CN111707355A - 设备运行状态检测方法、装置、设备及存储介质 - Google Patents
设备运行状态检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111707355A CN111707355A CN202010565782.9A CN202010565782A CN111707355A CN 111707355 A CN111707355 A CN 111707355A CN 202010565782 A CN202010565782 A CN 202010565782A CN 111707355 A CN111707355 A CN 111707355A
- Authority
- CN
- China
- Prior art keywords
- sound data
- deviation error
- training
- fault diagnosis
- diagnosis model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 87
- 238000012545 processing Methods 0.000 claims description 44
- 230000007613 environmental effect Effects 0.000 claims description 23
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/72—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for transmitting results of analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种设备运行状态检测方法、装置、设备及存储介质,本申请预先配置有故障诊断模型,该故障诊断模型能够处理对设备采集的声音数据,并输出用于衡量声音数据偏离正常运行态程度的偏离误差,在此基础上,本申请可以获取对目标设备所采集的声音数据,进而利用故障诊断模型来处理该声音数据,得到衡量声音数据偏离正常运行态程度的偏离误差,进一步基于该偏离误差以及预置的偏离误差阈值,可以确定出目标设备的运行状态,也即确定目标设备是否发生故障。基于此,能够高效、及时的检测目标设备的运行状态,也即当目标设备故障时能够及时发现该故障,减少故障持续时间造成的损失。
Description
技术领域
本申请涉及工业检测技术领域,更具体的说,是涉及一种设备运行状态检测方法、装置、设备及存储介质。
背景技术
设备运行状态检测主要是为了检测设备的运行状态,如检测设备是否正常运行或出现故障异常。以工业设备为例,若工业设备出现故障异常,需要及时进行决策和维护,从而提高工业企业的设备维护效率,减少生产线异常停工损失。
在现有技术中,一般由经验丰富的设备运维人员对工业设备进行巡检,以确定工业设备是否出现故障异常。但是,由于物联网中的工业设备众多,且不同工业设备的运行情况各种各样,人工巡检不仅效率低,还存在故障异常发现不够及时的问题。
发明内容
鉴于上述问题,提出了本申请以便提供一种设备运行状态检测方法、装置、设备及存储介质,以解决现有人工巡检效率低、故障异常发现不及时的问题。具体方案如下:
一种设备运行状态检测方法,包括:
获取对目标设备所采集的声音数据;
利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差;
基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备的运行状态。
优选地,所述故障诊断模型的训练过程,包括:
获取所述目标设备处于正常运行态时的训练声音数据;
利用故障诊断模型处理所述训练声音数据,以得到用于衡量所述训练声音数据偏离正常运行态程度的偏离误差;
以所述偏离误差趋近于零为训练目标,训练所述故障诊断模型,得到训练后的故障诊断模型。
优选地,所述利用故障诊断模型处理所述训练声音数据,以得到用于衡量所述训练声音数据偏离正常运行态程度的偏离误差,包括:
提取所述训练声音数据的声学特征;
利用故障诊断模型处理所述声学特征,以得到隐层重建特征,计算所述声学特征和所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述训练声音数据偏离正常运行态的程度。
优选地,所述利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差,包括:
利用故障诊断模型的输入层,接收所述声音数据的声学特征;
利用故障诊断模型的特征处理层,处理所述声学特征并生成隐层重建特征;
利用故障诊断模型的偏离误差计算层,计算所述声学特征与所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述声音数据偏离正常运行态的程度。
优选地,所述偏离误差阈值的确定过程,包括:
利用预置的故障诊断模型处理各条训练声音数据,得到每条训练声音数据对应的偏离误差,其中所述训练声音数据为采集的目标设备处于正常运行态时的声音;
将各条训练声音数据的偏离误差按照大小进行升序或降序排列;
