---
title: 从"老师傅听诊"到人工智能：高速微型电机产线出厂检测技术综述
author: 朱奕樟
date: 2026-07-01
summary: 聚焦高速永磁无刷电机(如戴森数字马达)产线出厂检测场景,按"装配缺陷vs长期磨损"重新划定范围,声学检测部分含Wißbrock/MIMII/DCASE2020/STgram-MFN等核心论文的场景-传感器-数据集-算法-结果深度解析,配37张论文原图。
canonical: https://blog.sysu-sam.com/@zhuyizhang/high-speed-motor-fault-diagnosis-ai-survey
---

# 从“老师傅听诊”到人工智能：高速微型电机产线出厂检测技术综述

> 以戴森数字马达（Dyson Digital Motor）、高速吹风机/吸尘器无刷电机等转速可达10万至20万RPM的高速永磁无刷电机（High-Speed PMSM/BLDC）为背景，聚焦生产线末端出厂检测（End-of-Line Testing）这一具体场景，系统梳理装配缺陷机理、检测手段（重点是声学方法）与人工智能诊断方法的研究现状与挑战。

## 摘要

电机总装完成后，要在产线终检工位通电空转几秒钟，质检员凭耳朵判断这一台是否合格，合格才放行装配、包装出货。这是产线末端一次性的“体检”，判定结果只有通过或退回返修两种，不是对已经卖出去、正在使用的产品做长期健康监测。本文的核心论点是：这个场景真正关心的故障，是电机组装完成、从未真正运行过时就已经存在的**装配缺陷**——转子装配公差导致的不平衡与偏心、轴承压装/预紧力/异物污染问题、永磁体结构性裂纹、绕线过程中的绝缘损伤、霍尔传感器安装错误、内部松动件——而不是需要几百上千小时运行才会发展出来的**长期磨损**（轴承点蚀、轴承电流电蚀、绝缘老化、热致退磁）。这个区分决定了哪些文献真正对口、哪些方法真正有用，也是本文与此前版本最大的不同。第一部分沿着这条线梳理装配缺陷的机理与检测方法；由于本课题的落地路径高度依赖“听声辨障”这一人工现状，第二部分把声学检测方法作为全文分析重点，串联传统声学/声发射方法、核电站松动部件监测系统（LPMS）这一关键类比、汽车产线异响（BSR）自动化质检案例、以及基于深度学习的声学异常检测方法；第三部分讨论振动、电流、传感器等辅助手段及其局限；最后指出该领域目前几乎没有专门针对超高速微型电机出厂检测场景的公开数据集与研究，这既是最大的挑战，也是本课题的原创价值所在。除了同行评审文献，本文在部分工程细节上也参考了行业内公开的工艺常识（如产线声学隔音工位、MEMS器件成本量级等），这类内容会明确标注为背景性工程知识，与有DOI可查的学术引用区分开。

---

## 1. 引言

### 1.1 问题背景

以戴森为代表的高速数字马达技术，把永磁无刷电机的转速从传统电器电机的每分钟数千转提升到10万甚至20万转以上。转速越高，装配环节的微小公差就越容易被放大成明显的异响或振动——轴承装配间隙差几微米、转子动平衡差一点点、绕线时绝缘漆膜被划伤一道、磁体充磁不均匀，这些在低速电机上可能感觉不出来的问题，在10万转的工况下都会变成产线终检必须拦下的对象。

目前行业内的做法是：电机总装完成后，在产线终检工位通电空转，质检员用耳朵（或戴耳机）听几秒钟运转声音，凭经验判断这一台是否存在异响、异常振动或者“扫膛”“电流声”等缺陷特征，合格才放行进入下一道工序。这是出厂前的一次性合格判定（pass/fail），不是对某一台已售出电机的长期追踪监测——每台电机只测这一次，测的是“这台机器现在装配得好不好”，而不是“这台机器还能用多久”。这种依赖人工听诊的方式问题很直接：依赖老师傅的个人经验，判定标准因人而异难以统一（1.3节引用的Liebherr发动机产线案例就证实了这一点——同一台产品在不同质检员手里可能得到不同的合格性判断），随产能扩大人力成本线性增加，而且听过的声音无法沉淀成可复用的数据资产。

### 1.2 一个决定全文取舍的核心标准

在动手调研文献之前，先要想清楚一个问题：产线终检这几秒钟里，机器到底能“看见”哪些故障？答案只能是**装配完成时刻就已经存在的缺陷**——轴承压装时留下的压痕、转子没配平衡好、磁体本身有裂纹、绕线时绝缘被划破、霍尔传感器装歪了、内部掉了颗螺丝。这些缺陷的共同点是：不需要电机先运行一段时间才会显现，通电的第一秒就能听出来（或者说，理论上应该能听出来）。

反过来，故障诊断领域里体量最大的一批文献——轴承长期运行后的点蚀剥落、逆变器高频开关电流长期腐蚀轴承滚道造成的电蚀纹路、绝缘材料经年累月的老化、永磁体在长期高温下的不可逆退磁——描述的都是**需要真实运行时间积累才会出现**的现象。这类文献方法论价值很高，但直接套用在“电机刚下线、从未通电运行过”这个场景里是不成立的：终检台架上根本不存在几百小时的运行历史，也就不存在这些故障的信号特征。

机械诊断领域的经典综述早就把“诊断（diagnostics）”和“预测（prognostics）”看作两类不同任务：前者是对当前状态的单次判断，后者是对未来趋势的建模（Jardine, Lin, Banjevic, 2006, *Mechanical Systems and Signal Processing*, 20(7):1483-1510, DOI: [10.1016/j.ymssp.2005.09.012](https://doi.org/10.1016/j.ymssp.2005.09.012)，该领域被引用4600余次的经典文献）。产线终检要做的是前者，而且是一种更极端的前者——连“历史数据”都没有，只能靠这一台机器自己的信号判断合不合格。DCASE 2023 Challenge Task 2提出的“First-shot”评测协议明确规定系统不能针对特定机型做超参数调优（Harada et al., 2023, *EUSIPCO*, DOI: [10.23919/eusipco58844.2023.10289721](https://doi.org/10.23919/eusipco58844.2023.10289721)），这跟产线终检“每台电机只测一次、无法针对个体历史调参”的现实约束在方法论上是一回事，虽然该文本身的应用背景仍是设备运维数据集。

这个标准贯穿全文：第2章按“装配缺陷”重新组织故障分类，明确排除长期磨损机理；第3-5章介绍的每一类检测方法，都会说明它对“装配缺陷”这个具体问题是否真的适用，而不是笼统地说“这个方法能测故障”。

### 1.3 出厂终检相关的一手文献

专门讨论电机“产线末端出厂检测”的学术研究不算多，但确实存在，而且部分文献场景吻合度很高：

- **Mlinarič, J.; Dolanc, G. (2026). *AI-Enabled End-of-Line Quality Control in Electric Motor Manufacturing: Methods, Challenges, and Future Directions*. Machines, 14(2), 149. DOI: [10.3390/machines14020149](https://doi.org/10.3390/machines14020149)**——目前检索到的与本课题主题最直接吻合的综述，指出的瓶颈（专家知识依赖、故障标注数据稀缺、机型/工况间泛化能力不足、缺乏标准化评估方法论）与本文后面的分析相互印证。
- Popsi, N.R.S. et al. (2024). *Influence of Electric Motor Manufacturing Tolerances on End-of-Line Testing: A Review*. Energies, 17(8), 1913. DOI: [10.3390/en17081913](https://doi.org/10.3390/en17081913)——把装配公差和终检结果直接联系起来，讨论定/转子直径、磁体尺寸、气隙等公差如何影响转矩、效率、反电动势、噪声振动测试结果。
- **Wißbrock, P.; Pelkmann, D.; Richter, Y. (2023). *Discussion of Features for Acoustic Anomaly Detection under Industrial Disturbing Noise in an End-of-Line Test of Geared Motors*. 2023 IEEE INDIN. DOI: [10.1109/indin51400.2023.10217989](https://doi.org/10.1109/indin51400.2023.10217989)**——场景最贴近的一篇：齿轮电机产线出厂声学检测中，工业环境噪声干扰下异常检测特征的鲁棒性研究，本文4.1节会详细展开。
- Wißbrock, P.; Pelkmann, D.; Tölle, B. (2021). *Automate Quality Prediction in an End-of-Line Test of a Highly Variant Production of Geared Motors*. PHM Society European Conference. DOI: [10.36001/phme.2021.v6i1.2803](https://doi.org/10.36001/phme.2021.v6i1.2803)——讨论用声学测量替代振动测量的可行性，与本课题优先考虑麦克风的思路一致。
- Butov, A.; Verl, A. (2014). *Comparison of end of line tests for serial production of electric motors in hybrid truck applications*. 2014 EDPC. DOI: [10.1109/edpc.2014.6984405](https://doi.org/10.1109/edpc.2014.6984405)。
- Bonart, J.; Hümmer, P.; Drossel, W. (2021). *Enhancing End-of-Line Defect Classifications and Evaluating Early Testability for Inline Test Stands Using NVH Measurements*. 2021 EDPC. DOI: [10.1109/edpc53547.2021.9684212](https://doi.org/10.1109/edpc53547.2021.9684212)——讨论“过程中测试站”与“最终出厂测试站”的分工权衡。
- **Akrout, S. et al. (2024). *Acoustic Quality Assurance during End of Line Engine Test Approval*. SAE Technical Paper 2024-01-2922. DOI: [10.4271/2024-01-2922](https://doi.org/10.4271/2024-01-2922)**——Liebherr发动机产线的一手案例，直接证实了1.1节的判断：现有出厂声学检测依赖人工主观评判，同一台产品的判定结果因人而异，该文提出用量化客观指标取代主观听测。
- **Balthy, M.K. et al. (2026). *A novel end-of-line acoustic–vibration-based testing tool for quality assurance and supplier control of gasoline direct injection fuel pump*. Flow Measurement and Instrumentation. DOI: [10.1016/j.flowmeasinst.2026.103338](https://doi.org/10.1016/j.flowmeasinst.2026.103338)**——结合声学与振动数据的非侵入式EOL测试方法，用互功率谱密度分析加置信区间统计框架判定噪声异常，对象是燃油泵而非电机，但测试规模（小型高速旋转部件）和方法论与本课题高度类比，4.1节会详细讨论。
- Junior, J.T. et al. (2020). *False Failure Index Reduction in Cold-Start Dynamometer Using Statistical Process Control*. Revista SODEBRAS, 15(180). DOI: [10.29367/issn.1809-3957.15.2020.180.154](https://doi.org/10.29367/issn.1809-3957.15.2020.180.154)——产线测功机测试应用统计过程控制降低“误判失效”指标，对应终检场景中漏检与误杀的成本权衡。

从工程实践角度补充一点背景：产线终检工位通常需要一定程度的声学隔离（半消声箱或隔音罩）来压制车间背景噪声对判定的干扰，这是声学质检类系统在实际部署时普遍要面对的基建成本，本文未检索到把这一具体环节单独作为研究对象的学术论文，这里作为工程常识提及，不作为文献引用。

