Table of Content
Audição por IA para testes de fim de linha de auscultadores/headphones
Os testes de fim de linha de auscultadores/headphones têm de detetar sons anómalos que os limites da curva de resposta, por si só, podem não detetar. Com base num projeto‑piloto da linha de produção de auscultadores/headphones da CRYSOUND, este artigo explica como a audição por IA foi integrada com dispositivos/acessórios acústicos, o software OpenTest, mecanismos de reteste e dados de produção para suportar a inspeção contínua em grande volume de produção.
Figure 1. AI listening pilot line for headphone anomalous-sound detection.Porque é que a audição manual fica aquém nos testes de auscultadores/headphones
Em produtos de áudio de consumo, como auscultadores/headphones, colunas e computadores portáteis, os defeitos de som anómalo nem sempre podem ser identificados apenas verificando se a curva de resposta acústica está dentro da especificação. Sons de assobio, fricção, ruído elétrico ou alterações súbitas do ruído de fundo podem ocorrer apenas sob um estímulo específico, orientação do produto, lote de produção ou unidade de teste específicos.
Os ouvintes experientes conseguem detetar defeitos sonoros subtis, mas é difícil manter um juízo consistente ao longo de turnos de produção prolongados. Diferentes operadores podem aplicar padrões ligeiramente diferentes e até o desempenho do mesmo operador pode variar entre turnos. Isto torna mais difícil rastrear, comparar e rever as decisões sobre defeitos após a produção.
Por este motivo, a audição por IA deve ser avaliada não apenas como um algoritmo, mas como um processo de inspeção em produção. Um sistema implementável tem de responder a três questões: se as anomalias podem ser detetadas de forma fiável, se o tempo de ciclo consegue cumprir os requisitos da linha e se o fluxo de trabalho pode ser normalizado entre estações.
| Ponto crítico da linha de produção | Impacto na qualidade e na eficiência |
| Julgamento subjetivo | A sensibilidade a pequenos sons anómalos varia entre operadores, levando a padrões inconsistentes. |
| Fadiga a longo prazo | A audição repetitiva de elevada intensidade reduz a concentração e aumenta o risco de aceitação ou rejeição incorretas. |
| Formação prolongada de operadores | Os ouvintes qualificados necessitam de experiência e os novos operadores não conseguem assumir funções rapidamente. |
| Rastreabilidade limitada dos dados | É difícil converter em dados estruturados, para revisão posterior, aquilo que o operador "ouviu". |
| Escalabilidade dependente de mão de obra | O aumento da produção exige mais operadores de escuta e custos de gestão mais elevados. |
O objetivo da audição por IA não é, portanto, simplesmente "substituir os ouvidos humanos", mas transformar a experiência de escuta humana numa capacidade de produção mensurável, repetível e rastreável. As pessoas continuam a participar na verificação e na análise de causa raiz, mas deixam de precisar de realizar grandes volumes de escuta repetitiva.
A inspeção sonora por IA é mais do que um algoritmo
Ao mesmo tempo que mantém a capacidade de deteção de sons anómalos, uma solução para produção em massa também tem de ter em conta o espaço disponível, o investimento em equipamento, os recursos humanos e o tempo de ciclo de teste. Com base nestas condições, o projeto adotou uma estação combinada para audição por IA e teste do ruído de fundo, validando‑a na própria linha de produção. Antes da integração, o teste do ruído de fundo tinha um tempo de ciclo (CT) de aproximadamente 60 segundos. Depois de o combinar com a audição por IA, o CT aumentou para cerca de 80 segundos. Para cumprir o requisito de throughput de 600 unidades por hora, o número de sistemas de teste aumentou de cinco para sete, sem acrescentar operadores. As estações de escuta manual passaram apenas a manter os testes relacionados com a interface homem‑máquina (MMI), reduzindo o tempo total de teste manual.
Para além do próprio modelo, a solução também requer um ambiente acústico estável e de baixo ruído, acoplamento repetível do dispositivo/fixture, controlo Bluetooth fiável, equipamento de aquisição eletroacústica, uma sequência de software de teste de produção, armazenamento de dados e um mecanismo de reteste.
