前记
随着数字化进程的不断推进，以及随着chatgpt的横空出世。在工业领域根据声音进行故障诊断的算法逐渐增多。最近一年做了不少工业领域拾音的产品。他们的需求可以说和传统的拾音器有很大的区别。
场景解析
传统工业化走到现在，遇到了很大的问题。一个很大的突破口就是需要利用目前的数字化技术来提升效率和自我进化。另外一个就是以新能源，电动汽车为代表的新兴产品又需要更加高效的工业生产方式。基于此，数字化转型是传统工业化必须要面对的课题。说的直白一些，数字化就是前端需要各种传感器来实现数据的采集。其中，声音和振动信号作为一个工业中经常碰到的能蕴含很多信息的信号。对它的采集和处理，是数字化的基石之一。 鉴于此，最近不少新兴行业的客户找到我们提出他们的诉求。这里面有大型养猪企业怎么通过声音来识别异常状态的。有新能源电池行业通过采集声音判断电池生产状态的。也有太阳能行业来生产多晶硅过程中怎么采集异常声音来判断产线是否异常的。更有采石场根据声音来判断设备工作状态的。 随着这些年AI算法的逐步发展，很多问题的确是可以通过声音来解决的。可这里面有一些问题需要面对，传统的拾音器，根本无法满足这些场景的需求。这些场景，有他们特殊的场景需求特点。
需求特点
关于拾音距离和质量。工业场景，有些需要拾音距离特别远，能尽量采集不同的声音。有些反而是尽量不要采集到周围的声音，只需要采集到本体的声音。有些是需要放入到液体中或者罐体中进行声音采集。这些都是传统拾音器无法满足的。 关于采样率。随着AI算法以及物联网技术的发展。对声音的采样率提出来更高的要求。传统的拾音器一般是8K的。而目前的需要基本是16k及以上。有些场景还需要用到96K的采样。 关于算法的取舍。工业拾音器很多为了后端算法能获取到更真实的频谱信息。一般需要不带算法处理的。或者有些需要特殊算法需求的。比如，有些需要特定频谱的声音。那就需要滤波器过滤掉一些频段的声音。这个算是属于场景化非常严重的。
前景展望
随着需求的不断更新，工业拾音器会朝着，采样率高，拾音距离可控，降噪算法可控等智能化方向发展。在此基础上，基于声音传感器的多传感器融合数据采集。会更是一个时代潮流。
