背景与挑战
声学检测的发展历程源远流长，早期从声速测量、波动方程推导等基础理论研究起步，随后在第一次世界大战期间声学测距技术应运而生，20世纪20年代声级计开始出现并逐步发展。20世纪60年代晶体管技术的应用使声级计实现小型化便携化，80年代微处理器的引入让其具备更多功能。进入21世纪，声级计的连通性不断增强，可远程控制并云存储数据。与此同时，声学检测技术在电力设备检测、高温无损检测、超声显微检测等诸多领域不断拓展应用，还出现了光声检测、声学成像等新兴技术，未来有望在更多领域发挥更大作用。
随着工业4.0和智能制造的推进，新质生产力与声学的结合正成为推动产业创新和高质量发展的重要力量。声学技术与人工智能的深度融合，在产线成品检测方面，声学监测技术如超声波监测、电弧声信号分析等在特定场景展现独特优势。在设备监测领域，声学监测技术具有非接触式、成本效益高的优点，可收集机器运行健康状态的相关信息。在环境监测方面，声学监测技术可用于监测自然环境中的各种声音，以评估生物多样性和生态系统健康。为产业升级和技术创新注入新动力。
传统声学方法的缺陷
人工听音检测：受主观因素影响较大，难以对微小的异响进行准确识别，容易出现漏检和误判的情况，导致检测效率较低。
数据采集和分析系统：虽能提高检测精度和可靠性，但对传感器的精度和信号处理算法的要求较高，且在一定程度上依赖人工操作和专业知识进行结果解读。
系统介绍
AI声学检测与监测系统由三个模块组成：
数据采集模块：由传感器、数据采集、数据传输及终端平台四个部分组成，可采集声学、振动信号，同时支持多种传感器，提供高保真的原始数据。多通道同步测量，提供多点位、多产线的丰富场景支持。
数据预处理模块：部署在终端平台上的软件服务，对采集数据进行降噪、归一化等处理，提高数据可用性。利用体征提取算法，提取声音数据特征，为后续分类做准备。
AI分类模块：部署在终端平台上的核心模块，利用深度学习算法对声学信号进行分类。采用多种神经网络进行完成分类任务训练，并从中选取效果最优的模型应用。
图 1 系统架构图
1. 低门槛与用户友好
无需专业知识：传统声学分析需深厚声学知识，AI系统简化操作，用户无需专业背景即可上手。AI算法自动处理复杂声学数据，用户无需掌握傅里叶变换等专业知识，降低使用门槛。
界面简洁易操作：系统界面设计简洁直观，操作流程简单，用户可快速掌握。提供可视化操作界面，用户可通过拖拽等方式完成数据分类任务，提升用户体验与效率。
适应多种用户场景：适用于不同行业用户，如工业质检、环境监测等，无需额外培训。系统支持多语言和多种设备，方便不同地区和行业用户使用。
图 2 无需专业知识
2. 精准与可靠
分类精度高：声音分类精度高，可准确识别不同工况、状态的声学信号，训练数据优质时，小样本数量也可实现极佳的效果。传统方法受人为因素影响大，AI系统可自动识别微小差异，提高监控精度。
自适应能力强：AI系统可自动学习新数据，适应不同环境和场景，保持高精度结果。传统方法需手动调整参数，AI系统可自动优化模型，适应变化。
可靠性高：AI系统运行稳定，可靠性高，可长时间稳定运行。传统方法受人为主观因素影响，差异化较大，可靠性较低，易出现错误。
图 3 AI算法高精度分类数据
4.高效与节省成本
处理速度快效率高：AI算法可快速处理大量声学数据，相比传统方法效率提升数倍。传统方法需人工逐帧分析声学信号，AI系统可在短时间内完成分类。
节省人力成本：减少人工分析工作量，降低人力成本，提高企业运营效率。企业无需大量专业声学分析人员，AI系统可自动完成大部分工作。
降低硬件要求：AI系统对硬件要求较低，普通设备即可运行，降低硬件投入成本。听诊模型无需云端计算、无需服务器集群，本地设备可运行。
图 4 广泛应用于各行各业，带来直接的经济效益
硬件组成
1、小型系统
USB测量传声器套件：MU2121 USB 测量传声器套件，将 1/2 英寸预极化自由场测量传声器、传声器前置放大器、24 位 A/D 和 USB 接口集成于一体，通过 USB连接线将测量数据传输至 PC 端或移动端，包含低灵敏度、高灵敏度两个通道，配合测试软件进行高性能噪声测量。
图 5 MU2121 USB测量传声器套件
笔记本电脑：轻量化AI模型，可在普通笔记本电脑端部署，配合USB传声器可快速搭建一套采集、训练、应用系统。适合初期测试阶段或便携、快速测试验证场景使用。
图 6 小型系统运行终端——笔记本电脑
