Pruebas de ruido anómalo explicadas: principio, método y configuración

En nuestra entrada de blog anterior, "Detección de ruido anómalo: de los oídos humanos a la IA" tratamos los principales puntos débiles de la escucha manual, presentamos la solución de pruebas de ruido anómalo basada en IA de CRYSOUND, describimos a alto nivel el enfoque de entrenamiento y mostramos cómo puede desplegarse el sistema en una línea de producción de TWS. En esta entrada damos el siguiente paso: profundizaremos en los principios de análisis del algoritmo de ruido anómalo con IA de CRYSOUND, compartiremos configuraciones de prueba prácticas y resultados en escenarios reales, y cerraremos con una lista de verificación completa de configuración que puede usar para planificar o validar su propio despliegue.

Retos de la detección de anomalías con algoritmos convencionales

En fábricas reales, los defectos verdaderos son tanto poco frecuentes como muy diversos, lo que dificulta recopilar una biblioteca completa de patrones de sonido anómalo para entrenamiento supervisado.

Incluso los algoritmos basados en reglas bien ajustados -a veces altamente personalizados- rara vez cubren todas las firmas anómalas. Nuevos modos de defecto, variaciones sutiles y cambios en las condiciones de producción pueden quedar fuera de los umbrales o plantillas de características predefinidos, lo que conduce a detecciones perdidas (escapes).

En la figura siguiente comparamos dos archivos wav que generamos manualmente.

Puede ver que las comprobaciones convencionales -respuesta en frecuencia, THD y un algoritmo típico de rub & buzz (R&B)- apenas pueden detectar el defecto de ruido de bajo nivel inyectado; la diferencia global de la curva es de solo ~0,1 dB. En una comparación FFT simple, los dos archivos wav sí muestran cierta discrepancia, pero en condiciones reales de producción la energía del defecto puede ser aún menor, lo que hace muy probable que quede por debajo de los umbrales fijos y se escape. Por el contrario, en la representación tiempo-frecuencia la firma anómala es claramente visible, porque aparece como un patrón estructurado a lo largo del tiempo en lugar de un pequeño cambio en una única curva promediada.

Principio del algoritmo de ruido anómalo con IA

CRYSOUND propone un enfoque de detección de ruido anómalo basado en un marco de aprendizaje profundo que identifica defectos reconstruyendo el espectrograma y midiendo aquello que no puede reconstruirse bien. Esto supera limitaciones clave de los métodos tradicionales basados en reglas y, a nivel de principio, permite una cobertura de defectos más amplia y sistemática, especialmente para firmas anómalas sutiles, diversas y nunca vistas antes.

La figura siguiente ilustra el flujo de trabajo central de nuestra canalización de entrenamiento e inferencia.

Durante el entrenamiento del modelo, construimos el algoritmo siguiendo el flujo de trabajo que se muestra a continuación.

Cómo usar y desplegar el algoritmo de IA

Preparación

En primer lugar, prepare un micrófono de medición de bajo ruido / simulador de oído de bajo ruido y una fuente de alimentación para micrófono, para asegurarse de poder capturar firmas anómalas sutiles a la vez que proporciona una alimentación estable al micrófono.

A continuación, necesitará una tarjeta de sonido para registrar la señal y cargar los datos en el PC host.

En tercer lugar, utilice un útil o dispositivo de posicionamiento para sujetar el producto de manera que la colocación sea repetible y cada grabación se realice en condiciones coherentes.

Por último, garantice un entorno acústico silencioso y estable: en un laboratorio, una cámara anecoica es lo ideal; en una línea de producción, normalmente se utiliza una caja de insonorización para controlar el ruido ambiente y mantener las mediciones coherentes.

Desarrollo del modelo

Primero, cree una secuencia de prueba en SonoLab, seleccione "Deep Learning" y aplique la configuración.

A continuación, seleccione el módulo de algoritmo de ruido anómalo con IA adecuado y su API correspondiente

Luego abra Settings y especifique el tipo de modelo, así como las rutas de archivo para el conjunto de datos de entrenamiento y el conjunto de datos de prueba.

Haga clic en Train y espere a que el modelo termine de entrenarse (el tiempo de entrenamiento depende del hardware de su PC)

Durante el entrenamiento, el indicador de estado se vuelve amarillo. Una vez finalizado el entrenamiento, cambia a verde y muestra el mensaje "Training completed".

Por último, coloque sus archivos WAV de prueba en la carpeta de prueba especificada y ejecute la secuencia. El modelo se iniciará automáticamente y generará los resultados del análisis.

Caso de prueba

Diagrama de bloques del sistema

Equipos

Hay más detalles técnicos disponibles bajo solicitud; utilice el formulario "Get in touch" que aparece a continuación. Nuestro equipo puede compartir ajustes recomendados y un flujo de trabajo in situ adaptado a sus condiciones de producción.