Détection automatique des sons anormaux avec le mode séquence OpenTest et l'analyse IA

Dans les tests de moteurs, de casques, de haut-parleurs et de produits finis, le son anormal n'est souvent pas simplement un problème de niveau de pression acoustique. De nombreux défauts précoces se manifestent par un léger bruit de frottement, un sifflement, un bourdonnement, un bruit anormal ou des changements dans les détails spectraux. Les tests électroacoustiques traditionnels et l'écoute manuelle sont difficiles à maintenir cohérents lors de tests à grande échelle. En prenant comme exemple l'inspection d'écoute par IA des écouteurs TWS, cet article explique comment le mode séquence d'OpenTest peut relier acquisition, analyse de signal, analyse IA, jugement conforme/non conforme et sortie des résultats dans un flux de travail automatisé et répétable de détection des sons anormaux.

Dans la validation R&D et les tests de production pour les casques, les moteurs et les produits finis, la détection des sons anormaux a toujours été un défi d'ingénierie typique.

En prenant les écouteurs TWS comme exemple, une approche de test courante comprend généralement deux parties : d'abord un test électroacoustique traditionnel, suivi d'une écoute manuelle pour déterminer si un son anormal est présent. Les tests électroacoustiques traditionnels peuvent couvrir des paramètres de base tels que la réponse en fréquence, la distorsion et le bruit de fond. L'écoute manuelle est ensuite utilisée pour identifier les problèmes plus proches de la perception réelle à l'écoute, tels que le bourdonnement, le bruit de frottement, le frottement de bobine mobile, les fuites d'air ou un bruit de fond anormal.

Cependant, dans les environnements de production réels, l'écoute manuelle présente des limites évidentes. Différents opérateurs peuvent avoir une sensibilité et des critères de jugement différents pour les sons anormaux. Un même opérateur peut également être affecté à différents moments par la fatigue, l'environnement et son expérience. Pour des sons anormaux légers, intermittents ou complexes, il est difficile de maintenir la cohérence de l'inspection manuelle dans le temps. Elle dépend aussi fortement des ressources humaines, ce qui rend difficile la mise à l'échelle en production de masse.

Le mode séquence et l'analyse IA d'OpenTest offrent une voie plus standardisée pour ce type d'application. Les ingénieurs peuvent configurer la connexion du produit, la lecture audio, l'acquisition du signal acoustique, l'analyse des données, le jugement par IA, l'enregistrement des résultats et la génération de rapports en tant que séquence de test standard. Cela aide la détection des sons anormaux à évoluer d'un jugement manuel subjectif vers un flux de travail basé sur des tests standardisés, l'analyse de données et des résultats conforme/non conforme.

Détection des sons anormaux : les limites temporelles et fréquentielles ne suffisent pas toujours

La difficulté de la détection des sons anormaux vient du fait que les défauts ne se manifestent pas toujours par une violation claire d'un seul indicateur.

Dans les tests d'écouteurs TWS, certains échantillons défectueux peuvent présenter des courbes fréquentielles presque superposées à celles des bons échantillons, ce qui les rend difficiles à distinguer à l'aide de simples lignes limites supérieures et inférieures. Certains sons anormaux transitoires peuvent également ne pas créer de différences stables et visibles dans les formes d'onde temporelles. Autrement dit, même après une analyse spectrale ou un examen des formes d'onde, les ingénieurs peuvent encore être confrontés à des cas où les bons échantillons et les échantillons défectueux se ressemblent dans les données mais sonnent différemment en réalité.

Des problèmes similaires peuvent également se produire sur les moteurs, ventilateurs, compresseurs et haut-parleurs. Les anomalies de roulement, légers frottements, bruits électromagnétiques, structures desserrées ou bruits transitoires peuvent n'apparaître que dans des conditions de fonctionnement spécifiques, dans certaines plages de fréquences ou sur de courtes fenêtres temporelles. Si les tests reposent uniquement sur des seuils fixes ou l'écoute manuelle, des défauts précoces peuvent être manqués et les différences entre opérateurs peuvent également conduire à des jugements incohérents.

