Zur Funktionsweise der Anwendung: Über Luft- und Körperschallmikrofone werden Schallemissionen von Maschinen während der Produktion erfasst und mithilfe von Machine Learning-Algorithmen ausgewertet. Die Wahrscheinlichkeit, dass ein Prozess fehlerfrei funktioniert, lässt sich dabei derzeit mit einer Genauigkeit von über 93% ermitteln. Der Grad dieser Fehlerwahrscheinlichkeit dient zur Steuerung von Echtzeit-Klangmanipulationen (wie z.B. proportional zur Fehlerwahrscheinlichkeit steigende Temposchwankungen), die unmittelbar auf die während der Arbeit gehörte Musik auswirkt. 

Hierbei geht es nicht nur um Fehlererkennung, sondern um die akustische Darstellung von Maschinenprozessen an sich, d.h. auch optimal funktionierende Prozesse werden klanglich repräsentiert (durch ein nicht-manipuliertes Abspielen der Musik). AARiP bezieht sich dabei auf die zuweilen unterschätzte Bedeutung des „Working Knowledge“ (auch: Implicit oder Tacit Knowledge genannt), sprich die Erfahrung, die Facharbeiter*innen an einer Maschine über die Jahre erwerben. 

Zur Veranschaulichung ein Beispiel aus dem Alltag: auch beim Autofahren achten Fahrer*innen (zumeist unbewusst) auf die Geräusche, die das Fahrzeug von sich gibt. Ein ausbleibendes Geräusch würde diese genauso alarmieren, dass etwas z.B. mit dem Motor nicht stimmt, wie ein für die Situation ungewöhnliches. Wir brauchen das „normale“ Geräusch als Bestätigung, dass alles in Ordnung ist. Dieses Wahrnehmungsphänomen macht sich der Use Case AARiP zunutze. Eine Herausforderung dabei war die Entwicklung eines klanglichen Szenarios, das einerseits informativ ist, andererseits aber auch über lange Zeitspannen von Facharbeiter*innen akzeptiert wird – und im besten Fall motivierend wirkt. 

Für die Zukunft sind zwei weitere akustische Informationsebenen geplant:

• klanglich aufbereitete produktionstechnisch relevante maschinen- und produktionsbezogene Daten und Kennzahlen (Bestand, Reichweite, Rüsten, usw.) sowie 
• drahtlose verbale Kommunikation mit den Mitarbeiter*innen 

Fazit:

• Fehlerwahrscheinlichkeit eines Produktionsprozesses lässt sich auf Basis von Schallemissionen mittels Machine Learning-Algorithmen mit über 93% Genauigkeit in (quasi-) Echtzeit schätzen
• Der Grad der Fehlerwahrscheinlichkeit wird unmittelbar auf die Klangeigenschaften der Musikübertragung via Kopfhörer angewendet und ist von den Anwender*innen klar wahrnehmbar.
• Durch die kontinuierliche Informationsdarstellung nehmen die Facharbeiter*innen Verschlechterungen von Prozessverläufen frühzeitig wahr und können zu einem geeigneten Moment Maßnahmen ergreifen. Stressverursachende Alarmmeldungen können so vermieden werden.
• Facharbeiter*innen können ihre Musik nach Belieben auswählen, d.h. unsere Anwendung dient der Motivationssteigerung mit einem zusätzlichen informativen Mehrwert.
• Weitere Anwendungsgebiete sind der Einsatz in Kontrollräumen und für Trainingszwecke.