CH/ EN
声音检测解决方案

东声的声学识别是通过布置在工业环境中的传感器收集工业产品或设备的声音数据,从中提取声音特征值,利用机器学习,深度学习算法,可以应用在产品缺陷的检测以及分类、工业设备实时运行状态以及各零部件的健康指标以及工厂的突发事件预警。

深度学习声音识别

高识别率

人对音频3000~4000HZ的声音最为敏感,传感器可收集到的音频范围达到20 ~ 20000HZ甚至包括次声和超声(10-4—1013Hz),机器可以收集到人类无法感知的低音频和高音频段的声波。

高准确率

工业场景极为复杂,大量干扰声波,就算无尘工厂,也没有绝对无噪环境,AI可以运用深度学习算法,自主提取声音特征进行学习,排除干扰因素。

通用性强

无论是工业产品声音检测,工业制造设备故障预测都可以用我们的AI声音检测平台处理,不受行业和领域的限制。

易部署

整套标准的声音检测解决方案,传感器可以附属在需要检测的物体表面,无需嵌入设备,甚至某些环境也可以不接触设备,做非接触式检测,非常灵活。

检测产品缺陷
及分类

结合软硬件分析技术,东声可以将声学识别的信息通过算法进行组合分析,进行精确的定位及分析检测。

利用热力图的方式将捕捉到的声音信号呈现在界面上,并依赖深度学习算法进行数据处理。

设备故障监听
及预测

为检测工厂中的各项设备,如发电机,切割机等。可在设备上搭载嵌入式声学识别传感器,通过AI深度学习对获取的声学数据进行音波、频率分析,从而预测出设备将要发生故障的部位与时间,提前检修规避问题。

设备的部件会根据生产运作产生碰撞或者摩擦,而这些部件随着时间会有所损耗甚至导致失效。在这运动过程中,所获取的音频信息可作为监测这些故障的标志。AI能够监听早期的运作声音,通过设备的声音变化来判断设备是否即将损坏。预知故障发生的可能性和发生时间,提前预警。

超声波:可视化设备内部结构

深度学习算法:对特殊声音信息加以标签,通过神经网络,预测出设备具体发生的故障种类。

预防突发性事件

利用大环境收集的音频数据,建立神经网络模型,可实时监测传感器收集到的极限/特殊数据,如突发性的异响,异常的频率,从而到达预测异常事件发生的可能性。

如何部署

开发版训练好神经网络模型后
导入至流水线Runtime版中进行检测