家電異音檢測可以按照下圖所示的技術途徑來實施。按照機器學習的要求，通過傳聲器和信號采集系統進行聲信號樣本采集，需要注意的是采集得到的聲信號既包含家電的運轉聲，也包括生產線的環境噪聲。采用現有成熟的多種信號處理方法對所測聲信號進行預處理，通過分析比較和嘗試，組成最佳的信號特征向量，該向量應該能夠最大程度反映家電狀態信號，同時抑制環境噪聲。 常用的信號特征提取方法一般包括時域、頻域和時頻域三類，時域的典型特征有短時能量和過零率；頻域的特征種類繁多，有各種譜分析方法、線性預測系數以及梅爾頻率倒譜系數等；時頻特征包含短時傅里葉譜和小波譜，時頻特征會帶來較大的計算量，但卻更能完整全面地描述音頻信號。

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。

隨著機電自動化技術的進步，家電生產線中許多需要體力勞動的工位逐漸被機械手所代替，但仍有很多非體力工位還離不開人，比如視檢和聽檢工位，不需要人的體力或操作，而要靠人的眼睛和耳朵來判斷產品的某項指標是否品質合格，這樣的工位就需要人工智能才能很好完成替代。 由于圖像處理技術的迅猛發展，視檢工位目前已有了很多很好的替代方案，但由于產線上聲環境復雜，檢測規則難易實現簡單的參數化描述，聽檢工位目前大多還是要靠人工來完成。但是，人工聽檢存在下圖列出的種種問題，已難以滿足產線智能化升級的需要。從表中也可以看出，人工聽檢的缺點正好就是人工智能檢測的優勢所在。