Par conséquent, il est préférable de considérer la détection des sons anormaux comme un flux de travail complet : acquérir le son dans des conditions de test stables, extraire des caractéristiques temporelles, fréquentielles ou temps-fréquence par l'analyse de signal, puis utiliser l'analyse IA pour soutenir le jugement conforme/non conforme.

Figure 1 : anomalies indétectables par les tests électroacoustiques traditionnels

Configuration du test : construire une chaîne de test d'écoute par IA stable

Pour l'inspection d'écoute par IA des écouteurs TWS, le système de test doit généralement effectuer la connexion du produit, la lecture audio, l'acquisition du signal acoustique et l'analyse des données.

Pendant le test, le produit est placé dans un dispositif de test ou une boîte acoustique de blindage. Un adaptateur Bluetooth se connecte aux écouteurs et les commande pour lire la source audio spécifiée. Le son émis par les écouteurs est capté par une oreille artificielle ou un coupleur acoustique, puis converti par le matériel d'acquisition en données audio pour l'analyse. OpenTest effectue ensuite l'analyse de signal et l'analyse IA sur le fichier WAV acquis ou les données de test, puis fournit le résultat conforme/non conforme.

L'élément clé de ce flux de travail est la stabilité des conditions de test. Pour la détection de sons anormaux basée sur l'IA, le jugement du modèle dépend de données d'entrée comparables. Par conséquent, la source audio, la méthode de lecture, le canal d'acquisition, les paramètres d'échantillonnage, la position du dispositif, l'environnement de test et le flux de traitement des données doivent rester cohérents. Ce n'est que lorsque la chaîne de test en amont est stable que le résultat de l'analyse IA peut être plus fiable.

Mode séquence : configurer l'écoute par IA en tant que tâche de test automatisée

Dans OpenTest, les ingénieurs peuvent utiliser le mode séquence pour configurer la détection des sons anormaux en tant que tâche de test standard. Pour les tests d'écouteurs TWS, une séquence complète d'écoute par IA peut inclure :

• Scanner le produit ou lire les informations d'échantillon
• Commander la boîte de blindage ou le dispositif de test
• Se connecter aux écouteurs Bluetooth
• Commander le produit pour lire la source audio spécifiée
• Acquérir le signal acoustique
• Exécuter l'analyse spectrale, l'analyse des sons anormaux et l'analyse IA
• Fournir le jugement conforme/non conforme
• Enregistrer les données de test et téléverser les résultats dans le système MES

Avec le mode séquence, les opérateurs n'ont pas besoin de changer manuellement de module, de reconnecter les appareils ou d'exécuter chaque étape d'analyse une par une. Une fois le flux de travail validé, il peut être réutilisé dans la validation R&D, le tri d'échantillons ou les tests de production, réduisant ainsi les différences causées par les opérations manuelles.

C'est particulièrement important pour les environnements de production. L'inspection d'écoute par IA ne doit pas seulement juger correctement un seul échantillon, mais aussi maintenir un temps de cycle stable et une sortie cohérente lors des tests par lots. Avec le mode séquence, OpenTest relie « connexion - lecture - acquisition - analyse - jugement - sauvegarde » dans un flux de travail standardisé, posant les bases des tests automatisés et de la gestion de production.

Figure 2 : configuration d'un flux de travail de détection de sons anormaux par IA dans le mode séquence d'OpenTest

Analyse IA : détecter les sons anormaux par reconstruction temps-fréquence

Dans la détection des sons anormaux, la valeur centrale de l'analyse IA ne consiste pas simplement à remplacer le jugement par limites supérieure et inférieure. Elle consiste à identifier des caractéristiques anormales dans les données sonores que les lignes de limite temporelles ou fréquentielles traditionnelles ne distinguent pas de manière fiable.

