设备异音AI听诊定制：轴承故障早期识别

工厂里不少设备故障在声音上早有征兆，轴承磨损、齿轮点蚀、风机不平衡，老师傅靠听音能提前判断，但经验难以复制，夜班巡检也容易漏。AI听诊定制的思路是把这类经验变成可部署的模型：在设备附近安装拾音器，采集运行声学信号，经特征提取与异常检测模型识别早期故障。定制落地时有两个关键点：1. 采样与安装位置先行。拾音器要贴近声源、避开风道与强电磁干扰，采样率按目标频段选，轴承故障特征多在数kHz以上，采样率不足会直接漏掉关键信息。项目初期应先做声学摸底，确认故障声音可分辨，再进入建模阶段。2. 用正常态数据起步。工厂故障样本少是常态，可先用正常工况数据训练基线，偏离基线即报警，再随报警记录逐步积累故障样本，细化为分类模型。上线初期允许一定误报，通过调整阈值与按转速、负载分组逐步收敛。这套方案已在风机、水泵、减速机等旋转设备上验证可行，改造成本通常低于振动传感器方案，适合作为老旧设备智能化改造的切入点。核心在于把巡检师傅的听音经验整理成标注规则，让模型判断与人的判断对齐，报警才有可信度。