OpenTest Sequence ModeとAI Analysisによる自動異常音検出

モーター、ヘッドホン、スピーカー、および完成品のテストにおいて、異常音は単純な音圧レベルの問題でないことがよくあります. 多くの初期不良は、わずかな擦れ音、ヒス、ブザー音、異常ノイズ、あるいはスペクトルの細部変化として現れます. 従来の電気音響試験や耳による手動聴感検査は、大量試験において一貫性を保つことが困難です. 本記事では、TWSイヤホンのAI聴感検査を例に、OpenTest Sequence Modeがどのように取得、信号解析、AI Analysis、合否判定、結果出力を接続し、再利用可能な自動異常音検出ワークフローを構築できるかを説明します.

ヘッドホン、モーター、完成品のR&D評価および量産試験において、異常音検出は常に代表的なエンジニアリング課題となってきました.

TWSイヤホンを例にとると、一般的なテスト手法は、まず従来の電気音響試験を行い、その後に耳による手動聴感検査で異常音の有無を判断する、という2つのパートで構成されることがよくあります. 従来の電気音響試験では、周波数特性、歪み、ノイズフロアなどの基本指標をカバーできます. その後の耳による手動聴感検査で、ブザー音、擦れ音、ボイスコイル擦れ、エア漏れ、異常なノイズフロアなど、実際の聴感に近い問題を特定します.

しかし実際の生産環境では、耳による手動聴感検査には明確な限界があります. オペレーターによって、異常音に対する感度や判定基準が異なる場合があります. 同じオペレーターであっても、疲労、環境、経験などにより、時間とともに判定が影響を受ける可能性があります. わずかで断続的、あるいは複雑な異常音に対しては、耳による検査の判定を長期的に一貫させることは困難です. また人的リソースへの依存度が高く、大量生産時にスケールさせることが難しくなります.

OpenTestのSequence ModeとAI Analysisは、この種の用途に対して、より標準化されたアプローチを提供します. エンジニアは、製品接続、オーディオ再生、音響信号取得、データ解析、AI判定、結果保存、レポート出力を標準テストシーケンスとして構成できます. これにより、異常音検出を主観的な手動判定から、標準化された試験、データ解析、および合否結果に基づくワークフローへと移行させることができます.

異常音検出:時間・周波数ドメインのリミットラインだけでは不十分な場合

異常音検出が難しいのは、不良が常に明確な単一指標の逸脱として現れるとは限らないためです.

TWSイヤホンのテストでは、不良サンプルの中には、良品サンプルと周波数ドメインのカーブがほとんど重なり、単純な上下限リミットラインでは区別しにくいものもあります. 一部の過渡的な異常音は、時間ドメイン波形に安定して目に見える差を生じさせない場合もあります. 言い換えると、スペクトル解析や波形レビューを行っても、データ上は良品と不良サンプルが似て見える一方で、実際の音は異なって聞こえるケースにエンジニアが直面することがあります.

同様の問題は、モーター、ファン、コンプレッサー、スピーカーでも発生し得ます. ベアリング異常、軽微な擦れ、電磁ノイズ、構造の緩み、あるいは過渡的なノイズは、特定の動作条件下、特定の周波数帯域内、もしくはごく短い時間窓でのみ現れる場合があります. もし試験が固定しきい値や耳による手動聴取のみに依存していると、初期不良を見逃す可能性があり、オペレーター間のばらつきによって判定が不一致になることもあります.

したがって、異常音検出は一連のワークフローとして捉えるのが望ましく、安定した試験条件下で音を取得し、信号解析によって時間ドメイン・周波数ドメイン・時間周波数ドメイン特性を抽出し、そのうえでAI Analysisを用いて合否判定を支援することが重要です.

図1:従来の電気音響試験では検出が困難な異常

テストセットアップ:安定したAI聴感テストチェーンの構築

TWSイヤホンのAI聴感検査では、テストシステムは通常、製品接続、オーディオ再生、音響信号取得、データ解析を行う必要があります.

テスト中、製品はテストフィクスチャまたは遮音ボックスにセットされます. Bluetoothアダプタがイヤホンと接続し、指定されたオーディオソースを再生するよう制御します. イヤホンから出力される音は、疑似耳または音響カプラで収音され、取得用ハードウェアによって解析用のオーディオデータに変換されます. その後OpenTestが、取得したWAVファイルまたは試験データに対して信号解析およびAI Analysisを実行し、合否結果を出力します.

