你的测试数据真的“AI Ready”了吗？原创

HBK声学与振动 2026年8月24日 10:59

在声学与振动领域，AI（特别是机器学习中的模式识别）正在解决传统信号处理难以应对的复杂场景，例如

声纹识别、异常声音与振动检测：在汽车NVH或生产线质检中，AI可以学习“正常”的声音频谱特征，自动识别出诸如“吱吱声（Squeak）”、“咔嗒声（Rattle）”或“摩擦声”等微小异常。这比传统的人耳听音或简单的频谱阈值判断更精准、客观。
基于振动的预测性维护：利用加速度计采集旋转机械（如风机、泵、齿轮箱）的振动数据，AI模型可以识别轴承剥落、齿轮断齿、不平衡、不对中等故障的早期征兆，实现从“定期维修”到“状态维修”的转变。
声学场景分类与降噪：在消费电子（如耳机、手机）或智能座舱中，AI可以实时识别环境噪声类型（如风噪、人声、交通噪声等），并动态调整主动降噪（ANC）算法的参数，提供优质听感。
结构健康监测：对于航空航天或土木工程结构，通过监测结构的模态参数变化（频率、阻尼、振型），AI可以判断结构是否出现裂纹或疲劳损伤。

虽然工业界对AI充满期待，但许多试点项目结果令人失望，背后的原因是一个普遍存在却常被忽视的真相：阻碍工业AI落地的核心瓶颈，往往不是算法的复杂度，而是数据的质量。高质量数据是工业AI最核心的“燃料”，但这种燃料往往非常“昂贵”且“难以提纯”。

你的数据可信吗？

数据的准确度、可靠性和稳定性是工业领域数字化和智能化的基石。它们共同构成了“可信数据”的核心，没有可信的数据，数字化和智能化就无从谈起。低质量的数据不仅无法带来效率提升，反而可能导致错误的决策、生产事故和巨大的经济损失。

准确度是指测量值与真实值的接近程度，它决定了数据中蕴含的物理真相是否被完整保留。比如对于声学测量，工程师往往容易忽视环境气象条件的变化、传声器的选型与安装布置等细节影响。户外测量使用了风罩，物理原因导致传声器安装角度发生偏离等，都会影响中高频噪声捕捉的准确度，这对于微弱特征信号的提取非常关键。如果AI模型无法获得关键特征，会直接引发“垃圾进，垃圾出（Garbage In, Garbage Out）”，从而导致系统误判与失效。

一个有效的解决办法就是测量时进行实时修正。HBK（原丹麦B&K) 绝大部分传声器出厂带有单独校准数据，Mini-CD包括各种声场类型、不同安装角度和风罩修正数据，可通过Microphone Viewer小程序读取查看，并在测量时实时修正。

图1 自由场传声器4966-H-041安装角度偏离30°时的修正曲线

可靠性是指数据能够被持续、稳定地获取，并且真实反映物理世界，没有噪声、丢失或人为篡改。作为测试工程师，你有没有遇到过被质疑的情况，比如，怀疑你测试时没有事先校准，怀疑你使用了不恰当或坏的传感器，怀疑你采样率不够等等。HBK的测试数据（.bkc）能够为你自证，我们的测试数据不仅仅有时域波形，还包含了充分的传感器和采集仪信息，例如使用的传感器型号，序列号，校准值及长时间以来历次的校准历史数据（帮助判断传感器是否正常）；使用的采集模块型号，序列号，通道高通滤波，量程及输入源供电，采样率等。这些信息不仅确保数据可靠，更赋予数据“自我描述”的能力。

图2 BK Connect软件里存储可追溯的传感器验证信息

图3 BK Connect记录的时域文件(.bkc)，包含了1) 时域数据的测量时间、采样率、类型等；2) 传感器的型号、序列号、灵敏度；3) 通道的增益、高通滤波器截止频率、量程、供电方式等；4) 模块和机箱等的序列号、IP等信息。

稳定性是指测量系统能够长期保持一致的性能，数据波动小，重复性好。稳定的数据流是AI模型训练和规模化应用的基础，特别是对于声学测试，当环境温度、湿度发生变化时，传声器应具有稳定出色的输出。

