Catch every anomaly, before it leaves the line.
在出厂前发现每一次异常
以振动 + 近场声学 + 阶次分析 + AI 缺陷识别为核心的下线智能检测方案：节拍按需定制，在线完成 OK / NG 判别并将原始信号回传 MES。适配电机、减速器与齿轮箱、泵与压缩机、轴承、家电整机与风扇、开关等各类发声 / 振动产品。
为什么缺陷必须挡在出厂前
异响、磨损、装配松动、轴承与齿轮故障，往往是肉眼无法察觉的隐患。一旦流出产线，单台 1 元的损失会以三个数量级放大到客诉、三包与召回。
OEM 客诉与三包
上车后异响触发整车厂保修，单台索赔成本可达售价的 3–10 倍。
潜在批次召回
人工听音抽检覆盖率 < 30%，同批次缺陷在客户端集中爆发即触发召回。
秒级节拍约束
高速产线节拍 ≤ 10 s，离线分析跟不上，必须在线交付 OK/NG。
工艺数据闭环
将 NVH 结果绑定 RFID/物料批次，让根因定位从「天」缩到「小时」。
听音检测的两堵墙
Ears don't scale. Thresholds don't either.
人工听音的判据因人而异、同一人前后也会漂；经验难以量化，更难原样传给下一班。即便升级到传统 NVH 频谱分析，仍有两堵墙挡在面前。
故障多样性 → 阈值矩阵爆炸
轴承点蚀、齿轮打齿、动平衡、装配松动、零件摩擦、电磁啸叫……每种故障各有声学特征，传统做法要为每一类预设规则与阈值，矩阵越堆越大却始终盖不全，更挡不住没见过的新故障。
故障微弱性 → 弱信号被淹没
早期缺陷的特征往往被正常运转声盖住，像在喧闹集市里听清远处的低语。在常规频谱里，这些微弱分量沉到底噪以下，再灵敏的传感器也未必抓得到。
核心技术原理
从信号采集到 AI 判别构成闭环，在按需定制的产线节拍内完成。
多通道同步采集
2 / 4 通道振动加速度同步采集；节拍触发与转速脉冲来自测试台架，硬件级同步抖动 < 1 μs。
阶次域分析
基于台架转速对原始信号做角度域重采样，将随转速变化的故障特征（齿槽、偏心、轴承通过频率）固定到阶次坐标。
AI 异常判别
把信号转成高对比时频成像，由 1D-CNN / Transformer 在图上检出异响、磨损、齿轮打齿、轴承点蚀，并与可解释规则双校验，避免黑盒误判。详见下文「声学成像」。
限值自学习
基于历史 OK 样本的分位统计（μ + k·σ）动态生成限值，随工艺漂移自适应，免去人工日常调阈。
声学成像 · 让异常被看见
See the sound. Box the defect.
与其为每种故障预设阈值，不如把声音变成一张图。把每台被测产品的运转声转成高对比时频图：正常声压回落为暗背景，异常按严重度点亮成色块——异响一眼可辨，AI 再直接框出它的时间—频率位置并归类。
采集大量 OK 样本，统计其时频能量分布，凝练成该机型的「健康声纹」——一张代表合格的参考图。
把待测声音与健康声纹做残差，独有色彩映射把正常声压成暗背景、异常残差点亮为高对比色块，越严重越亮。
模型在成像上框出异常的时段与频段，判出模式——擦边、轴响、油脂音、转子披锋……并给出严重度与置信度。
▸ 约 2 kHz 处一列短竖条纹
切换故障 / 严重度 / AI 检出
异常在图上一目了然，判定落到秒级，跟得上高速产线节拍。
颜色深浅即严重度，合格与否之外还给出缺陷类型，可追溯、可统计。
靠成像 + 学习替代「阈值矩阵」，无需为每种故障逐一设限。
同一套成像与判读核心经归一化适配不同机型，换型不重设参数。
▸ 从「人耳听」到「AI 看」——让异常声音看得见，是把质检从主观经验转成数字标准的第一步。
实时波形 · 频谱 · 阶次瀑布
下方为合成信号演示：可切换正常 / 轴承点蚀 / 电磁啸叫三种工况。轴承通过频率 BPFO 由转速派生，电磁啸叫源自模拟 PWM 载频，参数与判别灯实时联动。
电机案例：驱动链路深度检测
作为可选案例之一，完整版展开电机驱动链路（FOC / 电参）的深度检测；标准版默认精简、不展示。切到「完整版」即可查看。
自学习算法 · 换型即用
Swap the SKU, keep the line running.
