Fraunhofer-Institut für Digitale Medientechnologie IDMTIm Projekt HybridDigital (Teilvorhaben: Machine Learning-Algorithmen und Ontologien) konnte das Fraunhofer IDMT zeigen, dass akustische Signale wertvolle Informationen über die Qualität und mechanischen Eigenschaften von Hybridwerkstoffen enthalten. Mithilfe von KI-gestützten Analyseverfahren gelang es, die Chargenzugehörigkeit von Bauteilen zu klassifizieren und die Zug-Scherfestigkeit von CFK-Stahl-Hybridverbindungen aus Audiodaten vorherzusagen. Darüber hinaus entwickelte das Institut ein KI-basiertes Langzeitaufnahmesystem für industrielle Versuche sowie Werkzeuge zur Standardisierung und Auswertung großer Akustikdatensätze. Die Ergebnisse schaffen wichtige Grundlagen für die zukünftige zerstörungsfreie Qualitätsbewertung in der industriellen Fertigung.
Ausgangssituation und Relevanz für die Industrie
Leichtbauwerkstoffe und Hybridmaterialien gewinnen in Branchen wie Automobilbau, Luftfahrt und Maschinenbau zunehmend an Bedeutung. Besonders Materialkombinationen aus Faserverbundwerkstoffen und Metallen ermöglichen hohe Festigkeiten bei reduziertem Gewicht. Gleichzeitig steigen die Anforderungen an die Qualitätssicherung dieser komplexen Werkstoffe. Konventionelle Prüfverfahren sind häufig aufwendig, kostenintensiv oder nur stichprobenartig einsetzbar. Das Projekt HybridDigital untersuchte daher neue digitale Ansätze zur Zustands- und Qualitätsbewertung von Hybridwerkstoffen.
Herausforderung
Die größte Herausforderung bestand darin, Zusammenhänge zwischen akustischen Signalen und den mechanischen Eigenschaften der Hybridwerkstoffe zu identifizieren. Während Belastungs- und Alterungsprozesse vielfältige akustische Veränderungen hervorrufen, unterscheiden sich diese häufig von Probe zu Probe. Insbesondere die Vorhersage eines bevorstehenden Bauteilversagens erwies sich als komplex. Die Projektergebnisse zeigen, dass eine allgemeingültige Bruchvorhersage derzeit nur eingeschränkt möglich ist, gleichzeitig aber zahlreiche qualitätsrelevante Informationen in den Audiodaten enthalten sind.
Akustische KI zum Langzeitmonitoring
Die akustische KI bietet die Möglichkeit, Prozesse berührungslos, kontinuierlich und zerstörungsfrei zu überwachen. Im Projekt entwickelte das Fraunhofer IDMT Technologien zur Langzeitaufzeichnung, Datenaufbereitung und KI-basierten Analyse akustischer Messdaten. Durch moderne Verfahren der Merkmalsextraktion, Datenvisualisierung und des maschinellen Lernens konnten Qualitäts- und Festigkeitsmerkmale zuverlässig aus den Audiosignalen abgeleitet werden. Gleichzeitig wurden Methoden entwickelt, um große Datenmengen effizient zu speichern, zu standardisieren und für zukünftige KI-Anwendungen nutzbar zu machen.
Vorteile für Industrie und Forschung
Die Ergebnisse zeigen das Potenzial akustischer KI für eine wirtschaftliche und skalierbare Qualitätssicherung. Unternehmen können Prüfprozesse automatisieren, Qualitätsabweichungen frühzeitig erkennen und wertvolle Informationen über Materialeigenschaften gewinnen, ohne Bauteile zu zerstören. Darüber hinaus entstand eine Daten- und Analyseinfrastruktur, die als Grundlage für weitere industrielle Anwendungen der akustischen Zustandsüberwachung dient. Insbesondere die Arbeiten zu Transfer Learning, Domänenadaption und der Nutzung großer standardisierter Audiodatensätze eröffnen neue Möglichkeiten für die KI-basierte Qualitätsüberwachung in Produktion, Materialentwicklung und Predictive Maintenance.