工业声学 AI 质检技术白皮书
结论先行：以产品工作声音为检测介质，结合声纹采集、特征提取与SVM + CNN 双引擎判定，可在 ≤5 秒/件节拍内实现 准确率 >99.5% 的非接触式在线全检，适用于汽车零部件、3C 与家电等产线。
一、背景与挑战
传统产线终检依赖人工听音或目视抽检，存在三个结构性痛点：人工听音主观性强（经验依赖、易疲劳、标准难统一）、抽检比例低（受节拍限制通常只能抽检少数批次）、缺陷形态持续变化（新工艺、新来料引入的新异音无法被固定规则覆盖）。
工业视觉（机器视觉）对外观缺陷（划痕、缺料、装配偏移）检测成熟，但对内部缺陷与动态故障（轴承异音、齿轮啮合不良、电机换向噪声、卡滞、松动）几乎无能为力—— 这类缺陷恰恰是声学检测的优势区间。两者能力互补，而非替代关系。
声学检测此前难以大规模落地的原因在于：产线噪声强（信噪比低）、缺陷样本少（正负样本不均衡）、模型迭代慢（依赖人工提取特征与调参）。 本白皮书给出的方案通过 近场拾音 + 边缘推理 + 样本持续回流迭代 解决以上问题。
二、技术原理：三层检测架构
近场声纹采集
高灵敏度拾音传感器非接触采集产品工作声音，触发方式与 PLC 节拍同步，保证每件产品在同一工况下采集。
声学特征提取
对采集信号做分帧加窗、FFT 频谱分析，提取频域能量分布、谱质心、MFCC 声纹特征与统计特征，压缩为高区分度特征向量。
SVM + CNN 双引擎
SVM 对低样本量缺陷快速建立基线判定，CNN 对复杂声纹模式深度建模；两引擎结果融合输出合格/缺陷结论与置信度。
判定逻辑采用阈值 + 置信度双保险：低置信度结果自动进入人工复核队列， 复核结论作为新样本回流训练集，实现边用边学的持续进化，这是传统固定阈值声级计方案不具备的核心能力。
三、系统架构
- 边缘计算单元：声纹推理引擎部署在产线本地，数据不出厂，断网可继续检测，单次判定毫秒级。
- PLC 集成：通过 IO / Modbus TCP 与产线 PLC 对接，接收到位触发信号并回传判定结果，自动分流不合格品。
- MES 集成：检测结果（件号、缺陷类型、置信度、波形图）实时上传 MES，形成每件产品的质量追溯档案。
- 远程运维：云端平台提供模型 OTA 升级、运行监控、报表分析与多线体统一管理。
四、性能指标
| 指标 | 数值 | 说明 |
|---|---|---|
| 检测节拍 | ≤ 5 秒/件 | 单工位流水线节拍内完成采集与判定 |
| 检测准确率 | > 99.5% | 训练充分后对已知缺陷类型的稳定准确率 |
| 检测方式 | 非接触式 | 传感器不接触被测件，不干扰产线节拍 |
| 误检率 | < 0.5% | 可配合二次确认降低关键工位误判 |
| 漏检率 | < 0.1% | 不良品外溢目标，可通过样本补充持续优化 |
| 推理位置 | 产线边缘本地 | 本地推理，数据不出厂，断网可用 |
| 系统集成 | PLC & MES | IO/Modbus TCP 对接 PLC，结果上传 MES |
| 模型升级 | OTA 远程迭代 | 新增缺陷样本后远程更新模型 |
五、实施流程
产线勘察与测点规划
评估产线节拍、噪音环境、被测件形态，确定拾音传感器安装位置与采集触发方式。
样本采集与标注
在真实产线采集合格/不合格件声音样本，由质检工程师标注缺陷类型（异音、卡滞、松动等）。
特征提取与模型训练
提取频域/时域/MFCC 等特征，训练 SVM + CNN 双引擎模型，完成阈值校准。
边缘部署与产线联调
推理引擎部署到产线边缘计算单元，与 PLC 触发信号联调，验证节拍内完成判定。
试运行与验证
双盲比对人工质检结果，统计准确率/误检/漏检，达到验收指标后正式上线。
运维与持续迭代
运行监控 + 新缺陷样本回传 + OTA 模型更新，实现不良形态变化后的持续自适应。
典型项目周期：首条产线从勘察到验收上线约 4-8 周，其中样本采集与模型训练约占一半时间。
六、适用场景
汽车零部件
转向器、制动器、减震器、座椅电机、雨刮电机、玻璃升降器等总成异音检测
电机与泵类
换向噪声、轴承异音、电磁啸叫、气蚀空转等动态缺陷识别
3C 与家电
风扇、压缩机、齿轮箱、传动机构装配质量与运行异音检测
精密制造
轴承、减速器、气动元件等对振动与噪声敏感的精密部件终检
结论：声学检测是产线全检的必要补充
工业声学检测与工业视觉检测能力互补：视觉管外观，声学管内部与动态缺陷。对异音类、动态类缺陷， 声学方案可在节拍内完成 100% 在线全检，并随样本回流持续进化。建议项目立项前完成 现场声学可行性测试（采集典型合格/不合格样本验证可分性），再进入方案设计。