vergleich zeigen die beiden WAV‑Dateien zwar gewisse Abweichungen, unter realen Produktionsbedingungen kann die Defektenergie jedoch noch geringer sein, sodass sie sehr wahrscheinlich unter die festen Schwellwerte fällt und durchrutscht. Im Gegensatz dazu ist in der Zeit‑Frequenz‑Darstellung die anormale Signatur deutlich sichtbar, da sie als strukturierter Verlauf über die Zeit erscheint und nicht nur als kleine Änderung in einer einzelnen gemittelten Kurve.

Prinzip des KI‑Algorithmus für anomale Geräusche

CRYSOUND schlägt einen Ansatz zur Erkennung anomaler Geräusche vor, der auf einem Deep‑Learning‑Framework basiert und Defekte identifiziert, indem er das Spektrogramm rekonstruiert und misst, was sich nicht gut rekonstruieren lässt. Damit werden zentrale Einschränkungen herkömmlicher regelbasierter Methoden überwunden und es wird prinzipiell eine breitere und systematischere Defektabdeckung ermöglicht - insbesondere für subtile, vielfältige und bislang unbekannte abnormale Signaturen.

Die folgende Abbildung veranschaulicht den Kern‑Workflow unserer Trainings‑ und Inferenz‑Pipeline.

Während des Modelltrainings erstellen wir den Algorithmus gemäß dem folgenden Workflow.

Anwendung und Einsatz des KI‑Algorithmus

Vorbereitung

Bereiten Sie zunächst ein rauscharme Messmikrofon bzw. einen rauscharme Ohrsimulator und ein Mikrofon‑Netzteil vor, um subtile anormale Signaturen erfassen zu können und das Mikrofon stabil mit Spannung zu versorgen.

Als Nächstes benötigen Sie eine Soundkarte, um das Signal aufzuzeichnen und die Daten auf den Host‑PC zu übertragen.

Drittens verwenden Sie eine Vorrichtung oder Positionierhilfe, um das Produkt zu fixieren, sodass die Position wiederholbar ist und jede Aufzeichnung unter konsistenten Bedingungen erfolgt.

Stellen Sie schließlich eine ruhige und stabile akustische Umgebung sicher: Im Labor ist eine schallfreie Kammer ideal; in der Produktionslinie wird typischerweise eine Schallisolationbox verwendet, um Umgebungsgeräusche zu kontrollieren und Messungen konsistent zu halten.

Modellentwicklung

Erstellen Sie zunächst eine Testsequenz in SonoLab, wählen Sie "Deep Learning" aus und übernehmen Sie die Einstellung.

Wählen Sie anschließend das passende KI‑Modul für anomale Geräusche und die zugehörige API aus

Öffnen Sie dann die Einstellungen und legen Sie den Modelltyp sowie die Dateipfade für den Trainingsdatensatz und den Testdatensatz fest.

Klicken Sie auf Train und warten Sie, bis das Modell das Training abgeschlossen hat (die Trainingszeit hängt von der Hardware Ihres PCs ab)

Während des Trainings wechselt die Statusanzeige auf Gelb. Sobald das Training abgeschlossen ist, schaltet sie auf Grün und zeigt die Meldung "Training completed" an.

Legen Sie abschließend Ihre Test‑WAV‑Dateien in den angegebenen Testordner und führen Sie die Sequenz aus. Das Modell startet automatisch und gibt die Analyseergebnisse aus.

Testfall

Systemblockschaltbild

Anlagenteile

Weitere technische Details sind auf Anfrage erhältlich - bitte verwenden Sie dazu das untenstehende Formular "Get in touch". Unser Team kann empfohlene Einstellungen und einen vor Ort angepassten Workflow bereitstellen, der auf Ihre Produktionsbedingungen zugeschnitten ist.