Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Künstliche Intelligenz: Chance oder Risiko für das Unternehmertum der Zukunft? Kapitel lesen Erstes Kapitel lesen

2023 | OriginalPaper | Buchkapitel

4. KI-basiertes akustisches Monitoring: Herausforderungen und Lösungsansätze für datengetriebene Innovationen auf Basis audiovisueller Analyse

verfasst von : Patrick Aichroth, Judith Liebetrau

Erschienen in: Entrepreneurship der Zukunft

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

KI-basierte audiovisuelle Analyse kann datengetriebene Produkt-, Prozess- und auch Geschäftsmodellinnovationen in verschiedenen Anwendungsbereichen befördern. Allerdings müssen dafür wichtige Herausforderungen bezüglich Datenerhebung, Datenschutz, Datensicherheit, sowie von Erklärbarkeit und iterativer Entwicklung von KI-Modellen adressiert werden. In diesem Kapitel werden die Innovationspotenziale, relevante Probleme und Lösungsansätze am Beispiel von akustischem Monitoring erläutert. Dabei wird deutlich, dass der frühzeitige Einsatz von Verfahren und Technologien für vertrauenswürdige KI, adäquate Entwicklungsmethoden und systematische Evaluationsprozesse entscheidend für einen erfolgreichen Einsatz und die Realisierung der Innovationspotenziale sind.
Verfahren und Komponenten für audiovisuelle Analyse sind Algorithmen, die Informationen aus Bild, Video- und Audiomaterial extrahieren. Sie können in vielen Anwendungsbereichen wichtige Bausteine für datengetriebene Innovationen sein. Einige dieser Innovationen, und in diesem Zusammenhang relevante Herausforderungen und Lösungsansätze, werden in diesem Kapitel exemplarisch anhand des KI-basierten akustischen Monitorings zur Überwachung von Prozessen, Maschinen und Produkten beschrieben.
Das Kapitel gliedert sich in drei Teile:
1.
Definition relevanter Begrifflichkeiten und Beschreibung der Anwendungsbereiche und Potenziale von akustischem Monitoring für datengetriebene Geschäftsmodelle,
 
2.
Erläuterung zentraler Herausforderungen im Kontext von Datenerhebung, Datenschutz, Datensicherheit, Erklärbarkeit, iterativer Entwicklung und Evaluation für die Erschließung der o. g. Potenziale, sowie
 
3.
Zusammenfassung der Ergebnisse und kurzer Ausblick auf relevante Trends.
 

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Einordnung und Rechnungslegung von KI-basierten Geschäftsmodellen bei Start-ups
Nächstes Kapitel Schutz von KI-Trainingsdaten
Fußnoten
1
Frei verfügbare und häufig genutzte Datensets sind zum Beispiel über die Plattformen zenodo (https://​zenodo.​org/​), datahub.io (https://​datahub.​io/​machine-learning), Kaggle (https://​www.​kaggle.​com/​datasets) oder VisualData (https://​visualdata.​io/​discovery) verfügbar.
 
