In Hinblick auf die Geräuschentwicklung von Fahrzeugkomponenten haben sich die Anforderungen gegenüber denen für Fahrzeuge mit Verbrennungsmotor verschärft. Zum einen entfällt die Maskierung durch den Motor, zum anderen stehen die Entwickler vor der Herausforderung Komponenten komplett neu zu entwickeln, für die keine jahrelange Erfahrung bezüglich der Beeinflussung der Geräuschemission besteht. Hinzu kommt ein immer höherer Komfortanspruch, beispielsweise auf dem Weg zum Automobil als “3rd living space“.

Bild 1: Bei Elektrofahrzeugen haben sich die Anforderungen an die Geräuschentwicklung im Vergleich zum Verbrenner verschärft: es entfällt die Maskierung durch den Motor und es steigt der Anspruch an den Komfort im Auto.

Bild 1: Bei Elektrofahrzeugen haben sich die Anforderungen an die Geräuschentwicklung im Vergleich zum Verbrenner verschärft: es entfällt die Maskierung durch den Motor und es steigt der Anspruch an den Komfort im Auto. Bosch

Entwickler stoßen bei der Entwicklung geräuscharmer Produkte immer häufiger an physikalische Grenzen. Zugleich gewinnt ein unauffälliges Wirken von Fahrzeugkomponenten an Bedeutung. Es ist daher von großem Vorteil beurteilen zu können welche Anteile eines Geräusches für dessen Auffälligkeit verantwortlich sind, um diese gezielt zu reduzieren und damit das Produktgeräusch effizient zu verbessern. Bosch strebt mit Hilfe von Methoden der künstlichen Intelligenz nach effizienterer Geräuschbewertung sowie deren Verwendung im Designprozess.

Bild 2: Methoden der künstlichen Intelligenz sollen Geräuschbewertung und Sound-Design unterstützen. Die Expertise für KI stellt das Bosch Center for Artificial Intelligence bereit.

Bild 2: Methoden der künstlichen Intelligenz sollen Geräuschbewertung und Sound-Design unterstützen. Die Expertise für KI stellt das Bosch Center for Artificial Intelligence bereit. Roland Halbe

Produkte leise zu gestalten, ist nicht immer das erste Ziel. Bei geringen Geschwindigkeiten sind Elektrofahrzeuge und damit die elektrischen Antriebsachsen verhältnismäßig leise und gemäß EU-Verordnung 540/2014 muss bis 20 km/h ein “Acoustic Vehicle Alerting System (AVAS)“ installiert sein. Darüber hinaus ist es erstrebenswert das Produktgeräusch elektrischer Antriebe so zu gestalten, dass diese trotz Konditionierung der Fahrzeugführer auf das Geräuschmuster von Verbrennungsmotoren akzeptiert werden und möglicherweise die Philosophie der Fahrzeughersteller widerspiegeln. Der Eine wünscht vielleicht eher einen kraftvollen Sound, der Nächste strebt einen zuverlässigen Sound an und ein Weiterer vielleicht einen „modernen“ Klang.

Das Sound-Design ist im Fall der Fahrzeugakustik offensichtlich nicht komplett frei wählbar, wie es beispielsweise bei über das Soundsystem zugespielten Klängen der Fall ist. Dementsprechend wird die Art des Sounds maßgeblich durch die konstruktive Gestaltung mitbestimmt: “consequential sound design“.

Soundwahrnehmung verstehen

Für die Bearbeitung der skizzierten Herausforderungen in der Produktentwicklung ist es von essentieller Bedeutung, sowohl störende Geräusche als auch gewünschte Sounds effizient bewerten zu können.  Hierbei ist das Ziel, aufwendige Jurytests oder allgemeine Umfragen mit Hilfe Software-basierter Soundanalysemethoden weitestgehend zu ersetzen und den Prozess dadurch zu beschleunigen.

Im nächsten Schritt wird darauf abgezielt, die Bewertung dieser Algorithmen nachzuvollziehen und schon in der Produktgestaltung proaktiv mit einzubeziehen. So soll die funktionale Komposition eines Fahrzeugs durch eine akustische Komposition ergänzt werden.

In der Folge versprechen sich die Entwickler eine Reduzierung der Entwicklungsaufwände aufgrund effizienter Geräuschreduzierung und Sound-Design. Darüber hinaus wird die Übersetzung von nichttechnischen, akustischen Kundenanforderungen in für die Produktentwickler wichtige technische Anforderungen unterstützt.

Bild 3: Störende Geräusche als auch gewünschte Sounds müssen für die Weiterentwicklung effizient bewertet werden. Dazu verfügt Bosch Engineering über einen Akustik-Rollenprüfstand.

