15.03.2026
Veranstaltung
Forschung
Wie können Maschinen lernen zu hören – und dadurch Produktionsprozesse intelligenter, effizienter und robuster machen? Dieser Frage widmete sich der Technologietag „Audio Intelligence for Production“ am 5. März 2026 in Erfurt. Fach- und Führungskräfte aus Industrie, Mittelstand, Forschung und Politik kamen zusammen, um über das Potenzial akustischer Sensorik und Künstlicher Intelligenz für die industrielle Fertigung zu diskutieren. Die Veranstaltung richtete sich insbesondere an Expertinnen und Experten aus Qualitätssicherung, Schweiß- und Frästechnik, Sensorik, Messtechnik sowie Forschung und Entwicklung – mit einem besonderen Fokus auf die metallverarbeitende Industrie. Die zentrale Botschaft des Tages: Maschinen lernen hören – und dieses Hören wird zum neuen Schlüssel für Qualitätssicherung, Prozessverständnis und Automatisierung.
Audio als neue industrielle Messgröße
In ihrer Eröffnungsrede betonte Thüringens Wirtschaftsministerin Colette Boos-John, dass Technologien wie Audio Intelligence entscheidend für die Wettbewerbsfähigkeit und technologische Souveränität des Industriestandorts seien. Thüringen entwickle sich zunehmend zu einem wichtigen Standort für anwendungsnahe KI-Innovationen.
Aus wissenschaftlicher Perspektive erläuterte Peter Hofmann, Leiter der Gruppe Industrial Media Applications am Fraunhofer IDMT in seinem Eröffnungsvortrag, warum Audio gerade jetzt zu einer relevanten industriellen Datenquelle wird. Fortschritte bei Rechenleistung, KI-Modellen und Datenverfügbarkeit ermöglichen erstmals eine systematische Nutzung akustischer Signale für Produktionsanalysen.
Audio ersetzt dabei keine bestehende Sensorik, sondern ergänzt sie sinnvoll – insbesondere dort, wo klassische Messverfahren an ihre Grenzen stoßen. In Kombination mit weiteren Prozessdaten entstehen robuste multimodale Analysen, die auch für automatisierte oder unbemannte Produktionsumgebungen relevant sind.
Eine zentrale Rolle spielt dabei auch der zunehmende Fachkräftemangel. Akustische KI kann helfen, Erfahrungswissen aus der Produktion zu digitalisieren und rund um die Uhr verfügbar zu machen.
Warum KI-Erfolg bei den Daten beginnt
Dass erfolgreiche KI-Anwendungen maßgeblich von der Datenqualität abhängen, verdeutlichte Datenexperte und KI-Wissenschaftler Sascha Grollmisch vom Fraunhofer IDMT in seinem Vortrag „Kenne. Deine. Daten.“. Wenn KI-Modelle zwar im Labor überzeugen, in der Praxis jedoch scheitern, liegt dies nicht nur am Algorithmus selbst. Eine weitere Ursache sind systematische Datenverzerrungen (Bias). Diese entstehen etwa durch wechselnde Messhardware, unterschiedliche Aufnahmebedingungen oder lückenhafte Datensätze und Prozessdokumentationen.
Ein anschauliches Praxisbeispiel verdeutlicht diese Herausforderung: In einem untersuchten Datensatz führte bereits eine einzelne lockere Schraube im Messaufbau dazu, dass das KI-Modell falsche Zusammenhänge erlernte.
Die zentrale Botschaft lautet daher: KI ist keine Magie – jede Fehlentscheidung hat eine nachvollziehbare Ursache, und die Qualität der Daten entscheidet direkt über die Qualität der KI. Um praxistaugliche Lösungen zu gewährleisten, ist deshalb eine enge Zusammenarbeit zwischen den Domänenexperten aus der Produktion und den KI-Experten zwingend erforderlich.
Wenn Schweißnähte hörbar werden
Im ersten Themenblock des Tages ging es um akustische Qualitätsanalyse in Schweißprozessen. Jörg Hildebrand vom Fachgebiet Fertigungstechnik der Technischen Universität Ilmenau zeigte in seinem Praxisvortrag, wie im Projekt QualiBolS selbst kurze Bolzenschweißprozesse charakteristische Klangsignaturen erzeugen. Diese lassen sich mit KI analysieren und verschiedenen Qualitätsklassen zuordnen – auch dann, wenn Unterschiede für das menschliche Ohr kaum wahrnehmbar sind.
