NE时代

董鹏丨深圳市鑫信腾科技股份有限公司CTO

大模型的能力每天都在刷新，工业现场的变化却没有同样快。

代码、文本和图像已经成为AI应用最活跃的领域。走进工厂，模型面对的是设备振动、操作动作、环境噪声和质量责任。数据藏在产线里，判断标准沉淀在工程师经验中，很多问题连清晰的标签都没有。

2026年6月23日-24日，由巨力自动化&敖轩科技总冠名，电动汽车电驱动系统全产业链技术创新战略联盟、中国电工技术学会电动车辆专委会主办，NE时代承办，中车电驱、中车时代半导体和上海电驱动为战略合作单位，英搏尔和钧联电子为生态合作单位的“2026第六届全球xEV驱动系统技术暨产业大会”在上海松江圆满召开。

在论坛演讲中，深圳市艾特讯科技股份有限公司董鹏提出，AI进入产业大致会经历三个阶段：先验证模型能力，再由部分行业试用，最终深入具体行业，成为稳定的生产力。

这一划分属于董鹏对产业进程的判断。对工业企业更现实的问题是，模型怎样穿过工厂的数据边界，进入一条正在运行的生产线。

董鹏用汽车NVH测试给出了一个样本。艾特讯已经把良品与不良品采集、声学数据处理、模型训练、边缘推理和产线判定串成完整流程，并将方案用于电机、电驱、减速器和电子执行器等产品检测。

01.

工业AI先要解决数据从哪里来

通用大模型依靠海量公开代码、文本数据快速迭代，但该模式无法复制到工业领域。工厂工艺、设备、质检数据高度保密，且各产线工况、判定标准各不相同，纯算法企业难以吃透产线异响误判等真实生产难题。

董鹏认为，工业AI的核心资源是数据。检测设备企业长期连接传感器、产品和产线，能够接触良品与不良品样本，也理解样本对应的工程状态。艾特讯目前服务500家以上客户，这种工厂连接能力构成了训练工业模型的数据入口。

数据还需要行业专家整理。哪些信号值得采集，怎样设置传感器，什么情况算异常，模型输出如何嵌入质量流程，都依赖行业Know-how。缺少这些环节，原始数据很难转化成可训练、可验收的样本。

02.

NVH检测为何适合引入AI

NVH测试覆盖噪声、振动与声振粗糙度。电机、减速器、轴承、泵阀、电子执行器等汽车零部件，研发与量产阶段均需开展该项测试。完整NVH 系统分为四层：传感器采集声振、转速信号；配套硬件完成信号调理与传输；工控机通过专业算法做频谱分析；终端实现监控、波形展示、报警与报告输出。传统方案的难点集中在主观评价。

旋转屏运行时的异响、减速器的啸叫、电子执行器的摩擦声，很多场景缺少统一阈值。操作人员根据听感判断产品是否合格，检测标准受经验、疲劳和环境噪声影响。纯电动车的动力噪声较低，其他部件产生的声音更容易被用户察觉，工厂对微弱异响的控制要求随之提高。

董鹏给出三项企业测试口径：传统人工检测综合准确率上限约75%；单次完整测试与故障分析平均耗时约60分钟；嘈杂产线容易掩盖早期微弱异常信号。

传统算法同样依赖经验。工程师使用小波分析、FFT、频响和阶次分析处理信号，再从波形中手工寻找特征。换一条产线、一个零件或一种背景噪声，原有规则常常需要重新调整。算法工程师驻场开发，项目周期和交付成本都很高。

03.

艾特讯如何把AI用于NVH检测

艾特讯没有从通用大模型切入，而是选择监督学习路线，把工厂已有的人耳判定转化为训练样本。项目从现场采集开始，最终回到产线完成实时判断。

艾特讯的做法，是采集工厂人工标定的好坏品声学样本并标注，将声信号转化为图像，按需选用适配AI模型提取故障特征；训练完成后部署至自研边缘设备实现产线实时检测，同时结合FFT、阶次分析等传统声学算法协同校验，形成一体化AI NVH检测方案。

