0
Panier
Order List
Prix total
$0.00
Achat direct disponible
Mesurer le son, en mieux
Parcourir les auteurs
Blogs
Pendant la production pilote et la montée en cadence de la ligne, de nombreux problèmes n’apparaissent pas de la manière attendue par les équipes. Parfois, tout commence par une légère fluctuation à une station de test, ou par le commentaire d’un ingénieur de ligne disant : "Ce résultat semble un peu inhabituel."Cependant, lorsque le takt time, les objectifs de rendement et les jalons de livraison sont tous sous pression, ces anomalies apparemment mineures peuvent rapidement s’amplifier et commencer à affecter le rythme global de la production. Nous travaillons avec Huaqin comme partenaire de longue date. Au fur et à mesure de l’avancement des projets, les défis rencontrés sur la ligne de production sont devenus de plus en plus complexes. Sur site, notre rôle s’est progressivement étendu du simple support de test de production à l’analyse des problèmes et à la coordination inter‑équipes pendant la production pilote. Dans de nombreux cas, l’enjeu n’était pas seulement de savoir si une station de test fonctionnait, mais de comprendre comment absorber les incertitudes en amont et les empêcher de perturber les plannings de livraison. Les deux expériences suivantes ont toutes deux eu lieu pendant la phase de production pilote des projets Huaqin. Ce ne sont pas des cas exceptionnels. Au contraire, elles représentent le type de problèmes quotidiens qui reflètent le plus fidèlement la réalité de la livraison sur ligne de production. Problèmes de test d’étanchéité dans le projet α Lors de la montée en cadence pilote du projet α, la station de test d’étanchéité du microphone audio présentait une instabilité nette. Pour un même lot de produits, les taux de réussite fluctuaient sensiblement au fil des tests répétés, interrompant fréquemment le rythme de fonctionnement de la station. Le dépannage initial s’est naturellement concentré sur le système de test lui‑même, y compris la logique logicielle, l’état des équipements et les réglages de paramètres de base. Il est toutefois vite apparu que le problème ne provenait pas de ces aspects. Au fur et à mesure des vérifications sur site, nous avons progressivement confirmé que l’anomalie était plus étroitement liée à la structure mécanique du produit et aux caractéristiques des matériaux. Ce modèle utilisait une combinaison de matériaux relativement peu courante. Une solution d’étanchéité qui avait bien fonctionné sur des projets précédents ne parvenait pas à maintenir la régularité lors de la compression réelle. De légères variations de la pression appliquée suffisaient à influencer les résultats de test. Une fois la direction du problème clarifiée, l’approche sur site a été ajustée en conséquence. Plutôt que de modifier à répétition la solution existante, nous sommes revenus à la vérification de la compatibilité entre les matériaux et la structure. Au cours de la période suivante, nous avons travaillé avec l’équipe d’ingénierie du client sur la ligne de production, en testant plusieurs options de matériaux. Cela incluait différents types de silicones et de matériaux de calage, des variations de dureté du silicone et des ajustements des méthodes de compression du bouchon. Chaque étape était évaluée sur la base de résultats de test réels avant de passer à la suivante. Le processus n’a pas été rapide, ni particulièrement astucieux. En essence, il s’agissait de confirmer à plusieurs reprises une seule question : cette solution peut‑elle fonctionner de manière stable dans les conditions réelles de la ligne de production ?Finalement, grâce à l’introduction d’un joint personnalisé en silicone souple et à de fins ajustements de paramètres, les résultats du test d’étanchéité se sont progressivement stabilisés. La station a pu fonctionner en continu et le rythme de la production pilote a été rétabli. Figure 1. Schéma du dispositif de test Problèmes de bruit de fond dans le projet β Comparé au problème d’étanchéité du projet α, l’anomalie de bruit de fond rencontrée pendant la production pilote du projet β était plus complexe à diagnostiquer. Lors de la production pilote de casques pour le projet β sur le site Huaqin de Nanchang, la station de test du bruit de fond déclenchait des alarmes à répétition. Les données de test montraient que les niveaux de bruit mesurés dépassaient systématiquement les limites de