• 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

/边缘计算

整合数据安全

自动预警上报

质量报告,SPC, Andon, OEE


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

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