汽车零部件产线异响全检：用固定式声学工位替代“老师傅耳朵”

客户产线以多品种、小批量工件为主，传统做法是老师傅手持听音棒逐件听异响。痛点很典型：

• 样本天然不足：某类工件可用良品/不良品样本仅十余条，监督学习一做就过拟合，上线后准确率骤降；
• 手持采集不可复现：距离、角度、握持力度每次不同，同一工件特征分布漂移，模型无从学起；
• 缺算法团队：质检部门无人写 Python、调模型，依赖外部团队周期长、费用高。

这正是工业声学质检最常见的“算法之外的坑”——前端链路与样本量，而非算法本身。

分三步落地，全程由质检员在图形化界面完成：

1. 固定式声学工位替代手持：刚性铝合金底座（≥800g）+ 硅胶减震脚垫，实测隔离桌面结构传声 30dB 以上；三维锁紧调节臂锁定拾音几何（±1mm / ±2°），每次采集物理条件完全一致，从源头消除漂移。
2. 良品基线学习（One-Class）：先采集 20–30 台良品建立正常声纹边界，无需任何不良品样本；阈值模式下屏幕直接显示“哪个频带超标、超多少 dB”，老师傅无需理解 AI 置信度也能信服。
3. 开放平台自迭代：客户自行在平台加样本、重训练、一键同步到硬件，更新周期压缩到 1 个工作日；模型本地运行，数据不出车间。

技术底座为 88 维声学特征（MFCC + 包络调制 + 时域统计量），训练端到推理端跨平台对齐误差 <0.05%，确保实验室指标原样落到产线。

• 小样本可上线：良品基线模式下推荐 50 条良品即可稳定建模，样本不足时先用阈值模式跑起来，避免“能跑但不可信”；
• 一致性可控：固定式链路使同工件第 1 件与第 10 万件采集条件一致，模型精度不打折；
• 无算法团队运维：图形化标注 + 一键重训，质检员自主完成，不再依赖外部算法团队；
• 数据合规：边缘独立推理、不联网不上云，满足工厂数据安全要求。

说明：以上为平台在该项目中的能力落地描述；具体客户产出指标按其内部核算口径，本文不公开。

Q1：不良品样本很少也能做吗？
A1：能。采用良品基线（One-Class）学习，只用 20–30 台良品建立正常边界，无需不良品样本；样本更少时先用阈值模式上线。

Q2：为什么不用手持设备直接检？
A2：手持采集的距离/角度不可复现，±3dB 声压差就足以让 Pass 变 Fail；固定式工位锁定几何与减震，保证跨时间一致性，是产线全检的前提。

Q3：客户自己能维护模型吗？
A3：能。开放平台支持客户自行加样本、重训练、一键同步硬件，更新周期约 1 个工作日，且数据不出车间。