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。
家电异音检测可以按照下图所示的技术途径来实施。按照机器学习的要求，通过传声器和信号采集系统进行声信号样本采集，需要注意的是采集得到的声信号既包含家电的运转声，也包括生产线的环境噪声。采用现有成熟的多种信号处理方法对所测声信号进行预处理，通过分析比较和尝试，组成最佳的信号特征向量，该向量应该能够最大程度反映家电状态信号，同时抑制环境噪声。 常用的信号特征提取方法一般包括时域、频域和时频域三类，时域的典型特征有短时能量和过零率；频域的特征种类繁多，有各种谱分析方法、线性预测系数以及梅尔频率倒谱系数等；时频特征包含短时傅里叶谱和小波谱，时频特征会带来较大的计算量，但却更能完整全面地描述音频信号。
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。
