本文帮助大家有效解决目前机器听觉还不能非常准确的原因。在工业设备的状态监测中，异常声音检测（ASD）一直是一个非常典型、但也非常棘手的问题。现实场景里，真正的异常样本往往很少，而设备的运行工况却经常发生变化，比如转速、负载、环境噪声等都会直接影响声音特征，这使得“什么算异常”本身就变得不那么清晰。>>阅读全文
《Exploring Self-Supervised Audio Models for Generalized Anomalous Sound Detection》是由上海交通大学 Bing Han 和 Yanmin Qian 等人在 2025 年 8 月发布，该方案获得了 DCASE 2024 异常声音检测挑战赛的冠军。>>阅读全文
在工厂里，经验丰富的老师傅只要耳朵一听，就能知道那台滑轨是该涂油了，还是马达快烧了。但随着“老师傅”越来越少，我们开始寄希望于 AI 声音监测系统。>>阅读全文
复杂噪声环境下的工业异音检测：在只有两个麦克风、背景噪声复杂、异常声音方向未知的情况下，如何尽可能稳定地把“异常事件”从声音里检测出来。>>阅读全文
异音和异响是设备早期故障最直观的表现形式，尤其在小电机和复杂噪声环境中更为常见。面对低算力声学节点的现实限制，如何在不依赖高性能计算资源的情况下实现可靠的异音检测，成为工程落地中的关键问题。>>阅读全文
传统的工业听音质检全靠老师傅的“金耳朵”，效率低、难复制且无法 24 小时在线。本文深度解读一篇发表于 Engineering Applications of Artificial Intelligence (EAAI) 的前沿论文。该研究并未采用常规的频谱分析，而是另辟蹊径>>阅读全文
工厂里有一类质检工作靠“听”：电机运转有没用异音？经验丰富的工人能凭耳朵判断，但 AI 来进行异音检测时，有个棘手的前提——你只有正常声音的数据，没人会故意把机器弄坏给你当教材。>>阅读全文
在工业 4.0 的浪潮下，工厂里的老师傅正在逐渐“隐退”，取而代之的是 24 小时在线的智能监控系统。其中，机器异常声音检测（Anomalous Sound Detection, ASD） 技术，就是给工厂装上“AI 耳朵”，通过听声音来判断机器是否生病。>>阅读全文
翻译自《Acoustic Anomaly Detection of Mechanical Failures in Noisy Real-Life Factory Environments》
作者：Yuki Tagawa, Rytis Maskeliunas, Robertas Damaševičius，2021年9月23日
在真实工厂嘈杂环境下，机械设备的微小异常声往往难以被传统方法精准捕捉。《Acoustic Anomaly Detection of Mechanical Failures in Noisy Real-Life Factory Environments》指出，通过声学信号分析与智能异常检测，可以有效识别潜在故障。借助苏州东原电子推出的 谛听异音检测系统，可将这一先进技术工程化应用>>阅读全文
在工业 4.0 的背景下，利用麦克风检测机器运行状态已成为未来的趋势。然而，异常声音检测面临一个核心悖论：在绝大多数实际场景中，我们只能收集到正常设备的声音，而所谓的“故障”或“异常”数据极度稀缺且不可预测。为解决这个问题>>阅读全文
在工业设备的预测性维护中，通过声音来判断机器是否健康（即异常声音检测，Anomalous Sound Detection, ASD）是一项极具落地价值的技术。然而，在真实的工业场景下，收集设备在所有可能故障状态下的声音数据几乎是不可能的。因此，目前主流的算法多采用无监督或自监督学习的方式：仅利用正常状态下的声音数据进行训练，让模型学会“什么是正常”，在实际运行时，只要声音特征偏离了“正常”的分布，就被判定为异常。>>阅读全文
在工业制造与智能硬件领域，声音和振动是评估设备健康状态的关键指标。然而，无论是面对微小的 电动牙刷异音异响检测，还是复杂的 轮毂电机异音异响检测，传统的声学算法往往面临泛化能力差、易受环境底噪干扰等工程瓶颈。>>阅读全文
本文深度解读 2026 年 1 月由 Mila-Quebec 人工智能研究所发表的重磅论文：Toward Faithful Explanations in Acoustic Anomaly Detection。>>阅读全文
滚动轴承作为工业旋转机械的关键部件，其早期故障若未及时诊断，极易引发设备停机甚至重大安全事故。本文系统梳理了滚动轴承从传统时域监测到先进自适应信号处理的技术演变过程>>阅读全文
主动噪声与振动控制（ANVC）技术代表着噪声控制领域的范式转移。该技术基于声波的相消干涉原理，通过产生与原始噪声幅值相等、相位相反（180° 相位差）的次级声波来实现噪声抵消。与被动控制相比，ANVC 技术在低频范围（通常 20-500Hz）具有显著优势，可实现 10-30dB 的降噪量，同时大大减少空间占用和重量。>>阅读全文
本文介绍的基于1D LSTM与深度残差网络的故障检测新算法，不仅在理论上具有创新性，而且在实际应用中展现出优异的性能。 结合全球领先的相关专利技术，该算法为企业实现设备的智能化管理提供了有力支持。 无论是电动汽车、工业机器人，还是其他高价值电气设备，都可以通过该算法实现更高效的故障检测和维护决策。<<阅读更多
