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。

家電異音檢測系統的架構，系統由硬件和軟件兩部分共同組成了一個不可分割的整體，硬件部分包括測量環境、傳感器、采集系統和判別系統，測量環境可以是基本不做改動的原始生產線，也可以是在生產線上設計添加的簡易隔聲或吸聲空間，測量環境的考慮重點是如何減少生產線環境噪聲的影響。傳感器和采集系統一般要求滿足可聽聲頻帶的采樣要求，對系統的量化精度要求至少采用16位采集系統，能達到24位更好。判別系統一般是采集系統和計算機的結合體，計算機上運行的軟件是信號特征提取算法和機器學習模型。 軟件部分中的信號測量分析模塊主要完成信號的采集和保存，應用信號處理技術，特征提取模塊抽取聲信號樣本特征，構建特征向量和機器學習數據集。機器學習模塊實現各種機器學習算法，在特征向量數據集的基礎上，完成訓練、驗證和等環節，最終獲得異音判別參數，過程中還包括特征向量和機器學習模型參數的選擇與優化。

在線異音檢測可以說是人工智能技術在家電生產過程中的一個合適應用場景，但要想與家電生產流程真正無縫結合，真正替代人工聲檢，還需要解決很多技術和管理上的難題，技術難題包括產線節拍匹配、信號采集、環境噪聲消除、訓練樣本選擇、合適學習模型確定等，管理難題包括檢測規范與標準的制定以及檢測流程的重構等，解決這些難題的方法和思路將在后續詳細深入討論。