spécification, ce qui affectait fortement le calendrier de la production pilote. Ce modèle utilisait des transducteurs haute sensibilité associés à une nouvelle conception de circuit, ce qui rendait les sources de bruit potentielles intrinsèquement plus complexes. Ce n’était pas un problème pouvant être résolu en ajustant simplement un seul paramètre. Plutôt que de se concentrer uniquement sur la station de test, nous avons travaillé avec l’équipe audio du client pour analyser le problème sous l’angle de la chaîne de signaux au niveau système. Le processus a consisté à tester successivement différents câbles blindés, à ajuster les stratégies de mise à la terre, à évaluer diverses méthodes de connexion du dongle Bluetooth, et à isoler les sources potentielles d’alimentation et d’interférences électromagnétiques dans l’environnement de test. Grâce à une analyse spectrale continue et à des tests comparatifs, le périmètre du problème a été progressivement réduit. Il a finalement été confirmé que le bruit de fond élevé était principalement lié aux interférences d’alimentation du dongle Bluetooth, combinées à des différences de comportement du produit selon les états de fonctionnement. Après avoir tiré cette conclusion, les configurations concernées ont été ajustées et validées sur site. En conséquence, les mesures de bruit de fond sont revenues dans une plage stable et maîtrisable, permettant à la production pilote de se poursuivre. Figure 2. Collaboration avec l’ingénieur du client pour résoudre les problèmes Caractéristiques communes des problèmes de production pilote Avec le recul sur ces deux expériences de production pilote, il apparaît clairement que, malgré leurs manifestations différentes, les processus de diagnostic sous‑jacents étaient très similaires. Qu’il s’agisse d’instabilité d’étanchéité ou de bruit excessif, la cause racine ne pouvait pas être isolée à un seul module. Une résolution efficace exigeait une évaluation sur site englobant la structure mécanique, les matériaux, les états de fonctionnement du système et les conditions de test. Pendant la production pilote, des problèmes de ce type s’accompagnent rarement de réponses toutes faites. Ils sont également peu susceptibles d’être résolus en un seul cycle de vérification. Le plus souvent, les progrès viennent de tentatives répétées, de comparaisons et d’éliminations, qui permettent de converger progressivement vers une solution réellement adaptée à une exploitation durable de la ligne de production. La livraison sur ligne de production suit rarement un parcours parfaitement fluide. Dans de nombreux cas, ce qui détermine finalement si un projet peut avancer comme prévu, ce sont ces problèmes inattendus qu’il faut traiter immédiatement dès qu’ils surviennent. Dans notre collaboration à long terme avec les clients, notre travail se situe souvent à ces moments critiques : nous travaillons aux côtés des équipes d’ingénierie pour stabiliser les processus, maintenir l’élan et faire progresser les projets pas à pas. Si vous souhaitez vous aussi que CRYSOUND accompagne votre ligne de production, vous pouvez remplir le formulaire « Contactez‑nous » ci‑dessous.
Dans notre précédent article de blog, « Détection de bruits anormaux : des oreilles humaines à l’IA », nous avons présenté les principaux points douloureux de l’écoute manuelle, introduit la solution de test de bruits anormaux basée sur l’IA de CRYSOUND, décrit de façon générale la méthode d’entraînement et montré comment le système peut être déployé sur une ligne de production de TWS. Dans cet article, nous allons plus loin : nous approfondissons les principes d’analyse de l’algorithme d’IA de détection de bruits anormaux de CRYSOUND, nous partageons des configurations de test pratiques et des performances en conditions réelles, puis nous concluons par une liste de contrôle complète de configuration que vous pouvez utiliser pour planifier ou valider votre propre déploiement. Défis de la détection d’anomalies avec des algorithmes classiques Dans les usines réelles, les vrais défauts sont à la fois rares et très divers, ce qui rend difficile la constitution d’une bibliothèque complète de signatures sonores anormales pour un entraînement supervisé. Même des algorithmes à base de règles bien réglés — parfois fortement personnalisés — couvrent rarement toutes les signatures anormales. De nouveaux modes de défaut, de légères variations et