Figure 2. Complete deployment workflow for headphone AI sound inspection.| Módulo | Requisito de implementação |
| Ambiente de teste de baixo ruído | Reduzir o impacto do ruído externo, vibração do piso, alarmes e outras perturbações nos resultados de teste. |
| Simulador de ouvido e dispositivo/fixture | Manter a posição dos auscultadores/headphones e o acoplamento acústico o mais consistentes possível. |
| Cadeia de aquisição eletroacústica | Captar de forma fiável ficheiros de áudio WAV e os dados de teste associados, evitando que diferenças entre canais aumentem as rejeições falsas. |
| Modelo de audição por IA | Aprender o padrão sonoro normal a partir de dados de unidades qualificadas, mantendo‑se simultaneamente sensível a características acústicas anómalas. |
| Plataforma de software de teste de produção | Integrar o teste de ruído de fundo, algoritmos convencionais, audição por IA e lógica de encaminhamento numa única sequência de teste. |
| Mecanismo de reteste e retenção de amostras | Retestar, classificar, verificar manualmente e reintegrar as amostras confirmadas na melhoria em ciclo fechado do modelo. |
Nesta implementação, o software CRYSOUND OpenTest executou as sequências de teste, aplicou a lógica de aprovação/reprovação, apresentou curvas acústicas e manteve registos históricos e registos de sistema. A audição por IA, o teste de ruído de fundo e os algoritmos convencionais de deteção de sons anómalos (teste de frequência fixa) foram executados em conjunto na mesma sequência, criando uma base de software unificada para replicação de estações e implementação em múltiplas linhas.
Figure 3. CRYSOUND OpenTest software interface for AI listening production testing.Resultados do teste da linha‑piloto
A implementação para produção em massa foi concluída em três fases. Em primeiro lugar, foram recolhidos, durante três dias, dados de unidades qualificadas e foi implementado o modelo inicial. Em seguida, três sistemas foram colocados em operação para recolher e analisar dados de teste em volume, enquanto o modelo era continuamente otimizado durante aproximadamente duas semanas. Após a estabilização do modelo, os sete sistemas entraram em teste de produção e foram monitorizados na linha durante mais duas semanas. Os resultados foram analisados diariamente para verificar a eficácia da deteção de defeitos e a estabilidade operacional.
Ao avaliar uma solução de audição por IA, a validação em laboratório e a deteção isolada de defeitos demonstram apenas a capacidade inicial do modelo; não representam a estabilidade a longo prazo sob requisitos reais de throughput e tempo de ciclo de produção. Os dados de avaliação devem, portanto, ser considerados em dois níveis. Os dados contínuos de produção são utilizados para acompanhar as quantidades diárias aprovadas, as taxas de reprovação, as taxas de reteste relacionadas com a audição por IA e as alterações nas categorias de defeitos.
Métricas de síntese são utilizadas para avaliar o rendimento global, as taxas de reprovação e o volume de retestes. Ao combinar ambos os tipos de dados, os engenheiros conseguem distinguir melhor defeitos reais, rejeições falsas que ainda necessitam de convergência, categorias de defeitos que exigem mais amostras de treino e problemas relacionados com equipamento, ambiente ou cadeia de sinal de hardware.
A tabela seguinte apresenta dados de oito dias consecutivos de produção após a implementação completa:
| Métrica | Resultado | Descrição |
| Período de dados de produção | 8 dias de produção | |
| Total de unidades testadas | 35 826 unidades | 35 406 unidades aprovadas; 420 unidades foram consideradas reprovadas. |
| Taxa de primeira reprovação na audição por IA | 0.16% | 56 unidades; manteve‑se abaixo de 0,2% após retestes e otimização do modelo. |
| Taxa de reteste da audição por IA | 0.88% | Calculada como o número de retestes relacionados com a audição por IA dividido pelo total de testes de produção. |
| Resultado do teste de audição por IA | Sem escapes observados | Não foi encontrado qualquer som anómalo perdido durante a amostragem manual de unidades boas; as unidades rejeitadas pela IA foram confirmadas como tendo ruído audível ou características de som anómalo. |
Revisão e classificação: a deteção de ruído não é uma caixa‑preta
Durante a validação inicial, a equipa registou não só o rendimento de produção e as taxas de reteste, mas também reviu manualmente as amostras rejeitadas pela IA e classificou os respetivos tipos de defeitos. Isto é crucial: depois de a audição por IA ser introduzida, o sistema deve fornecer mais do que um simples resultado de aprovação/reprovação. Os clientes precisam de saber o que foi intercetado, se o defeito é audível para uma pessoa e se o passo seguinte deve ser a otimização do modelo ou a melhoria do processo no local.
