分布式托辊监测系统的正常工作需要以下几个步骤： 1) 声呐布置——将具备本地边缘运算能力的声呐节点利用 4 芯同轴线串联，每台声呐节点配 备双声传感器。声呐节点通过 RS-485 串行总线串联，在传送带的一端通过 485 转以太网，通过网络连接到后台服务器。 2) 声呐校准——由监测中心服务器向各节点发送指令，控制节点修改检测门限阈值以完成声 呐校准、声呐自检等功能，确保传送带沿线拾音器都正常工作。该校准过程可在声呐布置前统一完成，也可以在布置完成后依据现场环境做适当修正。 3) 监测异响——托辊监测系统启动后，各个节点会不断读取当前的声音信号数据并做频谱分 析，当信号特征分量超过设定的正常阈值后，信号处理器会将该处的托辊列为异常状态，同时监测中心会循环轮询各个节点，获取信息后及时处理。 4) 异常监控与修复——监测中心服务器在收到节点的异常报告后，会实时地将托辊损坏的位置与损坏情况报告给值班人员，值班人员可以实时监听现场异常节点的声音判断是否出现严重异常，如果出现异常，在相应人员完成托辊修复工作后解除异常告警。
家电异音检测系统的架构，系统由硬件和软件两部分共同组成了一个不可分割的整体，硬件部分包括测量环境、传感器、采集系统和判别系统，测量环境可以是基本不做改动的原始生产线，也可以是在生产线上设计添加的简易隔声或吸声空间，测量环境的考虑重点是如何减少生产线环境噪声的影响。传感器和采集系统一般要求满足可听声频带的采样要求，对系统的量化精度要求至少采用16位采集系统，能达到24位更好。判别系统一般是采集系统和计算机的结合体，计算机上运行的软件是信号特征提取算法和机器学习模型。 软件部分中的信号测量分析模块主要完成信号的采集和保存，应用信号处理技术，特征提取模块抽取声信号样本特征，构建特征向量和机器学习数据集。机器学习模块实现各种机器学习算法，在特征向量数据集的基础上，完成训练、验证和等环节，最终获得异音判别参数，过程中还包括特征向量和机器学习模型参数的选择与优化。
在线异音检测可以说是人工智能技术在家电生产过程中的一个合适应用场景，但要想与家电生产流程真正无缝结合，真正替代人工声检，还需要解决很多技术和管理上的难题，技术难题包括产线节拍匹配、信号采集、环境噪声消除、训练样本选择、合适学习模型确定等，管理难题包括检测规范与标准的制定以及检测流程的重构等，解决这些难题的方法和思路将在后续详细深入讨论。