智能制造的感知层正在从"单点测量"走向"多模态融合"。本文以振动、电流、声学三类传感器为例，说明数据如何在边缘侧完成预处理与特征提取，以及为什么声学信号正成为产线质检的新入口。附感知层选型的五个判断点。适合自动化改造与产线规划负责人。
概述
智能制造的感知层长期以"单点测量"为主：一个测点、一个物理量、一条阈值线。这套方式对尺寸、温度、压力等稳态量足够好用，但面对 动态缺陷（异音、松动、微泄漏、早期磨损）时基本失效。
近年明显的变化是：感知层正在转向多模态融合与边缘预处理。其中声学信号的地位上升最快——因为它是少数能在设备"看起来完全正常" 时发现问题的物理量。
一、三类核心传感器与各自的能力边界
模态 ｜ 擅长发现 ｜ 盲区 ｜ 典型采样要求
振动 ｜ 不平衡、不对中、松动、轴承中晚期磨损 ｜ 早期点蚀、电磁啸叫、微泄漏 ｜ 5–20 kHz
电流 ｜ 负载波动、堵转、绕组匝间短路 ｜ 机械松动的早期征兆 ｜ 1–10 kHz
声学 ｜ 异音、早期轴承损伤、气/液微泄漏、齿轮啮合异常 ｜ 外观缺陷、静态尺寸 ｜ 20 Hz–20 kHz（可更高）
关键洞察：三者不是替代关系，而是时间维度上的互补。 以轴承为例——早期点蚀先表现为高频声学冲击（声学最先发现），中期发展为振动能量上升（振动接手），末期才引起负载电流波动（电流最后发现）。越早发现，维修成本越低。
二、为什么必须在边缘侧做预处理
原始波形直接上云在工程中基本不可行：
· 单通道 48 kHz/16 bit 采样，一小时约 330 MB；一条产线 8 个测点，一天就是 60 GB 以上
· 网络带宽与存储成本是硬约束
· 更关键的是实时性：产线节拍以秒计，等云端往返做判断来不及
因此工程上的标准做法是边缘特征提取：
1. 在 MCU/MPU 上完成分帧、加窗、FFT
2. 提取频域特征（如 MFCC、频带能量、谱峭度等）
3. 只上传特征向量与判定结果（通常从 MB 级压到 KB 级）
这一步的难点在于跨平台一致性：训练端用 Python（如 librosa），部署端用 C，两者的特征提取实现存在系统性差异，会导致模型精度大幅衰减。这是工业声学 AI 落地最常见的"隐形杀手"（详见《Python 训练到 MCU 推理》一文）。
三、智能传感器的三个特征
区别于传统传感器，智能传感器通常具备三层能力：
1. 自诊断
能报告自身状态：供电异常、通信中断、灵敏度漂移、饱和过载。在无人值守的长期监测场景，自诊断的价值往往高于测量精度本身—— 一个悄悄失灵的传感器，比一个精度略低的传感器危险得多。
1. 数据处理
内置 MCU 完成标定补偿、滤波、特征提取，直接输出工程量或特征向量。这既降低了上位机负担，也让"传感器即节点"的分布式架构成为可能。
1. 通信能力
支持标准工业接口（Modbus、CAN、工业以太网），部分支持时间同步协议，为多源数据融合提供时间基准。
四、感知层选型的五个判断点
1. 先明确要抓的缺陷类型，再选模态。 动态缺陷优先声学，结构类优先振动，负载类优先电流。不要反过来先买设备再找场景。
2. 带宽要按目标频率上限的 2.56 倍以上留余量。 想抓 10 kHz 的冲击特征，采样率至少要 25.6 kHz 以上。
3. 确认边缘算力能否承载实时特征提取。 定点 MCU 上跑 FFT 与 MFCC 需要仔细评估内存与算力预算。
4. 多模态必须解决时间同步。 没有统一时基的融合数据，只会让模型学到噪声。
5. 优先选带自诊断的产品。 长期部署的隐性故障，代价远高于采购时多花的成本。
五、声学为什么成为产线质检的新入口
三个现实原因：
· 非接触：不需要改造产线机械结构，部署成本低
· 覆盖广：一条产线的一个固定测点，可以覆盖通过的所有产品
· 能抓早期：很多缺陷在振动和电流上还没表现出来时，声学上已经有明显特征
它的门槛也很明确：声学信号对环境噪声极其敏感，采集条件的一致性直接决定模型上限。这也是固定式声学工程（减震、屏蔽、标准化的声学耦合）比算法调参更能决定项目成败的原因。