下线工位面对的不是「单一产品」，而是「同一条线上不停切换的几十种料号」。自学习算法把基线、限值、判据全部「配方化」，换型 / 转产无需停线训练。
RFID / MES 读取料号与工艺版本号；触发配方热切换。
每个 SKU 独立维护一份配方：阶次掩膜、k 倍数、转速曲线与各项限值。
为该 SKU 加载最近 30 台 OK 的 (μᵢ, σᵢ)；窗口属于 SKU，不跨型号污染。
本次结果若 OK，在线 Welford 更新该 SKU 基线；NG 则只判不学。
配方化基线（Recipe-based）
每个料号一份独立的 (μᵢ, σᵢ) 窗口与阈值 k；切换由 RFID 触发，零人工干预。新型号上线不污染旧型号基线。
冷启动迁移（Transfer）
新料号首批 < 30 台时，从「同族 SKU」迁移基线（如同平台不同极对数），并在前 50 台采用 k+1 的保守阈值，逐步收敛到正常 k。
漂移与刹车（Drift Brake）
在线监测均值漂移率 dμ/dN，超过阈值即冻结学习并报警 —— 避免「全线慢慢变差，基线跟着慢慢变松」导致漏判。
多线同步（Fleet Sync）
同型号在多条产线运行时，可选「主从基线」模式：一条主线学习，其余从线只判不学，定期同步配方，避免基线发散。
▸ 换型节拍 < 200 ms（仅切换内存中的配方），人工只需在 MES 配方表里维护 SKU 与工艺版本号。
3D 剖视（以电机为例）：传感器布置一目了然
以电机为例展示下线工位的极简传感器布置：振动加速度计贴附壳体，近场麦克风悬置正上方。转速与角度信号由测试台架内置编码器提供，不在被测件本体上挂任何传感器——同样适用于减速器、泵、风机等旋转产品。
下线检测工艺流程
从上料到入库的节拍按需定制，闭环运行、每台都生成可追溯档案。
- 01
上料 · RFID 识别
扫码确认机型与工艺版本。
- 02
定位夹紧
伺服压紧 + 同心度找正，重复定位 ±0.02 mm。
- 03
空载试转
0 → 额定转速段扫频，覆盖全转速噪声谱。
- 04
负载工况
对拖测功机施加典型 N–T 工况点。
- 05
AI 判别 · MES 回传
OK/NG 与原始信号同步回传 MES。
- 06
OK 入库 / NG 复测
NG 自动转复测工位，避免误判误剔。
规格参数
硬件 + 软件平台一体化设计，覆盖从小型部件到大型总成、从电机到减速器 / 泵 / 风机的下线检测场景。
- 振动通道
- 2 / 4 ch · 标配 4 ch · 三轴 IEPE 加速度
- 采样率
- 24.0 / 51.2 kS/s · 4 ch 同步
- 分析带宽
- 10 Hz – 20 kHz · DC–10 kHz 振动
- 阶次分辨率
- ≤ 0.1 order（节拍按需）
- 缺陷识别
- 擦边 / 轴响 / 油脂音 / 转子披锋 等模式归类 + 时频定位
- 判别节拍
- 按需定制（依机型与工况）
- Gauge R&R
- < 10% · 连续 30 台基线
- 网络协议
- OPC UA · Modbus TCP · REST · EtherCAT
- 数据接口
- MES · SCADA · QMS 标准对接
- 防护等级
- 工业机柜 IP54 · HMI IP65
- 供电
- AC 220 V ±10% · ≤ 250 W
应用场景
同一套软硬件平台，按产品替换工装夹具即可复用——电机只是其中一类。
电机（EV 驱动 / BLDC / 步进）
扁线 / 油冷 / 800 V 平台到伺服与步进，覆盖 OEM 总装与 Tier-1 总成线。
减速器 / 齿轮箱
齿轮啮合阶次、打齿、点蚀与轴承胶合，定位装配与啮合缺陷。
泵 / 压缩机
水泵、压缩机等流体机械的气蚀、不平衡与阀片异响。
轴承 / 通用转动部件
内外圈点蚀、滚动体剥落与保持架故障，按通过频率定位。
家电整机 / 部件
空调 / 洗衣机 / 冰箱整机与风扇、风机部件的噪声与不平衡。
开关 / 按键 / 继电器
触点吸合声、按键手感与异响，做声品质与一致性判别。
联系我们
提供现场 Demo、定制工装与方案对接。欢迎来电或加微信沟通。