> 如实说明：“产线检测节拍时间优化”这一具体子问题，本次调研没能找到专门的独立学术论文，这是第7节标注的一处空白。

### 1.4 文章结构

第2章按“装配时刻是否已存在”这个标准重新组织故障分类体系，并明确排除长期磨损机理；第3章介绍传感器技术；第4章展开检测方法，声学部分是分析重点；第5章综述AI/深度学习方法，同样以声学相关方法为主线；第6章整理公开数据集；第7章讨论挑战与未来方向；第8章总结全文。

---

## 2. 装配缺陷分类体系

高速永磁无刷电机在产线终检时能够被听出来的问题，几乎都能追溯到装配环节的某个具体动作没做好。下面按缺陷发生的部位组织，每一类都说明其装配成因、信号表现，以及与“长期磨损”版本的区别。

### 2.1 转子装配公差导致的不平衡与偏心

转子质量分布不均（mass imbalance）和转子-定子气隙不均匀（eccentricity）是产线终检最常遇到的两类装配缺陷，两者机理不同但经常相伴出现，都会引发不平衡磁拉力（Unbalanced Magnetic Pull, UMP），在振动频谱上表现为与转速相关的特定阶次分量。

![转子-定子气隙偏心几何示意图](https://blog.sysu-sam.com/images/zhuyizhang/eccentricity_ump_schematic.png)
*图 转子-定子气隙偏心（静态/动态偏心）几何关系示意图。图片来源：Zhu, R.; Tong, X.; Han, Q.; He, K. (2023). Calculation and Analysis of Unbalanced Magnetic Pull of Rotor under Motor Air Gap Eccentricity Fault. Sustainability, 15(11), 8537, Figure 1. DOI: [10.3390/su15118537](https://doi.org/10.3390/su15118537)（CC-BY）*

这类装配公差问题的检测，工程界早已有成熟做法——动平衡校验（dynamic balancing），只是过去多依赖专用动平衡机而非电机本身的通电测试信号。Tseng、Shih与Lin（2007）在汽车起动电机电枢产线上搭建了“不平衡测量机+铣削机”的闭环系统，用自适应参数估计实时计算不平衡量并去重（*Journal of Sound and Vibration*, 304(1-2):110-123, DOI: [10.1016/j.jsv.2007.02.025](https://doi.org/10.1016/j.jsv.2007.02.025)）。近年的工作把这条思路搬进了深度学习框架：Dong等人（2022）用LSTM结合零相位滤波从振动信号里提取幅值与相位，计算电机电枢的不平衡质量（*Sensors*, 22(23):9043, DOI: [10.3390/s22239043](https://doi.org/10.3390/s22239043)），原文明确指出装配误差和材料不均匀是电枢质量不平衡的成因；Liu等人（2024）则直接以“微电机”为对象，用全相位FFT从弱信号中提取转子不平衡特征，二次平衡后不平衡量下降超过90%（*International Journal of Mechanical System Dynamics*, DOI: [10.1002/msd2.12116](https://doi.org/10.1002/msd2.12116)）——这是目前检索到的、与本课题“高速微型电机”体量最接近的不平衡检测研究。

气隙偏心这一侧，多数文献聚焦“如何检测偏心”而非“偏心是怎么装出来的”，Fu与Zuo（2016，*Proceedings of Meetings on Acoustics*, DOI: [10.1121/2.0000445](https://doi.org/10.1121/2.0000445)）、Zhu等人（2023，见上图）、Mortezaei等人（2024，*Journal of Magnetism and Magnetic Materials*, DOI: [10.1016/j.jmmm.2023.171441](https://doi.org/10.1016/j.jmmm.2023.171441)）分别从振动噪声、有限元计算、磁通密度实测三个角度建立了偏心-UMP的定量关系，这些方法学本身对装配公差同样适用，只是原始论文没有专门论证“轴承座压装偏差”这类装配成因——这是本方向一个诚实的检索空白，不必强行填补。

Kindl等人（2019）报告了一个具体的现场案例：某大型感应电机异常振动经诊断确认由装配失误引起（*Communications – Scientific Letters of the University of Zilina*, 21(2):58-68, DOI: [10.26552/com.C.2019.2.58-68](https://doi.org/10.26552/com.C.2019.2.58-68)），这类事后诊断案例虽然不是标准的产线EOL流程，但直接证明了“装配失误导致的振动异常”是真实发生、而非本文假设的问题。

### 2.2 轴承装配环节的缺陷

轴承是高速电机里对装配质量最敏感的部件，但这里需要先厘清一个容易混淆的问题：轴承故障文献里绝大多数讨论的“点蚀”“剥落”“打滑磨损”，都是运行数百上千小时之后才会发展出来的现象，与本课题场景不符（详见2.7节的排除说明）。真正落在“装配时刻已存在”这个范围内的，是以下三类：

**压装损伤。** 轴承通过过盈配合压装到轴上或轴承座里，压装力过大、对中偏差都可能在滚道上留下压痕。这里有一个专门的术语区分很关键：**真性布氏压痕（true brinelling）**是过载导致的塑性变形压痕，**假性布氏压痕（false brinelling）**则是设备静止或运输期间因外部振动导致的微动磨损——两者机理不同，但共同点是都发生在电机“第一次真正运行之前”。Fallahnezhad、Brinji、Meehan等人的系列研究（*Wear*, 2019-2021，DOI: [10.1016/j.wear.2019.02.004](https://doi.org/10.1016/j.wear.2019.02.004)、[10.1016/j.wear.2019.203135](https://doi.org/10.1016/j.wear.2019.203135)）专门针对全新轴承在公路/海运运输期间因振动导致假性压痕的问题建立了有限元预测模型；这一系列后续工作还比较了不同润滑脂配方对减轻假性压痕的效果（Lin et al., 2022, *Tribology Letters*, DOI: [10.1007/s11249-021-01557-0](https://doi.org/10.1007/s11249-021-01557-0)；Tetora et al., 2023, *Lubricants*, DOI: [10.3390/lubricants11070279](https://doi.org/10.3390/lubricants11070279)）。这些文献的对象是轨道轴承而非电机，机理是外部振动而非压装力本身，但“装配完成、尚未真正运行”这个时间窗口与本课题场景高度吻合。

![轴承内圈滚道打滑产生的磨损带及其放大形貌](https://blog.sysu-sam.com/images/zhuyizhang/bearing_skidding_wear.png)
*图 轴承内圈滚道打滑产生的磨损带（frosting）。这一具体现象本身是高速运行工况下的动力学问题（Wang et al., 2015, Tribology International, DOI: [10.1016/j.triboint.2015.07.021](https://doi.org/10.1016/j.triboint.2015.07.021)），列于此处是为了说明高速电机对轴承装配精度的容错空间比低速电机小得多——同样的装配公差，在10万转工况下更容易被激发成明显异响。*

**预紧力异常。** 轴承预紧力由装配时的轴向压紧量决定，过大或过小都会改变振动特征。Bal等人（2022）用五自由度刚性轴-角接触球轴承弹流润滑动力学模型，理论加实验证实预紧力增大会降低变柔度频率幅值、使系统固有频率上移（*Lubricants*, 10(3):46, DOI: [10.3390/lubricants10030046](https://doi.org/10.3390/lubricants10030046)）；Migal等人（2021）则直接在电动汽车异步牵引电机上验证了优化预紧力、把轴承与轴承座配合间隙控制在15微米以内可以降低振动（*Journal of Vibration and Control*, DOI: [10.1177/1077546320937634](https://doi.org/10.1177/1077546320937634)）——这两篇分别提供了机理和工程验证，一起说明预紧力是一个可以在产线上通过振动信号反推的装配参数，而不需要等待运行磨损。

**异物污染。** 装配环境中的粉尘、金属屑混入润滑脂，会在通电后立即产生异响。Martin-del-Campo等人（2019）对滚动轴承润滑脂人为混入污染颗粒，用声发射信号做无监督特征学习检测（*Tribology International*, 132:30-38, DOI: [10.1016/j.triboint.2018.12.007](https://doi.org/10.1016/j.triboint.2018.12.007)）；Poddar与Tandon（2019）针对滑动轴承在不同颗粒尺寸和浓度下的振动/声发射特征做了系统研究（*Tribology International*, 134:154-164, DOI: [10.1016/j.triboint.2019.01.050](https://doi.org/10.1016/j.triboint.2019.01.050)），这两篇的轴承类型（滑动轴承）与消费电子高速电机常用的滚动轴承不同，引用时需要注意，但污染物导致声发射特征异常这一机理是相通的。

Xu等人（2023）的失效模式综述明确把“设计、材料缺陷、制造工艺、装配、运输、工况载荷”列为并列的独立成因类别（*Engineering Failure Analysis*, 152:107518, DOI: [10.1016/j.engfailanal.2023.107518](https://doi.org/10.1016/j.engfailanal.2023.107518)），这个分类框架恰好印证了本文的核心标准：装配成因和运行成因是两类性质不同的问题，不能用同一套方法论直接套用。

### 2.3 永磁体制造缺陷

这里要跟长期热退磁（见2.7节）划清界限。永磁体本身作为一个来料部件，可能在生产（充磁工艺、磁瓦烧结磨削）或运输过程中就存在结构性裂纹、气孔、崩边，这与“电机长期在高温下运行导致不可逆退磁”是完全不同的两类问题——前者是磁体本身有瑕疵，后者是使用工况造成的性能衰减。

![永磁体退磁区域的磁化强度分布模型](https://blog.sysu-sam.com/images/zhuyizhang/demagnetization_schematic.png)
*图 永磁体磁化强度分布模型，可用于刻画磁体本身充磁不均匀或存在裂纹时的磁场分布异常。图片来源：Shi, C.; Peng, L.; Zhang, Z.; Shi, T. (2022). Analytical Modeling and Analysis of Permanent-Magnet Motor with Demagnetization Fault. Sensors, 22(23), 9440, Figure 2. DOI: [10.3390/s22239440](https://doi.org/10.3390/s22239440)（CC-BY）*

这个方向有两条独立的文献脉络，指向同一个问题的两个环节。第一条是电机总装完成后、通过电磁信号检测磁体结构缺陷：Kucukyildiz等人的研究通过反电动势、电流、振动信号结合随机森林分类，检测永磁电机中径向/轴向磁体裂纹缺陷（*IEEE Transactions on Energy Conversion*, 2022, DOI: [10.1109/tec.2021.3110012](https://doi.org/10.1109/tec.2021.3110012)；会议版见ICEM 2022, DOI: [10.1109/ICEM51905.2022.9910724](https://doi.org/10.1109/ICEM51905.2022.9910724)），摘要明确写的是“magnet cracks or defects”，也就是结构性缺陷而非退磁。

