VibroAI - Robuste Schall- und Vibrationsanalysen auf Basis Maschineller Lernverfahren

Innerhalb des Projekts VibroAI wurden (durch das Konsortium aus Renumics GmbH, INTES mbH und dem IPEK – Institut für Produktentwicklung am KIT) erstmalig maschinelle Lernverfahren (ML, auch engl. Machine Learning) eingesetzt, um vibroakustische Messdaten zu verarbeiten, mit Simulationsergebnissen zu vergleichen und Korrekturvorschläge für die Parametrierung der Simulationsmodelle zu generieren. Mithilfe des entwickelten Verfahrens kann der Zeitaufwand zur Validierung und Anpassung von Simulationsmodellen in vielen Automobil- und Maschinenbauanwendungen drastisch reduziert werden. Das entwickelte
Verfahren ist unten schematisch dargestellt.

Initial wird eine Datenbank aufgebaut, die typische Abweichungen in Geometrie- und Material-Parametern sowie das jeweils entsprechende vibroakustische Verhalten beinhaltet. Hierfürkönnen beispielsweise bereits bestehende Messdaten verwendet werden, die in Unternehmenoftmals aus Vorgänger-Projekten verfügbar sind, oder auch Simulationsergebnisse, die automatisiert über Parameter-Variationen generiert werden können. Die Eingabedaten werden durch einen punktbasierten Autoencoder verarbeitet und auf eine komprimierte, maschinenlesbare Repräsentation reduziert.

Im eigentlichen Anwendungsschritt können dann reale Messdaten, z.B. aus End-of-Line-Prüfungen, durch KI-basierte Ähnlichkeitsanalysen mit der zuvor aufgebauten Datenbankverglichen werden. Die KI liefert als Ausgabe diejenigen Datenbankeinträge, die die größte Ähnlichkeit zu den eingegebenen Messdaten aufweisen. Je nach Anwendungsfall können hieraus dann spezifische Erkenntnisse über vorliegende Abweichungen oder Materialfehler im geprüften Bauteil gewonnen werden, oder auch Informationen, wie bestehende Simulationsmodelle bzgl. Geometrie oder Materialparameter angepasst werden müssen, um die entsprechenden Bauteile genauer abbilden zu können.