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。

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。