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.