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。
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。