AI人工智能異音檢測系統

來自 搜狐網 的圖片

AI人工智能異音檢測系統人工智能技術是當今計算機科學領域的研究熱點，能夠高效完成過去必須由人工完成的複雜任務，在汽車行業向智能製造轉變的過程中扮演着舉足輕重的作用。基於AI技術的噪聲檢測系統提供了一種全新的思路來解決這一頑疾，並且符合智能化、數字化轉型的方向。這套系統實現了從信號採集、數據存儲、數據分析到自我學習全過程的自動化。

目錄

一、案例簡介

AI人工智能異音檢測系統實現了從信號採集、數據存儲、數據分析到自我學習全過程的自動化，用於檢測產品的性能評判。基於AI（人工智能）技術的噪聲檢測系統被用於檢測車用電動調高器的NVH性能評判。經過2個月測試及驗證，該系統的檢測效率及準確性遠超傳統人工檢測。該技術的使用提高了人員工作效率，同時，質量控制能力顯著提高，客戶端PPM下降顯著，節約了質量成本。

二、案例背景介紹

在過去10年中，隨着汽車消費升級，NVH越來越受到各大汽車企業的重視，但傳統的檢測依然依賴於人工主觀評判，而由此帶來的人工成本和質量成本極大影響了企業效率。傳統檢測方式中企業需要幾十名操作人員在專業靜音房中全職負責噪聲評判，由於人工辨別而產生的質量問題及客戶反饋，以及由此產生的人工等質量成本約數百萬元人民幣。

另外隨着企業業務的不斷增加，工廠接到很多新的項目，對不同項目客戶對產品的要求也是不同，為此產品的異音檢測標準也有所不同，並且由於產量的增加，需要增設很多靜音房來滿足工廠的檢測需求，需要一筆很大的設備及人員投入。

三、案例應用詳情

本項目在是實施過程中共分為兩各階段：全自動噪音採集和人工辨別、AI人工智能 自動異音檢測，下面就針對兩個階段分別介紹：

（1）全自動噪音採集和人工辨別階段

將原有的產品靜音房檢測轉移到自動噪音收集和檢測，通過產線自動聲音採集設備和RFID功能結合，對每個產品通過在線收集聲音數據，然後再由線邊人員逐個聽取聲音數據，並做出判斷是否產品合格，這樣不僅減少了靜音房的投資，而且減低了產品檢測的CT時間。

（2）全自動噪聲採集設備

採集設備包含兩大部分：工況模擬和信號採集。工況模擬部分主要用於模擬產品在車內的實際工作狀態，使得產品測試符合最終客戶的需求；信號採集部分則包括高精度加速度傳感器、數字信號採集卡等硬件，用於實現噪聲信號的高質量採集；

（3）數據傳輸和存儲系統

將自動噪聲採集設備採集到的信號以及產品標籤等追溯信息進行預處理，使其成為標準化數據，然後上傳至中央服務器中的數據庫進行存儲。

（4）人工手動辨別

工人正在通過「人工評價客戶端」軟件，對零件聲質量進行在線評判，給出主觀判定結果。主觀判定結果將作為零件是否合格的重要依據，也是用於AI學習的依據。

（5）數據分析和AI評斷系統

數據分析和評判系統是這一系統的核心組成部分，其主要功能是對上述原始數據進行自動分析和評判。數據分析和評判是由基於人工智能技術開發的定製化算法來實現的，這套算法能夠針對不同客戶、不同產品的歷史數據進行分析實現自我學習，最終對現有數據進行評判。算法能夠在模仿人類做出判斷的同時，避免人類主觀因素的干擾，大幅提高質量表現。

信息系統組成

信息系統由數據庫，服務器端軟件，人工評價客戶端以及AI評價客戶端四個部分組成。

信息系統整體框架及說明

（1）EOL：此部分主要指將EOL中的測量數據傳輸到AI判定引擎的軟件。需要有文件服務器軟件提供支持。

（2）AI學習引擎：用於生成AI判定模型，供AI判定引擎使用。數據來源有：1)EOL可以識別的零件，作為主要的學習數據；2)人工判定的零件，作為補充的學習數據。工人只需將不同類別故障（及合格）的零件放置到對應的不同文件夾下，啟動「AI學習」計算，即可生成AI判定模型。

（3）人工判定：針對現有EOL判定的補充，主要針對EOL無法識別的故障。通過人工進行判定，再輸入到AI學習引擎。通過人工對特定文件進行判定，挑出特殊故障的零件數據，再和EOL能夠判定的數據一同輸入到AI學習引擎。

（4）AI判定引擎：對EOL發來的零件測量數據進行判定，是整個系統的核心部分。由AI學習引擎提供「AI判定模型」，利用AI判定模型在線自動對零件做出判定結果、傳到數據庫中，供PLC讀取。判定過程完全無需人工干預。

（5）服務器：服務器軟件包含測量數據文件的分發、判定結果的管理，設置工作模式等等管理功能。是整個系統的控制中心。服務器端軟件是整個系統的控制中心。服務器軟件包含測量數據文件的分發、判定結果的管理，設置工作模式等等管理功能。

（6）產線PLC：此部分主要指從數據庫中獲取特定零件序列號的判定結果。需要有數據庫軟件的支持。

系統運行模型（學習模型&運行模型）

對於系統學習模型，通過對數據的收集以及數據科學家模型的不斷測試和調整，給出了多套AI模型，每個數據模型通過對切入點的不同，對自動辨別後的產品合格率以及錯判率都有所不同，如下為幾個AI模型：

數據選擇了上萬個樣品聲音數據，每個聲音數據超過一萬個時間點，其中有97%是人工辨別為合格的樣品聲音數據，另外3%為不合格品聲音數據

經過對多個模型的不斷測試和驗證，最終選擇了其中模型N作為了最佳模型。經過2個月測試及驗證，該系統的檢測效率及準確性遠超傳統人工檢測。

四、創新性與優勢

近幾年，隨着AI人工智能的不斷發展，基於音頻預測領域也正在取得重大進展。其應用領域廣泛，實用性強，其檢測效率及準確率也遠超傳統人工檢測，隨着技術不斷成熟，其應用的場景也逐漸增多，如：

1.空調、油煙機、洗衣機、冰箱等白色家電生產線產品異音智能檢測。

2.各類汽車製造企業生產線產品異音智能檢測

3.汽車維修企業基於噪音的汽車產品檢測狀態

從日常家用電器到汽車行業異音檢測系統都得到廣泛應用，未來隨着AI人工智能異音檢測技術的成熟，該項技術也變得越發有價值，其應用領域也將越發廣泛。

五、案例應用效益分析

隨着基於AI（人工智能）技術的噪聲檢測系統在企業投入應用，目前人員數量已經從幾十人下降至三人，同時，質量控制能力顯著提高，客戶端PPM顯著下降，年經濟效益高達數百萬人民幣。

在已經實現的噪音精測的基礎上，計劃2020年做異音檢測二期項目，通過該項目將所有產品和產線的異音檢測全部切換為人工智能的方式，通過設備的投入使用，企業員工勞動強度降低，提高生產效率，改善環境，為企業創造良好的鑄造環境。