去年8月我在一家火电厂蹲点跟检修班的王师傅巡了一趟输煤栈桥。三千多米长的皮带他走到一半突然停下来说三号滚筒不对轴承有点沙沙声半个月内得换。我拿手机录音听了一分钟什么也没听出来。他跟我说这活儿他干了二十六年眼睛看皮带跑偏耳朵听轴承异响鼻子还能闻电机糊味。厂长一直头疼的就是王师傅明年退休这一耳朵的本事怎么传这就是我们做皮带机AI巡检的起点。说实话这个项目比我想象中难也比想象中值。为什么皮带机是最适合机器听诊的设备皮带输送机的结构其实很简单电机、减速机、滚筒、托辊、皮带本体。故障类型高度集中在轴承、托辊和皮带撕裂这几类而这些问题在完全失效之前几乎都会发出可识别的声音特征变化——轴承点蚀是周期性的嗒嗒声托辊卡死是持续的摩擦啸叫。更关键的是皮带机沿线几十上百个托辊人工点检一个班次根本走不完全部只能抽检。而托辊恰恰是数量最多、最容易坏的部件。我们统计过那家电厂一年的备件记录托辊更换占了皮带机相关检修量的六成以上。所以声音监测在皮带机上的ROI特别直接捡住托辊和轴承的早期劣化一次就能避免停线。系统怎么做分布式拾音加边缘识别我们的架构分三层。采集层用的是自研的拾音终端成本压到了每台不到800块——一个工业级MEMS麦克风阵列两麦克风波束成形、一块树莓派CM4、一个外壳。沿栈桥每60米装一个重点覆盖滚筒和驱动站。计算上有个不能偷懒的细节声音特征必须分频段看。轴承故障频率一般在2-6kHz皮带摩擦噪声集中在500Hz以下环境里的风噪和卸料撞击又是另一码事。我们一开始做宽带梅尔频谱图直接喂模型结果雨天的误报率飙升到30%——雨点打在皮盖上跟轴承点蚀的频谱长得贼像。后来改成两步走先用一个轻量的环境分类器二分类天气/工况过滤准确率99%够用把降雨、卸料时段的数据筛掉再上主模型。主模型架构很简单ResNet-18改了第一层输入输入是32×256的梅尔谱图PyTorch 2.1训练在3060上一晚上收敛。# 推理端的自适应增益这段代码救了我们的命白天和夜里的背景噪声差10dB以上固定增益必翻车def adaptive_gain(audio, noise_floor): snr audio.max() - noise_floor if snr 20: # 信噪比太低宁可漏报不硬判 return None, low_snr gain np.clip(60 / snr, 1.0, 8.0) return audio * gain, ok踩坑提醒置信度低的片段千万别硬归类标记成待复核丢给人工。系统刚上线那两周我们硬判的结果是值班员被三倍误报搞到直接不信任系统这种信任一旦丢了后面恢复要花两个月。和老师傅的师徒结对技术之外有个软性的做法我觉得特别值得说我们花了整整一周录音让王师傅听标注。他把每段录音标注成正常/沙沙/咔嗒/啸叫/说不清再结合拆检结果确认标签。三个月下来攒了两千多段有效标注。这个过程意外地成了双向的王师傅也学会了看系统的频谱图他说原来沙沙声在图上是这一块亮的带子。老师傅的经验没有消失是换了种形式存在了。这个事儿让我对AI替代老师傅的说法越来越不感冒——至少在设备诊断这个领域AI是放大器不是替代品。反过来说个泼冷水的话如果你的皮带机是室内短距离的、托辊不到五十个别上这套系统人工点检加红外测温枪更划算。声音巡检适合的是长距离、无人化、巡检人员不足的场景比如矿山、电厂、港口。落地效果和没解决的事到今年6月系统在那家电厂跑了十个月。托辊早期故障检出37起提前预警平均9天误报稳定在每周1-2次。有一次提前11天预警了驱动滚筒轴承劣化检修窗口正好安排在小修期避免了非停。没解决的事也得说皮带纵向撕裂这个最致命的故障声音特征太不显著我们至今只能靠红外视频辅助识别率不理想。这条线还在攻关。写在最后这个项目给我最大的启发是做工业AI别急着上大模型先把老师傅的耳朵变成数据把数据变成规则和模型一步步来。王师傅现在退休了他的耳朵还在线上跑着我觉得这事儿挺浪漫的。