分布式托輥監測系統的正常工作需要以下幾個步驟： 1) 聲吶布置——將具備本地邊緣運算能力的聲吶節點利用 4 芯同軸線串聯，每臺聲吶節點配 備雙聲傳感器。聲吶節點通過 RS-485 串行總線串聯，在傳送帶的一端通過 485 轉以太網，通過網絡連接到后臺服務器。 2) 聲吶校準——由監測中心服務器向各節點發送指令，控制節點修改檢測門限閾值以完成聲 吶校準、聲吶自檢等功能，確保傳送帶沿線拾音器都正常工作。該校準過程可在聲吶布置前統一完成，也可以在布置完成后依據現場環境做適當修正。 3) 監測異響——托輥監測系統啟動后，各個節點會不斷讀取當前的聲音信號數據并做頻譜分 析，當信號特征分量超過設定的正常閾值后，信號處理器會將該處的托輥列為異常狀態，同時監測中心會循環輪詢各個節點，獲取信息后及時處理。 4) 異常監控與修復——監測中心服務器在收到節點的異常報告后，會實時地將托輥損壞的位置與損壞情況報告給值班人員，值班人員可以實時監聽現場異常節點的聲音判斷是否出現嚴重異常，如果出現異常，在相應人員完成托輥修復工作后解除異常告警。

異音檢測的兩種模型： 人工聽檢的自動化替代技術主要有兩類模型，一類是參數驅動模型，另一類是基于人工智能的數據驅動模型。前者通過分析比較找到一個標準參數范圍，在范圍之內的為正常，在范圍之外的為故障，但這樣的參數范圍卻很難選擇確定，因為人工聽檢所依據的判斷規則很難用顯示的參數來描述；人工智能則可以模擬人的學習和判斷過程，通過特定的模型描述那些只能意會卻無法言傳的判斷規則。下圖給出了兩類模型的比較。

隨著機電自動化技術的進步，家電生產線中許多需要體力勞動的工位逐漸被機械手所代替，但仍有很多非體力工位還離不開人，比如視檢和聽檢工位，不需要人的體力或操作，而要靠人的眼睛和耳朵來判斷產品的某項指標是否品質合格，這樣的工位就需要人工智能才能很好完成替代。 由于圖像處理技術的迅猛發展，視檢工位目前已有了很多很好的替代方案，但由于產線上聲環境復雜，檢測規則難易實現簡單的參數化描述，聽檢工位目前大多還是要靠人工來完成。但是，人工聽檢存在下圖列出的種種問題，已難以滿足產線智能化升級的需要。從表中也可以看出，人工聽檢的缺點正好就是人工智能檢測的優勢所在。