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。

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。

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。