檢視 AI人工智能异音检测系统的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=https://p2.itc.cn/images01/20220518/4fd8a6aee76a41ffa7635aa7eeba8c03.png width="310"></center>
<small>[https://www.sohu.com/a/548366902_121319407 来自 搜狐网 的图片]</small>
|}

'''AI人工智能异音检测系统'''[[人工智能]]技术是当今计算机科学领域的研究热点，能够高效完成过去必须由人工完成的复杂任务，在汽车行业向智能制造转变的过程中扮演着举足轻重的作用。基于AI技术的噪声检测系统提供了一种全新的思路来解决这一顽疾，并且符合智能化、数字化转型<ref>[https://www.sohu.com/a/452605529_100076870 什么是数字化？如何理解数字化转型？]，搜狐，2021-02-25</ref>的方向。这套系统实现了从[[信号]]采集、数据存储、数据分析到自我学习全过程的自动化。

==一、案例简介==

AI人工智能异音检测系统实现了从信号采集、数据存储、数据分析到自我学习全过程的[[自动化]]，用于检测产品的性能评判。基于AI（人工智能）技术的噪声检测系统被用于检测车用电动调高器的NVH性能评判。经过2个月测试及验证，该系统的检测效率及准确性远超传统人工检测。该技术的使用提高了人员工作效率，同时，质量控制能力显著提高，客户端PPM下降显著，节约了质量成本。

==二、案例背景介绍==

在过去10年中，随着汽车消费升级，NVH越来越受到各大汽车企业的重视，但传统的检测依然依赖于人工主观评判，而由此带来的人工成本和质量成本极大影响了企业效率。[[传统]]检测方式中企业需要几十名操作人员在专业静音房中全职负责[[噪声]]评判，由于人工辨别而产生的质量问题及客户反馈，以及由此产生的人工等质量成本约数百万元人民币。

另外随着企业业务的不断增加，[[工厂]]接到很多新的项目，对不同项目客户对产品的要求也是不同，为此产品的异音检测标准也有所不同，并且由于产量的增加，需要增设很多静音房来满足工厂的检测需求，需要一笔很大的设备及人员投入。

==三、案例应用详情==

本项目在是实施过程中共分为两各阶段：全自动噪音采集和人工辨别、AI[[人工智能]]
<ref>[https://www.sohu.com/a/244582810_401265 人工智能是什么？人工智能的概念简介] ，搜狐，2018-08-01</ref>自动异音检测，下面就针对两个阶段分别介绍：

===（1）全自动噪音采集和人工辨别阶段===

将原有的产品静音房检测转移到自动噪音收集和检测，通过产线自动声音采集设备和RFID功能结合，对每个产品通过在线收集声音数据，然后再由线边人员逐个听取声音[[数据]]，并做出判断是否产品合格，这样不仅减少了静音房的投资，而且减低了产品检测的CT时间。

===（2）全自动噪声采集设备===

采集设备包含两大部分：工况模拟和信号采集。工况模拟部分主要用于模拟产品在车内的实际工作状态，使得产品测试符合最终客户的需求；信号采集部分则包括高精度加速度传感器、数字信号采集卡等硬件，用于实现噪声信号的高[[质量]]采集；

===（3）数据传输和存储系统===

将自动噪声采集设备采集到的信号以及产品标签等追溯信息进行预处理，使其成为[[标准化]]数据，然后上传至中央服务器中的数据库进行存储。

===（4）人工手动辨别===

工人正在通过“人工评价客户端”[[软件]]，对零件声质量进行在线评判，给出主观判定结果。主观判定结果将作为零件是否合格的重要依据，也是用于AI学习的依据。

===（5）数据分析和AI评断系统===

数据分析和评判系统是这一系统的核心组成部分，其主要功能是对上述原始数据进行自动分析和评判。数据分析和评判是由基于人工智能技术开发的定制化算法来实现的，这套算法能够针对不同客户、不同产品的[[历史]]数据进行分析实现自我学习，最终对现有数据进行评判。算法能够在模仿人类做出判断的同时，避免人类主观因素的干扰，大幅提高质量表现。

====信息系统组成====

信息系统由数据库，服务器端软件，人工评价客户端以及AI评价客户端四个部分组成。

====信息系统整体框架及说明====

（1）EOL：此部分主要指将EOL中的测量数据传输到AI判定引擎的软件。需要有文件[[服务器]]软件提供支持。

（2）AI学习引擎：用于生成AI判定模型，供AI判定引擎使用。数据来源有：1)EOL可以识别的零件，作为主要的学习数据；2)人工判定的零件，作为补充的学习数据。[[工人]]只需将不同类别故障（及合格）的零件放置到对应的不同文件夹下，启动“AI学习”计算，即可生成AI判定模型。

（3）人工判定：针对现有EOL判定的补充，主要针对EOL无法识别的故障。通过人工进行[[判定]]，再输入到AI学习引擎。通过人工对特定文件进行判定，挑出特殊故障的零件数据，再和EOL能够判定的数据一同输入到AI学习引擎。

（4）AI判定引擎：对EOL发来的零件测量数据进行判定，是整个[[系统]]的核心部分。由AI学习引擎提供“AI判定模型”，利用AI判定模型在线自动对零件做出判定结果、传到数据库中，供PLC读取。判定过程完全无需人工干预。

（5）服务器：服务器软件包含测量数据文件的分发、判定结果的管理，设置工作模式等等管理功能。是整个系统的控制中心。服务器端软件是整个系统的控制中心。服务器软件包含测量数据文件的分发、判定[[结果]]的管理，设置工作模式等等管理功能。

（6）产线PLC：此部分主要指从数据库中获取特定零件序列号的判定结果。需要有数据库软件的支持。

====系统运行模型（学习模型&运行模型）====

对于系统[[学习]]模型，通过对数据的收集以及数据科学家模型的不断测试和调整，给出了多套AI模型，每个数据模型通过对切入点的不同，对自动辨别后的产品合格率以及错判率都有所不同，如下为几个AI模型：

数据选择了上万个样品声音数据，每个声音数据超过一万个时间点，其中有97%是人工辨别为合格的样品声音数据，另外3%为不合格品声音数据

经过对多个模型的不断测试和验证，最终选择了其中模型N作为了最佳模型。经过2个月测试及验证，该系统的检测[[效率]]及准确性远超传统人工检测。

==四、创新性与优势==

近几年，随着AI人工智能的不断[[发展]]，基于音频预测领域也正在取得重大进展。其应用领域广泛，实用性强，其检测效率及准确率也远超传统人工检测，随着技术不断成熟，其应用的场景也逐渐增多，如：

1.空调、油烟机、[[洗衣机]]、冰箱等白色家电生产线产品异音智能检测。

2.各类汽车制造企业生产线产品异音智能检测

3.汽车维修企业基于噪音的[[汽车]]产品检测状态

从日常家用电器到汽车行业异音检测系统都得到广泛应用，未来随着AI人工智能异音检测技术的成熟，该项技术也变得越发有[[价值]]，其应用领域也将越发广泛。

==五、案例应用效益分析==

随着基于AI（人工智能）技术的噪声检测系统在企业投入应用，目前人员数量已经从几十人下降至三人，同时，质量控制能力显著提高，客户端PPM显著下降，年经济效益高达数百万[[人民币]]。

在已经实现的噪音精测的基础上，计划2020年做异音检测二期项目，通过该项目将所有产品和产线的异音检测全部切换为人工智能的方式，通过设备的投入使用，企业员工劳动强度降低，提高生产效率，改善[[环境]]，为企业创造良好的铸造环境。

==参考文献==
[[Category:500 社會科學類]]