[00327273]机器学习技术在家用电器异音检测中的应用

家电运转向外辐射的声信号中包含着家电的运转状态信息，从物理机制上看，主要包括空气动力、机械运转和电磁激励等三种产生机理；从来源上看，家电的组成部件、部件间的相互连接和受运转部件振动。激励的机体结构都会产生声信号，因此，家电运行时产生的声信号包含了多种类型家电运行的多种状态信息，声信号的正常和异常对应家电运转的正常和异常，这样就可以通过聆听声信号对家电的运行状态进行评判，进而检出异常家电，从而保证投入市场家电的质量。
家电产品在线异音检测已成为空调、冰箱以及洗衣机等多种产品生产线上的关键质检环节，但目前家电生产线上的异音检测多是通过人工方式来实施，人工异音检测虽然实施简单，但也存在学习培训时间长、检测标准因人而异、检测结果受疲劳影响以及熟练有经验人员难以获取且容易流失等问题，这些问题随着劳动力成本的上升和有经验技术工人日益匮乏等原因变得越发严重。
我所在的噪声与检测团队近年来一直收集和研究家用电运转时的声信号，力求将机器学习技术应用于家电产品的在线异音检测领域，以实现家电企业智能工厂建设中的检测无人化需求。
此技术通过传声器和信号采集系统进行声信号样本采集，采用现有成熟的多种信号处理方法对所测声信号进行预处理，组成最佳的信号特征向量，该向量应该能够最大程度反映家电状态信号，同时抑制环境噪声。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、验证集和测试集。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、验证和测试，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。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。
其主要的技术路径如下图所示：