Einige Defekte an industriellen Maschinen können von Experten aufgrund von akustischen Ereignissen erkannt werden. Durch die bisherigen Erfolge in der Spracherkennung motiviert dies zur Nutzung maschinellen Lernens für industrielle akustische Messungen.Als Beispiel werden hier Messungen an Antrieben von Festo angeführt, deren Dichtungen Leckagen aufweisen. Das Ziel ist es, die Leckage(n) per MEMS-Mikrofon zu erkennen.Da maschinelles Lernen die Messkette um statistische Datenauswertung erweitert, stellt es besondere Anforderungen an das Design of Experiment (DoE) und die Messkette. Bei akustischen Messungen spielen Noise und Clipping eine große Rolle. Es gilt also, einen geschickten Dynamikbereich zu finden und einen sinnvollen Nutzsignalbereich mit ausreichendem Signalrauschabstand (SNR) in den Messsignalen zu suchen.Um physikalisches Clipping zu vermeiden, wurde das Mikrofon in ein Gehäuse mit konischer Einfräsung eingebaut. Außerdem wurde das Gain auf einen Nutzsignalbereich optimiert und die Einzelmessungen wurden entsprechend segmentiert, um Datenhomogenität zu erreichen.Zur Erfüllung der statistischen Anforderungen wurde das DoE per Latin Hypercube Sampling (LHS) durchgeführt. Dazu wurden Daten mit verschiedenen Leckagenstärken, verschiedenen beaufschlagten Drücken und Einstellungen der Drossel aufgezeichnet. Somit werden Robustheit zu unterschiedlichen Druck- und Drosseleinstellungen sowie die Lernbarkeit des Targets (Leckage) ermöglicht. Rauschsignale können für Robustheitstests und weiterführende Vergleiche im Nachhinein eingefügt werden.