En prenant comme exemple l'algorithme de détection de sons anormaux par IA pour écouteurs TWS, l'algorithme peut convertir l'enregistrement de test original en un spectrogramme temps-fréquence. L'enregistrement original contient à la fois des caractéristiques sonores normales et de possibles caractéristiques anormales. Après avoir entraîné le modèle avec des données de produits normaux, celui-ci peut reconstruire le spectrogramme temps-fréquence : les caractéristiques normales peuvent être restaurées plus efficacement, tandis que les caractéristiques anormales sont affaiblies ou supprimées lors de la reconstruction.

Le système peut ensuite comparer la différence entre le spectrogramme original et le spectrogramme reconstruit et combiner les caractéristiques sur les axes temporel et fréquentiel pour le jugement. Pour les bons échantillons, la différence entre les spectrogrammes original et reconstruit est relativement faible. Pour les échantillons défectueux avec sons anormaux, les caractéristiques anormales entraînent des différences plus marquées. Sur la base de ces différences, l'analyse IA peut fournir un jugement conforme/non conforme.

Cette méthode convient aux sons anormaux difficiles à couvrir par les limites traditionnelles, tels que les bruits transitoires, le bruit de frottement, un bruit de fond anormal, le frottement de bobine mobile, les fuites d'air ou les anomalies locales de bande de fréquence. Pour la détection de sons anormaux de moteurs, une approche similaire peut également être utilisée en convertissant le bruit de fonctionnement en caractéristiques temps-fréquence analysables afin d'étayer le jugement sur les frottements, les anomalies de roulement, les bruits anormaux périodiques ou les problèmes de bruit électromagnétique.

Figure 3 : l'analyse IA identifie les sons anormaux via des spectrogrammes temps-fréquence reconstruits

De l'écoute manuelle au jugement par IA : améliorer la cohérence et l'évolutivité

L'écoute manuelle est intuitive, mais il est difficile de la maintenir cohérente en production à grande échelle. Différents opérateurs peuvent définir différemment la frontière de ce qui est « anormal », et les sons anormaux complexes ou subtils peuvent être influencés par l'expérience et la perception.

La valeur de l'inspection d'écoute par IA est qu'elle peut transformer l'expérience sur les échantillons en jugements réutilisables basés sur un modèle. Les ingénieurs peuvent construire un modèle en collectant des données de bons produits, puis utiliser l'étape d'analyse IA pour produire des jugements conforme/non conforme lors des tests ultérieurs. Cela préserve l'expérience liée aux caractéristiques sonores des échantillons historiques tout en rendant le processus de jugement plus standardisé.

Pour les équipes R&D, cela aide à accumuler l'expérience des données sur différents échantillons, structures et types de défauts. Pour les équipes de production, cela peut réduire les différences subjectives entre postes d'écoute manuelle et améliorer l'évolutivité du processus de test.

L'analyse IA ne doit pas être considérée comme distincte du jugement d'ingénierie. Les ingénieurs peuvent toujours examiner l'audio original, la forme d'onde temporelle, la courbe de spectre, le spectrogramme temps-fréquence et la sortie de l'IA. Lorsqu'un échantillon anormal apparaît, les données correspondantes peuvent également être tracées pour la localisation du défaut et l'amélioration du procédé.

Figure 4 : l'analyse IA d'OpenTest fournit un jugement conforme/non conforme pour la détection des sons anormaux

Sortie des résultats : rendre le jugement sur les sons anormaux traçable

Dans la validation R&D et les tests de production, la détection des sons anormaux nécessite plus qu'un simple résultat conforme ou non conforme. Le résultat doit également être consultable et traçable.

