Universell anwendbare datenbasierten Ansätze für Mikrofonarrays in der akustischen Messtechnik

• Antragsteller: Professor Dr.-Ing. Ennes Sarradj
• Fachliche Zuordnung: Akustik
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 439144410

Mikrofonarrayverfahren sind ein wichtiges Werkzeug bei der Identifikation von Lärmquellen und deren Ursachen. Zur Lokalisierung und Quantifizierung von Schallquellen stützen sich etablierte modellbasierte Verfahren mehrheitlich auf physikalische Modelle, was wegen der dabei notwendigen Vereinfachungen zu unzuverlässigen Ergebnissen führen kann. Vermindertes räumliches Auflösungsvermögen bei großen Wellenlängen und sehr hoher Rechenaufwand schränken die Einsatzmöglichkeiten modellbasierter Mikrofonarrayverfahren ein. Eine vielversprechende Alternative stellen datenbasierte Mikrofonarrayverfahren dar, bei denen auch komplizierte Beziehungen zwischen Quellcharakteristika und erfassten Signalen anhand akustischer Trainingsdaten gelernt werden. Das sich daraus ergebende Potential wurde bislang jedoch nicht ausgeschöpft, da überwiegend simulierte Daten für das Training verwendet wurden, was die Verlässlichkeit der Ergebnisse in anspruchsvollen realen Messanwendungen beeinträchtigt. In einfachen Fällen und insbesondere für große Wellenlängen führen datenbasierte Verfahren dennoch zu schnelleren und teilweise genaueren Ergebnissen als konventionelle Verfahren. Allerdings sind bislang veröffentlichte datenbasierte Verfahren in ihrer Anwendbarkeit begrenzt. Änderungen von Eigenschaften des Messaufbaus und der Messumgebung erfordern eine aufwändige Anpassung durch zusätzliches Training. Ziel des Vorhabens ist es, die beim Antragsteller bereits entwickelten datenbasierten Mikrofonarrayverfahren universell anwendbar zu machen, sodass diese weitgehend unabhängig von Messaufbau und Messumgebung einsetzbar sind und verlässliche Charakterisierungsergebnisse erzielt werden. Dazu werden Ansätze untersucht, die bekannte Eigenschaften des Aufbaus oder der Umgebung als zusätzliche Kontextinformation während des Trainings und bei der Lösung berücksichtigen. Daran anknüpfend soll untersucht werden, wie trainierte Modelle mithilfe experimentell gewonnener Daten so angepasst werden können, dass sich die Charakterisierungsergebnisse in realen Messsituationen verbessern und auch solche Situationen erfasst werden können, die nicht Teil des Training waren. So soll erreicht werden, dass neben der universellen Einsetzbarkeit die Verfahren ausreichend robust gegenüber Störeinflüssen werden. Schließlich soll ebenfalls untersucht werden, inwieweit sich bereits trainierte Modelle auf der Grundlage einer einzelnen Messung anpassen und verbessern lassen. Um die angestrebte Generalisierung der Modelle beurteilen zu können, soll außerdem ein Experiment durchgeführt werden, dessen Ergebnisse als Benchmark geeignet sind und offen zugänglich für andere Forschende sind.

• DFG-Verfahren: Sachbeihilfen