l’évolution des conditions de production peuvent se situer en dehors des seuils ou modèles de caractéristiques prédéfinis, ce qui entraîne des défauts non détectés (échappés). Sur la figure ci-dessous, nous comparons deux fichiers wav que nous avons générés manuellement. Figure 1 : Wav OK Figure 2 : Wav NG Vous pouvez voir que les contrôles classiques — réponse en fréquence, THD et algorithme rub & buzz (R&B) typique — détectent difficilement le défaut de bruit de faible niveau injecté ; l’écart global de la courbe n’est que d’environ 0,1 dB. Dans une simple comparaison FFT, les deux fichiers wav présentent bien quelques divergences, mais en conditions de production réelles, l’énergie du défaut peut être encore plus faible, ce qui la fait très probablement passer sous les seuils fixes et la laisse échapper. En revanche, dans la représentation temps–fréquence, la signature anormale est clairement visible, car elle apparaît comme un motif structuré dans le temps plutôt que comme un petit changement sur une seule courbe moyennée. Figure 3 : Résultats d’analyse Principe de l’algorithme d’IA de détection de bruits anormaux CRYSOUND propose une approche de détection de bruits anormaux basée sur un cadre d’apprentissage profond qui identifie les défauts en reconstruisant le spectrogramme et en mesurant ce qui ne peut pas être correctement reconstruit. Cela permet de dépasser les limites essentielles des méthodes classiques basées sur des règles et, sur le plan des principes, d’obtenir une couverture de défauts plus large et plus systématique — en particulier pour les signatures anormales subtiles, diverses et jamais vues auparavant. La figure ci-dessous illustre le flux de travail central de notre chaîne d’entraînement et d’inférence. Figure 4 : Principe du flux de l’algorithme Pendant l’entraînement du modèle, nous construisons l’algorithme en suivant le flux de travail ci-dessous. Figure 5 : Principe de décision de l’algorithme Comment utiliser et déployer l’algorithme d’IA Préparation Commencez par préparer un microphone de mesure à faible bruit / simulateur d’oreille à faible bruit et une alimentation pour microphone, afin de pouvoir capturer les signatures anormales subtiles tout en fournissant une alimentation stable au micro. Figure 6 : Microphone de mesure à faible bruit Ensuite, vous aurez besoin d’une carte son pour enregistrer le signal et transférer les données vers le PC hôte. Figure 7 : Système d’acquisition de données Troisièmement, utilisez un dispositif de fixation ou gabarit de positionnement pour maintenir le produit afin que le positionnement soit reproductible et que chaque enregistrement soit effectué dans des conditions cohérentes. Enfin, garantissez un environnement acoustique calme et stable : en laboratoire, une chambre anéchoïque est idéale ; sur une ligne de production, on utilise généralement une boîte d’insonorisation pour contrôler le bruit ambiant et garder des mesures cohérentes. Figure 8 : Salle anéchoïque Figure 9 : Chambre anéchoïque Développement du modèle Commencez par créer une séquence de test dans SonoLab, sélectionnez « Deep Learning » et appliquez le paramètre. Ensuite, sélectionnez le module d’algorithme d’IA de détection de bruits anormaux approprié ainsi que son API correspondante. Figure 10 : Interface de séquence 1 Ouvrez ensuite les Paramètres et spécifiez le type de modèle, ainsi que les chemins de fichier du jeu de données d’entraînement et du jeu de données de test. Cliquez sur Train et attendez la fin de l’entraînement du modèle (la durée d’entraînement dépend du matériel de votre PC). Figure 11 : Interface de séquence 2 Pendant l’entraînement, l’indicateur d’état passe au jaune. Une fois l’entraînement terminé, il passe au vert et affiche le message « Entraînement terminé ». Figure 12 : Interface de séquence 3 Enfin, placez vos fichiers WAV de test dans le dossier de test spécifié et exécutez la séquence. Le modèle démarrera automatiquement et produira les résultats d’analyse. Cas de test Figure 13 : Environnement de test Figure 14 : Courbe de test Schéma bloc du système Figure 15 : Schéma bloc du système 1 Figure 16 : Schéma bloc du système 2 Équipement Davantage de détails techniques sont disponibles sur demande ; veuillez utiliser le formulaire « Contactez-nous » ci‑dessous. Notre équipe peut partager des réglages recommandés et un flux de travail sur site adapté à vos conditions de production.