Literatur
Abeßer, J., Loos, A., & Prachi, S. (2022). Construction-sAIt: Multi-modal AI-driven technologies for construction site monitoring. In P. Leistner (Hrsg.), Fortschritte der Akustik – DAGA 2022: 48. Jahrestagung für Akustik (S. 90–93). Berlin.
Abeßer, J., Gourishetti, S., Kátai, A., Clauß, T., Sharma, P., & Liebetrau, J. (2021). IDMT-Traffic: An Open Benchmark Dataset for Acoustic Traffic Monitoring Research. In Proceedings of the 29th European Signal Processing Conference (EUSIPCO), (S. 551–555).
Abeßer, J., Götze, M., Clauß, T., Zapf, D., Kühn, C., Lukashevich, H., Kühnlenz, S., & Mimilakis, S. (2019). Urban Noise Monitoring in the Stadtlärm Project – A Field Report. In Proceedings of the Detection and Classification of Acoustic Scenes and Events 2019 Workshop (DCASE2019). New York: New York University, 25–26 October 2019.
Aichroth, P., Battis, V., Dewes, A., Dibak, C., Doroshenko, V., Geiger, B., Graner, L., Holly, S., Huth, M., Kämpgen, B., Kaulartz, M., Mundt, M., Rapp, H., Steinebach, M., Sushko, Y., Swarat, D., Winter, C., & Weiß, R. (2020). Anonymisierung und Pseudonymisierung von Daten für Projekte des maschinellen Lernens: Eine Handreichung für Unternehmen. BITKOM.
Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garc’ia, S., Gil-L’opez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115.
Balke, S., Driedger, J., Abeßer, J., Dittmar, C., & Müller, M. (2016). Towards evaluating multiple predominant melody annotations in Jazz Recordings. In Proceedings of the 17th International Society for Music Information Retrieval Conference, ISMIR 2016, New York (S. 246–252).
Becker, C., & Mohr, M. (2020). Federated Machine Learning: über Unternehmensgrenzen hinaus aus Produktionsdaten lernen. atp magazin. 62(5), 18–20.
Biedermann, H. (2008). Anlagenmanagement–Managementinstrumente zur Wertsteigerung. TÜV Media.
Biedermann, H. (2014). Anlagenmanagement im Zeitalter von Industrie 4.0 – Handlungsfelder für die industrielle Instandhaltung. In Instandhaltung im Wandel (S. 23–32).
Bittner, F., Gonzalez Rodriguez, M., Richter, M., Lukashevich, H., & Abeßer, J. (2022). Multi-pitch Estimation meets Microphone Mismatch: Applicability of Domain Adaptation. In Proceedings of 23rd International Society for Music Information Retrieval Conference (ISMIR 2022). Bengaluru, 4–8 December 2022.
Bouee, C. E., & Schaible, S. (2015). Die digitale Transformation der Industrie. Roland Berger/BDI.
Cano, E., Plumbley, M., & Dittmar, C. (2014a). Phase-based harmonic/percussive separation. In Proceedings of the Annual Conference of the International Speech Communication Association (INTERSPEECH), Singapore (S. 1628–1632).
Cano, E., Schuller, G., & Dittmar, C. (2014b). Pitch-informed solo and accompaniment separation towards its use in music education applications. EURASIP Journal on Advances in Signal Processing, 1, 1–19.
Carletti, M., Masiero, C., Beghi, A., & Susto, G. A. (2019). Explainable machine learning in industry 4.0: Evaluating feature importance in anomaly detection to enable root cause analysis. In Proceedings of the 2019 IEEE International Conference on Systems, Man and Cybernetics (SMC), Bari (S. 21–26).
Cartwright, M., Seals, A., Salamon, J., Williams, A., Mikloska, S., MacConnell, D., Law, E., Bello, J., & Nov., O. (2017). Seeing sound: Investigating the effects of visualizations and complexity on crowdsourced audio annotations. In Proceedings of the ACM on Human-computer Interaction. Issue CSCW, 1–21.
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection. ACM Computing Surveys (CSUR), 41(3), 1–58.
