根据信号特征向量将声信号样本转化为数据集，数据集包括训练集、验证集和集。选择合适的机器学习模型，将数据集应用于机器学习模型进行训练、验证和，通过多次循环，通过优化分析，在数据集的基础上，获取机器学习面向具体工程问题的最优参数，包括最优的特征向量、机器学习算法和异音检测法则，这几个环节可能需要多次循环才能得到最优的参数组合。最后，机器学习得到的分类法需要导入异音在线检测系统，在实际的生产线上进行运行调试，最终在生产线上完成部署。

家电异音检测系统的架构，系统由硬件和软件两部分共同组成了一个不可分割的整体，硬件部分包括测量环境、传感器、采集系统和判别系统，测量环境可以是基本不做改动的原始生产线，也可以是在生产线上设计添加的简易隔声或吸声空间，测量环境的考虑重点是如何减少生产线环境噪声的影响。传感器和采集系统一般要求满足可听声频带的采样要求，对系统的量化精度要求至少采用16位采集系统，能达到24位更好。判别系统一般是采集系统和计算机的结合体，计算机上运行的软件是信号特征提取算法和机器学习模型。 软件部分中的信号测量分析模块主要完成信号的采集和保存，应用信号处理技术，特征提取模块抽取声信号样本特征，构建特征向量和机器学习数据集。机器学习模块实现各种机器学习算法，在特征向量数据集的基础上，完成训练、验证和等环节，最终获得异音判别参数，过程中还包括特征向量和机器学习模型参数的选择与优化。

随着机电自动化技术的进步，家电生产线中许多需要体力劳动的工位逐渐被机械手所代替，但仍有很多非体力工位还离不开人，比如视检和听检工位，不需要人的体力或操作，而要靠人的眼睛和耳朵来判断产品的某项指标是否品质合格，这样的工位就需要人工智能才能很好完成替代。 由于图像处理技术的迅猛发展，视检工位目前已有了很多很好的替代方案，但由于产线上声环境复杂，检测规则难易实现简单的参数化描述，听检工位目前大多还是要靠人工来完成。但是，人工听检存在下图列出的种种问题，已难以满足产线智能化升级的需要。从表中也可以看出，人工听检的缺点正好就是人工智能检测的优势所在。