異常音試験の解説:原理・手法・構成設定

前回のブログ記事「異常音検出:人間の耳からAIへ」では、手動での聴感検査における主な課題を整理し、CRYSOUNDのAIベース異常音試験ソリューションを紹介するとともに、その学習手法の概要と、TWSの生産ラインへの導入例をお見せしました. 本記事では次のステップとして、CRYSOUNDのAI異常音アルゴリズムの解析原理をさらに詳しく掘り下げ、実践的な試験セットアップや実フィールドでの性能を紹介し、最後に自社ラインへの導入や評価にそのまま使える構成設定チェックリストをまとめてご提供します.

従来型アルゴリズムによる異常検出の課題

実際の工場では、真の不良は発生頻度が低く、かつパターンが非常に多様であるため、教師あり学習用に十分網羅的な異常音パターンのライブラリを収集するのは困難です.

よくチューニングされ、ときには高度にカスタマイズされたルールベースのアルゴリズムであっても、あらゆる異常パターンを完全にカバーできることはほとんどありません. 新たな不良モードや微妙なばらつき、生産条件の変動などは、あらかじめ決めたしきい値や特徴テンプレートの範囲外に出てしまうことがあり、その結果、検出漏れ(エスケープ)につながります.

下図では、手動で作成したwavファイル同士を比較しています.

ご覧のとおり、周波数特性、THD、典型的なrub & buzz(R&B)アルゴリズムといった従来のチェックでは、注入した微小レベルのノイズ不良をほとんど検出できません.全体のカーブ差は約0.1 dBに過ぎません. 単純なFFT比較では、wavファイル間に多少の差異は見られるものの、実際の生産条件では不良のエネルギーがさらに小さい場合も多く、固定しきい値の下に埋もれて見逃されてしまう可能性が高くなります. 一方、時間-周波数表現では、異常のシグネチャは時間方向にわたる構造的なパターンとして現れるため、単一の平均カーブのわずかな変化としてしか表れない場合と比べて、はるかに明瞭に確認できます.

AI異常音アルゴリズムの原理

CRYSOUNDは、入力信号のスペクトログラムを再構成し、「うまく再構成できない部分」を指標として異常を判定するディープラーニングフレームワークに基づく異常音検出手法を提案しています. これにより、従来のルールベース手法の本質的な制約を打破し、原理レベルで、微小かつ多様で、これまでに見たことのないような異常シグネチャまで、より広く体系的にカバーできるようになります.

下図は、当社アルゴリズムの学習および推論パイプラインの中核的なワークフローを示したものです.

モデル学習時には、以下のワークフローに従ってアルゴリズムを構築します.

AIアルゴリズムの使用方法と導入手順

準備

まず、ロー ノイズ測定用マイク／低雑音イヤシミュレータとマイクロホン用電源を用意し、マイクに安定した電源を供給しつつ、微小な異常シグネチャを確実に収音できるようにします.

次に、信号を記録してホストPCへデータをアップロードするためのサウンドカードが必要です.

三つ目に、製品を保持するための治具または位置決めジグを使用し、配置を再現可能にすることで、すべての収録を同一条件下で行えるようにします.

最後に、静かで安定した音響環境を確保します.ラボ環境では無響室が理想的であり、生産ラインでは周囲雑音を抑え測定条件を一定に保つために、通常は防音ボックスが用いられます.

モデル開発

まず、SonoLabでテストシーケンスを作成し、「Deep Learning」を選択して設定を適用します.

次に、適切なAI異常音アルゴリズムモジュールと対応するAPIを選択します

続いて設定を開き、モデルタイプおよび学習用データセットとテスト用データセットのファイルパスを指定します.

Trainをクリックし、モデルの学習完了を待ちます(学習時間はPCのハードウェア性能に依存します)

学習中は、ステータスインジケータが黄色に変わります. 学習が完了すると、インジケータは緑色に変わり、「Training completed」というメッセージが表示されます.

最後に、テスト用WAVファイルを指定されたテストフォルダに配置し、シーケンスを実行します. モデルが自動的に起動し、解析結果を出力します.

テストケース

システムブロック図

使用機器

技術的な詳細情報はリクエストに応じてご提供可能です.下記の「Get in touch」フォームよりお問い合わせください. 弊社チームが、お客様の生産条件に合わせた推奨設定およびオンサイトでのワークフローをご提案いたします.