このワークフローの鍵は、テスト条件の安定性です. AIベースの異常音検出では、モデルの判定は比較可能な入力データに依存します. そのため、オーディオソース、再生方法、取得チャネル、サンプリング条件、治具位置、試験環境、データ処理ワークフローは一貫している必要があります. フロントエンドのテストチェーンが安定していてはじめて、AI Analysisの結果をより信頼できるものにできます.

Sequence Mode:AI聴感検査を自動テストタスクとして構成

OpenTestでは、エンジニアはSequence Modeを用いて、異常音検出を標準テストタスクとして構成できます. TWSイヤホンのテストでは、完全なAI聴感シーケンスは次のステップを含むことができます.

• 製品をスキャンする、またはサンプル情報を読み取る
• 遮音ボックスまたはテストフィクスチャを制御する
• Bluetoothイヤホンに接続する
• 製品を制御して指定されたオーディオソースを再生させる
• 音響信号を取得する
• スペクトル解析、異常音解析、およびAI Analysisを実行する
• 合否判定を出力する
• テストデータを保存し、結果をMESシステムにアップロードする

Sequence Modeを用いることで、オペレーターはモジュールを手動で切り替えたり、デバイスを再接続したり、各解析ステップを一つずつ実行したりする必要がなくなります. ワークフローが検証されれば、R&D評価、サンプルスクリーニング、量産試験で再利用でき、手動操作による差異を低減できます.

これは特に生産現場にとって重要です. AI聴感検査は、単一サンプルを正しく判定するだけでなく、バッチ試験においてもタクトタイムを安定させ、出力を一貫させる必要があります. Sequence Modeにより、OpenTestは「接続－再生－取得－解析－判定－保存」を標準化されたワークフローとして接続し、自動テストと生産管理の基盤を築きます.

図2:OpenTest Sequence ModeでAI異常音検出ワークフローを構成

AI Analysis:時間周波数再構成による異常音検出

異常音検出におけるAI Analysisの核心的な価値は、単に上下限判定を置き換えることではありません. 従来の時間ドメインや周波数ドメインのリミットラインでは確実に識別できない可能性がある、音データ中の異常な特徴を抽出し判定することにあります.

TWSイヤホン向けAI異常音検出アルゴリズムを例にとると、このアルゴリズムは元のテスト録音を時間周波数スペクトログラムへ変換できます. 元の録音には、正常な音の特徴と、潜在的な異常特徴の両方が含まれています. モデルを正常品データで学習させると、時間周波数スペクトログラムを再構成できるようになり、正常な特徴は効果的に再現される一方で、異常特徴は再構成の過程で弱められるか除去されます.

そのうえで、システムは元のスペクトログラムと再構成スペクトログラムの差分を比較し、時間軸および周波数軸の特徴を組み合わせて判定を行います. 良品サンプルでは、元のスペクトログラムと再構成スペクトログラムの差は相対的に小さくなります. 異常音を含む不良サンプルでは、異常な特徴により、両者の差がより顕著になります. AI Analysisはこれらの差分に基づいて合否判定を出力できます.

この手法は、従来のリミットラインではカバーしにくい過渡ノイズ、擦れ音、異常なノイズフロア、ボイスコイル擦れ、エア漏れ、局所周波数帯の異常などの異常音に適しています. モーターの異常音検出においても同様のアプローチが可能であり、動作音を解析可能な時間周波数特徴へ変換することで、擦れ、ベアリング異常、周期的な異常音、電磁ノイズなどの問題の判定を支援できます.

図3:再構成された時間周波数スペクトログラムを用いて異常音を特定するAI Analysis

耳による手動聴取からAI判定へ:一貫性とスケーラビリティの向上

耳による手動聴取は直感的ではありますが、大量生産において一貫性を保つことは困難です. オペレーターごとに「異常」の境界の定義が異なる可能性があり、複雑または微小な異常音は、経験や知覚の影響を受けやすくなります.

AI聴感検査の価値は、サンプルから得られた経験を、再利用可能なモデルベースの判定に変換できる点にあります. エンジニアは良品データを収集してモデルを構築し、その後のテストではAI Analysisステップを用いて合否判定を出力できます. これにより、過去サンプルの音特徴に関する経験を保持しつつ、判定プロセスをより標準化されたものにできます.

