KI-basierte Audioanalyse zur feuchtigkeitsgeregelten Trocknung im Tumbler

Abstract

In gewerblichen Trommeltrocknern kann die textile Restfeuchte bisher nur über indirekte Messverfahren erfasst werden. Eine Korrelation mit der textilen Restfeuchte des Wäschepostens ist dabei nur eingeschränkt gegeben. Für eine automatische Trocknungsprozessregelung ist die textile Restfeuchte des Wäschepostens die einzig sinnvolle Regelgröße, da nur diese eine direkte Auskunft über den Trocknungsgrad gibt. Dies war aufgrund fehlender Erfassungsmethoden bisher nicht möglich. Die kontinuierliche Erfassung der textilen Restfeuchte des Wäschepostens ermöglicht eine textilschonende Trocknung bei gleichzeitig reduziertem Wärmeenergiebedarf durch Optimieren der Trocknungsprozessgrößen. Im Forschungsprojekt wurde daher eine KI-basierte Erfassung der Textilfeuchte über Abrollund Fallgeräusche des Wäschepostens für feuchtigkeitsgeregelte textile Trocknungsprozesse im Tumbler ohne zusätzliche Monitore entwickelt. Dies erfolgte erstmalig durch Erfassung der Nutzsignale (Abroll- und Fallgeräusche) über ein in den Tumbler integriertes Audiosystem (Funktionsmuster), bestehend aus an der Trommel installierten Körperschallmikrofonen, zusätzlichen zur Erfassung von Störgeräuschen installierten Körperschallmikrofonen am Außengehäuse des Tumblers sowie einem Luftschallmikrofon für Umgebungsgeräusche. Eine Audiokorrektur auf einem Kleinrechner extrahiert über Subtraktion der Störgeräusche von der Audioaufnahme das Nutzsignal und stellt es dem KNN zur Bestimmung der Textilfeuchte bereit. Nach Analyse der Abroll- und Fallgeräusche in Abhängigkeit von den wesentlichen Prozessparametern des Trocknungsprozesses und den textilspezifischen Eigenschaften der Wäscheteile im Wäscheposten wurde ein KNN zur Audioanalyse der textilen Restfeuchte entwickelt. Das entwickelte KNN besteht aus zwei Faltungsschichten, welche die eingehenden Spektren der korrigierten Nutzsignale entlang des gesamten Frequenz- und Zeitbereichs filtern. Anschließend werden die resultierenden Daten in einen eindimensionalen Vektor umgewandelt und durch fünf vollständig verknüpfte Schichten bis zu einem Restfeuchtewert oder einer Zahl an Restfeuchtekategorien weiterverarbeitet. Es konnte so ein Modell erstellt werden, das eine gute Vorhersagbarkeit für die Restfeuchte bietet und bei Übertragung auf neue Werte weniger als 10 % an Vorhersagegenauigkeit einbüßt. In Untersuchungen unter praxisnahen Bedingungen an einem gewerblichen Tumbler wurden die Audiodaten mit einem integrierten System aus einem Raspberry Pi 4 mit einer Coral Edge TPU und angeschlossenen Körperschallmikrofonen während der Trocknung erfasst. Die dabei angewandte, vereinfachte KI-basierte Vorhersage der Restfeuchte ohne Audiokorrektur mit Klassifizierung in drei Restfeuchtekategorien über das KNN-Modell funktioniert grundsätzlich, wies jedoch durch die fehlende Audiokorrektur und die Datenkompression auf 8-Bit Einschränkungen in der Genauigkeit auf. Trotz fehlender Audiokorrektur konnte eine Vorhersagegenauigkeit von 83,8% vor der Datenkompression erreicht werden. Bei Verwendung eines leistungsstärkeren Kleinrechners kann die Vorhersagewahrscheinlichkeit weiter erhöht werden. Die prinzipielle Eignung der entwickelten KI-basierten Audioanalyse zur kontinuierlichen Erfassung der Restfeuchte wurde damit nachgewiesen. Zur späteren Praxisumsetzung wurden zusätzlich bautechnische Maßnahmen zur Integration von Kontaktmikrofonen und Luftschallmikrofonen in typische Trocknerbauarten entwickelt und Empfehlungen zur Anwendung des entwickelten Audiosystems mit zugehöriger Hard- und Software zur Anwendung der KI-basierten Audioanalyse zum feuchtigkeitsgeregelten Trocknungsprozess erarbeitet. Damit ist eine Regelung ausgewählter Trocknungsparameter auch unter den in Wäschereien herrschenden klimatischen und akustischen Bedingungen möglich. Mit einem leistungsstarken Rechner sind Kommunikation und Datenauswertung möglich. Das Ziel des Forschungsvorhabens wurde erreicht. Datei-Upload durch TIB