声音是一种表达力很强的因素，我们可以透过声音来得到各种信息，或是开心或是难过等等；这并不仅限于人类自身，对于机器声音也是一样的，不同的声音代表着不同的状态，宣示着机器的工作状态。
用人工智能识别声音的技术来检测故障机器，因为通过AI技术他们可以更容易发现问题。

噪音的价值

根据美国能源部的数据，工业用发电机用电量占全国用电量的25%。尽管他们扮演着重要的作用，但由于种种原因，发电机是可能出故障的，进而导致生产率和盈利能力下降。但如果有可能将这种噪音转化为有价值的东西呢?

通过使用人工智能，可以对声音进行分析来检测故障。在嵌入式传感器、机器学习算法和预测维护解决方案的帮助下，出现故障的组件可以在它们变得更严重之前就被识别出来。

用AI听音的方式来对发电机进行检测。通过嵌入式声学识别传感器设备，再结合机器学习和频率分析，该公司可以在事故发生前进行预测，包括问题出现的部位与时间。

所谓深度学习，通常是指被称为人工神经网络的软件算法。这些神经网络可以经过多个人工神经元层过滤相关数据，以便更好地学习特定任务。目前流行的软件多以图像识别为主，侧重于语音和对话的声学识别也不少，但以机器运转发出的声音为深度学习对象的还不多见。上海速嵌的做法是，在每个客户端安装麦克风，开启物联网服务，将麦克风搜集的声音上传到云端，经过深度学习算法运算后，客户端可以使用连接了网络的智能手机等设备，监测声音来源设备的状态。

16,000个出故障的发电机声音片段

为了验证人工智能的有效性，我们对业内电机八大故障进行了测试，范围从轴承故障到软基断层等均包括在内。在这种情况下收集到了近2TB的声学数据，约达16,000个声音片段。

超声波探伤是一种可视化发动机内部结构的选项，但这是一种昂贵的技术。音频是理想的解决方案，即使它不是很引人注意。在处理工业设备时，这也是一个主要的因素，因为工作人员需要在保证安装设备时不会对电机产生负面影响。

“可见光并不是一个好的故障标志，因为它无法透过电机被探测到，也无法判断轴承是不是有所退化。音频是机械故障最明显的标志，电机的部件会因为运动而产生摩擦，大部分的故障可以因此被识别出来。”

通过声学分析可持续性

根据一份研究报告，工厂里高达40%的能源成本可能是由于漏气造成的。当故障开始出现时，电机的电效率就会降低，需要更多的能量来补偿运作过程中由于故障所带来的额外压力。这就带来了额外的能源消耗和更高的耗电费用。

“用声音检测，这对于找到工厂器械的故障部位非常有用，”Sakesla说。“通常情况下，气动系统产生的空气中有10%-15%被泄露。在全球范围内，这是一个巨大的浪费能源。“

未来更加值得期待

随着声音变得更有价值，硬件和软件的进步表明，基于音频的预测分析和设备潜在故障自动预测检测领域正取得重大进展。无论是与电网，加油站，发动机，工厂还是水力学结合，任何行业都可能从声音分析中获益。