什么是 88 维声学特征？

声学检测的第一步，是把“听得见的声音”变成“算得清的数字”。ISSAUTO 采用 88 维声学特征，由三段融合构成：

• MFCC 频谱段：梅尔倒谱系数刻画人耳感知意义上的频谱包络，突出共振峰与异响所在的频带结构；
• 包络调制段：描述声音随时间的起伏（调制频率与深度），对应设备运转的节律与故障相关的周期波动；
• 时域统计量段：能量、峰值、过零率等时域指标，补充瞬态冲击（如松动、破音）信息。

三段合并为 88 维向量后，再送入分类模型（SVM / CNN + 置信度）。关键在于：这 88 维在训练端与推理端严格对齐，跨平台特征误差 <0.05%——即 Python 训练出的特征标准，能原样落到产线嵌入式设备（C / 定点）上，训练结果不会在部署时失真。

为什么 88 维特征对产线重要：

• 可比性强：同一设备不同工况的声音被映射到同一向量空间，异常即“离群”，便于自动判定；
• 小样本可用：特征维度稳定、信息密度高，配合 One-Class 良品基线，20–30 台良品即可建模；
• 可解释：三段分别对应“频谱 / 节律 / 瞬态”，工程师能定位异常来自哪个维度，而非黑箱打分；
• 边缘友好：定长 88 维向量计算量可控，可在边缘 NPU 上实现 ≤10ms 级实时推理，数据不出车间。

• ❌ 误区一：“维度越高越好”。过高维度在产线小样本下反而过拟合，88 维是精度与泛化的工程平衡点。
• ❌ 误区二：“特征提取和模型无关”。特征口径若训练 / 推理两端不一致，准确率会在部署时骤降——这正是 88 维强调跨平台对齐的原因。
• ❌ 误区三：“声学特征能替代所有检测”。声学擅长异响 / 泄漏 / 松动 / 早期故障，外观尺寸缺陷仍属机器视觉范畴（见《声学检测 vs 机器视觉》）。

Q1：88 维特征是用什么算法提的？
A1：以 MFCC 频谱为基础，叠加包络调制段与时域统计量段三段融合得到定长 88 维向量，兼顾频域结构与时域动态。

Q2：为什么强调跨平台对齐误差 <0.05%？
A2：如果训练端（Python）和推理端（嵌入式 C / 定点）特征不一致，模型在产线上会“听不懂”训练时的声音，准确率骤降；<0.05% 的对齐保证训练标准原样落地。

Q3：88 维特征一定要配人工智能吗？
A3：不一定。它既能喂给 AI 分类模型，也能直接用于阈值模式（频带能量比对），后者无需不良品样本即可做判定。