隨著人工智能技術的快速發展及其在工業系統中廣泛應用，智能化、數字化等技術漸成當下產業發展新引擎。伴隨著自動化技術水平的不斷提高，以及工業設備制造和工程系統復雜性大大增加，以往依賴人工經驗監測、記錄和分析的事先維護早已滿足不了當前所需，設備維護管理成為當下工業企業發展面臨的新挑戰。

傳統設備維護的方式主要是通過被動故障維護以及定期以人工巡檢的方式檢測。眾所周知，故障的發生具有非常大的偶然性，僅依賴人工診斷難度較大、耗時長且需要耗費大量資源，對企業來說備件存儲成本相對也較高，存在著諸多缺陷。

預測性維護應運而生，并已成為工業設備運維的趨勢所需。

什么是預測性維護？預測性維護可以做什么？

預測性維護是集設備狀態監測、故障診斷、故障狀態預測、維修決策支持和維修活動于一體的一種新興的維修方式。不僅可以降低設備故障率，提高設備利用率，更是保障設備持續使用乃至提高企業生產效率的重要手段，同時還可以在一定程度上減少設備的維修費用。

當前，預測性維護技術大多采用溫度、功率、振動或聲音監控，所有這些技術都涉及實時持續監控機器狀況，以便快速發現問題，針對性解決問題。

為什么選擇聲音賽道？

萬事萬物均有其聲，工業設備同樣可以“開口說話”。不同的設備在運行過程中會產生的獨有的聲紋信號，這也屬于該設備特有的“DNA”，具有唯一性且包含著豐富的信息。

隨著技術的高速發展，以及對聲音在工業領域應用的探索深入，基于聲音的設備狀態監控已能夠自動屏蔽環境噪聲，現階段在實現持續監控與早期故障告警上，智能化的聲音狀態監測具有無可比擬的優勢。

作為智能語音領域唯一落地的國家級制造業創新中心，國家智能語音創新中心持續聚焦制造業發展重大需求，以聲學為核心，開展了多維度的工業聽診技術研究。

那么，如何最大化發揮“聲音”的聽診作用，有效開展預測性維護工作，并實現真正落地，乃至持續創造價值？

一是技術創新，二是數據支撐。

源頭發力，科技創新為基

內外兼修，軟硬結合，創新中心自主研發了聲音信號處理、多模態智能降噪、波束成形、聲源定位等聲學前端算法技術，以及可適應不同應用場景的高精度麥克風陣列模組硬件，基本實現了技術路徑全面覆蓋。

麥克風陣列研制方面，創新中心自研的64mic麥克風陣列不僅在頻帶寬度、靈敏度、信噪比等方面性能優良，支持監測距離遠達40m，定位精度可達1°。與此同時，基于聲學優勢，創新中心還進一步融合了視覺相關技術，將聲像圖與可見光圖疊加，實現故障可視化。

創新中心研制的麥克風陣列不僅可單獨部署，還可融合各類固定式、手持式、可移動式載體，適用于工業領域內如局部放電、氣體泄漏、設備異響等多樣化復雜場景，幫助用戶快速鎖定“故障”點，高效、切實解決問題。

搭載了64mic麥克風陣列的聲學成像儀，讓故障清晰可見

算法層面，創新中心采取不同任務調度不同算法的方式，合理分配計算資源，提高目標監測結果準確性及穩定性。

目前創新中心主要采用兩種不同預測性維護算法技術方案，即生成式方案和區分性方案。

在僅有正常數據的情況下，生成式方案有較大的優勢。生成式方案可對正常狀態設備聲紋進行機器學習或深度學習建模，擬合聲紋數據的概率分布空間。對未見過的正常狀態聲紋，也有較好的魯棒性。從實踐結果來看，準確率可達95%。

基于AE模型的生成式方案

針對工業復雜、多樣化場景需求，區分性方案效果更佳。區分性方案可通過對有監督數據的學習來擬合數據的特征分布，通過判別器來判斷機器是否異常或者出現哪種故障類別，隨著訓練數據量的增加，準確率提升明顯。從實踐結果上看，區分性方案準確率可達98%。

基于TDNN模型的區分性方案

較之行業傳統依賴人工巡檢的維護方案，以聽診技術為核心的工業設備預測性維護優勢明顯：

◇ 全天候、全過程管理，安全性、穩定性強：支持7*24小時全時段遠程實時監測，對設備運行狀態進行全面管控，及時發現故障、隱患，并進行智能化預警，最大程度保障設備使用的持續性，降低設備非計劃停機風險。◇ 提升生產效率，降低維護成本：實現設備的自動巡檢和故障診斷，有效避免人工巡檢的繁瑣和時間浪費。通過對設備的故障診斷和預警，企業可提前進行相應設備維護、損壞部件等更換。

◇ 多維度數據分析，準確率高：科學化、數據化管理，基于聲音、振動、視覺等多維數據進行分析，避免人為主觀判斷誤差。過程生成的大量數據還可以為后續設備分析提供支撐，以及幫助企業制定合理的運營、維修和保障計劃。

◇ 支持經驗數字模型化：“老師傅”經驗+機理模型有效結合，可將傳統無法準確傳承的經驗知識進行數據積淀，形成可復制應用的設備健康模型。

聲紋數據，硬核支撐

為了實現更精準的預測和判斷，創新中心開展了關鍵領域工業設備聲紋數據庫建設工作。深入工業場景，通過一個或者多個麥克風陣列對設備運行過程進行遠程非接觸式聲音信號搜集，通過對回收的數據進行處理，已建成9萬+小時的正、負聲紋數據庫。

通過聲紋數據的進一步加持，利用先進的機理算法與AI算法融合建模，對設備發出的聲音進行對比分析，為工業領域關鍵應用設施設備運行實時狀態監測，提供精準性、預測性和實時性的聲學故障診斷及預測性維護服務。

落地見實效，實踐展實力

實踐是檢驗能力的最佳方式。

目前，以創新中心工業聽診技術為核心的多個系統方案已在電力、煙草、能源等工業設備制造、生產多行業多場景的關鍵環節中落地應用。

卷煙制絲工藝是卷煙生產的主要工藝，這其中松散回潮工序作為制絲過程的主要加工工序，其出口水分是影響后續供需產品質量的關鍵質量指標，回潮機作為這個環節的主力軍，如何避免因長期抽取水蒸氣導致積水、煙粉堆積等問題導致的風機異常運作，過程監控尤為重要。以往都通過人來開展過程實時監控、檢查等工作，耗時耗力，目前，創新中心提供的預測性維護方案，可以通過對此設備進行實時監測，及時發現問題、解決問題，準確率達98.5%。目前相關方案已在安徽某地煙草公司成功落地。

在電力領域，以極早期發現電力設備故障隱患為核心的變電站設備聲紋監測系統亦在發揮效用。針對主變壓器、高壓電抗器、高壓斷路器等重要場景，創新中心聯合科大訊飛、國網安徽電科院，在安徽電網聲紋監測預警中心上線了5套典型聲紋分析算法系統，對百余臺設備進行實時監測和智能分析預警，實現了遠程7*24小時無人化巡視，替代“老師傅"的定期巡視。相比人工巡檢，聲紋監測技術能夠在早期發現運行設備故障隱患，異常檢測效率提高50%以上，準確率達98%。

從技術創新到落地實踐，要攻克的不僅是核心技術問題，如何與真實場景需求相匹配，在技術與場景之間搭橋鋪路，實現技術快速在場景中落地，亦是創新中心探索的重要方向之一。未來，創新中心將持續深耕工業AI領域，攻堅關鍵核心技術，技術賦能行業，助力數智化轉型升級。