{"id":284728,"date":"2026-02-07T00:53:11","date_gmt":"2026-02-07T00:53:11","guid":{"rendered":"https:\/\/design.crysound.com\/pruebas-de-ruido-anomalo-explicadas-principio-metodo-y-configuracion\/"},"modified":"2026-08-14T05:42:41","modified_gmt":"2026-08-14T05:42:41","slug":"pruebas-de-ruido-anomalo-explicadas-principio-metodo-y-configuracion","status":"publish","type":"post","link":"https:\/\/design.crysound.com\/es\/blog\/pruebas-de-ruido-anomalo-explicadas-principio-metodo-y-configuracion\/","title":{"rendered":"Pruebas de ruido an\u00f3malo explicadas: principio, m\u00e9todo y configuraci\u00f3n"},"content":{"rendered":"\n

En nuestra entrada de blog anterior, \"Detecci\u00f3n de ruido an\u00f3malo: de los o\u00eddos humanos a la IA<\/a>\" tratamos los principales puntos d\u00e9biles de la escucha manual, presentamos la soluci\u00f3n de pruebas de ruido an\u00f3malo basada en IA de CRYSOUND, describimos a alto nivel el enfoque de entrenamiento y mostramos c\u00f3mo puede desplegarse el sistema en una l\u00ednea de producci\u00f3n de TWS. En esta entrada damos el siguiente paso: profundizaremos en los principios de an\u00e1lisis del algoritmo de ruido an\u00f3malo con IA de CRYSOUND, compartiremos configuraciones de prueba pr\u00e1cticas y resultados en escenarios reales, y cerraremos con una lista de verificaci\u00f3n completa de configuraci\u00f3n que puede usar para planificar o validar su propio despliegue.<\/p>\n\n

Retos de la detecci\u00f3n de anomal\u00edas con algoritmos convencionales<\/strong><\/h2>\n\n

En f\u00e1bricas reales, los defectos verdaderos son tanto poco frecuentes<\/strong> como muy diversos<\/strong>, lo que dificulta recopilar una biblioteca completa de patrones de sonido an\u00f3malo para entrenamiento supervisado.<\/p>\n\n

Incluso los algoritmos basados en reglas bien ajustados -a veces altamente personalizados- rara vez cubren todas las firmas an\u00f3malas. Nuevos modos de defecto, variaciones sutiles y cambios en las condiciones de producci\u00f3n pueden quedar fuera de los umbrales o plantillas de caracter\u00edsticas predefinidos, lo que conduce a detecciones perdidas (escapes).<\/p>\n\n

En la figura siguiente comparamos dos archivos wav que generamos manualmente.<\/p>\n\n

\"\"
Figura 1: Wav OK<\/figcaption><\/figure>\n\n
\"\"
Figura 2: Wav NG<\/figcaption><\/figure>\n\n

Puede ver que las comprobaciones convencionales -respuesta en frecuencia, THD y un algoritmo t\u00edpico 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 comparaci\u00f3n FFT simple, los dos archivos wav s\u00ed muestran cierta discrepancia, pero en condiciones reales de producci\u00f3n la energ\u00eda del defecto puede ser a\u00fan menor, lo que hace muy probable que quede por debajo de los umbrales fijos y se escape. Por el contrario, en la representaci\u00f3n tiempo-frecuencia la firma an\u00f3mala es claramente visible, porque aparece como un patr\u00f3n estructurado a lo largo del tiempo en lugar de un peque\u00f1o cambio en una \u00fanica curva promediada.<\/p>\n\n

\"\"
Figura 3: Resultados del an\u00e1lisis<\/figcaption><\/figure>\n\n

Principio del algoritmo de ruido an\u00f3malo con IA<\/strong><\/h2>\n\n

CRYSOUND propone un enfoque de detecci\u00f3n de ruido an\u00f3malo basado en un marco de aprendizaje profundo que identifica defectos reconstruyendo el espectrograma<\/strong> y midiendo aquello que no puede reconstruirse bien. Esto supera limitaciones clave de los m\u00e9todos tradicionales basados en reglas y, a nivel de principio, permite una cobertura de defectos m\u00e1s amplia y sistem\u00e1tica, especialmente para firmas an\u00f3malas sutiles, diversas y nunca vistas antes.<\/p>\n\n

La figura siguiente ilustra el flujo de trabajo central de nuestra canalizaci\u00f3n de entrenamiento e inferencia.<\/p>\n\n

\"\"
Figura 4: Principio del flujo del algoritmo<\/figcaption><\/figure>\n\n

Durante el entrenamiento del modelo, construimos el algoritmo siguiendo el flujo de trabajo que se muestra a continuaci\u00f3n.<\/p>\n\n

\"\"
Figura 5: Principio de decisi\u00f3n del algoritmo<\/figcaption><\/figure>\n\n

C\u00f3mo usar y desplegar el algoritmo de IA<\/strong><\/h2>\n\n

Preparaci\u00f3n<\/strong><\/h3>\n\n

En primer lugar, prepare un micr\u00f3fono de medici\u00f3n de bajo ruido \/ simulador de o\u00eddo de bajo ruido y una fuente de alimentaci\u00f3n para micr\u00f3fono, para asegurarse de poder capturar firmas an\u00f3malas sutiles a la vez que proporciona una alimentaci\u00f3n estable al micr\u00f3fono.<\/p>\n\n

