预测性维护是工业互联网中一个重要的应用场景。在预测性维护出现之前，设备维护的方式主要是被动故障维护以及定期以人工巡检的方式检测，预测性检测的出现可以降低设备的故障率，提高设备利用率，确保设备持续使用，提高企业生产效率，同时也可以减少设备维修费用。
预测性维护能够真正落地并且为客户创造价值，需要具备两大条件，其一是数据基础，第二是算法模型。
风力发电叶片哨音检测仪系统通过对风机叶片运行声音实时在线监测，结合声学分析和机器学习算法，可有效实现风机叶片开裂、异物附着等识别，保障风机的健康发电与运维。
频率范围：100Hz~15kHz；
信号处理： 内置MCU，支持时域波形传输和特征计算；
传输方式：有线、无线均可；
供电方式：被动POE或DC供电；
软件功能：集成信号处理、机器学习算法，对叶片健康程度作准确评估，提供手机移动监测、故障警报功能。
对于液体中超声声强的测量，常用的方法有量热法和光学法等。
量热法的测量原理是用易吸收声能的固体材料如石蜡等制成的小球作为声强测量探针的敏感元件，当将它置于声场中时，小球吸收的声能转化为热，使其温度升高，用热敏电阻或温差电偶等器件测出其温度变化而得到声强。由于敏感元件、测温器件等的灵敏度低及稳定性差，适宜于测量较大的声强值，另外此法测得的是一定时间内的平均声强。声学检测选择宁波慧声智创科技有限公司。