Bild 3: Störende Geräusche als auch gewünschte Sounds müssen für die Weiterentwicklung effizient bewertet werden. Dazu verfügt Bosch Engineering über einen Akustik-Rollenprüfstand. Bosch

Die Herausforderungen sind immens, aber die Voraussetzungen für dieses Unterfangen sind sehr gut. So verfügt Bosch Engineering beispielsweise über einen Akustik-Allrad-Rollenprüfstand (maximale Gesamtleistung 600 kW, Geschwindigkeit bis 250 km/h). Die Expertise zur künstlichen Intelligenz stellt das Bosch Center for Artificial Intelligence (BCAI) bereit.

Soundanalyse durch maschinelle Lernverfahren

Unter Zuhilfenahme von Methoden der künstlichen Intelligenz wird zunächst daran gearbeitet, Sounds automatisiert beurteilen zu können. Dies erfordert die Vorhersage nicht klar definierter menschlicher Wahrnehmungsgrößen, wie dem Klang nach Leistungsfähigkeit oder Zuverlässigkeit eines Fahrzeugs. Vorhandene Ansätze nutzen hierzu unter anderem datenbasierte, lineare Regressionsmodelle auf Basis weniger psychoakustischer Soundmerkmale, wie Klangschärfe oder -rauheit. Dies ermöglicht die Nutzung geringer Datenmengen, schränkt jedoch die Modellklasse sehr stark ein.

Die Verwendung maschineller Lernverfahren kann es ermöglichen, unbekannte Zusammenhänge in Form komplexerer Funktionen auf Basis der bekannten psychoakustischen Soundmerkmale zu erfassen. Darüber hinaus lassen sich auch Abhängigkeiten des rohen Audiosignals modellieren, die derzeit mit klassischen Methoden noch nicht ausreichend beschreibbar sind.

Herausforderungen und Chancen der ML-gestützten Soundanalyse

Software-basierte Soundanalysemethoden nutzt Bosch

Bild 4: Software-basierte Soundanalysemethoden sollen aufwendige Jurytests oder allgemeine Umfragen weitestgehend ersetzen, um die Entwicklung von Sound-Designs dadurch zu beschleunigen. Bosch

Für das Lernen eines Soundanalyse-Modells sind Daten nötig, die das Audiosignal, dessen psychoakustische Soundmerkmale als auch die durch Menschen subjektiv wahrgenommenen Größen als Zielwerte umfasst. Hierbei ist zu beachten, dass sich die subjektive Wahrnehmung der Menschen für dieselben Audiosignale unterscheidet, da sie der jeweilige Habitus, wie zum Beispiel der Kultur, beeinflusst. Im Rahmen einer Teststudie muss daher sichergestellt sein, dass sich die Datenmenge für das gewünschte maschinelle Lernverfahren als auch für die korrekte Abbildung der Unsicherheiten in den Daten und Zielwerten eignet. Zusätzlich lassen sich maschinelle Lernverfahren verwenden, welche mit verrauschten Zielgrößen umgehen können. Aktive Lernmethoden können hierbei unterstützen, indem das Lernverfahren bestimmte Audiosignale zur menschlichen Bewertung vorschlägt, um die Prädiktionsgüte des Modells zu erhöhen.

Das gelernte Modell soll anschließend Verwendung finden, um neue Audiosignale bezüglich der menschlichen Wahrnehmung zu bewerten, welche zuvor in Jurytests nicht evaluiert wurden. Dies erfordert die Generalisierung des Modells auf neue Audiosignale, was durch eine ausreichend diverse Datenmenge und durch die Verwendung von Domänenwissen unterstützbar ist.

Neue Domänen oder Soundtypen einbeziehen

Um die Generalisierung auf neue Domänen oder Soundtypen zu ermöglichen, muss das Modell korrekt bewerten, zu welchem Anteil die Prädiktion allgemein oder produktspezifisch ist. Darüber hinaus sind aktuelle Methoden der Unsicherheitsquantifizierung wertvoll, um Aussagen über die Modell-Prädiktionsgüte sowie Unsicherheiten in den Zielwerten der Daten zu treffen. Eine solche Unsicherheitsquantifizierung könnte ermöglichen, auch den Anteil der Testnutzer zu bestimmen, die diese Wahrnehmung teilen (zum Beispiel 20 Prozent der Nutzer empfinden den Sound als komfortabel), wodurch auch zielgruppenspezifische Auslegungen möglich wären.

Im Sound-Design-Prozess wird das Modell auf Audiosignale angewendet, welche es bewertet. Auf Basis der Vorhersage wird dann eine Änderung des Designs vorgeschlagen, umgesetzt und erneut evaluiert bis das Design den Vorgaben entspricht. Dabei sind erklärbare Modelle von Vorteil, die Rückschlüsse über Zusammenhänge zwischen Audiosignalen oder -merkmalen und Wahrnehmungsgrößen erlauben. Dieses Wissen ermöglicht die Nutzung des Soundanalysemodells hinsichtlich konkreter Optimierungen des Audiosignals sowie des Designs. Hierbei eignet sich die Erfassung weiterer menschlicher Bewertungen in Zwischeniterationen sowohl zur Designoptimierung als auch zur Verbesserung des Soundanalysemodells.