第二条是比电机总装更上游一步的来料质检——磁瓦（永磁体毛坯）在组装进电机之前的表面缺陷检测，这条脉络反而更成熟、更贴近“制造缺陷”这个概念本身。Huang、Qiu、Yuan提出的MCuePush U-Net模型（会议版2018 IEEE CASE, DOI: [10.1109/COASE.2018.8560423](https://doi.org/10.1109/COASE.2018.8560423)；期刊扩展版*The Visual Computer*, 36:85-96, 2020, DOI: [10.1007/s00371-018-1588-5](https://doi.org/10.1007/s00371-018-1588-5)）公开了一个已被引用500余次的标杆数据集，覆盖气孔、裂纹、破损、毛边、磨削不均等六类磁瓦表面缺陷；Xie等人（2016）用剪切波变换做磁瓦表面缺陷检测（*Applied Surface Science*, 375:118-126, DOI: [10.1016/j.apsusc.2016.03.013](https://doi.org/10.1016/j.apsusc.2016.03.013)）；Zhong、Wang、Xiang（2023）专门解决磁瓦制造良率控制中小尺寸缺陷的定位难题（*Electronics*, 12(1):185, DOI: [10.3390/electronics12010185](https://doi.org/10.3390/electronics12010185)）。Liu、Wang、Li、Wang（2023）的工作里有一句话值得直接引用，因为它精确地把这条文献脉络的位置说清楚了——磁瓦质量检测是“永磁电机装配前的必要环节”（*Journal of Intelligent & Fuzzy Systems*, DOI: [10.3233/JIFS-232366](https://doi.org/10.3233/JIFS-232366)）。这条脉络提醒我们：如果磁体本身的裂纹缺陷能在装配前的来料检验环节被机器视觉拦下，那么电机总装完成后的声学/振动EOL检测，理论上只需要覆盖“来料检验漏检”和“磁体在装配过程中被磕碰损伤”这两种残余情况，而不必把磁体缺陷检测的全部责任都压在最后一道工序上——这是一个关于质检环节该如何分工的实际工程判断，而不是纯粹的检测算法问题。

需要谨慎处理的边界案例：Zafarani、Goktas、Akin（2015/2016）把磁体开裂/破损作为独立于退磁的故障类别做了电磁诊断建模（*IEEE Transactions on Industry Applications*, 52:1331-1339, DOI: [10.1109/TIA.2015.2487440](https://doi.org/10.1109/TIA.2015.2487440)），但未明确讨论裂纹成因是制造阶段还是运行应力，属于混合视角；Ding等人（2024）在Hairpin绕组永磁电机的鲁棒设计优化中承认磁体性能批次不一致源于制造不确定性（*IEEE Transactions on Energy Conversion*, DOI: [10.1109/TEC.2024.3355412](https://doi.org/10.1109/TEC.2024.3355412)），但这是设计优化论文而非EOL检测研究，仅作背景佐证。需要明确排除的一篇是Abdolmaleki、Asef、Vagg（*Magnetism*, DOI: [10.3390/magnetism4040023](https://doi.org/10.3390/magnetism4040023)）——标题含“Structural Defects”容易被误判为制造缺陷文献，但摘要明确研究的是运行中裂纹的形成与扩展，属于长期机理，已排除，不作为本节证据。

这里补一句坦白话：检索中出现大量“partial demagnetization detection PMSM”类文献，初步判断多数讨论的是运行工况（短路故障、温升）下的退磁机理，已明确排除。“充磁不足（under-magnetization）”和“磁体装配错位（misplacement during assembly）”作为独立的EOL故障专题，本次检索没有找到专门的学术文献，这是该细分方向真实存在的空白。

### 2.4 绕组制造损伤导致的匝间短路

定子绕组匝间短路（inter-turn short circuit）同样存在“制造损伤”和“长期老化”两种成因，绕线过程中导线绝缘漆膜被划伤、绕线张力控制不当导致局部绝缘破损，会在电机第一次通电时就表现为异常，这与绝缘材料经年累月的老化是两个不同的时间尺度问题。

![永磁同步电机匝间短路故障等效电路](https://blog.sysu-sam.com/images/zhuyizhang/stator_winding_itsc_circuit.png)
*图 永磁同步电机定子绕组匝间短路故障等效电路，图中标出短路匝内环流路径。图片来源：Chen, X.; Qin, P.; Chen, Y.; Zhao, J.; Li, W.; Mao, Y.; Zhao, T. (2022). Inter-Turn Short Circuit Fault Diagnosis of PMSM. Electronics, 11(10), 1576, Figure 2. DOI: [10.3390/electronics11101576](https://doi.org/10.3390/electronics11101576)（CC-BY）*

检索中能找到的匝间短路检测方法论文本身很扎实——Yassa与Rachek（2020）用定子电流特征分析建立匝间短路模型（*Mathematics and Computers in Simulation*, DOI: [10.1016/j.matcom.2018.04.012](https://doi.org/10.1016/j.matcom.2018.04.012)），Tian等人（2021）针对高速列车牵引电机做了匝间短路与气隙偏心的复合故障诊断（*Mathematical Problems in Engineering*, DOI: [10.1155/2021/2149048](https://doi.org/10.1155/2021/2149048)）——但这些文献都没有特别论证短路的成因是“绕线制造损伤”还是“长期绝缘老化”，检测方法本身对两种成因都适用，只是原始研究动机没有区分。工业界普遍认可冲击耐压试验（surge test）能够检测绕线时线圈放置不当或绝缘损伤，这是电机产线常见的下线电测项目，但相关内容多来自设备厂商的技术资料而非同行评审学术文献，如实说明这是本方向的一处检索空白：目前没有找到专门以“绕线制造环节绝缘损伤+电机首次通电检测”为核心问题的学术论文。

### 2.5 传感器/换相装配错误

无刷电机依赖霍尔传感器或编码器完成换相控制，这类传感器的安装角度偏差、极性接反、气隙过大，都是纯装配环节问题，会在电机第一次通电时直接表现为换相异常或转速抖动。

这个方向检索到一篇标题高度吻合的文献：Yao等人（2020）研究“Hall sensor installation error”导致的换相误差，提出基于非换相相电流差异的检测与快速补偿方法（*IET Electric Power Applications*, DOI: [10.1049/iet-epa.2018.5941](https://doi.org/10.1049/iet-epa.2018.5941)）——受访问限制未能核实完整作者名单，但标题、期刊、DOI均可查证，方向与本节直接对应。更成熟的一批文献研究霍尔传感器故障诊断的通用方法：Chu等人（2023）用神经网络同时做霍尔传感器故障诊断与信号恢复（*Sensors*, 23(9), 4330, DOI: [10.3390/s23094330](https://doi.org/10.3390/s23094330)），Zhang等人（2021）提出实时故障诊断与容错控制策略（*Electronics*, 10(11), 1268, DOI: [10.3390/electronics10111268](https://doi.org/10.3390/electronics10111268)），Mitronikas等人（2017）用小波方法识别霍尔传感器故障（*2017 SDEMPED*, DOI: [10.1109/demped.2017.8062391](https://doi.org/10.1109/demped.2017.8062391)）——这些方法本身不区分“安装错误”还是“运行中失效”，但换相异常这个信号特征在两种成因下是共通的，检测方法可以直接复用。

### 2.6 内部异物与松动部件

这是本次专项调研新增的一个方向，也是最直接对应“人耳听诊”这个现状的一类缺陷——螺丝没拧紧、装配时掉进去的金属屑或工具零件，通电后发出“哗啦”“咔哒”声，是纯装配环节问题，只有在第一次通电空转时才能（也只能在此时）被检测出来。

一个意外但极具参考价值的类比来自核电行业：反应堆冷却剂系统内部一旦有松动的金属部件，会在撞击容器壁时产生瞬态声脉冲，这类系统早在2004年就有了成熟的自动化监测算法（Chang, Jung, Seong, 2004, *Nuclear Engineering and Design*, DOI: [10.1016/j.nucengdes.2003.02.001](https://doi.org/10.1016/j.nucengdes.2003.02.001)），近年的改进工作还引入谱熵方法降低误报率（Pian et al., 2025, *Nuclear Techniques*, DOI: [10.3724/j.0253-3219.2025.hjs.48.240051](https://doi.org/10.3724/j.0253-3219.2025.hjs.48.240051)）。这套“松动部件监测系统（Loose Parts Monitoring System, LPMS）”要解决的问题——用声学传感器判断一个密闭壳体内部是否存在不该存在的固体物体——跟电机外壳内是否有异物残留，本质上是同一个问题，只是应用场景从反应堆容器换成了电机外壳。

汽车制造业里有一整套成熟的“异响”（Buzz, Squeak, Rattle，简称BSR）自动化质检方法可以直接借鉴：Seo、Choi、Kim（2014）提出的声纹指纹技术能识别短时程、低信噪比的车内异响（*The Journal of the Acoustical Society of America*, DOI: [10.1121/1.4877553](https://doi.org/10.1121/1.4877553)），Kwon等人（2022）用变分模态分解定量评估各振源对整体异响的贡献（*Journal of Sound and Vibration*, DOI: [10.1016/j.jsv.2021.116577](https://doi.org/10.1016/j.jsv.2021.116577)）。更直接的产线案例是Strasser等人（2026）的工作：电动车因发动机噪声消失，原本被掩蔽的异响更容易被察觉，该文提出用AI模型把人工听音质检自动化、客观化，应用在自动驾驶测试车产线上（*Procedia CIRP*, DOI: [10.1016/j.procir.2025.09.029](https://doi.org/10.1016/j.procir.2025.09.029)）——这篇论文描述的问题背景，跟“电机产线出厂听音质检”几乎是同一个故事换了个主角。

紧固件松动是异物/松动件里研究最系统的一个子类。Huang等人（2022）的综述系统梳理了导波法、振动法、压电阻抗法三大类螺栓松动检测技术（*Mechanical Systems and Signal Processing*, DOI: [10.1016/j.ymssp.2021.108652](https://doi.org/10.1016/j.ymssp.2021.108652)）；Zhou等人（2022）提出用螺栓振动信号重建“敲击声”，把“敲击听音判断松动”这个老师傅的直觉方法量化（*Structural Control and Health Monitoring*, DOI: [10.1002/stc.2876](https://doi.org/10.1002/stc.2876)）；Eraliev、Lee、Lee（2022）的实验值得展开看：*场景*是用一台HIGEN AC伺服电机（1.8kW，型号FMATN20-AB00）通过4颗M8×1.5钢螺栓固定在支架上，*传感器*是电机顶部和背面各一个加速度计（分别平行和垂直于转子轴方向），转速覆盖800、1000、1200转/分三档；*松动定义*是把螺栓扭矩从25牛·米（紧固/健康状态）降到19牛·米（松动/不健康状态），以6牛·米的扭矩衰减作为早期松动的判定起点，一共设计了16种四颗螺栓紧固/松动的全组合案例；*算法*用10000Hz采样、1024点STFT窗提取0-25Hz低频段特征，横向比较了Random Forest、XGBoost、SVM等七种分类器；*结果*是XGBoost准确率最高（96.1%，但训练耗时54秒），Random Forest以95.8%的准确率和仅16秒的训练时间成为更适合在线部署的选择，16种案例里最难分类的一种成功率也有87.1%。这篇是目前检索到的、实验对象（电机+螺栓紧固件）与本课题最接近的一篇，虽然用的是振动信号而非声学信号，但"用多种分类器横向对比、报告具体训练耗时"这个做法本身就是方法选型时值得借鉴的实验设计；Guo等人（2025）同样以电机螺栓连接结构为对象，用频谱比累加系数量化松动程度（*Sensors*, 25(1), 246, DOI: [10.3390/s25010246](https://doi.org/10.3390/s25010246)）。

