Akustische Qualitätskontrolle: Wie Brose mit KI Bauteilfehler von Hallenlärm trennt

Ein einzelnes Klacken kann in der industriellen Fertigung über die Qualität eines Bauteils entscheiden. Doch in einer Halle, in der Metall aufprallt, Roboter surren und Maschinen dröhnen, ist genau dieses kurze Geräusch schwer zu isolieren. Der Automobilzulieferer Brose setzt deshalb auf eine selbst entwickelte, KI-basierte Akustikprüfung, die gelernt hat, Bauteilfehler von Hintergrundgeräuschen zu unterscheiden. Das verspricht deutlich weniger Nacharbeit – und wirft zugleich die Frage auf, wie viel Technik die Qualitätssicherung künftig trägt.

Prüfstationen zwischen Nutzschall und Störgeräusch

In der Serienfertigung gehört die akustische Kontrolle zum festen Repertoire der Qualitätssicherung. Ein Bauteil wird in einer definierten Position fixiert, ein Sensor erfasst das Geräusch, das beim Fügen, Einrasten, Schalten oder Bewegen entsteht. Aus diesem Klangbild lassen sich Rückschlüsse auf die Fertigungsqualität ziehen: Ein einwandfreies Teil klingt anders als eines mit Grat, Riss, falsch sitzendem Innenteil oder einer Abweichung in der Montage.

Damit das Verfahren zuverlässig arbeitet, muss der Störschall beherrscht werden. Akustische Prüfstationen stehen deshalb in schallgedämmten Zellen, die sie gegen Lärm und Vibrationen aus der Umgebung abschirmen. Vollständig dicht ist eine solche Kapsel im laufenden Betrieb jedoch nie. Türen werden geöffnet, Werkstücke laufen auf Fördertechnik ein, in der Nachbarschaft setzt ein Roboter ein Teil ab oder eine Presse arbeitet. Einzelne Geräuschspitzen finden so den Weg bis zum Sensor – und landen im Messsignal.

Pseudo-Fehler: der teure Irrtum im Messsignal

Wird ein solches Fremdgeräusch als Fehlersignatur interpretiert, entsteht ein Pseudo-Fehler. Das Bauteil gilt als auffällig, obwohl es technisch in Ordnung ist. Die Folgen sind aufwendig: Das Teil muss aus dem Prozess genommen, nachgeprüft und je nach Ergebnis wieder eingeschleust werden. Das bindet Personal, verlangsamt den Durchlauf und verursacht Kosten, ohne dass ein realer Mangel vorliegt.

Erschwerend kommt hinzu, dass sich das Problem nicht einfach durch großzügigere Grenzwerte lösen lässt. Wer die Empfindlichkeit einer Prüfstation senkt, um Störgeräusche zu ignorieren, riskiert, echte Abweichungen zu übersehen. Zwischen Fehlalarm und übersehenem Defekt besteht ein Zielkonflikt, der sich mit festen Schwellenwerten kaum auflösen lässt. Genau an dieser Stelle setzt der KI-Ansatz an.

Wie sich ein Mangel vom Hallenlärm unterscheidet

Die Unterscheidung folgt einer Logik, die sich technisch fassen lässt. Ein Mangel erzeugt ein Geräusch, das an einen bestimmten Ablauf gebunden ist: Es entsteht beim Fügen oder Einrasten und wiederholt sich bei jedem Prüfvorgang in ähnlicher Form. Fremdgeräusche aus der Halle gehorchen dagegen keinem Takt. Sie ändern ihre Frequenzanteile, ihre Lautstärke und ihre Lage im Signal und sind damit statistisch schwerer vorhersagbar als der Klang des Bauteils selbst.

Eine KI-basierte Akustikprüfung analysiert die akustischen Signale und lernt, charakteristische Merkmale bestimmter Klangmuster zu erkennen. Sie bewertet nicht nur den Pegel, sondern den zeitlichen und spektralen Aufbau eines Geräuschs. „Ein Defekt im Bauteil äußert sich oft als regelmäßiges Klackern, während Geräusche aus der Produktionshalle unregelmäßig und zufällig auftreten. Unser KI-basiertes System erkennt, ob es sich tatsächlich um eine Abweichung oder Hintergrundlärm handelt. So reduzieren wir bis zu 95 Prozent aller Pseudo-Fehler“, erklärt Alexej Zitzer, Testexperte Fertigungstechnologie bei Brose.

Wie die KI das Hören lernt

Diese Fähigkeit ist nicht angeboren, sondern entsteht durch Trainingsdaten. Akustikexperten kennzeichnen Audiodaten und legen fest, welche Geräusche unkritisch und welche fehlerhaft sind. Aus diesen Beispielen lernt das System, welche Signalmerkmale typisch für einen Mangel sind und welche auf die Umgebung zurückgehen. Auf dieser Basis liefert die KI präzise Informationen, verhindert Pseudo-Fehler und ermöglicht es, Produkte ohne Verzögerung weiter durch den Fertigungsprozess zu leiten.