按照用户设定的召回率或虚警率,在偏离误差序列中选定一个目标偏离误差作为偏离误差阈值。
优选地,在确定所述目标设备的运行状态为故障时,该方法还包括:
基于所述声音数据,识别所述目标设备的故障类型。
优选地,所述获取对目标设备所采集的声音数据,包括:
获取对目标设备采集的原始声音数据;
按照所述目标设备发出声音所处的特定频段,对所述原始声音数据进行滤波,得到所述特定频段的声音数据。
优选地,还包括:
将所述原始声音数据中除所述特定频段外的其它频段的声音数据,作为环境声音数据;
对所述环境声音数据进行声音类型识别,得到所述环境声音数据中所包含的目标类型环境声音。
一种设备运行状态检测装置,包括:
声音数据获取单元,用于获取对目标设备所采集的声音数据;
偏离误差确定单元,用于利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差;
状态确定单元,用于基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备的运行状态。
优选地,还包括:偏离误差阈值确定单元,用于确定偏离误差阈值,该过程可以包括:
利用预置的故障诊断模型处理各条训练声音数据,得到每条训练声音数据对应的偏离误差,其中所述训练声音数据为采集的目标设备处于正常运行态时的声音;
将各条训练声音数据的偏离误差按照大小进行升序或降序排列;
按照用户设定的召回率或虚警率,在偏离误差序列中选定一个目标偏离误差作为偏离误差阈值。
优选地,还包括:
故障类型确定单元,用于在确定所述目标设备的运行状态为故障时,基于所述声音数据,识别所述目标设备的故障类型。
优选地,上述声音数据获取单元获取对目标设备所采集的声音数据的过程,可以包括:
获取对目标设备采集的原始声音数据;
按照所述目标设备发出声音所处的特定频段,对所述原始声音数据进行滤波,得到所述特定频段的声音数据。
优选地,还包括:环境声音类型确定单元,用于:
将所述原始声音数据中除所述特定频段外的其它频段的声音数据,作为环境声音数据;对所述环境声音数据进行声音类型识别,得到所述环境声音数据中所包含的目标类型环境声音。
一种设备运行状态检测设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如上的设备运行状态检测方法的各个步骤。
一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上的设备运行状态检测方法的各个步骤。
借由上述技术方案,本申请预先配置有故障诊断模型,该故障诊断模型能够处理对设备采集的声音数据,并输出用于衡量声音数据偏离正常运行态程度的偏离误差,在此基础上,本申请可以获取对目标设备所采集的声音数据,进而利用故障诊断模型来处理该声音数据,得到衡量声音数据偏离正常运行态程度的偏离误差,进一步基于该偏离误差以及预置的偏离误差阈值,可以确定出目标设备的运行状态,也即确定目标设备是否发生故障。基于此,能够高效、及时的检测目标设备的运行状态,也即当目标设备故障时能够及时发现该故障,减少故障持续时间造成的损失。
进一步,由于工业设备大部分时间内都是处于正常态运行的,只有极少量时间会发生故障,因此本申请故障诊断模型通过输出衡量声音数据偏离正常运行态程度的偏离误差,来确定目标设备是否发生故障,也即以设备正常运行态为参考,其更符合设备的实际运行状态规律,最终得到的目标设备的运行状态也更加准确。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例提供的设备运行状态检测方法的一流程示意图;
图2示例了一种故障诊断模型的训练过程示意图;
图3为本申请实施例提供的一种设备运行状态检测装置结构示意图;
图4为本申请实施例提供的检测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提供了一种设备运行状态检测方案,能够及时准确的检测出目标设备的运行状态,也即发现目标设备是否出现故障。
本申请方案可以基于具备数据处理能力的终端实现,该终端可以是手机、电脑、服务器、云端等。
接下来,结合图1所述,本申请的设备运行状态检测方法可以包括如下步骤:
步骤S100、获取对目标设备所采集的声音数据。
具体的,为了实现对目标设备的检测,可以预先在目标设备处设置至少一个监控点,监控点设置传感器,用于对目标设备采集声音数据。
其中,监控点的个数,以及与目标设备的设置方位可以根据需要而设定,不同方位的监控点处的传感器,用于采集目标设备在对应方位所传出的声音数据。传感器可以采用麦克风,或麦克风矩阵等具备收音能力的传感器。
步骤S110、利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差。
具体的,本申请实施例中可以预先训练好故障诊断模型,该故障诊断模型能够对输入的声音数据进行处理,并输出偏离误差,偏离误差用于衡量输入的声音数据偏离目标设备正常运行态的程度。
可以理解的是,由于工业设备大部分时间内都是处于正常态运行的,只有极少量时间会发生故障,因此本申请故障诊断模型通过输出衡量声音数据偏离正常运行态程度的偏离误差,来确定目标设备是否发生故障,也即以设备正常运行态为参考,其更符合设备的实际运行状态规律。