这里也要坦白：专门针对“电机/齿轮箱装配残留金属屑或多余螺丝垫片、通过通电空转声学信号检测”的声学专用论文，本次检索没有找到——现有工业实践案例（如上文的Strasser 2026、Balthy 2026）大多聚焦整车或整泵级别而非微型电机级别，这恰好印证了这正是本课题相对于已有研究的空白与切入点，而不是检索遗漏。

### 2.7 明确排除：不在本文范围内的长期机理

出于篇幅和场景相关性的考虑，以下几类文献体量很大、方法论也很成熟的故障机理，本文不做展开，只在此说明排除理由：

- **轴承长期磨损（点蚀、剥落、打滑疲劳）**：需要几百上千小时的实际运行积累才会发展出可检测的信号特征，产线终检台架上不存在这样的运行历史。
- **轴承电流/轴电压电蚀（fluting）**：PWM逆变器高频开关引起的共模电压诱发放电型轴承电流，在滚道表面形成电蚀纹路，这个过程同样需要长期运行累积（Ma et al., 2022, *Machines*, DOI: [10.3390/machines10121167](https://doi.org/10.3390/machines10121167)；Tawfiq et al., 2023, *Machines*, DOI: [10.3390/machines11050550](https://doi.org/10.3390/machines11050550)）。

![感应电机寄生电容耦合等效电路（轴电压产生机理）](https://blog.sysu-sam.com/images/zhuyizhang/bearing_current_shaft_voltage_circuit.png)
*图 感应电机内定子-转子-轴承的寄生电容耦合等效电路。这类损伤需要长期运行累积才会形成可检测的电蚀纹路，不属于本文出厂终检场景的核心讨论范围，此处仅作背景说明。图片来源：Ma, J. et al. (2022). Motor Bearing Damage Induced by Bearing Current: A Review. Machines, 10(12), 1167, Figure 11. DOI: [10.3390/machines10121167](https://doi.org/10.3390/machines10121167)（CC-BY）*

- **绝缘老化**：绕组绝缘材料随时间和温度累积老化，与2.4节讨论的“绕线制造损伤”是完全不同的时间尺度。
- **热致退磁**：电机长期在高温工况下运行导致的永磁体不可逆退磁，与2.3节讨论的“磁体本身的结构性裂纹”是不同的成因。
- IMS轴承数据集（辛辛那提大学，见6.1节）这类“从健康到失效”的全生命周期数据集，本质上服务于剩余寿命预测（RUL）研究，与本课题的单次判定场景不对口。

这个排除清单本身也是一个提醒：如果读者在其他资料里看到“电机故障诊断”的综述，里面大量篇幅都在讲轴承磨损曲线和退磁温度阈值，那多半是针对在役设备监测写的，不能直接套用到产线出厂检测场景。

---

## 3. 传感器技术：如何“听”和“摸”一台高速电机

要让机器替代人耳听诊，首先要解决“用什么采集信号”的问题。这里的传感器泛指文献中用于电机状态监测的各类器件，方法本身对出厂终检和在役监测通用，差异主要在于部署方式（固定安装 vs. 工位夹具接触）和采样时长（长期连续 vs. 几秒钟单次）。

### 3.1 加速度计/MEMS振动传感器

振动信号是故障诊断中信息量最丰富、研究最成熟的信号源，但高速电机的故障特征频率（尤其轴承特征频率）通常达到数十kHz量级，对传感器带宽提出很高要求——工程经验法则建议传感器频响达到转频的40-50倍。

![MEMS加速度计振动传感器测试台示意图](https://blog.sysu-sam.com/images/zhuyizhang/fidali_mems_accel_testbench.jpg)
*图 基于电容式MEMS加速度计的振动传感器测试台。图片来源：Fidali, M.; Augustyn, D.; Ochmann, J.; Uchman, W. (2024). Evaluation of the Diagnostic Sensitivity of Digital Vibration Sensors Based on Capacitive MEMS Accelerometers. Sensors, 24(14), 4463, Figure 4. DOI: [10.3390/s24144463](https://doi.org/10.3390/s24144463)（CC-BY）*

Maruthi与Hegde（2016）较早评估了MEMS加速度计检测轴承多种故障的能力（*IEEE Sensors Journal*, DOI: [10.1109/jsen.2015.2476561](https://doi.org/10.1109/jsen.2015.2476561)），Fidali等人（2024，见上图）直接对比了电容式MEMS传感器与传统压电传感器的灵敏度和频响表现，与高速电机监测的带宽需求高度相关。振动传感器的问题在于：它对2.1节讨论的不平衡/偏心类装配缺陷非常敏感（这类缺陷本身就是通过振动阶次分量定义的），但对2.6节的异物/松动件类缺陷，敏感度往往不如声学传感器——固定安装的加速度计只能感知传导到安装点的振动，而声音可以绕开传播路径直接被麦克风捕捉，这也是本文把声学方法作为分析重点的一个工程理由。

### 3.2 麦克风/声学传感器阵列

声学传感器最大的优势是非接触、可远程部署，天然对应“人耳听诊”这一现状。近年研究开始使用圆形/共素麦克风阵列结合波达方向估计（DOA）技术，实现免接触的声源定位与故障诊断。

![麦克风环形阵列布局图](https://blog.sysu-sam.com/images/zhuyizhang/li_microphone_array_arrangement.jpg)
*图 麦克风环形阵列布局：9个麦克风沿圆周等间距排布，用于波束成形与声源方向估计。图片来源：Li, C.; Chen, C.; Gu, X. (2023). Acoustic-Based Rolling Bearing Fault Diagnosis Using a Co-Prime Circular Microphone Array. Sensors, 23(6), 3050, Figure 6. DOI: [10.3390/s23063050](https://doi.org/10.3390/s23063050)（CC-BY）*

这套阵列方案的价值不仅在于识别“有没有异响”，还在于定位“异响来自壳体内的哪个位置”——这对产线返修环节（判断是轴承问题还是绕组问题）比单一麦克风更有实用价值。第4章会把声学检测方法作为独立且展开更深的一节详细讨论。

### 3.3 电流传感器（霍尔电流传感器/分流电阻）

电流传感器的优势是天然嵌入驱动电路、无需额外安装机械传感器，常与电机电流特征分析（MCSA）方法配套使用。

![MCSA实验台：电机、编码器与霍尔电流传感器](https://blog.sysu-sam.com/images/zhuyizhang/diversi_mcsa_testrig_encoder.jpg)
*图 电机电流特征分析（MCSA）实验台。图片来源：Diversi, R. et al. (2025). An Autoregressive-Based Motor Current Signature Analysis Approach for Fault Diagnosis of Electric Motor-Driven Mechanisms. Sensors, 25(4), 1130, Figure 3. DOI: [10.3390/s25041130](https://doi.org/10.3390/s25041130)（CC-BY）*

MCSA对2.3-2.5节讨论的磁体/绕组/传感器类装配缺陷（这些缺陷本身会直接改变电磁特性）很有效，但对2.2和2.6节的轴承装配问题、异物松动件，电流信号的敏感度天然弱于声学/振动信号——这类纯机械性质的问题不会直接改变电磁场分布，只有当机械异常严重到影响转速稳定性时才会在电流谱上留下痕迹。4.3节会展开这一局限。

### 3.4 编码器/霍尔位置传感器

无刷电机普遍依赖霍尔位置传感器完成换相控制，这类传感器天然承担“转速/位置反馈”与“自身故障诊断”的双重角色。

![基于神经网络的霍尔传感器信号恢复系统框图](https://blog.sysu-sam.com/images/zhuyizhang/chu_hall_sensor_recovery_blockdiagram.jpg)
*图 基于神经网络的霍尔传感器信号恢复系统框图。图片来源：Chu, K.S.K.; Chew, K.W.; Chang, Y.C. (2023). Fault-Diagnosis and Fault-Recovery System of Hall Sensors in Brushless DC Motor Based on Neural Networks. Sensors, 23(9), 4330, Figure 4. DOI: [10.3390/s23094330](https://doi.org/10.3390/s23094330)（CC-BY）*

### 3.5 多传感器融合

单一传感器存在各自的覆盖盲区——振动对不平衡/偏心敏感、声学对异物/松动件敏感、电流对磁体/绕组敏感——这三者互补性很强，近年研究趋势是把振动、声学、电流等多模态信号融合，以提升诊断鲁棒性。

![电流/电压/霍尔传感器协同的产线测试平台](https://blog.sysu-sam.com/images/zhuyizhang/chu_experiment_setup.jpg)
*图 BLDC电机霍尔传感器故障诊断实验平台，同时采集电流、电压与霍尔传感器信号。图片来源：Chu, K.S.K.; Chew, K.W.; Chang, Y.C. (2023). 同上， Figure 9*

Wang、Mao、Li（2021）的振动+声学双模态融合方案（*Measurement*, 173, 108518, DOI: [10.1016/j.measurement.2020.108518](https://doi.org/10.1016/j.measurement.2020.108518)）与本课题“用声音+振动共同判断”的思路直接契合。Kibrete等人（2024）的综述系统梳理了多传感器融合方法（*Measurement*, 232, 114658, DOI: [10.1016/j.measurement.2024.114658](https://doi.org/10.1016/j.measurement.2024.114658)），但需要指出，多传感器方案的代价是硬件成本和产线节拍的双重增加——每多接入一路传感器，就多一份布线、标定和同步开销，这在追求几秒钟完成判定的产线场景里不是没有代价的选择，是否值得多传感器融合，取决于单一声学方案的准确率能不能满足要求。

### 3.6 消费电子低成本嵌入式部署

这一方向与本课题的产品化落地最相关——如何用低成本、可批量部署的传感器方案完成小家电产品的产线质检。

![低成本多传感器状态监测板：系统框图与实物](https://blog.sysu-sam.com/images/zhuyizhang/jakobsen_sensor_board_blockdiagram.jpg)
*图 低成本多传感器状态监测板。图片来源：Jakobsen, M.O. (2024). Low cost MEMS accelerometer and microphone based condition monitoring sensor, with LoRa and Bluetooth Low Energy radio. HardwareX, 18, e00525, Figure 1. DOI: [10.1016/j.ohx.2024.e00525](https://doi.org/10.1016/j.ohx.2024.e00525)（CC-BY）*