Avec OpenTest, les données de test, les résultats d'analyse, les résultats de jugement de l'IA et les informations d'échantillon peuvent être gérés autour de la même tâche de test. Pour les échantillons anormaux, les ingénieurs peuvent examiner plus en détail le fichier audio correspondant, le résultat de spectre, les caractéristiques temps-fréquence ou les enregistrements de test afin de localiser la plage temporelle et la plage de fréquences où l'anomalie se produit. Les résultats de tests par lots peuvent également servir à la comparaison d'échantillons, au suivi de la qualité et à l'optimisation ultérieure des procédés.

Cela signifie que la détection des sons anormaux ne dépend plus uniquement de ce qu'un opérateur entend à un instant donné. Elle devient au contraire un enregistrement de données consultable. Pour les équipes qui doivent améliorer en continu la qualité acoustique des produits, cette traçabilité est souvent plus importante qu'un résultat de test unique.

Figure 5 : enregistrement automatique d'OpenTest

Scénarios d'application : de la validation R&D au filtrage en production

Le mode séquence et l'analyse IA d'OpenTest peuvent être appliqués à plusieurs scénarios de détection de sons anormaux :

• Détection de sons anormaux de moteurs : identifier les anomalies de roulement, le bruit de frottement, le bruit électromagnétique, les sons anormaux périodiques et les problèmes associés.
• Détection de sons anormaux de casques : identifier le bourdonnement, le bruit de frottement, le frottement de bobine mobile, les fuites d'air, le bruit de fond anormal et les problèmes associés.
• Détection de sons anormaux de haut-parleurs : identifier les sons anormaux de type distorsion, le frottement, les problèmes d'assemblage, les fuites de cavité et les problèmes associés.
• Tests NVH des appareils électroménagers et des produits finis : identifier les sons de fonctionnement anormaux provenant de ventilateurs, moteurs, compresseurs, pompes et composants similaires.
• Tests de fin de ligne en production : configurer des flux de travail stables en tant que séquences standard pour réduire les écarts d'écoute manuelle.
• Comparaison de prototypes en R&D : comparer les performances acoustiques entre différentes structures, matériaux et conceptions d'assemblage.

Dans ces scénarios, la valeur d'OpenTest ne réside pas seulement dans l'exécution d'un test acoustique unique. Il aide les équipes à transformer la détection des sons anormaux en un flux de travail réutilisable, traçable et évolutif.

Le principal défi de la détection des sons anormaux est d'identifier de manière cohérente les sons « anormaux » dans des conditions de fonctionnement complexes et sur de grands volumes d'échantillons. Les seuils traditionnels et l'écoute manuelle conservent leur valeur, mais pour les tests répétitifs, le filtrage par lots et l'identification précoce des défauts, les équipes ont besoin de flux de travail plus standardisés et d'outils d'analyse de données plus efficaces.

Avec le mode séquence d'OpenTest, les ingénieurs peuvent configurer la connexion, la lecture, l'acquisition, l'analyse, le jugement par IA et la sortie des résultats en tant que flux de travail de test standard. Avec l'analyse IA, le système peut fournir des jugements conforme/non conforme basés sur les caractéristiques sonores et aider à identifier les changements anormaux que les méthodes temporelles ou fréquentielles traditionnelles ne distinguent pas de façon cohérente.

Pour les équipes testant des écouteurs TWS, des moteurs, des haut-parleurs et des produits finis, cela offre une voie plus orientée ingénierie pour la détection des sons anormaux : acquérir les données via une chaîne de test stable, utiliser l'analyse IA pour soutenir le jugement, utiliser des séquences standardisées pour maintenir la cohérence des flux de travail et utiliser les enregistrements de test pour assurer la traçabilité et l'amélioration ultérieures.

La version gratuite d'OpenTest est disponible sur le site officiel d'OpenTest. Pour en savoir plus sur le mode séquence d'OpenTest, l'analyse IA ou les solutions de détection de sons anormaux, veuillez remplir le formulaire Get in Touch ci-dessous.