工业声学质检这个方向，这两年讲的人多了。但如果你去问真正在产线上装过设备的人，会发现一个共同点：失败的案例，绝大多数不是败在算法上。
我们自己在管网和产线两类场景里做了 18 个月，踩过的坑基本不在实验室里。把其中 5 个写出来——这些是方案书里不会写、但决定项目能不能活下来的东西。
01 外壳进水：第一版只活了 3 个月
第一个项目在上海奉贤，蒸汽管网，设备要埋进地下。
选型时我们按常规做法处理：IP68 防护 + 密封圈。按参数看是够的。三个月后回访，打开外壳，里面有水。
问题出在两个地方。一是上海雨季地下水位高，长期浸泡的工况和“淋雨测试”完全是两回事；二是接缝——IP68 认证测的是整机静态水压，不是反复干湿循环下的密封可靠性。
改法是把接缝全部灌封，O 型圈从单圈改成双圈，线缆出口单独做二次密封。第二版到现在跑了 18 个月，没有再进水。
教训：防护等级是出厂指标，不是现场指标。地下水、干湿循环、温差形变，这三样叠加起来，认证参数是不作数的。
02 被一台空压机骗了一整晚
第二个坑更隐蔽：误报。
设备装上之后，后台开始频繁告警。我们第一反应是算法问题，去调阈值、加滤波、换特征——软件层面调了三轮，误报率降不下来。
折腾了一晚上，第二天到现场才发现：附近有一台空压机，间歇性启动，振动通过地面传到传感器上。
从信号上看，它和真实的管网异常事件确实难以区分。软件滤波再强，也没办法把已经混进信号的干扰“拿”出去。
最后解决靠的是硬件：给传感器加硅胶减震座，重新调整安装姿态和接触面。干扰信号的幅度直接降了一个量级。
教训：软件滤波再好，也不如硬件先隔离。凡是“信号里混着别的东西”的问题，先看安装，再看算法。顺序反了，就是在用算法给硬件缺陷打补丁。
03 80℃ 的管壁，把电池容量吃掉 30%
蒸汽管外壁温度 80℃。这个数字在选型时看起来不致命——大部分元器件的规格书写着能到 85℃。
但真实情况是：规格书的温度上限，测的是“能不能工作”，不是“能工作多久”。
锂电池在高温下容量衰减明显加速。我们的设备装在距管壁 15cm 的位置，中间加了隔热垫和散热片，实测电池容量在夏季仍然衰减了 30%。
这个坑我们到现在也没有彻底解决，只能在结构上继续挤空间、在功耗上继续抠。但它逼我们做了一件对的事：把“电池健康度”做成了平台上的一个显性指标，而不是等设备没电了才发现。
教训：工业现场的温度、湿度、振动，都要按“长期值”而不是“峰值”来设计。
04 设备掉线，比设备故障更致命
这一条是认知层面的。
做监测系统的人容易有个思维惯性：关注“设备能不能测准”。但真正上线后你会发现，更大的问题是——设备还在不在线。
如果一台设备掉线了，平台却没有任何提示，那它和没装有什么区别？更糟的是：你连自己是不是在工作都不能证明，客户凭什么相信你的告警？
所以后来我们把“在线率”和“数据新鲜度”提到了和“检测准确率”同等的位置：每台设备有独立的心跳监测，超时未上报直接进告警列表，电量低也进告警列表。哪怕因此产生一些“运维型告警”，也比“沉默失联”好。
教训：监测系统的第一可信度指标，不是精度，是在场证明。
05 18 个样本，撑不起一个模型
最后一条来自产线侧。
有一个项目，工件是小批量、多品种的。我们按常规流程采集良品样本，训练、验证、部署——实验室指标很好。
上线后准确率掉到 50%。
排查下来原因很直接：样本量不够。那类工件的可用样本只有 18 个。18 个样本做训练集和验证集，任何一点噪声都会让模型过拟合到一个虚假的高分上。
这件事之后我们改了两条做法：
第一，样本量不足时，先不上 AI。用阈值模式（频带能量判定）先跑起来，它能给出稳定的基线，不会因为样本少而产生虚假信心。
第二，把“样本量是否足够”做成训练流程里的一道提示，而不是让使用者自己去猜。
教训：算法有它的适用边界。样本不够的时候，“能跑起来但结果不可信”比“暂时跑不起来”更危险。
结语：这 5 个坑，指向同一件事
把上面 5 件事排在一起看，会发现一个规律：
外壳进水 → 现场工况 ≠ 实验室工况
空压机误报 → 安装决定信号质量
高温衰减 → 长期值 ≠ 峰值
设备失联 → 可信度 ≠ 精度
样本不足 → 能用 ≠ 可信
全部都不是算法问题。
这不是说算法不重要。而是说：工业声学检测这件事，算法是必要条件，不是充分条件。真正决定一个项目能不能活过第一年的，是外壳、是安装、是供电、是运维、是数据量的自知之明。
我们把这些东西后来做成了平台的一部分——不是为了显得技术强，是因为每一条都是我们自己花钱买来的教训。
如果你的产线或管网正在考虑上声学检测，欢迎带着你们的现场工况来聊。我们也想知道，我们还没踩过的坑长什么样。