Chen, H., Liu, Z., Liu, Z., Zhang, P., & Yan, Y. (2019). Integrating the data augmentation scheme with various classifiers for acoustic scene modeling. In Proceedings of the Detection and Classification of Acoustic Scenes and Events Workshop (DCASE), New York (S. 25–26).
Chen, H., Tao, R., Fan, Y., Wang, Y., Wang, J., Schiele, B., Xie, X., Raj, B., & Savvides, M. (2022). SoftMatch: Addressing the Quantity-Quality Tradeoff in Semi-supervised Learning. The Eleventh International Conference on Learning Representations. https://​openreview.​net/​forum?​id=​ymt1zQXBDiF.
Clauß, T., Abeßer, J., Lukashevich, H., Gräfe, R., Häuser, F., Kühn, C., & Sporer, Thomas. (2018). Stadtlärm – A distributed system for noise level measurement and noise source identification in a smart city environment. In B. Seeber (Hrsg.), Fortschritte der Akustik – DAGA 2018: 44. Jahrestagung für Akustik (S. 285–288). München.
Cuccovillo, L., & Aichroth, P. (2016). Open-set microphone classification via blind channel analysis. In Proceedings of the 2016 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Shanghai (S. 2074–2078).
Cuccovillo, L., Mann, S., Aichroth, P., Tagliasacchi, M., & Dittmar, C. (2013a). Blind microphone analysis and stable tone phase analysis for audio tampering detection. In Proceedings of the 135th Audio Engineering Society convention, New York (S. 271–280).
Cuccovillo, L., Mann, S, Tagliasacchi, M., & Aichroth, P. (2013b). Audio tampering detection via microphone classification. In Proceedings of the 2013b IEEE International Workshop on Multimedia Signal Processing (MMSP), Pula (S. 177–182).
DA3KMU. (o. J.). Datenschutz durch statistische Analyse und Adaptive Anonymisierung von personenbezogenen Daten für KMU https://​www.​da3kmu.​de. Zugegriffen: 28. Nov. 2021.
Denkena, B., Dittrich, M., Noske, H., Kramer, K., & Schmidt, M. (2021). Anwendungen des maschinellen Lernens in der Produktion aus Auftrags- und Produktsicht: Ein Überblick. Zeitschrift für wirtschaftlichen Fabrikbetrieb, 116(5), 358–362.
Došilović, F. K., Brčić, M., & Hlupić, N. (2018). Explainable artificial intelligence: A survey. In Proceedings of the 2018 41st International convention on information and communication technology, electronics and microelectronics (MIPRO), Opatija (S. 0210–0215).
Gassmann, O., Frankenberger, K., & Choudury, M. (2020). Geschäftsmodelle entwickeln: 55+ innovative Konzepte mit dem St. Galler Business Model Navigator (3., überarbeitete und erweiterte Edition). Carl Hanser.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B.g, Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. In Proceedings of the 27th International Conference on Neural Information Processing Systems – Volume 2 (NIPS'14) (S. 2672–2680). MIT Press.
Gudivada, V., Apon, A., & Ding, J. (2017). Data quality considerations for big data and machine learning: Going beyond data cleaning and transformations. International Journal on Advances in Software, 10(1), 1–20.
Hartz, C. (2021). Künstliche Intelligenz in der Produktentwicklung im Spannungsfeld zwischen juristischer Perfektion und technischer Machbarkeit. LRZ 2021, Rn. 260–294.
Hennequin, R., Khlif, A., Voituret, F., & Moussallam, M. (2020). Spleeter: A fast and efficient music source separation tool with pre-trained models. Journal of Open Source Software, 5(50), 2154.
Hoffmann, K. (2008). Projektmanagement heute. HMD Praxis der Wirtschaftsinformatik, 45(2), 5–16.
Jo, T. (2021). Machine learning foundations. Springer.
Johnson, D., Kirner, J., Grollmisch, S., & Liebetrau, J. (2020). Compressed Air Leakage Detection Using Acoustic Emissions with Neural Networks. INTER-NOISE and NOISE-CON Congress and Conference Proceedings, 261(1), 5662–5673.
