Deteção Automática de Sons Anómalos com o Sequence Mode e a AI Analysis do OpenTest

Nos ensaios de motores, auscultadores, colunas e produtos completos, o som anómalo muitas vezes não é apenas uma questão simples de nível de pressão sonora. Muitos defeitos iniciais manifestam‑se como ligeiro ruído de fricção, assobio, zumbido, ruído anómalo ou alterações em detalhes espectrais. Os ensaios electroacústicos tradicionais e a inspeção auditiva manual são difíceis de manter consistentes em testes de grande escala. Usando como exemplo a inspeção auditiva com IA em earbuds TWS, este artigo explica como o Sequence Mode do OpenTest pode encadear aquisição, análise de sinal, AI Analysis, decisão Pass/Fail e saída de resultados num fluxo de trabalho repetível de deteção automática de sons anómalos.

Na validação de I&D e nos ensaios de produção de auscultadores, motores e produtos completos, a deteção de sons anómalos sempre foi um desafio típico de engenharia.

Tomando os earbuds TWS como exemplo, uma abordagem de teste comum geralmente inclui duas partes: primeiro o ensaio electroacústico tradicional, seguido de inspeção auditiva manual para determinar se existem sons anómalos. Os ensaios electroacústicos tradicionais podem abranger métricas básicas como resposta em frequência, distorção e nível de ruído de fundo. Em seguida, a audição manual é usada para identificar problemas mais próximos da perceção real de escuta, como zumbidos, ruído de fricção, fricção da bobina móvel, fugas de ar ou ruído de fundo anómalo.

No entanto, em ambientes de produção reais, a inspeção auditiva manual apresenta limitações claras. Diferentes operadores podem ter sensibilidade e critérios de julgamento diferentes para sons anómalos. O mesmo operador também pode ser afetado por fadiga, ambiente e experiência em momentos diferentes. Para sons anómalos ligeiros, intermitentes ou complexos, é difícil manter a consistência da inspeção manual ao longo do tempo. Ela também depende fortemente de recursos humanos, o que dificulta a sua escalabilidade na produção em massa.

O Sequence Mode e a AI Analysis do OpenTest fornecem um caminho mais normalizado para este tipo de aplicação. Os engenheiros podem configurar a ligação do produto, a reprodução de áudio, a aquisição do sinal acústico, a análise de dados, o julgamento por IA, o registo de resultados e a emissão de relatórios como uma sequência de teste padrão. Isto ajuda a que a deteção de sons anómalos passe de um julgamento manual subjetivo para um fluxo de trabalho baseado em ensaios normalizados, análise de dados e resultados Pass/Fail.

Deteção de Sons Anómalos: Limites no Domínio do Tempo e da Frequência Nem Sempre São Suficientes

A dificuldade da deteção de sons anómalos é que os defeitos nem sempre aparecem como uma violação clara de uma única métrica.

Nos testes de earbuds TWS, algumas amostras defeituosas podem ter curvas no domínio da frequência que quase se sobrepõem às amostras boas, tornando‑as difíceis de distinguir com simples linhas de limite superior e inferior. Alguns sons anómalos transitórios também podem não gerar diferenças estáveis e visíveis nas formas de onda no domínio do tempo. Em outras palavras, mesmo após a análise de espectro ou revisão de forma de onda, os engenheiros podem ainda enfrentar casos em que amostras boas e defeituosas parecem semelhantes nos dados, mas soam diferentes na prática.

Problemas semelhantes também podem ocorrer em motores, ventoinhas, compressores e colunas. Anomalias em rolamentos, ligeira fricção, ruído electromagnético, estruturas soltas ou ruído transitório podem apenas surgir sob condições específicas de funcionamento, dentro de faixas de frequência específicas ou em janelas de tempo curtas. Se os testes se basearem apenas em limiares fixos ou escuta manual, os defeitos iniciais podem ser despercebidos e as diferenças entre operadores podem também levar a julgamentos inconsistentes.

Por isso, é melhor tratar a deteção de sons anómalos como um fluxo de trabalho completo: adquirir o som em condições de teste estáveis, extrair características no domínio do tempo, da frequência ou tempo‑frequência através da análise de sinal e, em seguida, usar a AI Analysis para apoiar o julgamento Pass/Fail.

Figura 1: Anomalias indetetáveis por ensaios electroacústicos tradicionais

Configuração de Teste: Criar uma Cadeia de Teste de Escuta por IA Estável

Para a inspeção auditiva com IA em earbuds TWS, o sistema de teste normalmente precisa de completar a ligação do produto, a reprodução de áudio, a aquisição do sinal acústico e a análise de dados.

Durante o teste, o produto é colocado num dispositivo de fixação ou numa caixa acústica de blindagem. Um adaptador Bluetooth liga‑se aos earbuds e controla‑os para reproduzir a fonte de áudio especificada. O som emitido pelos earbuds é captado por um ouvido artificial ou acoplador acústico e depois convertido pelo hardware de aquisição em dados de áudio para análise. Em seguida, o OpenTest realiza a análise de sinal e a AI Analysis sobre o ficheiro WAV ou dados de teste adquiridos e emite o resultado Pass/Fail.

