Teste de Sons Anómalos Explicado: Princípio, Método e Configuração

No nosso artigo de blogue anterior, Deteção de Sons Anómalos: Dos Ouvidos Humanos à IA" discutimos os principais pontos críticos da escuta manual, apresentámos a solução de teste de sons anómalos baseada em IA da CRYSOUND, descrevemos de forma geral a abordagem de treino e mostrámos como o sistema pode ser implementado numa linha de produção de TWS. Neste artigo, damos o passo seguinte: vamos aprofundar os princípios de análise por detrás do algoritmo de som anómalo com IA da CRYSOUND, partilhar configurações de teste práticas e desempenho em cenários reais e terminar com uma lista de verificação de configuração completa que pode utilizar para planear ou validar a sua própria implementação.

Desafios da Deteção de Anomalias com Algoritmos Convencionais

Em fábricas reais, os defeitos verdadeiros são ao mesmo tempo raros e altamente diversos, o que dificulta a criação de uma biblioteca abrangente de padrões de som anómalo para treino supervisionado.

Mesmo algoritmos baseados em regras bem afinados - por vezes altamente personalizados - raramente cobrem todas as assinaturas anómalas. Novos modos de defeito, variações subtis e condições de produção em mudança podem ficar fora dos limiares ou modelos de características predefinidos, levando a detecções em falta (escapes).

Na figura abaixo, comparamos dois ficheiros wav que gerámos manualmente.

É possível ver que verificações convencionais - resposta em frequência, THD e um algoritmo típico de rub & buzz (R&B) - dificilmente conseguem detetar o defeito de ruído de baixo nível injetado; a diferença global da curva é de apenas ~0,1 dB. Numa comparação FFT simples, os dois ficheiros wav mostram alguma discrepância, mas em condições reais de produção a energia do defeito pode ser ainda menor, tornando muito provável que fique abaixo de limiares fixos e passe despercebida. Por contraste, na representação tempo-frequência, a assinatura anómala é claramente visível, porque surge como um padrão estruturado ao longo do tempo em vez de uma pequena alteração numa única curva média.

Princípio do Algoritmo de Som Anómalo com IA

A CRYSOUND propõe uma abordagem de deteção de sons anómalos baseada numa estrutura de aprendizagem profunda que identifica defeitos ao reconstruir o espectrograma e medir o que não pode ser bem reconstruído. Isto rompe com limitações-chave dos métodos tradicionais baseados em regras e, em termos de princípio, permite uma cobertura de defeitos mais ampla e sistemática - especialmente para assinaturas anómalas subtis, diversas e nunca antes vistas.

A figura abaixo ilustra o fluxo de trabalho central por detrás do nosso pipeline de treino e inferência.

Durante o treino do modelo, construímos o algoritmo seguindo o fluxo de trabalho abaixo.

Como Utilizar e Implementar o Algoritmo de IA

Preparação

Em primeiro lugar, prepare um Microfone de Medição de Baixo Ruído / Simulador de Ouvido de Baixo Ruído e uma Fonte de Alimentação para Microfone para garantir que consegue captar assinaturas anómalas subtis, fornecendo ao mesmo tempo alimentação estável ao microfone.

De seguida, vai precisar de uma placa de som para gravar o sinal e carregar os dados para o PC anfitrião.

Em terceiro lugar, utilize um dispositivo de fixação ou gabarito de posicionamento para segurar o produto, de modo a que o posicionamento seja repetível e cada gravação seja feita em condições consistentes.

Por fim, garanta um ambiente acústico silencioso e estável: em laboratório, uma câmara anecóica é o ideal; numa linha de produção, utiliza‑se normalmente uma caixa de isolamento acústico para controlar o ruído ambiente e manter as medições consistentes.

Desenvolvimento do Modelo

Primeiro, crie uma sequência de teste no SonoLab, selecione "Deep Learning" e aplique a definição.

Em seguida, selecione o módulo apropriado do algoritmo de som anómalo com IA e a respetiva API

Depois, abra as Definições e especifique o tipo de modelo, bem como os caminhos de ficheiro para o conjunto de dados de treino e o conjunto de dados de teste.

Clique em Train e aguarde até o modelo terminar o treino (o tempo de treino depende do hardware do seu PC)

Durante o treino, o indicador de estado fica amarelo. Quando o treino termina, muda para verde e apresenta a mensagem "Training completed".

Por fim, coloque os seus ficheiros WAV de teste na pasta de teste especificada e execute a sequência. O modelo será iniciado automaticamente e apresentará os resultados da análise.

Caso de Teste

Diagrama de Blocos do Sistema

Equipamento

Estão disponíveis mais detalhes técnicos mediante pedido - utilize, por favor, o formulário "Get in touch" abaixo. A nossa equipa pode partilhar definições recomendadas e um fluxo de trabalho no local adaptado às suas condições de produção.