步骤S120、基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备的运行状态。
具体的,本申请可以根据用户需要而预先配置好偏离误差阈值,则在上一步骤中确定了偏离误差后,可以比较该偏离误差与偏离误差阈值间的大小关系,若超出了偏离误差阈值,则说明声音数据偏离正常运行态的程度过于严重,也即表示目标设备出现故障,若未超出偏离误差阈值,则表示目标设备运行正常。
本申请实施例中预先配置有故障诊断模型,该故障诊断模型能够处理对设备采集的声音数据,并输出用于衡量声音数据偏离正常运行态程度的偏离误差,在此基础上,本申请可以获取对目标设备所采集的声音数据,进而利用故障诊断模型来处理该声音数据,得到衡量声音数据偏离正常运行态程度的偏离误差,进一步基于该偏离误差以及预置的偏离误差阈值,可以确定出目标设备的运行状态,也即确定目标设备是否发生故障。基于此,能够高效、及时的检测目标设备的运行状态,也即当目标设备故障时能够及时发现该故障,减少故障持续时间造成的损失。
进一步,由于工业设备大部分时间内都是处于正常态运行的,只有极少量时间会发生故障,因此本申请故障诊断模型通过输出衡量声音数据偏离正常运行态程度的偏离误差,来确定目标设备是否发生故障,也即以设备正常运行态为参考,其更符合设备的实际运行状态规律,最终得到的目标设备的运行状态也更加准确。
可选的,在上述步骤S120,基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备的运行状态为故障时,本申请的方案还可以进一步增加如下处理步骤:
基于所述声音数据,识别所述目标设备的故障类型。
具体的,本申请中可以预先收集目标设备各类型故障时的声音数据,进而基于各类型故障的声音数据训练故障类型分类模型,得到训练后的故障类型分类模型。
在此基础上,可以将对目标设备采集的声音数据送入故障类型分类模型,得到模型输出的具体故障类型。
可以理解的是,随着时间的积累,本申请可以不断收集目标设备所可能出现的各种故障的类型,如对于未知的故障,可以由专家进行标定,进而利用专家标定的数据迭代训练故障类型分类模型,使得模型可以不断优化。
本申请的另一个实施例中,对故障诊断模型的训练过程进行介绍。
可以理解的是,由于工业设备大部分时间内都是处于正常态运行的,只有极少量时间会发生故障,因此,对于目标设备采集的声音数据,绝大部分都是目标设备正常运行时的声音数据,只有极其少量的故障状态时的声音数据。为了避免正负样本不均衡导致的模型训练效果不佳的问题,本实施例中创造性的提出了一种基于正常态声音数据训练故障诊断模型的方案,也即仅使用正例样本来训练故障诊断模型。接下来对故障诊断模型的训练过程进行介绍,其可以包括:
S1、获取所述目标设备处于正常运行态时的训练声音数据。
S2、利用故障诊断模型处理所述训练声音数据,以得到用于衡量所述训练声音数据偏离正常运行态程度的偏离误差。
具体的,故障诊断模型可以是深度神经网络模型,其能够处理输入的训练声音数据,并生成用于衡量训练声音数据偏离正常运行态程度的偏离误差。
S3、以所述偏离误差趋近于零为训练目标,训练所述故障诊断模型,得到训练后的故障诊断模型。
可以理解的是,对于正常态的训练声音数据,其偏离正常运行态的程度不可能太大,我们期望模型对此类训练声音数据所输出的偏离误差越小越好,也即可以以偏离误差趋近于零为训练目标,对故障诊断模型进行训练,最终得到训练后的故障诊断模型。
可选的,可以设定当故障诊断模型对连续N条训练声音数据输出的偏离误差趋近于平稳时,如对连续N条训练声音数据输出的偏离误差间的差值不超过设定差值阈值时,可以认为故障诊断模型可以结束训练。
其中,对于S2,利用故障诊断模型处理所述训练声音数据,以得到用于衡量所述训练声音数据偏离正常运行态程度的偏离误差的过程,可以采用如下方式来实现:
S21、提取所述训练声音数据的声学特征。
S22、利用故障诊断模型处理所述声学特征,以得到隐层重建特征,计算所述声学特征和所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述训练声音数据偏离正常运行态的程度。
具体的,故障诊断模型能够基于正常态的训练声音数据的声学特征,学习到正常态声音数据的一些关键性特征,并基于这些关键性特征进行特征重建,也即得到隐层重建特征,进而可以以隐层重建特征作为基准,计算所述声学特征和所述隐层重建特征间的偏离误差,该偏离误差衡量了训练声音数据偏离正常运行态的程度。
可选的,对于上述的偏离误差LOSS,其可以选取均方误差MSE,也即:
参照图2,其示例了一种故障诊断模型的训练过程示意图。
对于采集的声音数据,可以对其进行分段处理,得到若干音频段,针对每个音频段进行声学特征提取,并将提取的声学特征送入故障诊断模型的特征处理层,该特征处理层可以包括多个卷积编码层,对声学特征进行重建,最终得到重建后的隐层重建特征。最后,由故障诊断模型的偏离误差计算层,计算声学特征与隐层重建特征间的偏离误差。
进一步的,基于上述训练后的故障诊断模型,可以处理声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差,该过程具体可以包括:
利用故障诊断模型的输入层,接收所述声音数据的声学特征。
利用故障诊断模型的特征处理层,处理所述声学特征并生成隐层重建特征。