A chave deste fluxo de trabalho são as condições de teste estáveis. Para a deteção de sons anómalos baseada em IA, o julgamento do modelo depende de dados de entrada comparáveis. Portanto, a fonte de áudio, o método de reprodução, o canal de aquisição, os parâmetros de amostragem, a posição do dispositivo de fixação, o ambiente de teste e o fluxo de processamento de dados devem manter‑se consistentes. Só quando a cadeia de teste de front‑end é estável é que o resultado da AI Analysis se torna mais fiável.

Sequence Mode: Configurar a Escuta com IA como uma Tarefa de Teste Automatizada

No OpenTest, os engenheiros podem usar o Sequence Mode para configurar a deteção de sons anómalos como uma tarefa de teste padrão. Para ensaios com earbuds TWS, uma sequência completa de escuta com IA pode incluir:

• Digitalizar o produto ou ler informações da amostra
• Controlar a caixa de blindagem ou o dispositivo de fixação de teste
• Ligar aos earbuds Bluetooth
• Controlar o produto para reproduzir a fonte de áudio especificada
• Adquirir o sinal acústico
• Executar a análise de espectro, a análise de som anómalo e a AI Analysis
• Emitir o julgamento Pass/Fail
• Guardar os dados de teste e carregar os resultados para o sistema MES

Com o Sequence Mode, os operadores não precisam de mudar de módulo manualmente, voltar a ligar dispositivos ou executar cada etapa de análise uma a uma. Depois de o fluxo de trabalho ser validado, pode ser reutilizado na validação de I&D, triagem de amostras ou ensaios de produção, reduzindo diferenças causadas pela operação manual.

Isto é especialmente importante para ambientes de produção. A inspeção auditiva com IA não deve apenas julgar corretamente uma amostra, mas também manter um tempo de ciclo estável e uma saída consistente durante testes em lote. Com o Sequence Mode, o OpenTest liga "ligação - reprodução - aquisição - análise - julgamento - gravação" num fluxo de trabalho padronizado, lançando as bases para ensaios automatizados e gestão da produção.

Figura 2: Configuração de um fluxo de trabalho de deteção de sons anómalos com IA no Sequence Mode do OpenTest

AI Analysis: Deteção de Sons Anómalos Através de Reconstrução Tempo‑Frequência

Na deteção de sons anómalos, o valor central da AI Analysis não é simplesmente substituir o julgamento por limites superior e inferior. Trata‑se de identificar características anómalas nos dados sonoros que as linhas de limite tradicionais no domínio do tempo ou da frequência podem não distinguir de forma fiável.

Tomando como exemplo o algoritmo de som anómalo com IA para earbuds TWS, o algoritmo pode converter a gravação de teste original num espectrograma tempo‑frequência. A gravação original contém tanto características sonoras normais como possíveis características anómalas. Depois de o modelo ser treinado com dados de produtos normais, pode reconstruir o espectrograma tempo‑frequência: as características normais são restauradas de forma mais eficaz, enquanto as características anómalas são atenuadas ou removidas durante a reconstrução.

O sistema pode então comparar a diferença entre o espectrograma original e o espectrograma reconstruído e combinar características no eixo do tempo e no eixo da frequência para o julgamento. Para amostras boas, a diferença entre os espectrogramas original e reconstruído é relativamente pequena. Para amostras defeituosas com sons anómalos, as características anómalas originam diferenças mais evidentes. Com base nessas diferenças, a AI Analysis pode emitir um julgamento Pass/Fail.

Este método é adequado para sons anómalos difíceis de cobrir com linhas de limite tradicionais, como ruído transitório, ruído de fricção, ruído de fundo anómalo, fricção da bobina móvel, fugas de ar ou anomalias locais em bandas de frequência. Para a deteção de sons anómalos em motores, pode‑se usar uma abordagem semelhante convertendo o som de funcionamento em características tempo‑frequência analisáveis para apoiar o julgamento de fricções, anomalias em rolamentos, ruídos anómalos periódicos ou problemas de ruído electromagnético.

Figura 3: AI Analysis a identificar sons anómalos através de espectrogramas tempo‑frequência reconstruídos

Da Escuta Manual ao Julgamento por IA: Melhorar a Consistência e a Escalabilidade

A escuta manual é intuitiva, mas é difícil mantê‑la consistente na produção em grande escala. Diferentes operadores podem definir de forma diferente o limite do que é "anómalo", e sons anómalos complexos ou ligeiros podem ser afetados pela experiência e perceção.

O valor da inspeção auditiva com IA é que ela pode transformar a experiência com amostras em julgamentos reutilizáveis baseados em modelos. Os engenheiros podem construir um modelo recolhendo dados de produtos bons e depois usar a etapa de AI Analysis para emitir julgamentos Pass/Fail em testes posteriores. Isto preserva a experiência de características sonoras de amostras históricas, tornando ao mesmo tempo o processo de julgamento mais normalizado.

