本期《智能硬件实验室》把切口放在一件更小的事上：让边缘硬件先“听懂”设备异响。我们不急于让模型直接给出故障结论，而是用低功耗节点完成异响初筛，把可疑音频片段连同振动波形一并回传，供后续复核。
方案上，节点采用MEMS麦克风与三轴加速度计同步采样，在MCU级芯片上部署量化后的TinyML声纹模型，仅提取梅尔频谱与包络特征，避免原始音频长期上传，降低带宽与隐私风险。
进展：在空压机与水泵台架上，针对轴承干摩擦、皮带打滑、气阀喘振三类典型异响，初筛召回约86%，误报约12%；单次推理延迟低于30ms，节点平均功耗约8mW，可支撑电池供电的数月级采集。以上为台架阶段结果，尚未做现场统计。
下一步：把稳态工况下的高误报片段纳入负样本集，并验证多节点时间同步下的异响大致定位能力，再评估在真实车间的长期稳定性。
评论