苏晓晓
点击图片查看原图
异音检测的两种模型： 人工听检的自动化替代技术主要有两类模型，一类是参数驱动模型，另一类是基于人工智能的数据驱动模型。前者通过分析比较找到一个标准参数范围，在范围之内的为正常，在范围之外的为故障，但这样的参数范围却很难选择确定，因为人工听检所依据的判断规则很难用显示的参数来描述；人工智能则可以模拟人的学习和判断过程，通过特定的模型描述那些只能意会却无法言传的判断规则。下图给出了两类模型的比较。
家电异音检测可以按照下图所示的技术途径来实施。按照机器学习的要求，通过传声器和信号采集系统进行声信号样本采集，需要注意的是采集得到的声信号既包含家电的运转声，也包括生产线的环境噪声。采用现有成熟的多种信号处理方法对所测声信号进行预处理，通过分析比较和尝试，组成最佳的信号特征向量，该向量应该能够最大程度反映家电状态信号，同时抑制环境噪声。 常用的信号特征提取方法一般包括时域、频域和时频域三类，时域的典型特征有短时能量和过零率；频域的特征种类繁多，有各种谱分析方法、线性预测系数以及梅尔频率倒谱系数等；时频特征包含短时傅里叶谱和小波谱，时频特征会带来较大的计算量，但却更能完整全面地描述音频信号。
在线异音检测可以说是人工智能技术在家电生产过程中的一个合适应用场景，但要想与家电生产流程真正无缝结合，真正替代人工声检，还需要解决很多技术和管理上的难题，技术难题包括产线节拍匹配、信号采集、环境噪声消除、训练样本选择、合适学习模型确定等，管理难题包括检测规范与标准的制定以及检测流程的重构等，解决这些难题的方法和思路将在后续详细深入讨论。