Detección automatizada de sonidos anómalos con OpenTest Sequence Mode y AI Analysis

En las pruebas de motores, auriculares, altavoces y productos completos, el sonido anómalo a menudo no es simplemente un problema de nivel de presión sonora. Muchos defectos tempranos se presentan como ligeros ruidos de roce, silbidos, zumbidos, ruidos anómalos o cambios en los detalles del espectro. Las pruebas electroacústicas tradicionales y la inspección mediante escucha manual son difíciles de mantener consistentes en pruebas a gran escala. Tomando como ejemplo la inspección con IA por escucha en auriculares TWS, este artículo explica cómo OpenTest Sequence Mode puede conectar adquisición, análisis de señal, AI Analysis, juicio de Aprobado/Rechazado y salida de resultados en un flujo de trabajo automatizado y repetible de detección de sonidos anómalos.

En la validación de I+D y las pruebas de producción de auriculares, motores y productos completos, la detección de sonidos anómalos siempre ha sido un reto típico de ingeniería.

Tomando como ejemplo los auriculares TWS, un enfoque de prueba habitual suele incluir dos partes: primero pruebas electroacústicas tradicionales y después una inspección mediante escucha manual para determinar si existen sonidos anómalos. Las pruebas electroacústicas tradicionales pueden cubrir métricas básicas como la respuesta en frecuencia, la distorsión y el ruido de fondo. A continuación se utiliza la escucha manual para identificar problemas más cercanos a la percepción real de escucha, como zumbidos, ruidos de roce, roce de la bobina móvil, fugas de aire o ruido de fondo anómalo.

Sin embargo, en entornos de producción reales, la escucha manual tiene limitaciones claras. Diferentes operarios pueden tener distinta sensibilidad y criterios de juicio para los sonidos anómalos. El mismo operario también puede verse afectado de forma distinta por la fatiga, el entorno y la experiencia en diferentes momentos. Para sonidos anómalos ligeros, intermitentes o complejos, es difícil que la inspección manual se mantenga consistente a lo largo del tiempo. Además, depende en gran medida de los recursos humanos, lo que dificulta su escalado en la producción en masa.

OpenTest Sequence Mode y AI Analysis proporcionan una vía más estandarizada para este tipo de aplicación. Los ingenieros pueden configurar la conexión del producto, la reproducción de audio, la adquisición de la señal acústica, el análisis de datos, el juicio mediante IA, el guardado de resultados y la generación de informes como una secuencia de prueba estándar. Esto ayuda a que la detección de sonidos anómalos pase de un juicio manual subjetivo a un flujo de trabajo basado en pruebas estandarizadas, análisis de datos y resultados de Aprobado/Rechazado.

Detección de sonidos anómalos: los límites en el dominio temporal y frecuencial no siempre son suficientes

La dificultad de la detección de sonidos anómalos es que los defectos no siempre se manifiestan como una violación clara de una sola métrica.

En las pruebas de auriculares TWS, algunas muestras defectuosas pueden tener curvas en el dominio de la frecuencia que casi se superponen con las de las muestras buenas, lo que dificulta distinguirlas mediante simples líneas de límite superior e inferior. Algunos sonidos anómalos transitorios tampoco llegan a generar diferencias estables y visibles en las formas de onda en el dominio temporal. Es decir, incluso después de revisar el espectro o la forma de onda, los ingenieros pueden seguir enfrentándose a casos en los que las muestras buenas y defectuosas se ven similares en los datos pero suenan diferentes en la realidad.

Problemas similares también pueden darse en motores, ventiladores, compresores y altavoces. Anomalías en rodamientos, ligeros roces, ruido electromagnético, estructuras sueltas o ruidos transitorios pueden aparecer solo bajo condiciones de funcionamiento específicas, dentro de rangos de frecuencia concretos o en ventanas de tiempo muy cortas. Si las pruebas dependen solo de umbrales fijos o de la escucha manual, es posible que se pasen por alto defectos tempranos y que las diferencias entre operarios también den lugar a juicios inconsistentes.

Por lo tanto, es mejor tratar la detección de sonidos anómalos como un flujo de trabajo completo: adquirir el sonido bajo condiciones de prueba estables, extraer características en el dominio temporal, frecuencial o tiempo-frecuencia mediante análisis de señal y utilizar después AI Analysis para respaldar el juicio de Aprobado/Rechazado.

Figura 1: Anomalías no detectables mediante pruebas electroacústicas tradicionales

Configuración de la prueba: crear una cadena de prueba estable para escucha con IA

Para la inspección con IA por escucha en auriculares TWS, el sistema de prueba normalmente debe completar la conexión del producto, la reproducción de audio, la adquisición de la señal acústica y el análisis de datos.

Durante la prueba, el producto se coloca en un útil de prueba o en una caja acústica de apantallamiento. Un adaptador Bluetooth se conecta a los auriculares y los controla para reproducir la fuente de audio especificada. El sonido de salida de los auriculares se capta con un oído artificial o un acoplador acústico y, a continuación, el hardware de adquisición lo convierte en datos de audio para su análisis. OpenTest realiza entonces el análisis de señal y AI Analysis sobre el archivo WAV adquirido o los datos de prueba y genera el resultado de Aprobado/Rechazado.