Das Training ist damit der eigentlich kritische Schritt. Die Trennschärfe des Systems hängt davon ab, wie vielfältig und wie sauber die gekennzeichneten Beispiele sind. Enthält der Trainingsdatensatz kaum seltene Fehlerbilder oder überwiegend Aufnahmen einer bestimmten Hallensituation, fällt die Bewertung in anderen Konstellationen weniger belastbar aus. Fachliche Erfahrung fließt also nicht nur bei der Entwicklung ein, sondern bleibt Teil des Systems: Ohne kundige Kennzeichnung und regelmäßige Nachkontrolle lässt sich ein solches Modell nicht sinnvoll betreiben.

Eigenentwicklung statt Standardlösung

Brose hat das Testsystem selbst entwickelt, um es gezielt auf die eigenen Produktionsprozesse abzustimmen. „Das macht uns unabhängiger, flexibler und stärkt dauerhaft die Qualität und Effizienz unserer Serienfertigung“, betont Zitzer. Der Ansatz hat eine technische und eine organisatorische Seite. Technisch lässt sich das Modell auf die konkreten Bauteile, Werkstoffe und Geräuschkulissen zuschneiden, die im eigenen Werk auftreten. Organisatorisch bleibt die Weiterentwicklung in der eigenen Hand; von den Prioritäten externer Anbieter ist das Unternehmen nicht abhängig.

Dem stehen Anforderungen gegenüber, die eine Eigenentwicklung mit sich bringt. Wer sein Prüfsystem selbst baut, braucht Know-how in Signalverarbeitung und Datenanalyse und muss Modelle pflegen und an geänderte Bauteile oder Werkzeuge anpassen. Diese Aufgaben enden nicht mit der Inbetriebnahme, sondern begleiten den Prozess dauerhaft.

Von der Akustik zur Bildverarbeitung

Die Lösung wurde als globale Plattform konzipiert, die sich an verschiedenen Standorten einsetzen und auf andere Technologien wie etwa die Bildverarbeitung übertragen lässt. Damit ist sie nicht auf ein einzelnes Werk oder ein einzelnes Produkt zugeschnitten. Für ein Unternehmen mit Fertigung an vielen Orten ist das ein wesentlicher Punkt: Ein einmal entwickeltes Verfahren lässt sich ausrollen, vereinheitlichen und schrittweise erweitern, statt an jeder Linie neu zu beginnen.

Die Übertragbarkeit auf die optische Prüfung deutet an, wohin die Entwicklung gehen kann. Akustik und Bildverarbeitung erfassen unterschiedliche Fehlerarten; kombiniert ergeben sie ein vollständigeres Bild eines Bauteils. So kann die Lösung auch künftig mit wachsenden Anforderungen in der Qualitätssicherung Schritt halten – vorausgesetzt, die Datenbasis wächst mit.

Was das für die Fertigung bedeutet

Für den laufenden Betrieb zählt zunächst der unmittelbare Effekt: Weniger Pseudo-Fehler bedeuten weniger Nachprüfungen, kürzere Durchlaufzeiten und eine gleichmäßigere Auslastung der Prüfstationen. Bauteile, die in Ordnung sind, bleiben im Fluss. Kapazität, die zuvor in die Nacharbeit von Fehlalarmen geflossen ist, wird für andere Aufgaben frei. Zugleich kann die Prüfung ihre Empfindlichkeit für echte Abweichungen behalten, weil Störgeräusche nicht mehr über eine pauschale Absenkung der Empfindlichkeit ausgeblendet werden müssen.

Für die Beschäftigten verschiebt sich das Aufgabenspektrum. An die Stelle der routinemäßigen Nachkontrolle treten Tätigkeiten wie das Kennzeichnen von Trainingsdaten, das Bewerten von Grenzfällen und die Pflege des Systems. Brose beschreibt den Einsatz ausdrücklich nicht als Ersatz für menschliche Expertise, sondern als intelligentes Werkzeug, das den entscheidenden Unterschied erkennt. Diese Einordnung ist technisch plausibel: Ein Modell erkennt Muster in Daten, die ihm zuvor erklärt wurden – die fachliche Bewertung, was ein Fehler ist, bleibt beim Menschen.

Grenzen, die im Blick bleiben sollten

Ein lernendes System kennt nur, was es gelernt hat. Treten neue Fehlerbilder auf, ändert sich die Geräuschkulisse durch Umbauten in der Halle oder kommen neue Bauteilvarianten hinzu, muss nachtrainiert werden. Seltene Defekte sind in Trainingsdaten naturgemäß dünn vertreten, was die Erkennung gerade dieser Fälle erschwert. Auch die Entscheidung, wo die Grenze zwischen auffällig und unauffällig verläuft, bleibt eine Setzung: Das Modell liefert Bewertungen, die Schwelle definiert der Betrieb.

Hinzu kommt, dass die KI die physikalischen Grundlagen nicht ersetzt. Schallgedämmte Zellen, eine durchdachte Positionierung der Sensoren und ein sauberer Fertigungsprozess bleiben die Basis, auf der ein solches Verfahren überhaupt funktioniert. Künstliche Intelligenz ist hier kein Ersatz für gute Prüftechnik, sondern deren Verstärkung – ein Werkzeug, das den Unterschied zwischen einem echten Klacken und dem Rauschen der Halle hörbar macht.