Para equipas de I&D, isto ajuda a acumular experiência de dados entre diferentes amostras, estruturas e tipos de defeito. Para equipas de produção, pode reduzir as diferenças subjetivas das estações de escuta manual e melhorar a escalabilidade do processo de teste.

A AI Analysis não deve ser vista como separada do julgamento de engenharia. Os engenheiros podem continuar a rever o áudio original, a forma de onda no domínio do tempo, a curva de espectro, o espectrograma tempo‑frequência e a saída de IA. Quando surge uma amostra anómala, os dados correspondentes também podem ser rastreados para localização de defeitos e melhoria do processo.

Figura 4: AI Analysis do OpenTest a emitir julgamentos Pass/Fail para deteção de sons anómalos

Saída de Resultados: Tornar o Julgamento de Sons Anómalos Rastreável

Na validação de I&D e nos ensaios de produção, a deteção de sons anómalos exige mais do que um simples resultado de aprovação ou reprovação. O resultado também precisa de ser passível de revisão e rastreável.

Com o OpenTest, os dados de teste, os resultados de análise, os resultados de julgamento por IA e as informações da amostra podem ser geridos em torno da mesma tarefa de teste. Para amostras anómalas, os engenheiros podem rever adicionalmente o ficheiro de áudio correspondente, o resultado de espectro, as características tempo‑frequência ou os registos de teste para localizar o intervalo de tempo e a faixa de frequência em que ocorre a anomalia. Os resultados de testes em lote também podem apoiar a comparação de amostras, o acompanhamento da qualidade e a posterior otimização de processos.

Isto significa que a deteção de sons anómalos deixa de depender apenas do que o operador ouve naquele momento. Em vez disso, torna‑se um registo de dados passível de revisão. Para equipas que precisam de melhorar continuamente a qualidade acústica do produto, esta rastreabilidade é muitas vezes mais importante do que um único resultado de teste.

Figura 5: Gravação automática do OpenTest

Cenários de Aplicação: Da Validação de I&D à Triagem em Produção

O Sequence Mode e a AI Analysis do OpenTest podem ser aplicados a múltiplos cenários de deteção de sons anómalos:

• Deteção de sons anómalos em motores: identificar anomalias em rolamentos, ruído de fricção, ruído electromagnético, sons anómalos periódicos e problemas relacionados.
• Deteção de sons anómalos em auscultadores: identificar zumbidos, ruído de fricção, fricção da bobina móvel, fugas de ar, ruído de fundo anómalo e problemas relacionados.
• Deteção de sons anómalos em colunas: identificar sons anómalos semelhantes a distorção, fricção, problemas de montagem, fugas na cavidade e problemas relacionados.
• Ensaios NVH em eletrodomésticos e produtos completos: identificar sons de funcionamento anómalos de ventoinhas, motores, compressores, bombas e componentes semelhantes.
• Testes de fim de linha na produção: configurar fluxos de trabalho estáveis como sequências padrão para reduzir diferenças de escuta manual.
• Comparação de protótipos de I&D: comparar o desempenho acústico entre diferentes estruturas, materiais e designs de montagem.

Nestes cenários, o valor do OpenTest não é apenas realizar um único ensaio acústico. Ajuda as equipas a transformar a deteção de sons anómalos num fluxo de trabalho reutilizável, rastreável e escalável.

O desafio central da deteção de sons anómalos é identificar de forma consistente sons "anómalos" em condições de funcionamento complexas e com grandes volumes de amostras. Os limiares tradicionais e a escuta manual continuam a ter valor, mas em ensaios repetitivos, triagem em lote e identificação precoce de defeitos, as equipas precisam de fluxos de trabalho mais normalizados e de ferramentas de análise de dados mais eficientes.

Com o Sequence Mode do OpenTest, os engenheiros podem configurar ligação, reprodução, aquisição, análise, julgamento por IA e saída de resultados como um fluxo de trabalho de teste padrão. Com a AI Analysis, o sistema pode emitir julgamentos Pass/Fail com base nas características sonoras e ajudar a identificar alterações anómalas que os métodos tradicionais no domínio do tempo ou da frequência podem não distinguir de forma consistente.

Para equipas que testam earbuds TWS, motores, colunas e produtos completos, isto oferece um caminho mais orientado para a engenharia na deteção de sons anómalos: adquirir dados através de uma cadeia de teste estável, usar a AI Analysis para apoiar o julgamento, utilizar sequências padronizadas para manter os fluxos de trabalho consistentes e usar registos de teste para apoiar a rastreabilidade e melhoria posteriores.

A versão gratuita do OpenTest está disponível no site oficial do OpenTest. Para saber mais sobre o Sequence Mode, a AI Analysis do OpenTest ou soluções de deteção de sons anómalos, preencha o formulário Get in Touch abaixo.