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。

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。