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。
随着机电自动化技术的进步，家电生产线中许多需要体力劳动的工位逐渐被机械手所代替，但仍有很多非体力工位还离不开人，比如视检和听检工位，不需要人的体力或操作，而要靠人的眼睛和耳朵来判断产品的某项指标是否品质合格，这样的工位就需要人工智能才能很好完成替代。 由于图像处理技术的迅猛发展，视检工位目前已有了很多很好的替代方案，但由于产线上声环境复杂，检测规则难易实现简单的参数化描述，听检工位目前大多还是要靠人工来完成。但是，人工听检存在下图列出的种种问题，已难以满足产线智能化升级的需要。从表中也可以看出，人工听检的缺点正好就是人工智能检测的优势所在。