Jones, M. C., Downie, J. S., & Ehmann, A. F. (2007). In Proceedings of the 8th International Conference on Music Information Retrieval (ISMIR 2007), Vienna (S. 539-542).
Kodrasi, I., Goetze, S., & Doclo, S. (2013). Regularization for partial multichannel equalization for speech dereverberation. IEEE Transactions on Audio, Speech and Language Processing, 21(9), 1879–1890.
Kong, Q., Xu, Y., Iqbal, T., Cao, Y., Wang, W., & Plumbley, M.D. (2019). Acoustic Scene Generation with Conditional SampleRNN. In Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Brighton (S. 925–929).
Kouw, W. M., & Loog, M. (2021). A review of domain adaptation without target labels. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(3), 766–785.
Kraus, T., Ganschow, L., Eisenträger, M., & Wischmann, S. (2021). Erklärbare Künstliche Intelligenz – Anforderungen, Anwendungen, Lösungen. Technologieprogramm KI-Innovationswettbewerb des Bundesministeriums für Wirtschaft und Energie/Begleitforschung: Iit-Institut für Innovation und Technik in der VDI/VDE Innovation + Technik GmbH.
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174.
Lei, Y., Yang, B., Jiang, X., Jia, F., Li, N., & Nandi, A. K. (2020). Applications of machine learning to machine fault diagnosis: A review and roadmap. Mechanical Systems and Signal Processing, 138, 106587.
Liang, D., Song, W., & Thomaz, E. (2020). Characterizing the effect of audio degradation on privacy perception and inference performance in audio-based human activity recognition. In Proceedings of the 22nd International Conference on Human-Computer Interaction with Mobile Devices and Services (MobileHCI). Oldenburg, 5–9 October 2020.
Mishra, S., Sturm, B. L., & Dixon, S. (2017). Local interpretable model-agnostic explanations for music content analysis. In Proceedings of the 18th International Society for Music Information Retrieval Conference ISMIR 2017, Suzhou (S. 537–543).
Mitchell, T. (1997). Machine learning. McGraw-Hill.
Montavon, G., Binder, A., Lapuschkin, S., Samek, W., & Müller, K.-R. (2019). Layer-Wise relevance propagation: An overview. In W. Samek, G. Montavon, A. Vedaldi, L. K. Hansen, & K.-R. Müller (Hrsg.), Explainable AI: Interpreting, explaining and visualizing deep learning (S. 193–209). Springer International Publishing. https://​doi.​org/​10.​1007/​978-3-030-28954-6_​10.
Morik, K. (2018). Schlüsseltechnologie Maschinelles Lernen. Digitale Welt, 4, 22–27.
Müller, M. (2015). Fundamentals of music processing: Audio, analysis, algorithms, applications. Springer.
Mun, S., Park, S., Han, D. K., & Ko, H. (2017). Generative adversarial networks based acoustic scene training set augmentation and selection using SVM hyperplane. In Proceedings of the Detection and Classification of Acoustic Scenes and Events Workshop (DCASE). Munich, 16–17 November 2017.
Nikolenko, S. I. (2021). Synthetic data for deep learning. Springer.
Papenfuss, C. (2017). Ist prädiktive Instandhaltung die Killer-App für das Industrial Internet of Things? Industrie 4.0 Management, 33, 57–60.
Patki, N., Wedge, R, & Veeramachaneni, K. (2016). The synthetic data vault. In Proceedings – 3rd IEEE International Conference on Data Science and Advanced Analytics (DSAA), Montreal (S. 399–410).
Piller, F. T. (2000). Mass customization. Deutscher Universitätsverlag.
Purohit, H., Tanabe, R., Ichige, K., Endo, T., Nikaido, Y., Suefusa, K., & Kawaguchi, Y. (2019). MIMII Dataset: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection (public 1.0) [dataset]. Zenodo. https://​doi.​org/​10.​5281/​zenodo.​3384388.
Rammer, C. (2021). Herausforderungen beim Einsatz von Künstlicher Intelligenz, Ergebnisse einer Befragung von jungen und mittelständischen Unternehmen in Deutschland. Mannheim: Bundesministerium für Wirtschaft und Energie (BMWi).