利用故障诊断模型的偏离误差计算层,计算所述声学特征与所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述声音数据偏离正常运行态的程度。
再进一步的,结合上述对故障诊断模型训练过程的介绍,对预置的偏离误差阈值的确定过程进行说明。
基于上述实施例介绍的故障诊断模型的训练过程,可以得到训练后的故障诊断模型。在此基础上,可以利用该故障诊断模型处理各条训练声音数据,进而得到每条训练声音数据对应的偏离误差。需要说明的是,这里所述的训练声音数据是采集的目标设备处于正常运行态时的声音。
进一步的,可以将各条训练声音数据的偏离误差按照大小进行升序或降序排列,得到偏离误差序列。
最后,按照用户设定的召回率或虚警率,在偏离误差序列中选定一个目标偏离误差作为偏离误差阈值。
具体的,召回率是用户设定的对于设备运行状态诊断正确的最低概率,虚警率是用户设定的,将正常态声音数据误诊为故障声音数据的最高概率。
以偏离误差序列为降序排序结果为例,对按照虚警率确定偏离误差阈值的过程进行说明:
表1
假设训练声音数据集合中共有1000条数据,表1示例了降序排列的前13条训练声音数据的偏离误差。
定义用户设定的虚警率为1%,由于当偏离误差超过偏离误差阈值时才会认定目标设备出现故障,即进行故障报警,则当虚警率为1%时,则训练声音数据集合中会出现1000*1%=10条训练声音数据,被故障诊断模型错误诊断为故障报警。
因此,可以选取降序排序中的第10个偏离误差,作为偏离误差阈值。对于偏离误差大于该偏离误差阈值的训练声音数据,模型会诊断为故障,对于偏离误差小于该偏离误差阈值的训练声音数据,模型会诊断为正常。
在本申请的又一个实施例中,介绍了上述步骤S100,获取对目标设备所采集的声音数据的可选实施方式。
一种可选的方式下,可以获取对目标设备采集的原始声音数据,如获取设置于目标设备处的传感器所采集的原始声音数据,将该原始声音数据作为对目标设备所采集的声音数据进行后续处理。
另一种可选的方式下,本实施例中可以进一步对原始声音数据进行滤波处理,即:
考虑到传感器所采集的原始声音数据中,可能包含了复杂环境内的其它对象发出的声音,如雷雨、刮风声、人声、工地施工声、动物叫声、车辆通行声等等环境声音。这部分环境声音会对目标设备运行状态检测起到干扰作用。
本实施例中,考虑到目标设备发出的声音可能和其它环境声音的频段不同,基于此,可以按照目标设备所发出声音所处的特定频段,对原始声音数据进行滤波处理,得到所述特定频段的声音数据。由此,可以滤除掉部分环境声音,提高了后续基于声音数据进行目标设备运行状态检测的准确率。
对于上述原始声音数据中除所述特定频段外的其它频段的声音数据,可以作为环境声音数据。
进一步的,对于环境声音数据可以进行声音类型的识别,得到所述环境声音数据中所包含的目标类型环境声音。
在此基础上,可以将得到的目标类型环境声音提示给用户,以便用户了解目标设备周围环境的状况,如便于用户了解目标设备周边是否有动物、是否有人进入等。
下面对本申请实施例提供的设备运行状态检测装置进行描述,下文描述的设备运行状态检测装置与上文描述的设备运行状态检测方法可相互对应参照。
参见图3,图3为本申请实施例公开的一种设备运行状态检测装置结构示意图。
如图3所示,该装置可以包括:
声音数据获取单元11,用于获取对目标设备所采集的声音数据;
偏离误差确定单元12,用于利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差;
状态确定单元13,用于基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备的运行状态。
本申请实施例提供的设备运行状态检测装置,可以获取对目标设备所采集的声音数据,进而利用故障诊断模型来处理该声音数据,得到衡量声音数据偏离正常运行态程度的偏离误差,进一步基于该偏离误差以及预置的偏离误差阈值,可以确定出目标设备的运行状态,也即确定目标设备是否发生故障。基于此,能够高效、及时的检测目标设备的运行状态,也即当目标设备故障时能够及时发现该故障,减少故障持续时间造成的损失。
进一步,由于工业设备大部分时间内都是处于正常态运行的,只有极少量时间会发生故障,因此本申请故障诊断模型通过输出衡量声音数据偏离正常运行态程度的偏离误差,来确定目标设备是否发生故障,也即以设备正常运行态为参考,其更符合设备的实际运行状态规律,最终得到的目标设备的运行状态也更加准确。
可选的,本申请的装置还可以包括:模型训练单元,用于训练故障诊断模型,具体可以包括:
获取所述目标设备处于正常运行态时的训练声音数据;
利用故障诊断模型处理所述训练声音数据,以得到用于衡量所述训练声音数据偏离正常运行态程度的偏离误差;
以所述偏离误差趋近于零为训练目标,训练所述故障诊断模型,得到训练后的故障诊断模型。
可选的,上述模型训练单元利用故障诊断模型处理所述训练声音数据,以得到用于衡量所述训练声音数据偏离正常运行态程度的偏离误差的过程,可以包括:
提取所述训练声音数据的声学特征;
利用故障诊断模型处理所述声学特征,以得到隐层重建特征,计算所述声学特征和所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述训练声音数据偏离正常运行态的程度。
可选的,上述偏离误差确定单元利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差的过程,可以包括:
利用故障诊断模型的输入层,接收所述声音数据的声学特征;
利用故障诊断模型的特征处理层,处理所述声学特征并生成隐层重建特征;
利用故障诊断模型的偏离误差计算层,计算所述声学特征与所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述声音数据偏离正常运行态的程度。
可选的,本申请的装置还可以包括:偏离误差阈值确定单元,用于确定偏离误差阈值,该过程可以包括:
利用预置的故障诊断模型处理各条训练声音数据,得到每条训练声音数据对应的偏离误差,其中所述训练声音数据为采集的目标设备处于正常运行态时的声音;
将各条训练声音数据的偏离误差按照大小进行升序或降序排列;
按照用户设定的召回率或虚警率,在偏离误差序列中选定一个目标偏离误差作为偏离误差阈值。
可选的,本申请的装置还可以包括:
故障类型确定单元,用于在确定所述目标设备的运行状态为故障时,基于所述声音数据,识别所述目标设备的故障类型。
可选的,上述声音数据获取单元获取对目标设备所采集的声音数据的过程,可以包括:
获取对目标设备采集的原始声音数据;
按照所述目标设备发出声音所处的特定频段,对所述原始声音数据进行滤波,得到所述特定频段的声音数据。
可选的,本申请的装置还可以包括:环境声音类型确定单元,用于:
将所述原始声音数据中除所述特定频段外的其它频段的声音数据,作为环境声音数据;对所述环境声音数据进行声音类型识别,得到所述环境声音数据中所包含的目标类型环境声音。
本申请实施例提供的设备运行状态检测装置可应用于检测设备,如终端:手机、电脑等。可选的,图4示出了检测设备的硬件结构框图,参照图4,检测设备的硬件结构可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取对目标设备所采集的声音数据;
利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差;
基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备的运行状态。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,所述程序用于:
获取对目标设备所采集的声音数据;
利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差;
基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备的运行状态。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种设备运行状态检测方法,其特征在于,包括:
获取对目标设备所采集的声音数据;
利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差;
基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备的运行状态。
2.根据权利要求1所述的方法,其特征在于,所述故障诊断模型的训练过程,包括:
获取所述目标设备处于正常运行态时的训练声音数据;
利用故障诊断模型处理所述训练声音数据,以得到用于衡量所述训练声音数据偏离正常运行态程度的偏离误差;
以所述偏离误差趋近于零为训练目标,训练所述故障诊断模型,得到训练后的故障诊断模型。
3.根据权利要求2所述的方法,其特征在于,所述利用故障诊断模型处理所述训练声音数据,以得到用于衡量所述训练声音数据偏离正常运行态程度的偏离误差,包括:
提取所述训练声音数据的声学特征;
利用故障诊断模型处理所述声学特征,以得到隐层重建特征,计算所述声学特征和所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述训练声音数据偏离正常运行态的程度。
4.根据权利要求1所述的方法,其特征在于,所述利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差,包括:
利用故障诊断模型的输入层,接收所述声音数据的声学特征;
利用故障诊断模型的特征处理层,处理所述声学特征并生成隐层重建特征;
利用故障诊断模型的偏离误差计算层,计算所述声学特征与所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述声音数据偏离正常运行态的程度。
5.根据权利要求1所述的方法,其特征在于,所述偏离误差阈值的确定过程,包括:
利用预置的故障诊断模型处理各条训练声音数据,得到每条训练声音数据对应的偏离误差,其中所述训练声音数据为采集的目标设备处于正常运行态时的声音;
将各条训练声音数据的偏离误差按照大小进行升序或降序排列;
按照用户设定的召回率或虚警率,在偏离误差序列中选定一个目标偏离误差作为偏离误差阈值。
6.根据权利要求1所述的方法,其特征在于,在确定所述目标设备的运行状态为故障时,该方法还包括:
基于所述声音数据,识别所述目标设备的故障类型。
7.根据权利要求1所述的方法,其特征在于,所述获取对目标设备所采集的声音数据,包括:
获取对目标设备采集的原始声音数据;
按照所述目标设备发出声音所处的特定频段,对所述原始声音数据进行滤波,得到所述特定频段的声音数据。
