机械设备及产品发出的声音、异音、噪音信号能够有效表征其运行状态，若出现异音异响，则表明其机械设备及产品存在故障或质量缺陷。目前机械设备及产品的质量检测和故障诊断大多采用人工听诊的方法，存在误判率高、效率低下以及生产成本日益增加的问题。本成果专注于工业声学大数据在智能制造领域应用，开发工业智能听诊系统，其利用声学传感器在线采集机械设备及产品信号，依据专业声学分析方法，结合机器学习技术，可替代人工完成产品异音异响下线检测及关键设备的预测性维护。异响异音检测系统可以获得产品在接近真实工况下的NVH外特性，据此对产品的NVH表现进行声学质量评估和判断。上海电力异响检测介绍
悬挂系统：悬挂系统的各个部件，如减震器、弹簧、悬挂臂等，在车辆行驶过程中承受较大负荷。如果这些部件损坏或老化，可能会导致车辆出现异响检测或震动。刹车系统：制动器的垫片使用过度或制动钳损坏时，制动时会产生轻微响声或尖锐声响。这些声音通常与刹车盘和刹车片的摩擦有关。转向系统：转向系统中的转向柱杠、转向球头等部件如果出现问题，如磨损、松动或损坏，车辆在转向时可能会产生异响检测。轮胎：轮胎磨损、失衡或气压不足时，会导致车辆在行驶过程中出现不正常的声音或振动。这些声音通常与轮胎与地面的接触有关。上海稳定异响检测供应商通过异响检测，制造商可以及时发现并改进产品设计或生产工艺中的缺陷，提升产品的整体品质和用户满意度。
失去了发动机的掩盖效应之后，各种生产缺陷被放大，比如齿轮齿面波纹度和轴承异响，更容易被人耳识别到。电动机转矩波动会通过动力总成固定装置传递到车身或者通过输出轴传递到驱动轮。这些力矩波动可以通过扭转加速度测量甚至表现为线性振动。找出隐藏的质量缺陷尽管整车测试中没有主观异响或者噪音，但也可能存在限制产品使用寿命的耐久性质量缺陷。生产统计分析通过存储100%生产测试的所有结果生成的结果数据库，可以进行生产数据统计学分析：前N项主要质量缺陷分析，提供一个简洁的产线概览。
机器学习模型训练：利用大量包含正常和异常情况的数据对机器学习模型进行训练。通过监督学习算法，使模型能够学习并识别正常声音与异常声音之间的区别。实时监测与异常检测：将训练好的机器学习模型集成到生产线的控制系统中，实现实时监测。当系统检测到异常声音时，能够在秒级响应内触发警报，通知操作人员及时采取相应措施。结果展示与记录：将检测结果以直观的方式展示给操作人员，如通过用户界面显示测试结果和故障源定位信息。记录并分析所有监测数据，以便后续跟踪和改进。在发动机检测中，通过单缸或双缸断火的方法观察异响检测的变化情况，以判断故障的具体部位。
检测原理：利用声学传感器捕捉产品或设备在运行过程中产生的声音信号。对这些声音信号进行频谱分析、时域分析等处理，以识别出异常声音。检测流程：布置测试环境：通常需要布置具有隔声性能的静音箱（也称无响箱），以隔离车间噪声和振动，提供理想的测试环境。信号采集：通过声学传感器（如麦克风）收集产品或设备运行过程中的声音信号。数据采集需要在恰当的位置和条件下进行，以保证获得准确且具有代表性的声音数据。预处理：对收集到的声音信号进行预处理，如滤波、降噪等，以去除不相关的干扰信号，提高信号质量。电驱异响检测是电动汽车制造和维护过程中的一项重要工作。上海降噪异响检测系统
使用噪音测试仪、振动分析仪等专业设备对设备的异响进行定量分析和定位。上海电力异响检测介绍
确保检测环境安静：避免外部噪音对检测结果产生干扰。遵循正确的检测流程和操作方法：确保数据的准确性和可靠性。持续改进：通过记录和分析监测数据，不断优化检测系统的性能和准确性。四、应用效果异音下线检测系统的应用可以显著提高生产线的检测效率和准确性，降低产品的返修率和客户投诉率。同时，该系统还可以为制造商提供宝贵的产品质量数据，为后续的生产过程调整和优化提供依据。综上所述，异音下线检测在实际生产线上的实现需要综合考虑硬件部署、数据采集、信号处理、机器学习模型训练以及结果展示等多个方面。通过不断优化和完善这些环节，可以确保检测系统的稳定性和准确性，为产品质量保驾护航。上海电力异响检测介绍