À mesure que les microphones et capteurs A²B sont de plus en plus adoptés dans les applications automobiles, la demande d’essais fiables en R&D comme en production augmente elle aussi. Cet article explique pourquoi les tests A²B sont importants, met en avant les avantages de l’A²B par rapport au câblage analogique traditionnel en termes d’interconnexion et de montée en charge, décrit les principaux indicateurs de mesure (tels que la réponse en fréquence, le THD+N, la phase/la polarité et le RSB) et présente un exemple typique de banc de test ainsi que la configuration de solution correspondante. Pourquoi le test des microphones et capteurs A²B est important L’audio embarqué ne se limite plus à la simple « lecture de musique ». Les véhicules modernes dépendent d’un système de détection acoustique haute performance pour la téléphonie mains libres, la communication dans l’habitacle, les assistants vocaux, l’ANC/RNC et bien plus encore ; et ces fonctionnalités s’appuient de plus en plus sur de multiples microphones et même des accéléromètres déployés dans tout l’habitacle. ADI souligne que la forte expansion des applications liées à l’audio, à la voix et à l’acoustique constitue une tendance clé, et que les nouvelles approches de microphones et de connectivité numériques permettent une adoption plus large. Pour garantir des performances constantes, les équipes ont besoin d’un flux de test reproductible pour différentes positions de nœuds, longueurs de faisceaux et configurations, sans transformer chaque session de débogage en projet personnalisé. Le basculement des interconnexions : des câbles analogiques blindés au bus audio numérique A²B Historiquement, augmenter le nombre de microphones signifiait souvent augmenter le câblage analogique blindé, ce qui ajoute du poids, des coûts et une charge d’intégration, limitant parfois ces fonctionnalités aux segments de véhicules haut de gamme. A²B (Automotive Audio Bus) résout ce problème d’interconnexion en permettant une architecture audio numérique en réseau, évolutive et à comportement déterministe – exactement ce dont les applications acoustiques sensibles au temps ont besoin. Les figures a et b montrent comment une telle conception peut être réalisée avec, respectivement, des systèmes analogiques traditionnels et des systèmes numériques A²B. Figure 1 (a) Conception de système analogique avec éléments de microphone analogiques (câbles blindés). (b) Conception de système numérique avec éléments de microphone numériques (technologie A²B et câbles UTP). Ce que vous mesurerez : principaux indicateurs de performance des microphones A²B Réponse en fréquence (FR) THD+N Phase / polarité (et cohérence entre canaux pour les réseaux de microphones) RSB AOP (si requis par votre programme/spécification) Schéma-blocs typique – à quoi ressemble le banc de test Chez CRYSOUND, nous fournissons bien plus que la seule interface A²B CRY580. Nous proposons une solution complète de test audio automobile, incluant des cartes d’acquisition audio, des microphones et capteurs, des sources acoustiques, des montages personnalisés, des caissons de test acoustique et des vibrateurs, pour offrir une expérience de test complète et rationalisée. Figure 2 Voici une description du schéma-blocs de test, incluant l’utilisation du tout dernier logiciel de test et de mesure audio OpenTest https://opentest.com Liste de nomenclature de la solution (BOM) La valeur de la prise en charge de bout en bout : réduire le temps d’intégration système et minimiser les coûts de coordination entre plusieurs fournisseurs. Nous couvrons tout, de la R&D aux tests en ligne de production. Figure 3 Liste de nomenclature (BOM) de la solution Si vous souhaitez en savoir plus sur les tests A²B, veuillez remplir le formulaire « Contactez-nous » ci-dessous et nous vous recontacterons rapidement.
Les moteurs e9lectriques sont largement utilise9s dans les automobiles modernes et les appareils e9lectrome9nagers (tels que les sie8ges e9lectriques embarque9s et les ventilateurs de9lectrome9nagers), et leur fonctionnement fluide influe directement sur la qualite9 du produit et sur lb4expe9rience utilisateur. Les proble8mes de bruit de moteur sont souvent re9sume9s sous le sigle BSR (Buzz, Squeak and Rattle), qui de9signe les bruits anormaux ge9ne9re9s par les moteurs automobiles et les composants associe9s. Le BSR est un proble8me de longue date dans lb4industrie manufacturie8re. Il re9duit non seulement la qualite9 pere7ue du produit, mais peut e9galement signaler des proble8mes tels qub4usure des roulements, pie8ces desserre9es et autres de9faillances. Laisser des produits de9fectueux arriver sur le marche9 peut gravement nuire e0 la re9putation de la marque et e0 lb4expe9rience utilisateur. c9coute manuelle traditionnellea0: pe9nible et peu fiable Par le passe9, la de9tection BSR reposait ge9ne9ralement sur lb4aba0e9coute manuellea0bb, mais lb4ouefe humaine pre9sente des limites importantesa0: Erreur de jugement subjectivea0: lorsque le bruit BSR est masque9 par le bruit de fond, lb4oreille humaine ne peut pas lb4identifier facilement. Les