Reichel, J., & Müller, G. (2018). Betriebliche Instandhaltung. J. Haeffs (Hrsg.). Springer.
Samek, W., Montavon, G., Lapuschkin, S., Anders, C. J., & Müller, K. R. (2021). Explaining deep neural networks and beyond: A review of methods and applications. In Proceedings of the IEEE, 109(3), 247–278.
Seifert, I., Bürger, M., Wangler, L., Christmann-Budian, S., Rohde, M., Gabriel, P., & Zinke, G. (2018). Potenziale der Künstlichen Intelligenz im produzierenden Gewerbe in Deutschland: Studie im Auftrag des Bundesministeriums für Wirtschaft und Energie (BMWi). Berlin.
Sohn, K., Berthelot, D., Li, C.-L., Zhang, Z., Carlini, N., Cubuk, E. D., Kurakin, A., Zhang, H., & Raffel, C. (2020). FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence. http://​arxiv.​org/​abs/​2001.​07685.
Stacke, K., Eilertsen, G., Unger, J., & J. & Lundstrom, C. (2021). Measuring domain shift for deep learning in histopathology. IEEE Journal of Biomedical and Health Informatics, 25(2), 325–336.
Stoesser, K. R. (2017). Prozessoptimierung für produzierende Unternehmen. Springer Fachmedien.
Tercan, H., Guajardo, A., & Meisen, T. (2019). Industrial transfer learning: Boosting machine learning in production. In 2019 IEEE 17th International Conference on Industrial Informatics (INDIN), 274–279.
Theissler, A., Pérez-Velázquez, J., Kettelgerdes, M., & Elger, G. (2021). Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry. Reliability engineering & system safety, 215, 107864.
Töpfer, A., & Günther S. (2007). Steigerung des Unternehmenswertes durch Null-Fehler-Qualität als strategisches Ziel: Überblick und Einordnung der Beiträge. In Töpfer A. (Hrsg.), Six Sigma. Springer.
Turian, J., Shier, J., Khan, H., Raj, B., Schuller, B., Steinmetz, C., Malloy, C., Tzanetakis, G., Velarde, G., McNally, K., Henry, M., Pinto, N., Noufi, C., Clough, C., Herremans, D., Fonseca, E., Engel, J., Salamon, J., Esling, P., Manocha, P., Watanabe, S., Jin, Z., & Bisk, Y. (2022). HEAR: Holistic Evaluation of Audio Representations. In Proceedings of Machine Learning Research. Virtual, 13–14 December 2021.
Wang, M., & Deng, W. (2018). Deep visual domain adaptation: A survey. Neurocomputing, 312, 135–153.
Wang, Y. S., Liu, N. N., Guo, H., & Wang, X. L. (2020). An engine-fault-diagnosis system based on sound intensity analysis and wavelet packet pre-processing neural network. Engineering Applications of Artificial Intelligence, 94.
Werner, E. (2009). Wandler für Luftschallmessungen. In M. Möser (Hrsg.), Messtechnik der Akustik (S. 1–53). Springer.
Wong, P. K., Zhong, J., Yang, Z., & Vong, C. M. (2016). Sparse Bayesian extreme learning committee machine for engine simultaneous fault diagnosis. Neurocomputing, 174, 331–343.
Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated machine learning: Concept and applications. ACM Transactions on Intelligent Systems and Technology (TIST). 10(2), Article No. 12.
Zapp, T., Jussen, P., & Kurz, M. (2018). Informations- und Kommunikationstechnologien für die Instandhaltungsplanung und -steuerung. In J. Reichel, G. Müller, & J. Haeffs (Hrsg.), Betriebliche Instandhaltung (S. 205–222). Springer.
Metadaten
Titel
KI-basiertes akustisches Monitoring: Herausforderungen und Lösungsansätze für datengetriebene Innovationen auf Basis audiovisueller Analyse
verfasst von
Patrick Aichroth
Judith Liebetrau
Copyright-Jahr
2023
Buch
Entrepreneurship der Zukunft

Print ISBN: 978-3-658-42059-8

Electronic ISBN: 978-3-658-42060-4

Copyright-Jahr: 2023

DOI
https://doi.org/10.1007/978-3-658-42060-4_4

Premium Partner

    Bildnachweise