Treffen Sie uns am Stand der Fraunhofer »Smart Maintenance-Community«
Wir zeigen die Lösung Ihres QS-Problems mit unserer Technologie: KI-basiertes akustisches Monitoring in der Produktion – berührungslos, zerstörungsfrei und standortübergreifend. Das System funktioniert echtzeitnah, auch in anspruchsvollen Umgebungen, erkennt und klassifiziert Zustände anhand von Geräuschen.
Das Exponat zeigt, wie ein KI-basiertes akustisches Überwachungssystem Maschinenzustände analysiert, Fehler erkennt und dabei auf standortübergreifendes Lernen setzt. An jedem Standort des Systems sind identische Maschinen im Einsatz, deren Betriebsgeräusche von einer KI analysiert werden. Die vortrainierten Modelle klassifizieren drei verschiedene Zustände.
Da Fehler selten auftreten, ist die Datenmenge für das KI-Training an einem einzelnen Standort begrenzt. Hier setzt verteiltes Lernen (Federated Learning) an: Statt vertrauliche Audiodaten direkt auszutauschen, teilen die KI-Modelle ausschließlich erlerntes Wissen in Form von Modellparametern. So verbessert sich die Fehlererkennung standortübergreifend, ohne Datensicherheitsrisiken einzugehen.
Der Demonstrator zeigt eine innovative Kombination aus intelligenter akustischer Zustandsüberwachung und verteiltem Lernen – in diesem Beispiel speziell zur Klassifizierung von Motorengeräuschen.
Die Zustandsüberwachung mittels Luftschallanalyse und KI ist für vielerlei Anwendungsfälle in der industriellen Produktion denkbar – sei es zur kontinuierlichen Überwachung von Motoren und Getrieben oder auch zur Überwachung einzelner Fertigungsschritte, wie etwa beim Schweißen von Batteriekästen. Dank der optimalen Auswahl akustischer Sensorik und vortrainierter KI-Modelle können Abweichungen und Fehler auch in lauten Industrieumgebungen zuverlässig erkannt werden.
Mit dieser Technologie werden neue Maßstäbe für die effiziente und sichere KI-gestützte Qualitätssicherung in der Produktion gesetzt – an jedem Standort.
13.00 – 13.30 Uhr / 26.02.2026
Mehr Schall als Rauch - Mit KI und Luftschallanalyse Schweißfehler frühzeitig erkennen
Referentin: Olivia Treuheit, Fraunhofer IDMT
Die vorausschauende Wartung von Schweißanlagen, etwa für das MAG-Schweißen, Rührreibschweißen oder Laserschweißen, stellt hohe Anforderungen an die Entwicklung nichtinvasiver, echtzeitfähiger und präziser Überwachungslösungen. Wenn die in der Praxis häufig eingesetzten, optischen Überwachungsmethoden an ihre Grenzen stoßen, müssen Methoden ergänzt werden, um zuverlässige Maschinen- und Prozessbewertungen vornehmen zu können. Eine effektive Möglichkeit stellt hier die Ergänzung akustischer Sensordaten dar.
Das Fraunhofer IDMT entwickelt hierfür maßgeschneiderte Sensor-Setups zur akustischen Datenerfassung und nutzt patentierte Methoden zur Analyse und Interpretation industrieller Geräuschkulissen – stets unter Berücksichtigung von Datenschutz und Datensicherheit. Die Auswahl des Sensortyps, die Datenvorverarbeitung und die eingesetzten KI-Algorithmen sind für die effiziente Erkennung und Klassifikation von Fehlerbildern und Prozess-Anomalien entscheidend.
Ein aktueller Forschungsschwerpunkt liegt zudem in der Nutzung multimodaler Sensordaten (z. B. Luft- und Körperschalldaten, Maschinendaten, Kameradaten), um selbst hochkomplexe Erkennungsaufgaben zuverlässig zu lösen. Im Rahmen des Vortrags werden KI-basierte intelligente akustische Monitoringverfahren am Beispiel von Schweißverfahren vorgestellt.
Fraunhofer-Institut für Digitale Medientechnologie IDMT