A tabela seguinte apresenta resultados de revisão reais de um período durante a fase inicial de validação:
| Alvo de revisão/classificação | Resultado registado | Relevância para a implementação |
| Amostras rejeitadas pela estação de audição manual e retestadas na estação de audição por IA | A estação de audição manual rejeitou 8 unidades. Após o reteste com audição por IA, as 8 unidades continuaram reprovadas. | Utilizar a experiência de audição humana para validar a eficácia das decisões da IA. |
| Amostras rejeitadas apenas pela estação de audição por IA e revistas manualmente | A estação de audição por IA rejeitou 32 unidades. A revisão manual confirmou ruído audível em 24 unidades. Nas 8 unidades restantes, não foi possível chegar a uma conclusão audível clara, mas havia características anómalas na forma de onda ou no domínio tempo‑frequência. O cliente decidiu se as devia incluir em retestes adicionais e otimização das fronteiras do modelo ou rejeitá‑las diretamente. | Validar a eficácia das decisões da IA e distinguir defeitos claramente audíveis de amostras que exigem um maior refinamento do modelo. |
Nota: Os dois grupos de amostras acima provêm, respetivamente, da estação de audição manual e da estação de audição por IA, sem sobreposição entre os conjuntos de dados.
Estes dados mostram que a audição por IA deixou de ser validada apenas com um pequeno número de amostras. Passou a operar durante um longo período com vários sistemas a funcionar em paralelo. Este passo é essencial para as linhas de produção, porque só o funcionamento à velocidade real de produção consegue revelar interferências de equipamento, problemas de consistência de fixtures, diferenças entre simuladores de ouvido, definições de limiares de decisão ou limites de especificação e problemas de generalização do modelo.
O que é que a implementação‑piloto estabeleceu realmente?
O valor de um piloto de audição por IA não se limita a demonstrar que a estação consegue funcionar. Mais importante ainda, estabelece uma metodologia de implementação repetível que pode ser aplicada a projetos futuros.
| Entregável estabelecido | Valor para futuras réplicas |
| Configuração padrão de hardware | Definir limites de configuração para a cabina insonorizada, simulador de ouvido, aquisição eletroacústica, controlo Bluetooth e hardware associado. |
| Sequência de teste padrão | Coordenar audição por IA, teste de ruído de fundo, algoritmos convencionais de som anómalo e lógica de encaminhamento. |
| Método de fornecimento com estação combinada | Normalizar o teste de ruído de fundo e a audição por IA dentro do mesmo ambiente, dispositivo/fixture e cadeia de dados. |
| Regras de armazenamento de dados | Garantir que amostras anómalas, resultados de reteste e dados de formas de onda são rastreáveis. |
| Método de classificação de retestes | Distinguir som anómalo real, interferência de equipamento, ruído ambiental e rejeições falsas ocasionais. |
| Mecanismo de iteração do modelo | Recolher continuamente novas amostras de som anómalo para que o modelo evolua com os problemas observados no local. |
| Pacote de fornecimento FAE | Transformar a experiência de campo dos engenheiros num processo de fornecimento formável, verificável e reutilizável. |
Foram desenvolvidas várias configurações de implementação: uma estação autónoma de audição por IA, uma estação combinada de audição por IA e teste de ruído de fundo e uma estação combinada de audição por IA e teste da interface homem‑máquina (MMI) para funções como tocar e deslizar nos controlos tácteis dos auscultadores/headphones. A estação combinada de audição por IA e MMI está atualmente em fase de validação em ambiente real. No futuro, a abordagem pode ser alargada a colunas, óculos inteligentes, computadores portáteis, altifalantes e outros produtos acústicos. Para os clientes, o fator mais importante não é o nome do algoritmo, mas sim se a solução consegue transformar de forma fiável a experiência de escuta humana em dados de produção.
