一.機器學習
人工智能異音檢測的判斷準則通過機器學習方法獲得，在大量樣本的基礎上，通過自動訓練，得到數據驅動模型及相應模型參數，這些構成了異音檢測的判斷準則。機器學習方法是人工智能異音檢測的核心，下面通過與人學習過程的對比，了解一下機器學習的基本原理。
-
人學習的過程：對資料信息進行學習，然后歸納、整理、總結，再反復的復習和練習，最終變成知識和經驗，當遇到類似的問題或者事情的時候，就能做出正確反應，完成任務。
-
機器學習的過程：以大量訓練樣本（比如家電的音頻文件）為基礎，通過特定機器學習算法，得到家電異音檢測模型（該模型為數據驅動模型，類似人學到的知識和經驗），通過測試樣本對模型測試驗證，優化模型參數，直到測試結果達到預期。將訓練完成的異音檢測模型部署到生產線，實現在線實時的異音檢測。
二.異音檢測的探索
在異音檢測的研究探索過程中，主要形成了三種方法，分別是最直接的人工方法，早期的限值方法和當前的人工智能方法，下面簡要介紹三種方法的特點。
-
人工方法：人耳監聽，人工判斷，多數聲檢工位主要采用這種方法，目前亟待進行智能化升級，與產線其他自動模塊組成智能制造完成閉環。
-
限值方法：分析對比異音和正常音的差別，建立一個或者一組參數作為正常范圍的限值，通過限值篩選含有異音的機器。實際使用情況表明，這種方法難以達到人工判定的精度，難以實現真正的無人替代。
-
人工智能方法：在大量音頻樣本基礎上，自動訓練，得到一個數據驅動的異音判定模型。從實際完成的案列來看，已經達到了甚至超過了人工判定精度，能真正實現無人自動化檢測，可與產線其他自動模塊構成智能制造的完整閉環。
三.實現過程從機器學習的過程我們可以看出人工智能異音檢測包含三大部分，這里以壓縮機異音檢測為例進行說明：
-
樣本采集：使用加速度傳感器和數據采集卡獲取壓縮機振動信號，對信號樣本進行數據清洗，去掉不符合要求的樣本，將剩下的樣本作為機器學習的數據集。
-
機器學習：選定合適的機器學習模型，設置初始訓練參數，針對數據集進行訓練，得到異音檢測模型；對模型進行測試驗證，調整模型參數，根據特定目標反復訓練，直至測試結果達到預期。
-
實時檢測：將異音檢測模型部署到生產線，將實時采集的信號樣本輸入檢測模型，在一個產線節拍周期內得到判斷結果，完成在線實時檢測。
四.系統組成人工智能異音檢測系統可以自動判定產品狀態，使用人工智能異音檢測模型，代替專業技術人員的耳朵和大腦。系統可分為硬件和軟件兩部分，具體如下：
-
硬件
1.加速度傳感器：將壓縮機殼體的振動加速度轉化為電信號并輸出。
2.數據采集卡：將加速度傳感器輸出的電信號轉化為電腦可以存儲分析的數字信號并輸出。
3.電腦：存儲、分析采集卡輸出的數字信號。
-
軟件
1.樣本采集程序：標記、記錄、清洗和存儲信號樣本。
2.機器學習程序：訓練異音檢測模型，測試驗證模型準確率。
3.異音檢測程序：應用異音檢測模型，實現在線異音檢測。
-
五.優勢 相比于人工方法和限值方法，人工智能異音檢測的優勢如下。
-