jugements sont fonde9s sur lb4expe9rience, et les re9sultats manquent de fondement objectif. Analyse impossible e0 quantifiera0: la gravite9 du BSR est difficile e0 quantifier, ce qui complique la de9finition de normes de qualite9 claires. Faible efficacite9 et fatiguea0: apre8s de longs tests, lb4oreille humaine se fatigue, la pre9cision de de9tection diminue et le risque de laisser passer des produits de9fectueux augmente. Briser le goulot db4e9tranglementa0: des solutions intelligentes pour surmonter les limites de la de9tection manuelle CRYSOUND, solidement implante9 dans le domaine des tests acoustiques, a lance9 une solution de test acoustique BSR en fin de ligne (EoL) pour les moteurs e9lectriques. En combinant mate9riel, logiciel et IA, CRYSOUND a cre9e9 un processus de test en boucle ferme9e qui offre une mise e0 niveau intelligente de la de9tection des bruits anormaux de moteurs. Composants cf4ursa0: syste8me de mate9riel de de9tection BSR + plateforme logicielle de test Cabine insonorise9ea0: cre9e un environnement de test contrf4le9 et peu bruyant, en bloquant les bruits exte9rieurs susceptibles de perturber la de9tection BSR. Module db4acquisition de donne9esa0: capture avec pre9cision les donne9es de bruit et de vibration du moteur en fonctionnement, afin de ne pas laisser e9chapper la moindre anomalie. Analyse algorithmiquea0: traite, analyse et e9value intelligemment les signaux capture9s, ce qui rend les de9fauts BSR difficiles e0 dissimuler. Flux de testa0: de la capture du signal e0 la de9cision intelligente 1.a0Tout db4abord, des capteurs capturent avec pre9cision les signaux de bruit et de vibration, transformant le bruit du moteur en donne9es nume9riques. 2.a0Ensuite, le syste8me traite les donne9es et ge9ne8re automatiquement des re9sultats db4analyse visuelle, montrant clairement of9 se produisent les anomalies et quelle en est la gravite9. 3.a0Enfin, des algorithmes spe9cialise9s tels que lb4analyse transitoire, lb4analyse de spectre FFT et lb4e9valuation de la qualite9 sonore sont applique9s. Avec des mode8les db4apprentissage profond, le syste8me peut identifier automatiquement le BSR cause9 par lb4usure des roulements, le desserrage, la pre9sence de corps e9trangers et db4autres facteurs, ce qui re9duit fortement les erreurs de jugement humaines et se9pare avec pre9cision les bons produits des produits de9fectueux. Couverture multiadsce9nariosa0: des moteurs e0 la fabrication haut de gamme, un levier de contrf4le qualite9 pour de nombreux secteurs Cette solution est largement applique9e dans les domaines suivantsa0: Ensembles de moteursa0: de9tection BSR pour divers micromoteurs, moteurs de9entraînement, actionneurs et autres composants lie9s aux moteurs. Pie8ces automobilesa0: dans le domaine carrosseriea0e28094 bouches db4ae9ration de climatisation, syste8mes/de rails/de moteurs de sie8ges, poigne9es de portes e9lectriques et autres composantsa0; dans le domaine habitaclea0e28094 moteurs de HUD, me9canismes de rotation de9cran, toits ouvrants e9lectriques et pie8ces associe9esa0; dans le domaine che2ssisa0e28094 syste8mes de freinage, syste8mes de direction et composants associe9sa0; dans le domaine de la conduite autonomea0e28094 modules LiDAR et autres syste8mes ne9cessitant une e9valuation BSR. Appareils e9lectrome9nagersa0: de9tection BSR pour les moteurs et composants motorise9s utilise9s dans les appareils e9lectrome9nagers haut de gamme et les dispositifs de maison intelligente. Autresa0: sce9narios industriels ne9cessitant une e9valuation stricte de la qualite9 sonore et une de9tection BSR de haute pre9cision. Cinq avantages majeursa0: rendre lb4inspection qualite9 plus intelligente De9tection acoustique par IAa0: en remplae7ant le contrf4le manuel par des machines, la de9tection devient plus objective et plus efficace, et prend en charge un fonctionnement continu et e0 haut de9bit en environnement de production. Capture pre9cise du BSR et pre9sentation visuellea0: les caracte9ristiques du BSR sont affiche9es de manie8re visuelle via des graphiques de donne9es, ce qui permet db4identifier les proble8mes db4un seul coup db4e9il. Supporte des tests EoL complets, avec re9sultats trae7ablesa0: lb4ensemble des donne9es de processus est conserve9, ce qui rend la trae7abilite9 qualite9 claire et conforme aux re9glementations. Solution tout-en-un hautement inte9gre9e, efficacite9 de production ame9liore9ea0: cette solution tout-en-un, fortement inte9gre9e, rationalise le processus de test et se connecte sans accroc e0 la ligne de production, ame9liorant ainsi lb4efficacite9 globale de production. Contribue e0 ame9liorer le rendement et e0 re9duire les re9clamations clientsa0: garantit un contrf4le qualite9 strict, empeachant les produits de9fectueux de quitter lb4usine et re9duisant conside9rablement les re9clamations clients. Si vous eates inte9resse9 par la solution intelligente de de9tection du bruit BSR de CRYSOUND ou si vous souhaitez discuter de vos besoins de test spe9cifiques, veuillez remplir le formulaire aba0Get in toucha0bb ci-dessous et notre e9quipe se fera un plaisir de vous aider.