Praxisnah demonstrierte Frank Hartmann von der Alpaka GmbH & Co. KG, wie ein mobiler Schweiß-Cobot akustische Inline-Qualitätskontrolle nutzt. Das Ziel: dem Roboter „ein Ohr geben“. Fehlerhafte Schweißnähte können so in Echtzeit erkannt werden – und die akustischen Daten liefern sogar Hinweise auf mögliche Ursachen.
Wie wichtig eine systematische Datenerfassung ist, erläuterte Joachim Hilsmann von measX GmbH & Co. KG in seinem Beitrag über die Datenerfassung zur akustischen Beurteilung von Industrieprozessen. Neben den Audiodaten selbst spielen Metadaten – etwa Prozessparameter, Werkstückinformationen oder Umgebungsbedingungen – eine zentrale Rolle für aussagekräftige Analysen. MeasX entwickelt dafür spezielle Messhardware, die eine synchrone Erfassung aller relevanten Parameter ermöglicht und so eine präzise Zuordnung der Daten sicherstellt.
Werkzeuge hören – Verschleiß erkennen
Der zweite Themenblock widmete sich der akustischen Überwachung von Zerspanungsprozessen. Katharina Anding, KI-Expertin und ebenfalls Leiterin der Gruppe Industrial Media Applications am Fraunhofer IDMT stellte Ergebnisse aus dem Projekt Fräsamo vor. Sie erläuterte die Chancen der Anwendung von Audio Intelligence in der Fräsproduktion und stellte eine erfolgreiche Vorgehensweise für ein Experimental-Design vor. Anschließend zeigte sie, wie zahlreiche Informationen über den Zustand von Fräswerkzeugen auf Basis von Luftschalldaten, die im Fräsprozess gewonnen wurden, erfasst werden können. So lässt sich der Zustand des Werkzeugverschleißes unter Verwendung eines akustischen KI-Modells mit einer Genauigkeit von rund 95 Prozent erkennen.
Enrico Jakusch von der Drehtechnik Jakusch GmbH berichtete in seinem Vortrag „Prozessbegleitende KI in der Dreh- und Frästechnik“, wie in seinem mittelständischen Unternehmen KI-gestützte Assistenzsysteme bereits helfen, Erfahrungswissen zu digitalisieren und Fertigungsprozesse automatisch zu überwachen. So ist er, so wie viele andere Unternehmer auch, in seinem Unternehmen mit der stetig sinkenden Anzahl von Fachkräften konfrontiert und begegnet dieser Situation erfolgreich mit einer Entlastung der verbliebenen Fachkräfte durch den intelligenten Einsatz von Digitalisierung und Automatisierung in der Produktion. Wichtig ist dabei immer, den Menschen mitzunehmen und ihm beherrschbare Tools an die Hand zu geben.
Auch Frank Seiferth von der Seitec GmbH, einem renommierten Anbieter von ganzheitlichen Automatisierungslösungen, zeigte, wie die Luftschallanalyse als fehlendes Puzzleteil die ganzheitliche Maschinendiagnose ergänzt. Typische Fehlerbilder wie Werkzeugverschleiß, Werkzeugbruch oder Spindellagerschäden lassen sich akustisch identifizieren, insbesondere wenn Luft- und Körperschallsensorik kombiniert werden.
Audio Intelligence jenseits von Fügen und Trennen
Dass akustische KI nicht nur in Produktionshallen eingesetzt werden kann, zeigten die Referenten des dritten Themenblocks. Sebastian Schneider vom Ingenieurbüro Marx Krontal Partner (MKP GmbH) präsentierte in seinem Vortrag Ansätze zur akustischen Zustandsüberwachung von Brücken. Im gemeinsamen Projekt AirBSound mit dem Fraunhofer IDMT untersucht das Team akustische Signale von Brücken, um strukturelle Veränderungen frühzeitig zu erkennen.
