一.机器学习
人工智能异音检测的判断准则通过机器学习方法获得，在大量样本的基础上，通过自动训练，得到数据驱动模型及相应模型参数，这些构成了异音检测的判断准则。机器学习方法是人工智能异音检测的核心，下面通过与人学习过程的对比，了解一下机器学习的基本原理。
-
人学习的过程：对资料信息进行学习，然后归纳、整理、总结，再反复的复习和练习，最终变成知识和经验，当遇到类似的问题或者事情的时候，就能做出正确反应，完成任务。
-
机器学习的过程：以大量训练样本（比如家电的音频文件）为基础，通过特定机器学习算法，得到家电异音检测模型（该模型为数据驱动模型，类似人学到的知识和经验），通过测试样本对模型测试验证，优化模型参数，直到测试结果达到预期。将训练完成的异音检测模型部署到生产线，实现在线实时的异音检测。
二.异音检测的探索
在异音检测的研究探索过程中，主要形成了三种方法，分别是最直接的人工方法，早期的限值方法和当前的人工智能方法，下面简要介绍三种方法的特点。
-
人工方法：人耳监听，人工判断，多数声检工位主要采用这种方法，目前亟待进行智能化升级，与产线其他自动模块组成智能制造完成闭环。
-
限值方法：分析对比异音和正常音的差别，建立一个或者一组参数作为正常范围的限值，通过限值筛选含有异音的机器。实际使用情况表明，这种方法难以达到人工判定的精度，难以实现真正的无人替代。
-
人工智能方法：在大量音频样本基础上，自动训练，得到一个数据驱动的异音判定模型。从实际完成的案列来看，已经达到了甚至超过了人工判定精度，能真正实现无人自动化检测，可与产线其他自动模块构成智能制造的完整闭环。
三.实现过程从机器学习的过程我们可以看出人工智能异音检测包含三大部分，这里以压缩机异音检测为例进行说明：
-
样本采集：使用加速度传感器和数据采集卡获取压缩机振动信号，对信号样本进行数据清洗，去掉不符合要求的样本，将剩下的样本作为机器学习的数据集。
-
机器学习：选定合适的机器学习模型，设置初始训练参数，针对数据集进行训练，得到异音检测模型；对模型进行测试验证，调整模型参数，根据特定目标反复训练，直至测试结果达到预期。
-
实时检测：将异音检测模型部署到生产线，将实时采集的信号样本输入检测模型，在一个产线节拍周期内得到判断结果，完成在线实时检测。
四.系统组成人工智能异音检测系统可以自动判定产品状态，使用人工智能异音检测模型，代替专业技术人员的耳朵和大脑。系统可分为硬件和软件两部分，具体如下：
-
硬件
1.加速度传感器：将压缩机壳体的振动加速度转化为电信号并输出。
2.数据采集卡：将加速度传感器输出的电信号转化为电脑可以存储分析的数字信号并输出。
3.电脑：存储、分析采集卡输出的数字信号。
-
软件
1.样本采集程序：标记、记录、清洗和存储信号样本。
2.机器学习程序：训练异音检测模型，测试验证模型准确率。
3.异音检测程序：应用异音检测模型，实现在线异音检测。
-
五.优势 相比于人工方法和限值方法，人工智能异音检测的优势如下。
-