Como a CRYSOUND suporta a audição por IA na produção em massa
Para expandir a audição por IA de uma linha‑piloto para linhas de produção adicionais, os clientes precisam de mais do que um ficheiro de modelo. Precisam de uma solução para produção em massa que possa ser executada em conjunto pelas equipas de engenharia, qualidade e produção. O papel da CRYSOUND é ligar hardware acústico, algoritmos de teste, software de teste de produção e suporte no local, de modo a que a audição por IA funcione de forma fiável dentro dos requisitos de tempo de ciclo e throughput de produção.
| Área de suporte | Capacidade da CRYSOUND | Valor para a implementação do cliente |
| Ambiente de teste acústico e configuração da cadeia de hardware | Configurar um ambiente de baixo ruído, a cadeia de aquisição eletroacústica e o hardware associado com base no tipo de produto, ruído da linha de produção e takt time de teste. | Garantir que os resultados de som anómalo são, tanto quanto possível, gerados pelo próprio produto e não por interferências no local. |
| Verificação da consistência do simulador de ouvido e do dispositivo/fixture | Verificar a posição dos auscultadores/headphones, a estabilidade do acoplamento e a consistência entre os canais esquerdo e direito. | Reduzir rejeições falsas e custos de reteste causados por diferenças entre dispositivos/fixtures. |
| Combinação de audição por IA e algoritmos convencionais de som anómalo | Utilizar a audição por IA em conjunto com o teste de ruído de fundo, algoritmos convencionais de som anómalo e outros itens de teste. | Cobrir ruído audível, anomalias de ruído de fundo e métricas acústicas convencionais. |
| Sequência de teste e lógica de encaminhamento CRYSOUND OpenTest | Configurar a ordem de teste, critérios de decisão, estratégia de reteste e regras de encaminhamento no software de teste de produção. | Integrar a inspeção sonora por IA no processo existente da linha de produção, em vez de a deixar como uma ferramenta isolada. |
| Gestão de ficheiros WAV, resultados e dados de reteste | Armazenar áudio, resultados de decisão, registos de reteste e classificações de audição manual. | Suportar a rastreabilidade de defeitos, a otimização do modelo e a revisão da qualidade. |
| Implementação FAE no local e suporte de modelo em ciclo fechado | Fornecer depuração no local, retenção de amostras, classificação de problemas e otimização contínua de modelos e limiares de decisão. | Replicar a experiência da linha‑piloto em modelos futuros e em linhas de produção adicionais. |
Conclusão: tornar visíveis os dados de produção é fundamental
O principal desafio na deteção de sons anómalos em auscultadores/headphones não é o facto de as pessoas não conseguirem ouvir o defeito, mas sim que a experiência de audição humana é difícil de reproduzir de forma consistente ao longo do tempo. A audição por IA converte perceção subjetiva em dados estruturados, escuta repetitiva em inspeção automatizada e juízo baseado na experiência num processo de produção que pode ser retestado, rastreado e otimizado.
A implementação da audição por IA em produção em massa exige que algoritmos, hardware acústico, dispositivos/fixtures, software de teste de produção e suporte no local funcionem em conjunto. A linha‑piloto demonstra que isto deixou de ser apenas uma prova de conceito técnica; tornou‑se numa metodologia escalável validada num ambiente real de produção.
Para linhas de produção com dificuldades em audição manual, defeitos de som anómalo não detetados e fraca rastreabilidade de qualidade, a audição por IA deixou de ser um conceito distante. Está a tornar‑se um passo fundamental para deslocar a deteção de sons anómalos em auscultadores/headphones de uma audição dependente do operador para decisões de produção baseadas em dados.
A avaliar uma solução de deteção de sons anómalos para auscultadores/headphones, colunas ou outros produtos de áudio de consumo? Com base no tipo de produto, takt time de produção, ambiente de teste e processo de teste de produção existente, a CRYSOUND pode apoiar a validação de amostras, o design de estações e a avaliação da implementação em produção em massa.
Se precisar de mais informações sobre a solução de teste com audição por IA, sequências de teste, lógica de encaminhamento ou rastreabilidade de dados, preencha o formulário Fale connosco abaixo. Teremos todo o gosto em apoiá-lo.
Related Products
Get in touch
If you are interested or have questions about our products, book a demo and we will be glad to show how it works, which solutions it can take part of and discuss how it might fit your needs and organization.