Ein weiteres Beispiel lieferte Markus Veltrup vom Fraunhofer-Institut für Fertigungstechnik und Angewandte Materialforschung IFAM. Er präsentierte erste Erfolge bei der akustischen Überwachung von Laser-Abtragprozessen bei vergossenen Bauteilen für Reparatur- und Recyclingprozesse. Mit der intelligenten akustischen Inline-Kontrolle wird Über- oder Unterabtrag erkannt und so eine adaptive Prozessregelung ermöglicht.
In dem abschließenden Praxisvortrag plädierte Christian Schröder von der ds automation GmbH für einen alternativen Ansatz. Sein Fokus liegt auf kompakten, erklärbaren Modellen, die gezielt akustische Merkmale auswerten, statt ausschließlich auf große Datenmengen zu setzen. Der Vorteil: Systeme lassen sich schneller implementieren und sind in industriellen Anwendungen oft robuster und nachvollziehbarer.
Austausch, Workshops und Networking
Neben den Fachvorträgen bot die Veranstaltung zahlreiche Möglichkeiten zum Austausch zwischen Forschung und Industrie. Neben den wertvollen Pausengesprächen, die intensiv für Erfahrungs- und Kontaktdatenaustausch genutzt wurden, diskutierten die Teilnehmenden in zwei Deep-Dive-Workshops, unter welchen Bedingungen sich der Einsatz von KI in der Produktion wirtschaftlich lohnt und worauf bei gutem Datensatz-Design zu achten ist.
Eine zentrale Erkenntnis: Nicht jeder Prozess benötigt künstliche Intelligenz.
Akustische KI ist besonders sinnvoll, wenn:
- der Bauteilwert hoch ist,
- Ausschusskosten relevant sind und
- ausreichend Trainingsdaten in guter Annotationsqualität verfügbar sind.
Sind diese Voraussetzungen nicht gegeben, können klassische Signalverarbeitungsmethoden die bessere Lösung sein.
Bereits am Vorabend nutzten viele Teilnehmende beim gemeinsamen Social Event die Möglichkeit für erste Gespräche und Networking zwischen Industrie, Forschung und Mittelstand. Solche Formate sind ein wichtiger Bestandteil des Technologietags, der gezielt Wissenstransfer und Kooperationen fördern möchte.
Blick nach vorn: Die Arbeitswelt der Zukunft
Den Abschluss bildete die inspirierende Keynote von Frank Eilers, der die Auswirkungen von KI auf Arbeitsprozesse und Organisationsstrukturen beleuchtete. Seine zentrale Botschaft: Unternehmen sollten sich nicht nur auf Effizienz konzentrieren, sondern auf Effektivität – also darauf, die richtigen Probleme zu lösen.
Dabei spiele die Zusammenarbeit zwischen Mensch und KI eine entscheidende Rolle. Aktuell fließen laut Eilers 93 Prozent der Investitionen in Technologie, aber nur sieben Prozent in Menschen – ein Ungleichgewicht, das langfristig korrigiert werden müsse.
Fazit
Der Technologietag machte deutlich: Audio Intelligence ist keine Vision mehr, sondern eine praxisnahe Technologie mit hohem wirtschaftlichem Potenzial. Die positive Botschaft: am erfolgversprechendsten und wirksamsten ist die Nutzung von KI durch gut ausgebildetes Fachpersonal. Sie können das Ressourcen‑Potenzial im Unternehmen optimal heben, wenn Technologie und Fachexperte systematisch zusammengebracht werden.
Besonders für kleine und mittelständische Unternehmen eröffnet Audio Intelligence neue Möglichkeiten, Produktionsprozesse transparenter, effizienter und robuster zu gestalten – häufig sogar durch einfache Nachrüstung bestehender Anlagen.
Der Erfolg solcher Anwendungen hängt dabei von vier Faktoren ab:
- hochwertige und gut strukturierte Daten,
- robuste, erklärbare Modelle,
- datenschutzkonforme Verarbeitung und
- ein klarer wirtschaftlicher Nutzen.
Gleichzeitig bleiben Herausforderungen bestehen – insbesondere bei der Datenqualität, der Verfügbarkeit von Fehlermustern und der Integration in reale Produktionsumgebungen.
(Quelle: Fraunhofer-Institut für Digitale Medientechnologie IDMT)
Schlagworte
AutomatisierungForschungFrästechnikMesstechnikMetallverarbeitende IndustrieMetallverarbeitungQualitätssicherungSchweißenSchweißtechnikSensorik