2. 大型系统
多通道数据采集仪：Q041-H-T-2多通道数据采集仪，最多支持4通道数据同时输入，支持各种IEPE型传感器接入。最高支持192kHz采样率，满足绝大多数声、振信号的频带要求。
图 7 Q041H-T-2数据采集仪
传声器套件：奥音贝公司自研自产各种型号规格传声器，IEPE型预极化传声器均可直接接入Q041H-T-2数据采集仪直接使用。
图 8 MNP2121测量传声器
加速度计：奥音贝公司自研自产各种型号规格加速度计，IEPE型加速度传感器均可直接接入Q041H-T-2数据采集仪直接使用。
图 9 QV10DBB加速度传感器
工控机/服务器：高性能平台，配合多通道数据采集仪，可扩展更多数据通道、更大数据量的训练及应用。适合对产线、大型机械等固定环境下检测，可以解决多产线或多通道情况下，笔记本性能不足的问题。
图 10 大型系统运行终端——服务器
3. 分布式云系统
分布式采集终端：由传感器、前置放大器、采集模块、高性能处理器、传输模块、储存模块组成。具有边缘计算能力，可将预训练的模型置入设备，实现原始数据采集、特征提取、声音分类、结果上报全流程任务。可实时将检测结果或异常事件通过无线数据传输上报云服务器。
可灵活拓展算法，随时增改数据预处理、特征值提取算法，更新预训练模型等。
图 11 分布式采集终端
云服务器：配合无线分布式设备，实现边缘端计算，云端接收、统计和展示，电脑端、移动端可便捷浏览数据展示平台，及时了解监测状态。适合大批量使用、分散使用、集中使用、户外环境、车间厂房等各种复杂场景应用。
图 12 分布式云系统运行终端——云服务器
4. 外围硬件
消声室与消声箱：根据客户检测目标大小与场地条件，定制消声测试环境，减少环境及其他噪声干扰，提高检测效率与准确率。
图 13 消声室于消声箱（网图）
固定夹具/治具：针对不同测试目标，定制不同种类夹具，以确保测试一致性、稳定性，减少不必要的认为因素干扰。
图 14 固定夹具/治具（网图）
AI声学平台软件
分析系统能够智能识别声音中的异常特征，如设备故障的前兆信号或运行过程中的不规律噪声，进而自动触发报警机制，及时通知相关人员。同时，系统还会对历史声音数据进行存储与归档，便于后续的趋势分析与故障追溯。此外，用户可通过友好的交互界面，灵活配置监测参数与报警阈值，以适应不同应用场景。
1. 实时数据采集及分析
基于各种数据采集设备对监测目标进行全方位、不间断的实时采集，通过运用前沿的轻量化深度学习框架与高效的边缘计算架构，系统得以对实时音频流进行毫秒级的精准分析与处理。该系统不仅具备快速识别各类声音特征的能力，还能精准检测出潜在的异常事件，从而确保在面对突发情况时能够做到迅速响应、及时处理，有效提升系统的实时响应能力和整体可靠性，为设备的稳定运行提供强有力的保障。
图 15 实时数据采集及分析界面
2. 数据可视化
系统提供全面的声学信号可视化功能，使得用户能够以直观的方式深入理解数据的各项特征。通过采用波形图、频谱图等多种图形展示手段，将复杂的声学信号以图形化的形式呈现出来，极大地提升了用户对数据的感知和理解能力。这种可视化功能不仅使得声学信号的分析过程变得更加直观和便捷，还能帮助用户在短时间内快速捕捉到数据中的关键信息。
图 16 数据可视化界面
3. 分类结果展示
分类结果将以一种直观且易于理解的方式进行全面展示，使得用户能够迅速捕捉到其中的关键信息。具体而言，系统会综合运用图表和文字这两种表现形式，将分类结果以图文并茂的形式呈现出来。图表的直观性和文字的详细说明相结合，不仅能够帮助用户快速把握整体情况，还能深入分析每一个分类细节，从而大大提升用户的分析效率和准确性。
图 17 分类结果展示界面
4. 系统管理与维护
该平台全面提供系统管理功能，旨在为用户提供便捷高效的维护和更新操作体验。具体而言，系统不仅支持数据统计功能，能够对各类数据进行详尽的收集、整理和分析，还具备数据回放功能，允许用户对历史数据进行回溯和复查，以便更好地理解数据变化趋势和潜在问题。此外，系统还提供了全面的数据管理功能，涵盖了数据存储、备份等多个方面，确保数据的安全性和完整性。更为重要的是，系统还支持模型训练功能，用户可以根据实际需求对数据进行模型训练和优化，以提升模型的准确性和适应性，从而更好地满足不断变化的业务需求。通过这些功能的综合运用，用户能够更加高效地管理和维护系统，确保系统的稳定运行和持续优化。
图 18 系统管理与维护界面
