Detektion industrieller akustischer Anomalien durch Multi-Domain-Feature-Fusion

Erkennung akustischer Anomalien in lauten Industrieumgebungen

Ausgangslage

Moderne Produktionsumgebungen erzeugen hochkomplexe akustische Bedingungen mit starken Hintergrundgeräuschen. Diese überdecken oft kritische Anomalien wie Fehler im Frühstadium, Leckagen oder unregelmäßiges mechanisches Verhalten. In vielen realen Szenarien treten diese Anomalien bei extrem niedrigen Signal-Rausch-Verhältnissen (SNR, engl. signal-to-noise ratios) auf, was eine zuverlässige Erkennung besonders schwierig macht. Herkömmliche akustische Überwachungsansätze, die in der Regel auf festen Merkmalsdarstellungen oder regelbasierten Schwellenwerten beruhen, können unter solchen Bedingungen ihre Leistungsfähigkeit nicht aufrechterhalten und sind nur begrenzt robust gegenüber Schwankungen bei Maschinen, Sensoren und Betriebsumgebungen.

Multi-Domain-Feature-Fusion für eine robuste Erkennung

Im K-MIAAD-Projekt werden Multi-Domain-Feature-Fusionstechniken erforscht, um diese Herausforderungen zu meistern. Dabei werden komplementäre Informationen aus zeitlichen, spektralen, räumlichen und latenten Darstellungsdomänen kombiniert. Anstatt sich auf einen einzigen akustischen Merkmalsträger oder umfangreiche beschriftete Datensätze zu stützen, untersucht das Projekt datengesteuerte Darstellungen, die von Natur aus robust gegenüber Rauschen und Domänenvariabilität sind. Dazu kombiniert das Projekt adaptive Signalrepräsentationen mit fortschrittlichen Methoden des maschinellen Lernens. So soll die Erkennung von kurzzeitigen und subtilen akustischen Anomalien verbessert werden, die sich mit herkömmlichen Einzeldomänenansätzen nur schwer erfassen lassen.

Grundlagen für eine verallgemeinerbare industrielle Überwachung

K-MIAAD konzentriert sich auf robustes Repräsentationslernen und domänenübergreifende Verallgemeinerung, um einen übertragbaren Rahmen für die industrielle Erkennung akustischer Anomalien zu schaffen. Dieser kann auf verschiedenen Plattformen und in unterschiedlichen Anwendungsszenarien eingesetzt werden. Der Schwerpunkt des Projekts liegt auf forschungsorientierten Lösungen, die unter realistischen industriellen Geräusch- und sich verändernden Betriebsbedingungen wirksam bleiben. Diese Arbeiten legen den Grundstein für zukünftige intelligente Überwachungssysteme, die trotz Störgeräuschen Anomalien in einer Vielzahl von industriellen Kontexten zuverlässig erkennen können.

Entwicklung von lärmresistenten Methoden zum Erlernen akustischer Repräsentationen, einschließlich adaptiver filterbankbasierter Merkmalsextraktion, selbstüberwachter Einbettungen, latenter Raummodellierung und topologiebewusster Merkmalsanalyse, für die industrielle Anomalieerkennung