異音檢測的兩種模型： 人工聽檢的自動化替代技術主要有兩類模型，一類是參數驅動模型，另一類是基于人工智能的數據驅動模型。前者通過分析比較找到一個標準參數范圍，在范圍之內的為正常，在范圍之外的為故障，但這樣的參數范圍卻很難選擇確定，因為人工聽檢所依據的判斷規則很難用顯示的參數來描述；人工智能則可以模擬人的學習和判斷過程，通過特定的模型描述那些只能意會卻無法言傳的判斷規則。下圖給出了兩類模型的比較。

根據信號特征向量將聲信號樣本轉化為數據集，數據集包括訓練集、驗證集和集。選擇合適的機器學習模型，將數據集應用于機器學習模型進行訓練、驗證和，通過多次循環，通過優化分析，在數據集的基礎上，獲取機器學習面向具體工程問題的最優參數，包括最優的特征向量、機器學習算法和異音檢測法則，這幾個環節可能需要多次循環才能得到最優的參數組合。最后，機器學習得到的分類法需要導入異音在線檢測系統，在實際的生產線上進行運行調試，最終在生產線上完成部署。

家電異音檢測系統的架構，系統由硬件和軟件兩部分共同組成了一個不可分割的整體，硬件部分包括測量環境、傳感器、采集系統和判別系統，測量環境可以是基本不做改動的原始生產線，也可以是在生產線上設計添加的簡易隔聲或吸聲空間，測量環境的考慮重點是如何減少生產線環境噪聲的影響。傳感器和采集系統一般要求滿足可聽聲頻帶的采樣要求，對系統的量化精度要求至少采用16位采集系統，能達到24位更好。判別系統一般是采集系統和計算機的結合體，計算機上運行的軟件是信號特征提取算法和機器學習模型。 軟件部分中的信號測量分析模塊主要完成信號的采集和保存，應用信號處理技術，特征提取模塊抽取聲信號樣本特征，構建特征向量和機器學習數據集。機器學習模塊實現各種機器學習算法，在特征向量數據集的基礎上，完成訓練、驗證和等環節，最終獲得異音判別參數，過程中還包括特征向量和機器學習模型參數的選擇與優化。