面向预测性维护的工业设备声学异常检测与端侧推理系统设计.docxVIP

PAGE2

面向预测性维护的工业设备声学异常检测与端侧推理系统设计

摘要

随着工业物联网与智能制造的深度推进，预测性维护成为降低设备非计划停机、提升综合效率的关键手段。

本课题面向工业设备声学异常检测场景，设计了一套基于声纹时频特征提取与轻量化端侧推理的系统。

系统以设备运行声学信号为输入，提取梅尔频谱等时频特征，构建轻量化异常检测网络，并引入增量更新推理框架，支持在嵌入式终端上持续学习与推理。

论文围绕“需求分析—总体设计—详细设计—实现—测试”的工程逻辑展开。

第一章分析工业预测性维护的现实痛点与现有方案不足，明确设计目标；第二章介绍声学特征提取、轻量化神经网络与端侧推理框架等关键技术，完成技术选型；第三章细化功能与非功能需求，建立用例模型；第四章设计“端-边-云”协同的总体架构与功能模块；第五章深入设计声纹特征提取算法、异常检测网络结构与增量更新策略；第六章给出核心模块的实现路径与关键技术难点；第七章通过功能与性能测试验证系统有效性；第八章总结工作并展望未来方向。

系统的核心创新在于将轻量化异常检测网络与增量更新机制相结合，在保持低功耗、高实时性的前提下，实现设备声学异常的在线检测与模型自适应进化，为工业预测性维护提供了一种端侧可部署的智能解决方案。

第一章绪论

1.1研究背景

现代工业正加速向智能化、无人化转型，旋转机械、压缩机、电机等关键设备一旦发生故障，将引发