AI声学异响检测定制：麦克风阵列与工况复现

产线EOL异响检测长期靠人耳，痛点是判定标准漂移、夜班漏检。AI定制落地通常分四步。 一、先把声学条件固定下来。麦克风阵列距被测件30~50cm，加简易隔声罩把本底噪声压到45dB以下；同时采集转速、电流作为参考通道。否则同一台设备在不同转速下声压差可达6~10dB，模型学到的其实是工况而不是异响。 二、用阶次谱与包络谱做特征。旋转件异响多与转频成倍数关系，把时域波形转成阶次谱和包络谱，比直接喂原始音频收敛更快；轴承早期损伤在包络谱高频段更明显，齿轮啮合问题在阶次谱上更干净。 三、样本策略要务实。合格样本随处可见、异响样本稀缺，常见做法是先用正常样本训练异常检测模型定阈值，再拿产线攒下的几十条真实异响样本微调，同时把误判件自动留样，每周复核一次更新阈值。 四、产线集成。判定结果与MES工位绑定，保留异常前后各2秒的原始音频，支持按批次回放，避免只给一个OK/NG结论却无法追溯。 要点：隔声处理与参考通道对准确率的影响，往往大于换模型；判定阈值必须支持现场调整，不要写死在代码里。