KI-Lärmerkennungssystem / KI-Geräuscherkennungssystem

Ist Ihnen jemals aufgefallen, wie oft Akustiker, Architekten und Ingenieure über die Umgebung sprechen? Nun, der Grund dafür ist, dass sie damit verdeutlichen wollen, wie viele unterschiedliche Faktoren in einem bestimmten Bereich, z. B. der Akustik, eine wichtige Rolle spielen. Unsere akustische Analyse kann viel mehr als nur ein vages quantitatives Gesamtbild liefern. Hier erfahren Sie, wie wir mithilfe von KI einen detaillierten qualitativen Datensatz liefern:

Wir erkennen das Problem

In der Industrieakustik gibt es viele verschiedene Lärmquellen, die oft sowohl im Freien als auch in Innenräumen anzutreffen sind. Zudem ist der aus mehreren Quellen stammende Lärm oft zeitlich variabel (sowohl in Bezug auf den Lärmpegel als auch das Spektrum). Ein Beispiel für die Wellenform des Geräuschpegels ist in Abbildung 1 dargestellt.

 

Abbildung 1.

 

Übermäßiger Lärm und Vibrationen sind ein wachsendes Problem in Arbeitsumgebungen und Arbeitsbereichen wie Industriehallen. Aus diesem Grund gelten für diesen Bereich Vorschriften, die sich mit dieser Art von Problemen befassen. Unternehmen sind gesetzlich verpflichtet, den Empfehlungen und Anforderungen, die in diesen Verordnungen festgelegt sind, nachzukommen. Das Gleiche gilt für die Lärmbelästigung, die in die externe Umgebung gelangt (z. B. Auswirkungen auf Wohngebiete in der Nähe von Industrieanlagen). Die meisten dieser Dokumente setzen bestimmte Grenzwerte (zulässiger Schallpegel, Höchstwerte) für eine Reihe von akustischen Indikatoren fest, die kontrolliert werden müssen, damit der Geräuschpegel an einem bestimmten Kontrollpunkt nicht unzulässig hoch ist. Diese Indikatoren berücksichtigen häufig die menschlichen Höreigenschaften, indem sie psychoakustische Korrekturen für die gemessenen Größen vorsehen.

Diese Akustikindikatoren sind:

• bewerteter äquivalenter Schalldruckpegel,
• bewerteter Spitzenschalldruckpegel,
• bewerteter maximaler Schalldruckpegel.

Wir analysieren die Situation

In der Praxis geht es darum, die akustischen Phänomene zu identifizieren, die für den Gesamtlärm in einem bestimmten Gebiet maßgeblich sind. Damit wir wirksam gegen sie vorgehen können, müssen wir zuerst Antworten auf die folgenden Fragen finden:

Antworten auf die folgenden Fragen finden:
Q1: Was hat die vibroakustische Belastung verursacht?
Q2: Wann ist sie entstanden?
Q3: Wo ist sie aufgetreten?

Die Ereignisidentifizierung besteht darin, einzelne akustische Ereignisse (die in bestimmten Zeiträumen auftreten) der entsprechenden Klasse zuzuordnen (Abbildung 2).

Eine solche Klassifizierung manuell vorzunehmen wäre sehr zeitaufwändig, unpräzise und anfällig für menschliche Fehler.

Abbildung 2.

 

Wir überlassen es daher der KI, sich mit dem Lärm auseinanderzusetzen.

Um diesen Prozess finanziell und zeittechnisch zu verbessern, führen wir bei KFB Acoustics derzeit ein Projekt mit dem Titel „System zur Überwachung und Identifizierung von vibroakustischen Gefahren“ durch.
Das System besteht aus einem Netz von Sensoren (Mikrofone oder Intensitätssonden), die über den untersuchten Bereich verteilt sind, und einem zentralen Datenanalysemodul (MCAD).

Das MCAD ist eine programmtechnische Implementierung aller in diesem Beitrag besprochenen Algorithmen: überwachtes DNN-Lernen (Deep Neural Network), unüberwachter Clusteranalyse-Algorithmus (DBSCAN) und deterministisches DSP (Bestimmung der Tonalität, der Impulsivität, der spektralen Eigenschaften und der Richtung der Ankunftsrichtung der Wellen).
Dank dieser Lösungen können wir nun die drei oben gestellten Fragen beantworten:

F1 kann auf der Grundlage der vom DNN erhaltenen Kennzeichnungen beantwortet werden. Allerdings lassen sich einige spezifische Signale nur mit einer sehr geringen Wahrscheinlichkeit identifizieren. Daher können Informationen über Tonalität, Impulsivität, Richtung der Wellenankunft und spektrale Merkmale die gewonnenen Datensätze erheblich bereichern und dabei helfen, die problematische Schallquelle allein auf der Grundlage dieser deterministischen Merkmale zu identifizieren. Im Allgemeinen können mit mehreren unabhängigen Analysewerkzeugen mehr Rückschlüsse auf die untersuchten Phänomene gezogen werden.

Die Antwort auf F2 wird stets erhalten, da das System in Echtzeit arbeitet und jedem identifizierten Ereignis eine zeitliche Kennzeichnung zuweist.

F3 wird auf der Grundlage von Lokalisierungsalgorithmen beantwortet.

 

Zusammenfassung

Dank der auf künstlicher Intelligenz basierenden Algorithmen wird das System zur Überwachung und Erkennung vibroakustischer Gefahren einen wesentlichen Beitrag dazu leisten, die akustische Analyse auf eine neue Stufe zu heben, indem es Folgendes leistet:

 

• Automatische Identifizierung von akustischen Ereignissen in Echtzeit und kontinuierliche Berichterstattung über erkannte Ereignisse,
• Angabe des unmittelbaren Standorts der Ereignisse,
• Anzeige des genauen Zeitpunkts akustischer Ereignisse.

Dies ist ein wesentlicher Vorteil gegenüber anderen Lösungen wie Mikrofonarrays und Intensitätssonden, bei denen nur die Ankunftsrichtung der akustischen Welle bestimmt werden kann.

Zudem bieten die verfügbaren Alternativen keine automatische Identifizierung der Ereignisse und stellen daher unvollständige Alternativen dar. Die Implementierung des Systems beruht auf einem Netz von intelligenten Sensoren, die nicht nur mit der Zentraleinheit, sondern auch untereinander kommunizieren können.

Die Anwendungsbeispiele umfassen eine Vielzahl von Bereichen, insbesondere: Umweltakustik, Lärm in Industrieanlagen, Überwachung des Betriebs von Maschinen und Geräten.