隨著工業4.0的發展，人們在機械系統故障診斷的預防中，廣泛地研究了各種基於人工智能（AI）的異常診斷和預測技術。聲學訊息機器學習（AEML）系統是一種利用聲學訊息來預測系統的健康狀況和預防監視系統故障的有效方法。AEML系統基於聲學數據（包括來自機械設備的振動信號和聲學圖像）所開發出的數據驅動機器學習系統。本系統利用深度學習模型來分析和組合輸入聲學特徵數據，然後搭配AI學習方法，可將其用於多種目標的決策問題。該系統可廣泛應用於許多面向，尤其在應用於監視機器狀態和產品品質有很高的辨識度。

　　在工業4.0中，人們對開發AI與自動化結合的跨領域技術抱有濃厚的興趣。以往生產線的控制和操作會需要對製造過程十分了解的工程師進行初步的主觀判斷，以確定實際程序和相應的控制設置是否正常，但手動控制產線有時具有很多不確定性，很難衍生成自動化產線（例如多種機構裝配過程）。因此，人們期望數位孿生系統（或網路物理系統）能在各個領域知識中構建出智慧化生產系統，讓AI可藉由大數據分析開發最佳應用程序於生產線。許多工業應用技術已經利用這種智慧自動化系統來實現高精度的生產模式。而針對產品的品質控制（QC）階段，AEML方法可將機械產品噪聲利用頻率響應分析方法來估算自動化生產線的生產品質，是一種將環境聲學數據即時轉換分析的科學技術。因此，最近台灣許多機件製造商期望該技術可用於改善其產品品質，並正在尋找產學合作的機會，透過技術革新以解決人力資源短缺的問題。

　　AEML方法係一種基於聲學訊號的AI的預測和診斷系統的資源工具，利用聲學大數據訊息技術建立出AI學習模式。本方法利用來自聲學數據的訊息來開發數據驅動的解決方案，例如音頻流、聲學圖像、聲結構參數、聲音特徵以及來自機械設備的振動信號。獲得數據之後，藉由AI數據學習技術，自動解析輸入的數據可識別噪音類型，並推估最佳控制、設計與建議的預測分類結果。由於聲學傳感器（例如微機電麥克風（MEMS））現已廣泛使用，因此將AEML方法應用於QC產線上可以節省產品自動化診斷的成本。相較於以往的傳統聲學方法，與AI模型連結的AEML方法可以更好地識別和分析每個感測器的聲學訊號數據，並依此進行相關的品檢分類任務。值得一提的是，AEML方法所使用的AI技術並不複雜，諸如卷積神經網路（CNN）和遞歸神經網路（RNN）模型皆可用來製作出AI模型。模型經訓練後，便可應用於分析生產線的各個感測器訊息。

　　同時，由於AEML方法可以有效地識別與噪聲相關的分類任務，因此也適用於健康狀況監視案例。以一發動機的健康監控為例，當部件產生的異常振動聲時，通常為其內部組件的品質缺陷問題，此時聲學訊息特徵與AI分類模型便可確定產品缺陷問題。當然，AEML方法也可應用於汽車電機噪聲健康管理問題。在一般行駛情況下，訓練後的模型最終達到了93.2％的預測精度。

　　許多物聯網（IoT）和設備供應商以及研究者已經對AEML相關技術應用表示了興趣。將來更期望用於生產系統中的雙向控制過程。將聲學與AI方法置於線程管理系統的控制終端，並建立IoT控制系統與產線數據連結，從而控制主線程並執行策略和操作。

圖1：將聲學訊息機器學習用於工業機器產品的健康監控應用
 

圖2：透過聲學頻譜處理，基於AI的學習方法的概念流程
 

圖3：範例展示以AEML方法對機械噪聲的自動化分類結果