按照董鹏披露的项目经验，客户提供1000个或10000个良品、不良品样本后，模型训练可以在一天左右完成，从训练到工厂试用的周期约为一周。传统人工或规则算法的准确率很难超过80%，AI方案在其项目中的整体准确率可以达到99%左右，少量边缘案例除外。

这些数据对应特定项目和企业现场口径，无法代表所有NVH场景。它们反映出的变化更值得关注：工程团队开始把一次性、驻场式的算法开发，转化为样本采集、模型训练和现场验证组成的标准流程。

开发流程标准化后，同一支团队能够覆盖更多客户。董鹏称，过去一年可能服务3至4家客户，现在相同资源可以覆盖30至40家。工业AI的价值由此落到交付效率和工程复制能力上。

人才结构也随之改变。过去需要资深算法工程师长期驻场，反复调整特征和阈值。模型训练形成范式后，经过培训的高校毕业生可以承担样本处理、训练和部分部署工作。资深工程师把时间投入疑难工况、机理分析与模型边界，企业降低了每个项目对高成本专家的占用。

04.

模型要在产线边缘完成推理

工厂检测强调实时响应。数据还涉及工艺和质量信息，企业通常不愿把原始数据持续上传到外部云端。边缘推理设备因此成为关键节点。

艾特讯将训练好的模型部署在自研工业边缘推理设备中。设备连接前端传感器和数据采集系统，在现场完成信号处理、模型推理与结果输出。模型由云端或训练环境完成迭代，产线侧负责实时执行。

同一平台还可以扩展到流水线物料追踪、组装与包装SOP识别、上下料监控和动作轨迹捕捉。系统通过视觉模型识别人的动作与物料状态，统计稼动率、UPH等生产指标。

边缘设备只是承载模型的硬件。工业现场更看重传感器选型、采样精度、环境隔离、算法稳定性和设备联动。任何一个环节失效，模型准确率都难以兑现。

05.

从算法验证走向产线应用

董鹏反复强调全栈能力。艾特讯、艾特讯的NVH方案覆盖麦克风、加速度传感器、数据采集卡和信号调理硬件，也包括FFT、阶次分析、AI模型、边缘推理设备及自动化系统。

这套能力已经进入多类汽车零部件。轴承和齿轮检测面向疲劳剥落、点蚀、胶合、间隙超标与不对中，可使用阶次分析、包络解调、倒谱和峭度等方法识别故障；电机与电驱检测关注转子断条、气隙异常、电磁噪声和结构共振，并结合电流特征、电磁阶次与声品质评价。

在传动、转向和制动系统中，减速器异响、齿条卡滞、制动尖叫、路噪与结构抖动可通过力锤敲击、声振定位和传递路径分析处理。泵阀、液压系统和电子执行器则需要识别气穴噪声、压力脉动、摩擦异响和动作时序异常，常用FFT、压力脉动测试与模态分析。

从董鹏披露的进展看，这套方案已经用于客户工厂。相关NVH产品累计出货约2000套，客户包括比亚迪、法雷奥、理想、德赛西威、华阳、华为、立讯精密、闻泰科技和零跑等企业。公司将产品与国际头部NVH测试品牌逐项对标，并在客户工厂开展验证。

艾特讯将业务概括为“1+4+N”。“1”代表全栈自研技术平台，集成声学、光学、电学、通信、力学和流体检测能力，并延伸到精密装配、机器人应用与整线自动化；“4”代表消费电子、汽车电子、具身机器人和AI服务器四条核心赛道；“N”代表平台继续向智能终端、物联网设备和工业装备等场景扩展。

公司披露，2025年经营营收超过7亿元，员工超过700人，研发人员占比约60%；已服务全球500家以上品牌客户，累计获得274项授权专利，并在海外布局8个以上服务网点。公司具备CNN、LLM等主流模型的训练与微调能力，软件、硬件、算法和自动化设备均纳入自研体系。

工业AI的交付对象是一条具体产线。团队既要理解声学机理和零部件失效模式，也要处理节拍、良率、误判和追溯。模型精度只是验收指标之一。

董鹏由此给出结论：“未来属于懂AI的行业专家。”

行业专家掌握数据含义，知道工厂愿意为什么结果付费；AI能力帮助他们缩短开发周期、扩大特征边界。工业AI越往深处走，这两种能力就越难分开。