• 行业现状与痛点
  • 技术创新
  • 检测系统介绍
  • 边缘采集设备
  • 智能检测的价值
  • 合作院校

行业现状


当今的制造领域，因为尺寸，形状，密度，裂纹，部件连接方式等因素的影响会使产品内部产生缺陷，一些缺陷能通过声音及振动的方式检测出来

例子1: 完好的玻璃杯发出声音是清脆的，有裂纹的玻璃杯发出的声音是沉闷的

例子2: 内部旋转部件标准的电机发出的声音是平顺的，有破损的部件会发出打齿或者刺耳的啸叫声




行业痛点


需要100%全检

在线人工检验带来的稳定性差

质检的综合成本高


适用行业

广泛应用于电机，家电，泵，冶金，铸造，冲压，制陶，焊接等需要通过人工经验进行判定的行业

传统方法：

靠有经验的人耳听音判定。但是该方法问题明显

1. 主观因素影响过大，不同的人判定结果不一致

2.人长时间听音效率和准确率都会降低，甚至对人耳产生伤害

3.人员流动带来knowhow流失

升级方案：

自动化测试设备。但是该方法有局限性

1.工程师需要做大量的实验设置一个数值，每次修改都会对良品率照成难以估量的影响

2.工程师的knowhow对选择的实验参数起着至关重要的作用，而不同产品的异音描述很可能是不一样的   

我们的技术：

1.通过机器学习的方法找到声音的特征，一次建模多次验证

2.只需通过学习好件样本就可建立初始模型，出现异音时进行预警
3.在线应用实现“机器换人”，把knowhow留在公司内部

测试方法

软件模仿人耳听觉系统识别声音的特征，根据特征来标定和判断好坏

系统可实现小数据建模，同时完成坏件的粗筛工作

随着系统的使用，数据量的增加可以实现系统在线升级，同时提高产品的准确分类

系统最终实现把人从重复性判定和24小时监控的工作中解放出来

定量分析

提供时间域、频率域和角度域等多种分析方法

针对被检产品不同的零部件，可设定各自的参数指标

实时判定产品质量的好坏

原始信号保存，可进行回放人工校验

自动生成定制化报告，如质量报告


定性分析

人为标定被检产品的好坏，系统只需要通过少量的样本自学习模式自行建立判定标准，初始建模后可自主分类

针对被检产品不同的零部件，可开放检测阈值的设置也可使用系统推荐标准

实时判定产品质量的好坏，根据信号特征自动判定失效模式

原始信号保存，可进行回放人工校验

自动生成定制化报告，如质量报告

基于AI声学的无损检测


系统可以区分损伤件，如：冲压，铸造，轴承，电机，齿轮等

自主式在线学习和测试

异音噪音检测

云/边缘计算

整合数据安全

自动预警上报

质量报告，SPC, Andon, OEE等

AAA声音指标分析仪

工业PC+分析软件

主要针对产品在线及离线的噪音检测和分析

提供频域、时域等多种分析方法

可设定各自的NVH指标和阈值用于自动判定

可追溯性：记录每个产品的声纹

质量数据和生产控制，如SPC

云端AI服务互联，模型在线升级，数据自动备份

AAED声音采集判定边缘设备


单片机+液晶显示屏

主要针对产品在线噪音检测

可连接外置设备，如报警灯，扫描仪

可追溯性：记录每个产品的声纹

云端互联，模型在线升级，数据手动备份