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。

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。