Jakobsen（2024）的方案值得展开看具体参数：*传感器*选型是SPH0641LU MEMS麦克风（PDM输出，100Hz-10kHz频响平坦，超声响应可延伸到10-80kHz，信噪比64.3dB，声学过载点120dB）搭配ADXL1002 MEMS加速度计（DC-11kHz频响平坦，谐振频率21kHz，灵敏度40mV/g，噪声密度25微g/√Hz），另配一颗超低功耗三轴加速度计专门测200Hz以下的低频不平衡/转速信号；*硬件成本*：整套BOM成本约180美元，其中电子元件150美元、PCB制造6美元、LoRa模块25美元、电池10美元；*验证案例*是在SKF2206EKTN9双列自调心球轴承上用电火花加工制造了一个5×0.5×0.25毫米的外圈人工缺陷，麦克风以100kHz、加速度计以40kHz采样，两种传感器都能在0-700Hz频段的包络谱上看到外圈缺陷特征频率及其谐波。这组具体数字说明：MEMS麦克风的频响范围能覆盖到80kHz，比同价位加速度计的21kHz谐振频率高出接近4倍，这也是为什么本文认为高速电机（故障特征频率可能落在数十kHz）的终检场景，声学传感器在硬件层面就比振动传感器更有带宽优势。同一作者团队另有一篇工作专门讨论用低成本MEMS麦克风检测轴承润滑不足（Jakobsen, Herskind, Pedersen, Knudsen, 2023, *Mechanical Systems and Signal Processing*, 194, 110553, DOI: [10.1016/j.ymssp.2023.110553](https://doi.org/10.1016/j.ymssp.2023.110553)），台架上人为交替“良好润滑”与“润滑不足”两种状态做对照实验，虽未明确区分是装配时脂量不足还是使用后脂类流失，但方法论上验证了低成本声学传感器足以捕捉轴承内部的细微状态变化。

> 需要诚实指出：关于戴森数字马达本身，本次调研未检索到公开发表的同行评审学术论文，仅有产品报道与专利资料，这些属于工业界公开资料，未作为学术文献列出。

---

## 4. 检测方法：声学优先的技术路径

在深度学习兴起之前，故障诊断领域已经积累了大量成熟的信号处理方法。本章不按“一种方法一节”平均分配篇幅，而是把声学/声发射方法作为分析重点单独展开，其余方法放在4.2-4.4节做更简短的对照——这个篇幅分配本身就是一个判断：对产线出厂检测这个具体场景，声学方法的工程适配度最高。

### 4.1 声学与声发射检测：对应“人耳听诊”的仪器化路径

**为什么是声学，而不是振动或电流。** 3.5节已经点出了三类信号各自的敏感区间：振动对不平衡/偏心敏感，电流对磁体/绕组敏感，声学则是唯一能同时覆盖“机械振动传导到壳体表面”和“内部异物碰撞产生的空气声”这两条路径的信号源——而后者（2.6节的异物/松动件问题）恰恰是振动传感器容易漏检、却是人耳听诊最擅长的一类缺陷。这不是说声学方法天生优于其他方法，而是它跟“用耳朵听”这个待替代的人工流程在物理原理上最接近，替换成本也最低（麦克风比加速度计便宜、不需要接触式安装）。

**方法论的直接类比：核电站松动部件监测。** 2.6节提到的LPMS（Loose Parts Monitoring System）值得在这里再强调一次，因为它提供了一个已经工程化几十年的参照系：反应堆冷却剂系统是一个密闭金属壳体，内部一旦有松动部件撞击壁面，就会产生宽频瞬态声脉冲，声学传感器阵列捕捉这类脉冲、用能量阈值和到达时间差定位声源（Chang, Jung, Seong, 2004, DOI: [10.1016/j.nucengdes.2003.02.001](https://doi.org/10.1016/j.nucengdes.2003.02.001)）。把“反应堆容器”换成“电机外壳”，“松动的检修工具”换成“装配时掉落的螺丝或金属屑”，这套问题结构几乎原样成立。近年的改进方向——用谱熵方法抑制工业环境背景噪声导致的误报（Pian et al., 2025）——同样直接对应产线现场多台设备同时运转的噪声干扰问题。这个类比说明：本课题面对的“声学质检”并不是一个全新问题，而是一个在其他工业领域已有几十年积累的问题在新场景下的重新应用。

![实测滚动轴承声发射信号的时域波形与频谱](https://blog.sysu-sam.com/images/zhuyizhang/ae_waveform_spectrum.jpg)
*图 实测滚动轴承声发射（AE）信号：时域波形可见周期性冲击脉冲，频谱能量集中在谐振频带附近。图片来源：Gao, Z.; Lin, J.; Wang, X.; Xu, X. (2017). Bearing Fault Detection Based on Empirical Wavelet Transform and Correlated Kurtosis by Acoustic Emission. Materials, 10(6), 571, Figure 8. DOI: [10.3390/ma10060571](https://doi.org/10.3390/ma10060571)（CC-BY）*

**传统声学诊断方法的奠基工作，以及它到底奠定了什么。** AlShorman等人（2021）的综述明确指出，声学/声发射方法本质上是对有经验维修人员“用耳朵听声音判断故障”这一人工经验的仪器化、自动化复现（*Advances in Mechanical Engineering*, 13(2), DOI: [10.1177/1687814021996915](https://doi.org/10.1177/1687814021996915)），这句话几乎是在替本课题的立项动机作注。但深入读这篇综述会发现一个更诚实的结论：它把感应电机的声学/AE诊断研究归纳为轴承、转子、定子、复合故障四类，其中定子故障占感应电机总故障比例约38%，但综述本身并没有给出轴承特征频率（BPFO/BPFI/FTF）这类可以直接复用的公式，传感器部分也只笼统提到“压电式AE传感器”而没有具体型号和采样率——这不是这篇综述写得不够好，而是它诚实地反映了这个领域目前的状态：作者明确写道，AE用于电机诊断“仍处于初期阶段”，检索到的公开数据集只有一个（SHSE实验室的轴承AE数据集），转子和定子故障领域完全没有公开数据集。这个结论本身，比综述里引用的任何一个具体准确率数字都更有参考价值：它说明本课题如果想在这个方向做出贡献，缺的不是算法，是数据。Glowacz（2018）是“听声辨障”技术路线的代表性早期工作（*Applied Acoustics*, 137:82-89, DOI: [10.1016/j.apacoust.2018.03.010](https://doi.org/10.1016/j.apacoust.2018.03.010)），Heng与Nor（1998）的早期对比研究实证了声学信号可以提供与振动信号相当的诊断能力（*Applied Acoustics*, 53(1-3):211-226, DOI: [10.1016/S0003-682X(97)00018-2](https://doi.org/10.1016/S0003-682X(97)00018-2））。Jombo与Zhang（2023）的综述则点出了声学方法的核心弱点：环境噪声导致信噪比偏低（*Eng*, 4(1), 4, DOI: [10.3390/eng4010004](https://doi.org/10.3390/eng4010004)）——这个弱点在产线现场（多台设备同时运转）比实验室环境严重得多，也是下面几篇EOL一手案例真正要解决的问题。

**产线出厂声学检测的一手案例：从概念到实证。** 这里挑三篇关联度最高的论文，把场景、传感器、数据集、算法、结果拆开看，因为它们几乎是本课题可以直接复用的一套方法论。

> **Wißbrock, Pelkmann, Tölle（2021）——概念框架篇。** *场景*：Lenze SE公司高变型（batch-size-one，同一产线上几乎每台电机型号都不同）齿轮电机产线出厂测试自动化方案设计。*核心论证*：作者系统比较了振动测量和声学测量在产线上的可行性——振动测量的硬伤是传感器接头连接重复性差（不同电机型号很难用同一套安装夹具）、安装耗时、传递频率受限在1-20kHz典型范围，超高频振动测量设备昂贵且主要用于实验室；声学测量只需要把电机放在麦克风下方，不需要接触式安装，几乎任何麦克风都能覆盖高频段，唯一的代价是产线环境噪声这个老问题。*方法论*：提出"异常检测（健康/故障）→故障分类（具体故障类型）"两级架构，特征分五类：统计特征、故障关联特征（阶次分析）、心理声学特征、基于模型的特征、深度学习自动特征。这篇是概念性论文，没有实验准确率数字，但它对"为什么选声学不选振动"的论证，本身就是本文4.1节开头那段判断的一个独立信源。（DOI: [10.36001/phme.2021.v6i1.2803](https://doi.org/10.36001/phme.2021.v6i1.2803)）

> **Wißbrock, Pelkmann, Richter（2023）——实证篇，本文认为与本课题场景最贴近的一篇。** *场景*：把上面的概念方案真正搭出来验证，测试对象是同一型号的50Hz三相感应电机（额定转速1375转/分、功率90瓦、两级斜齿轮箱，传动比10），要求电机在产线上达到额定转速后顺时针和逆时针各运行数秒。*传感器*：SoundCam 2.0阵列麦克风，64个MEMS传声器，采样率50kHz，安装在装配台上方400毫米处（这个距离是为了让最长的齿轮电机型号也能落在90度波束宽角内），台面用减振底座与产线其余部分隔振。*数据集*：分三个子集——产线直接测试40台（19正常/17预警/4故障）、噪声更低的质检区测试38台（12/8/18）、人工叠加干扰的60台（30/15/15，干扰包括锤击、气吹、电动扳手、说话、音乐、通风机六种，专门用来测试抗噪鲁棒性）。*算法*：核心是对数包络谱（LES），对带通滤波（850-5100Hz故障脉冲频段）后的信号做希尔伯特变换取包络、平方、取对数、再做傅里叶变换，在轴转频及其三次谐波、两级齿轮啮合频率处提取32维特征；同时提取心理声学特征（粗糙度、波动强度，比响度和尖锐度更抗干扰），两者组合成PALFF特征；异常检测器对比了One-Class SVM、Isolation Forest、Bagging Random Miner（BRM）三种。*结果*：在没有人为干扰的验证集上，PALFF+BRM组合的AUC最高能到89-90%；但在人为叠加干扰的数据集上，PALFF的准确率掉到只有70%左右，反而是LES单独（不加心理声学特征）配合OC-SVM或BRM，在干扰下更稳定，准确率维持在70-71%。干扰类型细分显示：锤击和气吹压力对心理声学特征伤害最大，对深度学习特征（SCSE）而言，锤击、气吹、电动扳手这三种干扰都会导致100%误判为故障，而通风机噪声和音乐干扰影响较小。这组结果直接回答了一个本课题会遇到的现实问题——车间里电动工具的噪声比通风机噪声对检测系统的破坏性大得多，测试工位选址和隔音设计需要针对性考虑。（DOI: [10.1109/indin51400.2023.10217989](https://doi.org/10.1109/indin51400.2023.10217989)）

> **Wißbrock等人的后续工作（2023，ICASSP）——一个额外发现，建议一并参考。** 同一团队还有一篇未在最初检索清单里、但高度相关的工作，提出了LPBN（Lenze Production Background-Noise）数据集：138个定制齿轮电机样本（重故障/轻故障/健康），其中43个叠加了真实车间背景噪声，由3名评审员标注、评审员间一致性用Kendall协调系数衡量，达到0.85（这个数字本身就是对"人工判定标准因人而异"这一问题的量化——0.85不算低，但也不是完全一致）。算法上对比了静态心理声学特征、时变心理声学特征（TVPA，论文中首次用于故障检测）与对数包络谱的组合，最佳组合（LES+TVPA）达到AUC_healthy=0.85、AUC_faulty=0.92。（arXiv:2211.01704）

