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。

在線異音檢測可以說是人工智能技術在家電生產過程中的一個合適應用場景，但要想與家電生產流程真正無縫結合，真正替代人工聲檢，還需要解決很多技術和管理上的難題，技術難題包括產線節拍匹配、信號采集、環境噪聲消除、訓練樣本選擇、合適學習模型確定等，管理難題包括檢測規范與標準的制定以及檢測流程的重構等，解決這些難題的方法和思路將在后續詳細深入討論。

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。