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。

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。