Neuron Soundware 是捷克布拉格的工业 AI 公司，2016 年成立。他们的产品概念其实跟老技师的直觉一样：机器快坏掉之前，声音会先变。差别在于他们把这件事变成可以规模化、24 小时不间断的 AI 系统。
功能特色与适用场景
资深维修师傅走过厂房，听一听就知道哪台泵浦不对劲——这种能力真实存在，但它绑在特定的人身上，会退休、会离职、一次也只能顾一个地方。Neuron Soundware 用 nEdge 系列 IoT 硬体采集机器的声音与振动讯号，送进 nGuard 这套云端软体做分析，AI 模型学习每台设备的正常声音特征，一旦出现偏离就发出预警。相较于主流的振动分析，声学有它的优势：麦克风可以非接触式安装，不必为了装感测器停机拆解设备；而且声音包含的频谱资讯比单纯振动更丰富，对某些故障类型（如气蚀、轴承早期磨损、阀门泄漏）更敏感。适用设备包含引擎、压缩机、泵浦与各类生产设备。
适合有大量旋转机械的制造业、能源、水处理与交通运输业。台湾的传统制造业其实非常对味——设备老、维修人力断层严重、老师傅的经验正在退休潮中流失，而全面换新设备又不现实。声学监测的非接触特性让它可以装在既有老设备上，这点比很多需要改机的方案务实得多。
主要功能
- nEdge／nEdge Pro：IoT 边缘硬体，采集声音与振动等物理讯号
- nGuard：网页版分析软体，处理资料并产出设备健康度
- AI 模型学习每台设备的正常声学特征，侦测异常偏离
- 非接触式麦克风安装，不需停机拆解设备
- 适用引擎、压缩机、泵浦与各式生产设备
- 异常预警与故障类型判读
- 边缘运算处理，降低频宽需求
常见用途
- 压缩机、泵浦等旋转设备的轴承磨损早期侦测
- 无法停机的连续生产线设备健康监控
- 老旧设备的状态监测（无法加装传统振动感测器的场合）
- 维修排程从定期保养改为依状态维修，降低不必要的停机
- 设备异常的远端诊断与故障类型判读
主要功能
- nEdge／nEdge Pro：IoT 边缘硬体，采集声音与振动等物理讯号
- nGuard：网页版分析软体，处理资料并产出设备健康度
- AI 模型学习每台设备的正常声学特征，侦测异常偏离
- 非接触式麦克风安装，不需停机拆解设备
- 适用引擎、压缩机、泵浦与各式生产设备
- 异常预警与故障类型判读
- 边缘运算处理，降低频宽需求
优点
- 声学非接触安装，对无法停机或不便加装感测器的老设备特别友善
- 把「老师傅的耳朵」规模化，正面回应台湾制造业的技术断层问题
- 软硬体整合供应，不需自己拼凑感测方案
- 欧洲工业客户基础，对制造现场的理解不是纸上谈兵
缺点
- 厂房噪音环境复杂，隔壁机台的声音干扰是实际挑战，安装位置很关键
- 模型需要一段时间学习设备的正常基准，导入初期看不到效果
- 公司规模不大，亚太区的技术支援能量需要事先确认
- 未公开定价；需采购硬体，非纯软体订阅
使用场景
- 压缩机、泵浦等旋转设备的轴承磨损早期侦测
- 无法停机的连续生产线设备健康监控
- 老旧设备的状态监测（无法加装传统振动感测器的场合）
- 维修排程从定期保养改为依状态维修，降低不必要的停机
- 设备异常的远端诊断与故障类型判读
编辑点评
总编辑的话：这个题目我特别有感。台湾制造业现在最痛的不是设备老，是「知道设备哪里不对劲的人」正在大批退休，而年轻人不进工厂。老师傅走过去听一听就知道的那套本事，没有写在任何 SOP 里，退休那天就跟着走了。用声学 AI 把这件事留下来，方向上是对的。我会建议有兴趣的厂务先做一件事：挑三台你最了解、最常出问题的设备做试点，用你自己知道的故障史去验证它抓不抓得到。别一开始就全厂铺。
常见问题
厂房那么吵，声音分析真的有用吗？
这是最常见也最合理的质疑。实务上靠几件事处理：麦克风贴近目标设备安装、AI 模型学习的是特定设备的频谱特征而非整体音量、以及用讯号处理技术分离背景噪音。但要诚实说，噪音极端复杂的环境确实会影响效果，这是导入前该做现场测试的重点。
跟振动分析（如 Augury）比，该选哪个？
振动分析是预测性维护的主流、方法论成熟；声学的优势在非接触安装与更丰富的频谱资讯。如果设备可以停机加装振动感测器、预算充足，振动方案的生态更完整；如果是不能停机的老设备，声学的部署弹性明显较好。两者也可以互补。
要多久才看得到效果？
AI 需要先学习设备的正常状态基准，这通常需要数周到数月，取决于设备的运转周期复杂度。这是所有状态监测方案的共通特性，别期待装上去隔天就开始抓到故障。