HBK是行业内极少数采用全钛结构用于外壳和振膜的品牌，这种设计在宽泛的温度范围内提供了出色的稳定性。
在最新的传声器型号中，我们将振膜直接焊接在传声器头上以提高效率和机械稳定性，这种先进且困难的工艺是HBK传声器的专有技术。
传声器的振膜非常薄，它们难以生产，并且由于制造公差，可能会出现微小的针孔。振膜针孔检测，丢弃有针孔的振膜，以保持传声器的长期稳定性。
每个HBK传声器都要经过严格的测试，包括温度、湿度和电气绝缘测试等，以确保客户收到的是可靠品质、稳定性能的传声器。

HBK最常用的1/2”自由场传声器4966-H-041能够在-50°C到125°C范围内稳定工作，在没有冷凝的情况下，湿度对传声器性能没有可测量的影响，即使在极高湿度下（如93% RH 且 40°C），只要不产生冷凝水，传声器依然能正常工作。这种稳定性得益于HBK在洁净室中的精密组装以及对CCLD 偏置电压的精心设计，确保了在温度波动时动态范围也能保持稳定。

图4 HBK传声器的灵敏度@250Hz随温度的典型变化，相对于20℃。

HBK 1/2 英寸传声器的平均温度系数在 +0.05 至 -0.07 dB/℃之间（该系数是对 -10 至 +50 ℃的温度范围进行平均计算得出的）。

图5 HBK传声器0°入射自由场响应随温度的典型变化，相对于20℃。

你的数据特征被准确标记了吗？

在数据可信的基础上，AI模型需要大量的“带标签的特征数据”，仅有原始的振动噪声数据是不够的，AI需要知道“这段数据对应的是什么故障”、“何时发生的”、“修了什么”。这要求获取数据时要能够及时且实时地添加数据标签，比如，当传感器捕捉到一段异常的振动冲击时，现场工程师的直觉（“这声音听起来像轴承坏了”）是无法被传感器记录的，如果工程师没有在事件发生时立即对这段波形打上“疑似轴承故障”的标签，几周后这段波形就变成了无用的“噪声”。

HBK的测试软件BK Connect能够在时域记录时实时进行特征标记，这部分最有价值的标签数据能够被存储和转移，进行特征分析。

图6 整个时域测量过程中最有价值的那部分信号的记录、标记、存储和转移

所有数据都用用户自定义的元数据（metadata）来描述，表示与测试有关的信息，如测试位置、人员、测试时间、测量工况、被测对象等等，这样可以选择一个或多个元数据，来检索所有项目数据。通过嵌入丰富的元数据，测试数据获得了更多的“自我描述”，使得 AI 模型能够自动解析数据的物理含义。

如何打破数据孤岛？

传统的数据采集系统（DAQ）往往伴随着封闭的驱动程序和专有的软件生态，导致数据被锁死在特定的硬件品牌中，形成孤岛。HBK全新一代数据采集系统支持openDAQ^TM（Open-source Data Acquisition SDK by Dewesoft & HBK）：

使用统一的软件开发套件（SDK），支持 C++, C#, Python 等主流编程语言，这意味着工程师可以用同一种代码语言去访问HBK和其他兼容厂商的数据，并支持 Windows, Linux, macOS操作系统。
openDAQ^TM基于 Apache 2.0 开源协议，这意味着软件开发商、系统集成商可以自由地将openDAQ^TM的驱动集成到他们自己的软件平台中，从而创造了一个“互联互通”的市场。例如，一个基于Python 开发的 AI 故障诊断软件，无需 HBK 单独开发接口，直接利用 openDAQ^TM的开源库就能读取 HBK 硬件的数据。这直接打破了不同软件之间的数据壁垒。
openDAQ^TM支持网络发现功能，设备可以在网络中自动被识别。在分布式测试场景（如汽车多点路试、风电场监测）中，分布在各地的 DAQ 设备可以通过统一的 API 将数据汇聚到中央数据库或数据湖中。这种集中化的数据管理是消除空间上数据孤岛的关键。