Akrout等人（2024）的Liebherr发动机产线案例提供了另一个视角：现有出厂声学检测依赖人工主观评判，尤其是“啸叫噪声”（whining noise）判定分歧明显，该文提出用近场麦克风采集降速过程信号、提取心理声学指标、建立专家定义阈值实现自动分拣，但受限于SAE论文的付费墙，具体的评判员一致性数字和阈值大小本次未能获取全文核实，如实说明这一信息缺口（DOI: [10.4271/2024-01-2922](https://doi.org/10.4271/2024-01-2922)）。类似地，Balthy等人（2026）针对燃油泵的声学-振动融合EOL测试工具，本次也只能确认标题、作者与DOI存在，摘要和正文因访问限制未能获取，具体的互功率谱密度分析方法和60dBA阈值细节无法核实，同样如实标注（DOI: [10.1016/j.flowmeasinst.2026.103338](https://doi.org/10.1016/j.flowmeasinst.2026.103338)）。

**汽车产线的异响（BSR）自动化质检，提供了另一条可迁移的技术路径。** 这类研究面对的问题跟本课题高度相似：短时程、低信噪比、成因五花八门（松动件、装配间隙、异物）。Seo、Choi、Kim（2014）的声纹指纹技术专门解决短时异响的定位分类（DOI: [10.1121/1.4877553](https://doi.org/10.1121/1.4877553)），Strasser等人（2026）的产线案例更进一步，用AI模型把整套人工听音质检流程自动化（DOI: [10.1016/j.procir.2025.09.029](https://doi.org/10.1016/j.procir.2025.09.029)）——这两篇加上前面的LPMS文献和Wißbrock团队的实证工作，共同构成了本文认为最值得本课题借鉴的几个“声学质检”参照系：核电（密闭壳体异物监测）、汽车（短时异响分类）、电驱动产线（EOL声学判定框架，且已有可复现的传感器选型和特征方案）。

### 4.2 振动分析法

时域统计特征（RMS、峭度、偏度）、频域包络解调、时频域小波变换，是振动诊断的三大传统技术路径，方法论上极为成熟。

![振动信号调幅-包络解调原理示意图](https://blog.sysu-sam.com/images/zhuyizhang/vib_envelope_demodulation_principle.png)
*图 振动信号的调幅-解调原理。图片来源：Kim, S.; An, D.; Choi, J.-H. (2020). Diagnostics 101: A Tutorial for Fault Diagnostics of Rolling Element Bearing Using Envelope Analysis in MATLAB. Applied Sciences, 10(20), 7302, Figure 2. DOI: [10.3390/app10207302](https://doi.org/10.3390/app10207302)（CC-BY）*

Randall与Antoni（2011）的教程性综述是该领域方法论基石（*Mechanical Systems and Signal Processing*, 25(2):485-520, DOI: [10.1016/j.ymssp.2010.07.017](https://doi.org/10.1016/j.ymssp.2010.07.017)），但要注意：包络解调法提取的特征频率（外圈/内圈/保持架特征频率）本质上是为磨损类故障设计的周期性冲击特征提取工具，对2.1节讨论的不平衡/偏心这类“与转频直接相关”的问题效果很好，对2.6节的异物碰撞这类非周期性瞬态事件，包络解调不是天然适配的工具——这正是本文把振动法定位为“声学方法的补充和交叉验证手段”而非主线的原因。

![滚动轴承包络解调频谱与故障特征频率标注](https://blog.sysu-sam.com/images/zhuyizhang/vib_envelope_spectrum_fault_freq.png)
*图 滚动轴承包络解调频谱示例，标出外圈（BPFO）、内圈（BPFI）、保持架（FTF）、滚动体（BSF）特征频率。图片来源：同上，Figure 16*

### 4.3 电机电流特征分析（MCSA）

MCSA的核心思路是通过分析电机定子电流的频谱特征间接判断故障，优点是非侵入、无需额外机械传感器。

![定子电流频谱与解调电流频谱示例](https://blog.sysu-sam.com/images/zhuyizhang/mcsa_current_spectrum_sidebands.jpg)
*图 电机电流特征分析（MCSA）频谱图。图片来源：Bonet-Jara, J. et al. (2021). Sensorless Speed Estimation for the Diagnosis of Induction Motors via MCSA. Review and Commercial Devices Analysis. Sensors, 21(15), 5037, Figure 8. DOI: [10.3390/s21155037](https://doi.org/10.3390/s21155037)（CC-BY）*

Nandi、Toliyat、Li（2005）的综述是该领域引用量最高的文献之一（*IEEE Transactions on Energy Conversion*, 20(4):719-729, DOI: [10.1109/TEC.2005.847955](https://doi.org/10.1109/TEC.2005.847955)），但MCSA依赖精确的转速/滑差估计，在变频驱动、高转速、低转差工况下故障特征频率容易与基频及谐波混叠——这个局限对产线终检场景尤其明显，因为终检工位的转速控制精度和运行时长都远不及实验室条件，MCSA更适合作为磁体/绕组类装配缺陷的补充判据，而非独立判定手段。

### 4.4 红外热成像与油液分析：适配性有限的两种方法

这两类方法在本文2.7节明确排除的长期磨损/老化场景中价值很大，但对“装配时刻缺陷”这个具体问题适配性有限，这里简要说明理由而不展开：红外热成像反映的是温度场累积效应，响应天然滞后于振动/声学信号，一台刚通电几秒钟的电机还来不及形成有诊断意义的温度梯度；油液分析法依赖独立润滑油路的持续取样，小型高速电机普遍采用脂润滑密封轴承，既没有油路可取样，脂类污染物的声学/振动特征（见2.2节）本身已经是更直接的检测入口。这两点也说明，方法选型不能脱离场景空谈“哪种方法更先进”，而要看它测的是什么物理量、这个物理量在目标场景下有没有时间积累起来。

---

## 5. 基于人工智能/深度学习的诊断方法

传统方法依赖人工设计特征，深度学习方法的核心价值在于让模型直接从原始信号或其时频表示中自动学习判别性特征。本章同样以声学相关的方法为主线，其余方法作为技术选型的参照系简要展开。

### 5.1 声学异常检测的深度学习方法：DCASE/MIMII体系

这是与本课题关系最近的研究子领域，起源于工业设备（阀门、泵、风扇）“听声辨障”自动化的真实需求，其问题设定——用少量正常声音样本训练、检测各种未知异常——与产线终检“合格品远多于不良品、新机型缺乏历史不良样本”的现实高度吻合。这里挑三篇奠基性工作详细拆解，因为它们共同定义了这个子领域的评测范式。

![MIMII数据集采集实验装置示意图](https://blog.sysu-sam.com/images/zhuyizhang/mimii_experimental_setup.png)
*图 MIMII数据集的数据采集实验装置示意图。图片来源：Purohit, H. et al. (2019). MIMII Dataset. arXiv:1909.09347, Figure 2*

> **Purohit等人（2019）——MIMII数据集。** *场景*：阀门、泵、风扇、滑轨四类工业设备的正常/异常声音基准数据集。*传感器*：TAMAGO-03麦克风组成的圆形8麦克风阵列，直径68毫米，相邻麦克风间隔45度，阵列距机器50厘米（阀门为10厘米），16bit/16kHz采样，每段录音10秒。*数据集*：每类机器包含7个不同型号，正常段总计26,092个，异常段总计6,065个，并在多个真实工厂单独录制背景噪声，按6dB/0dB/−6dB三档信噪比混入目标机器声音。*算法*：基线是逐机型训练的全连接自编码器（编码器64→64→8维瓶颈，解码器对称还原），输入为log-Mel频谱5帧拼接的320维特征向量。*结果*：三次训练平均AUC在不同机型和SNR下差异很大——风扇类声音平稳，AUC最高（6dB时0.94，−6dB时仍有0.70）；阀门类声音是非平稳的脉冲声（更接近本课题关心的“异响”），AUC反而最低（6dB时0.67，−6dB时只剩0.53）。*对本课题的启示*：阀门这一类别的低AUC结果，恰好说明"脉冲式、非平稳"的声音特征（这正是螺丝松动、异物碰撞这类装配缺陷的声学特征）比"平稳"的声音特征更难检测，这是本课题在设计算法时需要正面应对、而不能只看整体平均指标的一个具体证据。（DOI: [10.33682/m76f-d618](https://doi.org/10.33682/m76f-d618)）

![不同SNR条件下工业设备声音功率谱图](https://blog.sysu-sam.com/images/zhuyizhang/mimii_power_spectrograms.png)
*图 -6dB SNR条件下工业设备声音功率谱图示例，可见环境噪声对目标特征的掩盖程度。图片来源：Purohit, H. et al. (2019), Figure 3*

> **Koizumi等人（2020）——DCASE2020 Challenge Task2。** *场景*：在MIMII和ToyADMOS基础上，正式确立“仅用正常样本训练、检测未知异常声”的标准化评测协议，覆盖六类机器（阀门、泵、风扇、滑轨、玩具车、玩具输送带）。*算法/协议*：训练阶段完全不提供异常样本，每个机型约1000个正常训练样本，测试集包含约400个无标签样本；评价指标是AUC和pAUC（只统计假阳性率0-10%这个区间的部分曲线下面积，因为产线场景更关心低误报率区间的表现，这个指标设计本身也值得本课题借鉴）。*结果*：比赛收到40支队伍117次提交，官方基线自编码器排名仅第33位——也就是说，绝大多数参赛队伍都做得比一个朴素自编码器好，头部方案主要靠两条路：一是把“识别机器编号”当成分类任务、用分类器的置信度反推异常分数；二是把机器编号信息嵌入自编码器的编码器/解码器做条件化建模。基线AUC在不同机型间差异极大（比如某型号风扇的AUC只有54%，另一型号滑轨轨道能到96%），这个巨大的方差本身就是一个提醒：同一套算法在不同机械结构上的表现可能天差地别，不能只报一个平均数。（arXiv:2006.05822）

![STgram-MFN无监督异常声音检测整体框架](https://blog.sysu-sam.com/images/zhuyizhang/stgram_mfn_architecture.png)
*图 时频信息融合的无监督异常声音检测方法整体框架。图片来源：Liu, Y.; Guan, J.; Zhu, Q.; Wang, W. (2022). Anomalous Sound Detection using Spectral-Temporal Information Fusion. ICASSP 2022, arXiv:2201.05510, Figure 1*

> **Liu、Guan、Zhu、Wang（2022）——STgram-MFN。** *场景*：同样基于DCASE2020 Task2的六类机器数据，但要解决的问题更细——同一型号下不同个体机器之间检测稳定性差（这正是产线场景会遇到的真实问题：同一批次的电机个体之间也存在装配公差差异）。*算法*：把Log-Mel频谱（Sgram）和一个专门设计的时域卷积网络TgramNet提取的波形特征（Tgram）直接拼接成STgram，送入MobileFaceNet分类器，用电机编号做自监督分类标签，损失函数换成ArcFace（人脸识别领域常用的度量学习损失，能主动拉大类间距离、压缩类内距离），推理时用负对数概率作为异常分数。*结果*：六类机器平均AUC达到92.36%、pAUC达到86.34%，比此前最好方法（Glow_Aff）提升了7.16和8.6个百分点；更关键的是"个体最差表现"指标（mAUC，衡量同型号里检测效果最差的那台个体机器）——STgram-MFN平均mAUC达到84.86%，比对比方法的70.32%高出14.54个百分点，风扇类的mAUC提升更是达到31.79个百分点。消融实验显示，单独用频谱（Log-Mel）平均AUC只有87.67%，单独用时域波形（Tgram）只有75.18%，两者融合才是STgram-MFN效果的关键来源。*对本课题的启示*：mAUC这个指标比平均AUC更贴近产线质检的实际诉求——质检不是要在“平均意义上”表现好，而是要保证每一台单独下线的电机都不能被漏检，STgram-MFN证明了"时域+频域特征融合+度量学习"这条路线确实能显著改善个体一致性问题。（*ICASSP 2022*, arXiv:2201.05510）