8.根据权利要求7所述的方法,其特征在于,还包括:
将所述原始声音数据中除所述特定频段外的其它频段的声音数据,作为环境声音数据;
对所述环境声音数据进行声音类型识别,得到所述环境声音数据中所包含的目标类型环境声音。
9.一种设备运行状态检测装置,其特征在于,包括:
声音数据获取单元,用于获取对目标设备所采集的声音数据;
偏离误差确定单元,用于利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差;
状态确定单元,用于基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备的运行状态。
10.一种设备运行状态检测设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1~8中任一项所述的设备运行状态检测方法的各个步骤。
11.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~8中任一项所述的设备运行状态检测方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565782.9A CN111707355A (zh) | 2020-06-19 | 2020-06-19 | 设备运行状态检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565782.9A CN111707355A (zh) | 2020-06-19 | 2020-06-19 | 设备运行状态检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111707355A true CN111707355A (zh) | 2020-09-25 |
Family
ID=72541306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010565782.9A Pending CN111707355A (zh) | 2020-06-19 | 2020-06-19 | 设备运行状态检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111707355A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013200144A (ja) * | 2012-03-23 | 2013-10-03 | Mitsubishi Electric Corp | 異常音診断装置 |
CN106596123A (zh) * | 2016-11-22 | 2017-04-26 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及*** |
CN106656637A (zh) * | 2017-02-24 | 2017-05-10 | 国网河南省电力公司电力科学研究院 | 一种异常检测方法及装置 |
CN108052974A (zh) * | 2017-12-12 | 2018-05-18 | 苏州大学 | 一种故障诊断方法、***、设备及存储介质 |
EP3367908A1 (en) * | 2015-10-30 | 2018-09-05 | The Johns Hopkins University | Programmable electronic stethoscope devices, algorithms, systems, and methods |
CN109035749A (zh) * | 2018-08-02 | 2018-12-18 | 浙江讯飞智能科技有限公司 | 一种道路异常轰鸣声检测预警应用*** |
US20190114489A1 (en) * | 2017-10-17 | 2019-04-18 | Toyota Research Institute, Inc. | Systems and methods for identification of objects using audio and sensor data |
CN110364141A (zh) * | 2019-06-04 | 2019-10-22 | 杭州电子科技大学 | 基于深度单分类器的电梯典型异常声音报警方法 |
CN110443274A (zh) * | 2019-06-28 | 2019-11-12 | 平安科技(深圳)有限公司 | 异常检测方法、装置、计算机设备及存储介质 |
CN110779745A (zh) * | 2019-10-12 | 2020-02-11 | 杭州安脉盛智能技术有限公司 | 一种基于bp神经网络的换热器早期故障诊断方法 |
CN110929934A (zh) * | 2019-11-22 | 2020-03-27 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-06-19 CN CN202010565782.9A patent/CN111707355A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013200144A (ja) * | 2012-03-23 | 2013-10-03 | Mitsubishi Electric Corp | 異常音診断装置 |