R&Dチームにとっては、さまざまなサンプル、構造、欠陥種類にまたがるデータ経験を蓄積することに役立ちます. 量産チームにとっては、耳による手動聴感ステーションの主観的な差異を減らし、テストプロセスのスケーラビリティを向上させることができます.

AI Analysisは、エンジニアリング判断と切り離されたものとして捉えるべきではありません. エンジニアは依然として、元のオーディオ、時間ドメイン波形、スペクトルカーブ、時間周波数スペクトログラム、およびAI出力を確認できます. 異常サンプルが発生した場合も、対応するデータをトレースして、不良要因の特定やプロセス改善に役立てることができます.

図4:異常音検出に対して合否判定を出力するOpenTest AI Analysis

結果出力:異常音判定のトレーサビリティ確保

R&D評価と量産試験において、異常音検出には単純な合否結果以上の情報が求められます. その結果は、後からレビュー可能であり、トレース可能でなければなりません.

OpenTestでは、テストデータ、解析結果、AI判定結果、サンプル情報を同一のテストタスクの下で一元管理できます. 異常サンプルに対しては、対応するオーディオファイル、スペクトル結果、時間周波数特性、テスト記録をさらに確認することで、異常が発生した時間範囲および周波数範囲を特定できます. バッチテスト結果は、サンプル間比較、品質トラッキング、後工程のプロセス最適化にも活用できます.

これは、異常音検出が、もはやその瞬間にオペレーターが聞いた印象のみに依存しないことを意味します. 代わりに、後から見直し可能なデータ記録となります. 製品の音響品質を継続的に改善する必要があるチームにとって、このトレーサビリティは単発のテスト結果以上に重要になることがよくあります.

図5:OpenTestの自動保存機能

適用シナリオ:R&D評価から量産スクリーニングまで

OpenTest Sequence ModeとAI Analysisは、複数の異常音検出シナリオに適用できます.

• モーターの異常音検出:ベアリング異常、擦れ音、電磁ノイズ、周期的な異常音などの問題を特定.
• ヘッドホンの異常音検出:ブザー音、擦れ音、ボイスコイル擦れ、エア漏れ、異常なノイズフロアなどの問題を特定.
• スピーカーの異常音検出:歪み様の異常音、擦れ、組立不良、キャビティ漏れなどの問題を特定.
• 家電および完成品のNVH試験:ファン、モーター、コンプレッサー、ポンプなど、同様のコンポーネントからの異常な動作音を特定.
• 量産ライン終端試験:安定したワークフローを標準シーケンスとして構成し、耳による手動聴感検査のばらつきを低減.
• R&D試作比較:異なる構造、材料、組立設計間で音響性能を比較.

これらのシナリオにおいて、OpenTestの価値は単に1回の音響試験を完了することにとどまりません. チームが異常音検出を、再利用可能でトレース可能、かつスケーラブルなワークフローへと変換することを支援します.

異常音検出の中核的な課題は、複雑な動作条件と大量サンプルの中で、「異常」な音を一貫して識別することです. 従来のしきい値設定や耳による手動聴取にも依然として価値はありますが、繰り返し試験、バッチスクリーニング、初期不良の早期検出においては、より標準化されたワークフローと、より効率的なデータ解析ツールが求められます.

OpenTest Sequence Modeを用いれば、エンジニアは接続、再生、取得、解析、AI判定、結果出力を標準テストワークフローとして構成できます. AI Analysisにより、システムは音の特徴に基づいて合否判定を出力し、従来の時間ドメインまたは周波数ドメイン手法では一貫して識別しにくい異常な変化を検出するのに役立ちます.

TWSイヤホン、モーター、スピーカー、完成品のテストチームに対して、これはよりエンジニアリング指向の異常音検出パスを提供します.すなわち、安定したテストチェーンでデータを取得し、AI Analysisで判定を支援し、標準化されたシーケンスでワークフローの一貫性を維持し、テスト記録によって後からのトレーサビリティと改善を支援するという流れです.

OpenTestの無料版は、OpenTest公式ウェブサイトから入手できます. OpenTestのSequence Mode、AI Analysis、あるいは異常音検出ソリューションの詳細については、以下の「Get in Touch」フォームに必要事項をご記入ください.