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.