La clave de este flujo de trabajo son unas condiciones de prueba estables. En la detección de sonidos anómalos basada en IA, el juicio del modelo depende de que los datos de entrada sean comparables. Por lo tanto, la fuente de audio, el método de reproducción, el canal de adquisición, los parámetros de muestreo, la posición del útil, el entorno de prueba y el flujo de procesamiento de datos deben mantenerse constantes. Solo cuando la cadena de prueba frontal es estable, el resultado de AI Analysis puede ser más fiable.

Sequence Mode: configurar la escucha con IA como una tarea de prueba automatizada

En OpenTest, los ingenieros pueden utilizar Sequence Mode para configurar la detección de sonidos anómalos como una tarea de prueba estándar. Para las pruebas de auriculares TWS, una secuencia completa de escucha con IA puede incluir:

• Escanear el producto o leer la información de la muestra
• Controlar la caja de apantallamiento o el útil de prueba
• Conectarse a los auriculares Bluetooth
• Controlar el producto para que reproduzca la fuente de audio especificada
• Adquirir la señal acústica
• Ejecutar el análisis de espectro, el análisis de sonidos anómalos y AI Analysis
• Generar el juicio de Aprobado/Rechazado
• Guardar los datos de prueba y cargar los resultados en el sistema MES

Con Sequence Mode, los operarios no necesitan cambiar manualmente de módulo, reconectar dispositivos ni ejecutar cada paso de análisis uno por uno. Una vez validado el flujo de trabajo, puede reutilizarse en la validación de I+D, el cribado de muestras o las pruebas de producción, reduciendo las diferencias causadas por la operación manual.

Esto es especialmente importante en entornos de producción. La inspección con IA por escucha no solo debe juzgar correctamente una muestra, sino también mantener un tiempo de ciclo estable y una salida consistente durante las pruebas por lotes. Con Sequence Mode, OpenTest conecta "conexión - reproducción - adquisición - análisis - juicio - guardado" en un flujo de trabajo estandarizado, lo que sienta las bases para las pruebas automatizadas y la gestión de la producción.

Figura 2: Configuración de un flujo de trabajo de detección de sonidos anómalos con IA en OpenTest Sequence Mode

AI Analysis: detección de sonidos anómalos mediante reconstrucción tiempo-frecuencia

En la detección de sonidos anómalos, el valor principal de AI Analysis no es simplemente sustituir el juicio por límites superior e inferior. Su objetivo es identificar características anómalas en los datos de sonido que las líneas de límite tradicionales en el dominio temporal o frecuencial pueden no distinguir de forma fiable.

Tomando como ejemplo el algoritmo de sonido anómalo con IA para auriculares TWS, el algoritmo puede convertir la grabación de prueba original en un espectrograma tiempo-frecuencia. La grabación original contiene tanto características de sonido normales como posibles características anómalas. Tras entrenar el modelo con datos de productos normales, este puede reconstruir el espectrograma tiempo-frecuencia: las características normales se restauran de forma más eficaz, mientras que las características anómalas se debilitan o eliminan durante la reconstrucción.

El sistema puede entonces comparar la diferencia entre el espectrograma original y el reconstruido y combinar las características en los ejes temporal y frecuencial para emitir un juicio. En las muestras buenas, la diferencia entre el espectrograma original y el reconstruido es relativamente pequeña. En las muestras defectuosas con sonidos anómalos, las características anómalas provocan diferencias más evidentes. Con base en estas diferencias, AI Analysis puede generar un juicio de Aprobado/Rechazado.

Este método es adecuado para sonidos anómalos que son difíciles de cubrir con líneas de límite tradicionales, como ruidos transitorios, ruidos de roce, ruidos de fondo anómalos, roce de la bobina móvil, fugas de aire o anomalías locales en bandas de frecuencia. Para la detección de sonidos anómalos en motores, también puede utilizarse un enfoque similar convirtiendo el sonido de funcionamiento en características tiempo-frecuencia analizables para respaldar el juicio de problemas de roce, anomalías en rodamientos, ruidos anómalos periódicos o ruidos electromagnéticos.

Figura 3: AI Analysis identifica sonidos anómalos mediante la reconstrucción de espectrogramas tiempo-frecuencia

De la escucha manual al juicio con IA: mejorar la consistencia y la escalabilidad

La escucha manual es intuitiva, pero es difícil mantenerla consistente en la producción a gran escala. Diferentes operarios pueden definir de forma distinta el límite de lo "anómalo", y los sonidos anómalos complejos o ligeros pueden verse afectados por la experiencia y la percepción.

El valor de la inspección con IA por escucha es que puede convertir la experiencia con muestras en juicios reutilizables basados en modelos. Los ingenieros pueden crear un modelo recopilando datos de productos buenos y luego utilizar el paso de AI Analysis para generar juicios de Aprobado/Rechazado en pruebas posteriores. De este modo se conserva la experiencia de las características sonoras de muestras históricas y, al mismo tiempo, se hace que el proceso de juicio sea más estandarizado.