EP3367908A1 (en) * | 2015-10-30 | 2018-09-05 | The Johns Hopkins University | Programmable electronic stethoscope devices, algorithms, systems, and methods |
CN106596123A (zh) * | 2016-11-22 | 2017-04-26 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及*** |
CN106656637A (zh) * | 2017-02-24 | 2017-05-10 | 国网河南省电力公司电力科学研究院 | 一种异常检测方法及装置 |
US20190114489A1 (en) * | 2017-10-17 | 2019-04-18 | Toyota Research Institute, Inc. | Systems and methods for identification of objects using audio and sensor data |
CN108052974A (zh) * | 2017-12-12 | 2018-05-18 | 苏州大学 | 一种故障诊断方法、***、设备及存储介质 |
CN109035749A (zh) * | 2018-08-02 | 2018-12-18 | 浙江讯飞智能科技有限公司 | 一种道路异常轰鸣声检测预警应用*** |
CN110364141A (zh) * | 2019-06-04 | 2019-10-22 | 杭州电子科技大学 | 基于深度单分类器的电梯典型异常声音报警方法 |
CN110443274A (zh) * | 2019-06-28 | 2019-11-12 | 平安科技(深圳)有限公司 | 异常检测方法、装置、计算机设备及存储介质 |
CN110779745A (zh) * | 2019-10-12 | 2020-02-11 | 杭州安脉盛智能技术有限公司 | 一种基于bp神经网络的换热器早期故障诊断方法 |
CN110929934A (zh) * | 2019-11-22 | 2020-03-27 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI706318B (zh) | 錫膏印刷品質檢測方法、數據處理裝置及電腦存儲介質 | |
CN109397703B (zh) | 一种故障检测方法及装置 | |
CN106951925B (zh) | 数据处理方法、装置、服务器及*** | |
CN109960232B (zh) | 领先辅助参数的选择方法和设备维护预诊断的方法 | |
CN111722952A (zh) | 业务***的故障分析方法、***、设备和存储介质 | |
CN111811567B (zh) | 一种基于曲线拐点比对的设备检测方法及相关装置 | |
CN111414571A (zh) | 一种大气污染物监测方法 | |
CN109408383B (zh) | 一种Java内存泄漏分析方法及装置 | |
CN111739557A (zh) | 设备故障定位方法、装置、设备及存储介质 | |
CN116302809A (zh) | 边缘端数据分析计算装置 | |
CN117439827B (zh) | 一种网络流量大数据分析方法 | |
WO2022059720A1 (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
CN114356703A (zh) | 一种根因分析方法及装置 | |
CN116628564B (zh) | 用于检测发电机状态的模型训练方法和*** | |
CN111707355A (zh) | 设备运行状态检测方法、装置、设备及存储介质 | |
CN111581425A (zh) | 一种基于深度学习的设备声音分类方法 | |
CN114564349B (zh) | 一种服务器的监控方法、装置、电子设备及存储介质 | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
CN111695829B (zh) | 一种指标波动周期计算方法、装置、存储介质及电子设备 | |
CN111967364B (zh) | 复合故障诊断方法、装置、电子设备和存储介质 | |
JP2001217169A (ja) | データ変動監視方法と監視装置 | |
CN112069037A (zh) | 一种云平台无阈值检测的方法和装置 | |
CN111798237A (zh) | 基于应用日志的异常交易诊断方法及*** | |
CN114936113B (zh) | 一种任务雪崩恢复方法、装置、电子设备及存储介质 | |
CN109375602B (zh) | 一种制造***数据挖掘模型的容错辨识方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |