前記
隨着數字化進程的不斷推進，以及隨着chatgpt的橫空出世。在工業領域根據聲音進行故障診斷的算法逐漸增多。最近一年做了不少工業領域拾音的產品。他們的需求可以說和傳統的拾音器有很大的區別。
場景解析
傳統工業化走到現在，遇到了很大的問題。一個很大的突破口就是需要利用目前的數字化技術來提升效率和自我進化。另外一個就是以新能源，電動汽車爲代表的新興產品又需要更加高效的工業生產方式。基於此，數字化轉型是傳統工業化必須要面對的課題。說的直白一些，數字化就是前端需要各種傳感器來實現數據的採集。其中，聲音和振動信號作爲一個工業中經常碰到的能蘊含很多信息的信號。對它的採集和處理，是數字化的基石之一。
鑑於此，最近不少新興行業的客戶找到我們提出他們的訴求。這裏面有大型養豬企業怎麼通過聲音來識別異常狀態的。有新能源電池行業通過採集聲音判斷電池生產狀態的。也有太陽能行業來生產多晶硅過程中怎麼採集異常聲音來判斷產線是否異常的。更有采石場根據聲音來判斷設備工作狀態的。
隨着這些年AI算法的逐步發展，很多問題的確是可以通過聲音來解決的。可這裏面有一些問題需要面對，傳統的拾音器，根本無法滿足這些場景的需求。這些場景，有他們特殊的場景需求特點。
需求特點
關於拾音距離和質量。工業場景，有些需要拾音距離特別遠，能儘量採集不同的聲音。有些反而是儘量不要採集到周圍的聲音，只需要採集到本體的聲音。有些是需要放入到液體中或者罐體中進行聲音採集。這些都是傳統拾音器無法滿足的。
關於採樣率。隨着AI算法以及物聯網技術的發展。對聲音的採樣率提出來更高的要求。傳統的拾音器一般是8K的。而目前的需要基本是16k及以上。有些場景還需要用到96K的採樣。
關於算法的取捨。工業拾音器很多爲了後端算法能獲取到更真實的頻譜信息。一般需要不帶算法處理的。或者有些需要特殊算法需求的。比如，有些需要特定頻譜的聲音。那就需要濾波器過濾掉一些頻段的聲音。這個算是屬於場景化非常嚴重的。
前景展望
隨着需求的不斷更新，工業拾音器會朝着，採樣率高，拾音距離可控，降噪算法可控等智能化方向發展。在此基礎上，基於聲音傳感器的多傳感器融合數據採集。會更是一個時代潮流。