Para los equipos de I+D, esto ayuda a acumular experiencia de datos entre diferentes muestras, estructuras y tipos de defectos. Para los equipos de producción, puede reducir las diferencias subjetivas entre puestos de escucha manual y mejorar la escalabilidad del proceso de prueba.

AI Analysis no debe considerarse separada del juicio de ingeniería. Los ingenieros pueden seguir revisando el audio original, la forma de onda en el dominio temporal, la curva espectral, el espectrograma tiempo-frecuencia y la salida de la IA. Cuando aparece una muestra anómala, los datos correspondientes también pueden rastrearse para localizar el defecto y mejorar el proceso.

Figura 4: AI Analysis de OpenTest genera el juicio de Aprobado/Rechazado para la detección de sonidos anómalos

Salida de resultados: hacer que el juicio sobre sonidos anómalos sea trazable

En la validación de I+D y las pruebas de producción, la detección de sonidos anómalos necesita algo más que un simple resultado de aprobado o rechazado. El resultado también debe poder revisarse y ser trazable.

Con OpenTest, los datos de prueba, los resultados de análisis, los resultados de juicio de IA y la información de la muestra pueden gestionarse en torno a la misma tarea de prueba. Para las muestras anómalas, los ingenieros pueden revisar más a fondo el archivo de audio correspondiente, el resultado del espectro, las características tiempo-frecuencia o los registros de prueba para ubicar el intervalo de tiempo y el rango de frecuencia en el que se produce la anomalía. Los resultados de pruebas por lotes también pueden utilizarse para comparar muestras, hacer seguimiento de la calidad y optimizar el proceso posteriormente.

Esto significa que la detección de sonidos anómalos ya no depende solo de lo que un operario oye en ese momento. En su lugar, se convierte en un registro de datos revisable. Para los equipos que necesitan mejorar continuamente la calidad acústica del producto, esta trazabilidad suele ser más importante que un resultado de prueba individual.

Figura 5: guardado automático de OpenTest

Escenarios de aplicación: de la validación de I+D al cribado en producción

OpenTest Sequence Mode y AI Analysis pueden aplicarse a múltiples escenarios de detección de sonidos anómalos:

• Detección de sonidos anómalos en motores: identificar anomalías en rodamientos, ruidos de roce, ruidos electromagnéticos, sonidos anómalos periódicos y problemas relacionados.
• Detección de sonidos anómalos en auriculares: identificar zumbidos, ruidos de roce, roce de la bobina móvil, fugas de aire, ruidos de fondo anómalos y problemas relacionados.
• Detección de sonidos anómalos en altavoces: identificar sonidos anómalos tipo distorsión, roces, problemas de montaje, fugas en cavidades y problemas relacionados.
• Pruebas NVH de electrodomésticos y productos completos: identificar sonidos de funcionamiento anómalos en ventiladores, motores, compresores, bombas y componentes similares.
• Pruebas de final de línea en producción: configurar flujos de trabajo estables como secuencias estándar para reducir las diferencias en la escucha manual.
• Comparación de prototipos de I+D: comparar el rendimiento acústico entre distintas estructuras, materiales y diseños de montaje.

En estos escenarios, el valor de OpenTest no es solo completar una prueba acústica. Ayuda a los equipos a convertir la detección de sonidos anómalos en un flujo de trabajo reutilizable, trazable y escalable.

El reto principal de la detección de sonidos anómalos es identificar de forma consistente los sonidos "anómalos" en condiciones de funcionamiento complejas y con grandes volúmenes de muestras. Los umbrales tradicionales y la escucha manual siguen teniendo valor, pero en las pruebas repetitivas, el cribado por lotes y la identificación temprana de defectos, los equipos necesitan flujos de trabajo más estandarizados y herramientas de análisis de datos más eficientes.

Con OpenTest Sequence Mode, los ingenieros pueden configurar la conexión, la reproducción, la adquisición, el análisis, el juicio mediante IA y la salida de resultados como un flujo de trabajo de prueba estándar. Con AI Analysis, el sistema puede generar juicios de Aprobado/Rechazado basados en características sonoras y ayudar a identificar cambios anómalos que los métodos tradicionales en el dominio temporal o frecuencial pueden no distinguir de forma consistente.

Para los equipos de pruebas de auriculares TWS, motores, altavoces y productos completos, esto proporciona una vía de detección de sonidos anómalos más orientada a la ingeniería: adquirir datos mediante una cadena de prueba estable, utilizar AI Analysis para respaldar el juicio, emplear secuencias estandarizadas para mantener consistentes los flujos de trabajo y utilizar los registros de prueba para respaldar la trazabilidad y la mejora posteriores.

La versión gratuita de OpenTest está disponible en el sitio web oficial de OpenTest. Para obtener más información sobre OpenTest Sequence Mode, AI Analysis o las soluciones de detección de sonidos anómalos, complete el formulario "Get in Touch" que aparece a continuación.