\"\"
Figura 6: Micr\u00f3fono de medici\u00f3n de bajo ruido<\/figcaption><\/figure>\n\n

A continuaci\u00f3n, necesitar\u00e1 una tarjeta de sonido para registrar la se\u00f1al y cargar los datos en el PC host.<\/p>\n\n

\"\"
Figura 7: Sistema de adquisici\u00f3n de datos<\/figcaption><\/figure>\n\n

En tercer lugar, utilice un \u00fatil o dispositivo de posicionamiento<\/strong> para sujetar el producto de manera que la colocaci\u00f3n sea repetible y cada grabaci\u00f3n se realice en condiciones coherentes.<\/p>\n\n

Por \u00faltimo, garantice un entorno ac\u00fastico silencioso y estable<\/strong>: en un laboratorio, una c\u00e1mara anecoica<\/strong> es lo ideal; en una l\u00ednea de producci\u00f3n, normalmente se utiliza una caja de insonorizaci\u00f3n<\/strong> para controlar el ruido ambiente y mantener las mediciones coherentes.<\/p>\n\n

\"\"
Figura 8: Sala anecoica<\/figcaption><\/figure>\n\n
\"\"
Figura 9: C\u00e1mara anecoica<\/strong><\/figcaption><\/figure>\n\n

Desarrollo del modelo<\/strong><\/h3>\n\n

Primero, cree una secuencia de prueba en SonoLab<\/strong>, seleccione \"Deep Learning\"<\/strong> y aplique la configuraci\u00f3n.<\/p>\n\n

A continuaci\u00f3n, seleccione el m\u00f3dulo de algoritmo de ruido an\u00f3malo con IA adecuado y su API correspondiente<\/p>\n\n

\"\"
Figura 10: Interfaz de secuencia 1<\/figcaption><\/figure>\n\n

Luego abra Settings<\/strong> y especifique el tipo de modelo<\/strong>, as\u00ed como las rutas de archivo para el conjunto de datos de entrenamiento<\/strong> y el conjunto de datos de prueba<\/strong>.<\/p>\n\n

Haga clic en Train<\/strong> y espere a que el modelo termine de entrenarse (el tiempo de entrenamiento depende del hardware de su PC)<\/p>\n\n

\"\"
Figura 11: Interfaz de secuencia 2<\/figcaption><\/figure>\n\n

Durante el entrenamiento, el indicador de estado se vuelve amarillo. Una vez finalizado el entrenamiento, cambia a verde y muestra el mensaje \"Training completed\".<\/p>\n\n

\"\"
Figura 12: Interfaz de secuencia 3<\/figcaption><\/figure>\n\n

Por \u00faltimo, coloque sus archivos WAV de prueba en la carpeta de prueba especificada y ejecute la secuencia. El modelo se iniciar\u00e1 autom\u00e1ticamente y generar\u00e1 los resultados del an\u00e1lisis.<\/p>\n\n

Caso de prueba<\/strong><\/h3>\n\n
\"\"
Figura 13: Entorno de prueba<\/figcaption><\/figure>\n\n
\"\"
Figura 14: Curva de prueba<\/figcaption><\/figure>\n\n

Diagrama de bloques del sistema<\/strong><\/h3>\n\n
\"\"
Figura 15: Diagrama de bloques del sistema 1<\/figcaption><\/figure>\n\n
\"\"
Figura 16: Diagrama de bloques del sistema 2<\/figcaption><\/figure>\n\n

Equipos<\/strong><\/h3>\n\n
\"\"<\/figure>\n\n
\"\"<\/figure>\n\n
\"\"<\/figure>\n\n

Hay m\u00e1s detalles t\u00e9cnicos disponibles bajo solicitud; utilice el formulario \"Get in touch\" que aparece a continuaci\u00f3n. Nuestro equipo puede compartir ajustes recomendados y un flujo de trabajo in situ adaptado a sus condiciones de producci\u00f3n.<\/p>\n","protected":false},"excerpt":{"rendered":"

En nuestra entrada de blog anterior, \"Detecci\u00f3n de ruido an\u00f3malo: de los o\u00eddos humanos a la IA\" tratamos los principales puntos d\u00e9biles de la escucha manual, presentamos la soluci\u00f3n de pruebas de ruido an\u00f3malo basada en IA de CRYSOUND, describimos a alto nivel el enfoque de entrenamiento y mostramos c\u00f3mo puede desplegarse el sistema en [...]<\/p>\n","protected":false},"author":9,"featured_media":273735,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[1055,1066,1062],"tags":[],"class_list":["post-284728","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blogs","category-casos-de-estudio","category-notas-de-aplicacion"],"blocksy_meta":[],"acf":[],"jetpack_featured_media_url":"https:\/\/design.crysound.com\/wp-content\/uploads\/2026\/02\/content-1.webp","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/posts\/284728","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/comments?post=284728"}],"version-history":[{"count":0,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/posts\/284728\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/media\/273735"}],"wp:attachment":[{"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/media?parent=284728"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/categories?post=284728"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/tags?post=284728"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}