### 5.2 CNN + 时频图像：从声音到图像分类

将振动或声音信号转换为频谱图（STFT、Mel频谱等）后，当作图像输入卷积神经网络分类，是目前最成熟、落地最多的技术路线。

![电机运行声音的Mel频谱图示例](https://blog.sysu-sam.com/images/zhuyizhang/uzel_mel_spectrogram_train_val.png)
*图 电机运行声音的Mel频谱图示例。图片来源：Uzel et al. (2025). Acoustic-based fault diagnosis of electric motors using Mel spectrograms and convolutional neural networks. Scientific Reports, Figure 4. [链接](https://www.nature.com/articles/s41598-025-33269-z)*

Uzel等人（2025）的工作是这条路线里与本课题最直接对应的最新成果，值得完整拆开看一遍。*场景*：电机声音三分类——正常（engine_good）、故障（engine_broken）、重载（engine_heavyload）。*传感器/数据集*：IDMT-ISA-ELECTRIC-ENGINE数据集由Fraunhofer数字媒体技术研究所2017年3月采集，测试对象是一台42BLF01型无刷直流电机（4000转/分、24伏直流），录音44.1kHz/32bit单声道，刻意包含了背景噪声以模拟真实工业环境；数据集共2378个音频文件（正常774个、故障789个、重载815个，三类样本量基本均衡），按文件级别（而非片段级别，避免同一次录音的片段同时出现在训练集和测试集造成信息泄漏）划分70%/15%/15%。*算法*：把音频转成2048点FFT、512跳跃步长、128个Mel频带的Mel频谱图，缩放到32×32像素输入一个只有三层卷积的轻量CNN（总参数量240万），配合dropout和归一化层。*结果*：测试集准确率99.7%，五折交叉验证在10个随机种子下平均99.5%±0.3%；对比ResNet-18（1170万参数，准确率98.4%，树莓派4上单次推理112毫秒）、CRNN（约800万参数，98.6%，约95毫秒）、6层Transformer（2150万参数，98.1%，156毫秒），本文的轻量CNN以十分之一不到的参数量，在准确率和推理速度上都占优（50毫秒、0.58 GFLOPs、内存占用低于150MB）。消融实验显示去掉第三个卷积块会导致准确率下降1.8-3.2个百分点。*对本课题的启示*：这组对比结果本身就是一个重要论据——对一个定义清晰的三分类任务，把模型做大做复杂（Transformer）并没有带来准确率提升，反而是推理延迟和内存占用的代价更大；对于要部署在产线终检工位、要求毫秒级响应的场景，"够用的轻量模型"可能比"更先进的大模型"更值得优先考虑。

![不同电机运行状态的Mel频谱图对比](https://blog.sysu-sam.com/images/zhuyizhang/uzel_mel_spectrogram_fault_states.png)
*图 不同电机运行状态（正常/故障/重载）的Mel频谱图对比。图片来源：同上，Figure 6*

![用于电机声音故障分类的CNN网络结构图](https://blog.sysu-sam.com/images/zhuyizhang/uzel_cnn_architecture.png)
*图 用于电机声音故障分类的轻量CNN网络结构。图片来源：同上，Figure 2*

![电机音频分类整体模型架构与处理流程](https://blog.sysu-sam.com/images/zhuyizhang/uzel_model_architecture_pipeline.png)
*图 电机音频分类整体模型架构与处理流程图。图片来源：同上，Figure 1*

![CNN电机故障分类混淆矩阵](https://blog.sysu-sam.com/images/zhuyizhang/uzel_confusion_matrix.png)
*图 CNN电机故障分类混淆矩阵。图片来源：同上，Figure 8*

Verstraete等人（2017）较早比较了STFT、小波变换、Hilbert-Huang变换三种时频表示配CNN分类的效果（*Shock and Vibration*, DOI: [10.1155/2017/5067651](https://doi.org/10.1155/2017/5067651)），这条路线同样适用于振动信号，只是本课题更看重声音这一支。

### 5.3 自编码器/无监督异常检测：应对“合格品远多于不良品”的现实

工业质检场景中，合格品数量远多于不良品，这使得“只用正常样本训练、检测偏离正常分布的异常”这一无监督范式格外重要——这跟5.1节DCASE协议的设计动机是同一个问题的两种解法。

![全连接自编码器与卷积自编码器网络结构对比](https://blog.sysu-sam.com/images/zhuyizhang/autoencoder_dense_conv_architecture.png)
*图 全连接自编码器（上）与卷积自编码器（下）网络结构对比。图片来源：Ribeiro, A. et al. (2020). arXiv:2006.10417, Figure 1*

Li、Shang、Zhang、Gao、Qian（2023）引入记忆模块抑制自编码器“异常样本也被很好重构”这一经典难题（*Engineering Applications of Artificial Intelligence*, 123, 106312, DOI: [10.1016/j.eaai.2023.106312](https://doi.org/10.1016/j.eaai.2023.106312)）。一个与本课题直接相关的产线实证案例是Wang、Feng、Huang、Fang、Wang（2020）的工作：小波包分解电机电压波形配改进LSTM，针对故障样本仅占约2%的不平衡问题改进损失函数，在4万余台电机的实际产线数据上，故障品检出准确率达99.6%（*Micromachines*, 11(8), 753）——这是“用AI替代人工检测”在微型电机产线场景下少有的、有真实规模数据支撑的实证案例。

### 5.4 小样本学习/迁移学习：应对新机型数据稀缺

新产品型号往往缺乏足够的故障样本积累，这是产品化落地必须解决的问题，也是2.7节反复强调的“没有历史数据”这个约束在AI方法层面的直接对应。

Di Maggio（2022）的工作值得特别提及：用VGGish（7000万音频样本预训练的音频分类网络）微调振动信号（少于2000样本），证明了“用通用音频预训练模型迁移到工业听诊场景”这一思路的可行性，三态分类准确率99.07%（*Sensors*）——这条思路对声学方案尤其有利，因为音频领域的大规模预训练模型（不只是VGGish，还有更新的音频基础模型）本身就是为“声音”这一模态训练的，比振动信号的预训练模型选择更丰富。Zhang、Ye、Wang、Habetler（2020）用模型无关元学习（MAML）在少样本场景下把准确率比Siamese网络基线提高约25%（arXiv:2007.12851）。

### 5.5 Transformer架构

![Transformer编码器与多头注意力模块结构图](https://blog.sysu-sam.com/images/zhuyizhang/transformer_encoder_faultformer.png)
*图 Transformer编码器与多头注意力模块结构图。图片来源：Zhou, A.; Barati Farimani, A. (2023). FaultFormer: Pretraining Transformers for Adaptable Bearing Fault Classification. arXiv:2312.02380, Figure 3*

Zhou与Barati Farimani（2023）提出的FaultFormer用掩码自监督预训练，在小样本/跨数据集场景达到SOTA（arXiv:2312.02380），这套预训练-微调范式跟5.4节的迁移学习思路是相通的，只是骨干网络换成了Transformer。

![掩码自监督预训练与端到端微调流程对比](https://blog.sysu-sam.com/images/zhuyizhang/masked_pretraining_faultformer.png)
*图 掩码自监督预训练流程示意图。图片来源：同上，Figure 1(b)*

![端到端训练与微调流程示意图](https://blog.sysu-sam.com/images/zhuyizhang/pretrain_finetune_e2e_faultformer.png)
*图 端到端训练/微调流程示意图。图片来源：同上，Figure 1(a)*

![RNN网络结构及其按时间步展开示意图](https://blog.sysu-sam.com/images/zhuyizhang/rnn_architecture_review.png)
*图 RNN网络结构及其按时间步展开示意图。图片来源：Zhang, S.; Zhang, S.; Wang, B.; Habetler, T.G. (2019). Deep Learning Algorithms for Bearing Fault Diagnostics — A Comprehensive Review. arXiv:1901.08247, Figure 10*

RNN/LSTM架构在处理原始时序信号（如未经频谱变换的电流或振动波形）时仍有应用价值，Khorram、Khalooei、Rezghi（2019）的CRNN方案原始信号直接输入、无需预处理（arXiv:1909.07801），但在声学场景下，时频变换（Mel频谱）配CNN/Transformer的路线目前占据主流，这也是5.2节篇幅更长的原因。

### 5.6 轻量化模型/边缘部署（TinyML）

产线质检设备通常需要实时、低成本地运行推理，这要求模型在算力受限的嵌入式芯片上高效运行——这个约束与3.6节讨论的低成本传感器部署思路是一体两面。

![面向STM32部署的CNN模型整体架构](https://blog.sysu-sam.com/images/zhuyizhang/stm32_cnn_architecture.png)
*图 面向STM32单片机部署的轻量CNN模型整体架构图。图片来源：Liao (2023). Real Time Bearing Fault Diagnosis Based on Convolutional Neural Network and STM32 Microcontroller. arXiv:2304.09100, Figure 2*

Liao（2023）的轻量CNN部署于STM32H743VI单片机，准确率98.9%，单次推理延迟19毫秒（arXiv:2304.09100）；Huang、Liang、Cui等人（2024）的MobileNet部署方案模型仅52KB，实际部署准确率98%（*Sensors*, DOI: [10.3390/s24165156](https://doi.org/10.3390/s24165156)）——这两个数字（19毫秒延迟、52KB模型体积）直接回答了“产线节拍够不够快、嵌入式硬件够不够便宜”这两个工程问题，证明轻量化模型在毫秒级延迟、KB级体积下达到98%+准确率是可行的。

![一维振动信号转换为二维图像的预处理过程](https://blog.sysu-sam.com/images/zhuyizhang/signal_to_image_conversion_stm32.png)
*图 一维振动信号转换为二维图像的过程示意图。图片来源：同上，Figure 4*

![嵌入式故障诊断系统上位机实时显示界面](https://blog.sysu-sam.com/images/zhuyizhang/stm32_realtime_display.png)
*图 上位机与STM32单片机实时通信、故障诊断结果显示界面。图片来源：同上，Figure 6*

---

## 6. 公开数据集与基准测试

### 6.1 通用轴承/旋转机械数据集

![CWRU轴承数据中心试验台照片](https://blog.sysu-sam.com/images/zhuyizhang/cwru_test_rig_review1901.08247.png)
*图 CWRU轴承数据中心试验台。图片来源：转引自Zhang, S. et al. (2019). arXiv:1901.08247（原始试验台来自Case Western Reserve University Bearing Data Center）*

![Paderborn大学模块化轴承试验台](https://blog.sysu-sam.com/images/zhuyizhang/paderborn_modular_test_rig_fig4.png)
*图 Paderborn大学模块化轴承试验台。图片来源：Lessmeier, C. et al. (2016). PHM Society European Conference, Figure 4. DOI: [10.36001/phme.2016.v3i1.1577](https://doi.org/10.36001/phme.2016.v3i1.1577)*

| 数据集 | 关键文献/来源 | 与本课题的适配度 |
|---|---|---|
| CWRU（凯斯西储大学） | Zhang, Zhao, Lin (2021), *IEEE Access* 综述介绍 | 该领域使用最广泛的轴承振动基准，但故障类型以磨损/点蚀为主，与2.7节排除范围重叠，仅可作方法论参考 |
| Paderborn (KAt) | Lessmeier et al. (2016), DOI: [10.36001/phme.2016.v3i1.1577](https://doi.org/10.36001/phme.2016.v3i1.1577) | 32个轴承（人工损伤+自然疲劳损伤），同步采集电流与振动信号，人工损伤子集与装配缺陷场景有一定可比性 |
| IMS（辛辛那提大学） | Qiu, Lee, Lin, Yu (2006), DOI: [10.1016/j.jsv.2005.03.007](https://doi.org/10.1016/j.jsv.2005.03.007) | 全生命周期振动数据，服务于RUL研究，与本课题场景不对口，仅可借鉴早期健康段作为“合格”参照 |
| MFPT | Bechhoefer (2013), https://mfpt.org/fault-data-sets/ | 静态工况快照式数据，与出厂终检的单次判定逻辑更接近 |
| 磁瓦表面缺陷数据集 | Huang, Qiu, Yuan (2018/2020), DOI: [10.1007/s00371-018-1588-5](https://doi.org/10.1007/s00371-018-1588-5) | 磁体来料质检环节的标杆数据集（气孔/裂纹/破损/毛边/磨削不均六类），是本文2.3节“制造缺陷”视角最直接对应的公开数据资源，但对象是磁瓦而非总装后的整机 |

### 6.2 工业声音异常检测数据集：与本课题最直接相关

![MIMII数据集8麦克风环形阵列布局](https://blog.sysu-sam.com/images/zhuyizhang/mimii_mic_array_fig1.png)
*图 MIMII数据集8麦克风环形阵列布局图。图片来源：Purohit, H. et al. (2019). arXiv:1909.09347, Figure 1*

![ToyADMOS数据集实物图](https://blog.sysu-sam.com/images/zhuyizhang/toyadmos_toys_fig1.png)
*图 ToyADMOS数据集实物图。图片来源：Koizumi, Y. et al. (2019). arXiv:1908.03299, Figure 1*

MIMII（Purohit et al., 2019）与ToyADMOS（Koizumi et al., 2019）分别覆盖工业设备和微型玩具机器的正常/异常声音，DCASE 2020/2021 Challenge Task2在此基础上引入“域偏移”设定——训练/测试因季节、批次、环境噪声不同而分布不同，这一“域偏移”问题恰恰是产线质检场景（不同批次电机、不同车间噪声环境）会直接遇到的挑战。

### 6.3 高速/微型电机数据集：明显的空白地带

本次调研未能检索到专门针对超高速（10万-20万RPM级）微型电机的公开故障数据集，也没有找到专门针对“装配缺陷”（而非在役故障）标注的电机声学数据集。以下是转速相对较低、但同属小型化/高速化电机范畴的现有资源：

![工业级AC电机故障试验台](https://blog.sysu-sam.com/images/zhuyizhang/jung2025_ac_motor_testbed_fig5.jpg)
*图 工业级AC电机故障试验台。图片来源：Jung, W. et al. (2025). Data in Brief, Figure 5. DOI: [10.1016/j.dib.2025.111954](https://doi.org/10.1016/j.dib.2025.111954)*

![无人机故障数据集实物图](https://blog.sysu-sam.com/images/zhuyizhang/rflymad_quadcopters_fig3.png)
*图 RflyMAD无人机故障数据集实物图。图片来源：Zhong, Guo et al. arXiv:2311.11340, Figure 3*

Jung等人（2025）的数据集包含60GB+原始信号，弥补了以往数据集“恒速假设”的局限，但仍为工业级电机而非家用高速微电机；RflyMAD无人机故障数据集（arXiv:2311.11340）是目前与“小型高速电机”场景相对最接近的公开资源之一，但故障类型集中在桨叶而非电机本体。

### 6.4 可借鉴的综述文献

- Solís, Torres, Pérez (2022). *Review of Methods for Diagnosing Faults in the Stators of BLDC Motors*. Processes. DOI: [10.3390/pr11010082](https://doi.org/10.3390/pr11010082)——专门针对BLDC电机定子故障的综述。
- Ma, Fan, Zhang, Wang, Yu (2025). *Digital twin-inspired methods for rotating machinery intelligent fault diagnosis and remaining useful life prediction*. Mechanical Systems and Signal Processing. DOI: [10.1016/j.ymssp.2025.112770](https://doi.org/10.1016/j.ymssp.2025.112770)——核心场景是在役设备RUL预测，与本课题目标不同，但其中数字孪生生成虚拟故障样本、缓解数据稀缺的思路，对“新机型缺乏历史不良品数据”这一场景仍有借鉴价值。

---

## 7. 挑战与未来方向

**（1）专门数据集的空白。** 第2、3、6章反复出现同一个结论：目前学术界几乎没有专门针对超高速微型消费电子电机出厂终检场景、且专门标注“装配缺陷”（而非在役故障）的公开数据集。Mlinarič与Dolanc（2026）的综述同样指出，电机产线出厂质检领域普遍存在故障标注数据稀缺、机型/工况间泛化能力不足、缺乏标准化评估方法论这几个瓶颈。**这是本课题相对于已有学术研究最具原创价值的切入点**——建立首个面向此类高速微型电机出厂终检、且明确区分装配缺陷类型的声学/振动数据集，本身就具有发表价值。

**（2）真实故障数据的稀缺与不平衡。** Wang et al。（2020, Micromachines）的案例显示，产线实际故障样本占比可能仅约2%，这是无监督异常检测（5.3节）、小样本学习（5.4节）受到持续关注的根本原因。

**（3）信噪比与环境噪声鲁棒性。** 声学方法（4.1、5.1节）的核心弱点是环境噪声容易掩盖故障特征，尤其在多台设备同时运行的产线环境中更为突出。Wißbrock等人（2023）针对齿轮电机产线出厂声学检测的研究直接证实了这一点，他们提出的对数包络谱+心理声学特征组合是目前检索到的、专门针对这一问题的产线实证方案。

**（4）可解释性。** 深度学习模型的“黑箱”特性，在质检这类需要明确判定依据（为何判定不良、不良点在哪）的场景中会造成信任缺口，可解释AI是近年的重要研究方向。

**（5）跨设备/跨批次泛化能力。** 电机存在个体制造公差差异，一个模型在某一批次上训练良好，能否泛化到新批次、新产线，是产品化落地的现实挑战，域自适应/域泛化方法（5.4节）是应对方向。

**（6）边缘实时部署。** 轻量化模型与TinyML（5.6节）已经证明在数十毫秒级延迟、微焦耳级能耗下达到98%+准确率是可行的，这为家电产线嵌入式部署提供了直接可参考的技术路径。

**（7）微弱装配缺陷的检出灵敏度。** 出厂终检真正的价值增量，不在于复现人耳已经能听出来的明显异响（那样人工听诊本身就够用），而在于捕捉人耳听不出来、但确实预示着装配瑕疵（比如轴承预紧力偏小、动平衡量略超公差）的微弱信号特征。这需要在数据采集阶段就针对“临界合格”与“轻微不良”这两类边界样本做专门设计和标注，而不是简单套用“健康/故障”二分类的现成数据集。

**（8）产线节拍与检测环境噪声的双重约束。** 终检工位往往嵌在连续生产节拍里，既要在几秒钟内完成信号采集和推理，又要应对同一车间内多台设备同时运转带来的背景噪声干扰。Bonart等人（2021）讨论“过程中测试站”与“最终出厂测试站”的分工权衡，本质上就是在测试节拍和缺陷拦截时机之间做取舍。目前调研未能找到专门针对“产线检测节拍时间优化”本身的独立学术论文，这是明确标注的又一处空白。

**（9）人工判定的主观性与误判成本。** Akrout等人（2024）在发动机产线的一手案例中证实，现有出厂声学检测依赖人工主观评判，同一台产品在不同质检员手里可能得到不同结论——这为1.1节“人工听诊判定标准因人而异”的判断提供了直接的产业实证。Junior等人（2020）在冷启动测功机产线上应用统计过程控制降低“误判失效”指标的案例表明，终检模型的选型不能只看整体准确率，还要显式权衡漏检（不良品放行）与误杀（合格品被误判为不良）这两类错误各自的代价。

---

## 8. 结论

产线出厂检测要拦下的，是电机装配完成那一刻就已经存在的问题：转子没配平衡、轴承压装时留下压痕、磁体本身有裂纹、绕线时绝缘被划破、霍尔传感器装歪了、内部掉了颗螺丝。这些缺陷跟“设备用久了会坏”的长期磨损是两类不同的问题，前者的诊断窗口只有通电的那几秒钟，后者需要几百上千小时的运行积累才会显现——这个区分决定了哪些文献真正对口。

在这个前提下，技术路径已经相对清晰：在终检工位用麦克风采集电机通电空转几秒钟的信号（辅以加速度计做交叉验证），转换为Mel频谱图后用CNN完成合格/不合格分类，或用自编码器类无监督方法应对“合格品远多于不良品”的现实，考虑迁移学习应对新机型缺乏历史不良品数据的问题，最终部署到低成本嵌入式芯片。声学方法在这条路径里被放在核心位置，不是因为它比振动或电流“更先进”，而是因为它跟“人耳听诊”这个待替代的现状在物理原理上最接近、部署成本最低，而且核电站松动部件监测、汽车产线异响质检这些已经工程化几十年的邻近领域，提供了直接可以借鉴的方法论。

但同时要清楚地看到：目前学术界几乎没有专门针对超高速、微型化消费电子电机出厂终检场景、且明确区分“装配缺陷”与“在役故障”的公开研究和数据集——现有文献要么面向工业级电机/轴承的在役状态监测，要么面向无人机电机等相邻场景。这意味着，若要真正把AI听诊方法用在戴森类高速数字马达的产线终检工位上，团队需要自建针对性的数据采集与验证体系，并且要在数据标注阶段就把“装配缺陷”和“长期磨损”分开——这既是最大的挑战，也是本课题区别于已有研究、具备原创贡献的核心机会所在。

---

## 参考文献汇总说明

本文引用文献均通过Semantic Scholar、OpenAlex、CrossRef官方API及网络检索交叉验证（标题、作者、年份、期刊/会议、DOI均已核实），文中对未能检索到的细分方向（如戴森数字马达专门学术论文、超高速微型电机公开数据集、装配环节绕组绝缘损伤的学术论文等）均已在正文中明确标注为“未检索到”，不存在编造或估算式替代。检索过程中Semantic Scholar/OpenAlex匿名接口反复触发限流（429/503），已改用CrossRef API及WebSearch/WebFetch交叉核验，个别文献因访问限制未能获取完整作者名单或摘要，已在正文中如实说明信息缺口。部分工程背景细节（产线声学隔音工位、MEMS器件成本量级）来自行业公开常识而非特定学术文献，已在正文中明确区分标注。