CN117034123B - 健身器材的故障监控***及其方法 - Google Patents

Abstract

公开了一种健身器材的故障监控***及其方法。其首先将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵后通过多尺度感知器以得到优化多尺度参数全时序关联矩阵，接着，对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵，然后，将所述多个参数时序关联子矩阵通过上下文编码器以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示被监测健身器材是否存在故障的分类结果。这样，可以对健身器材的故障进行实时准确监控。

Description

健身器材的故障监控***及其方法

技术领域

本申请涉及智能化监控领域，且更为具体地，涉及一种健身器材的故障监控***及其方法。

背景技术

随着现代社会健康意识的提高和生活水平的改善，健身成为了一种越来越流行的生活方式。健身器材是一种用于锻炼身体和提高健康水平的设备，它可以帮助人们增强心肺功能，塑造肌肉，减少体重，缓解压力等。

健身器材在长时间运转和使用后可能会出现故障，例如机械磨损、电路故障等。及时发现和解决这些故障对于维护健身器材的正常使用和保障用户安全至关重要。传统的健身器材故障监控方法通常是通过定期观察检修、听声辨异或者手动设定阈值比较的方式来诊断故障，但是这种方式存在时效性低、误判率高的问题。

因此，期望一种优化的健身器材的故障监控***。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种健身器材的故障监控***及其方法，其可以对健身器材的故障进行实时准确监控。

根据本申请的一个方面，提供了一种健身器材的故障监控***，其包括：数据采集模块，用于获取被监测健身器材在预定时间段内多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值；参数全时序分布模块，用于将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵；参数全时序关联特征提取模块，用于将所述参数全时序输入矩阵通过包含第一卷积神经网络和第二卷积神经网络的多尺度感知器以得到优化多尺度参数全时序关联矩阵；矩阵切分模块，用于对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；上下文全局语义关联模块，用于将所述多个参数时序关联子矩阵通过基于转换器的上下文编码器以得到分类特征向量；以及故障检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材是否存在故障。

根据本申请的另一个方面，提供了一种健身器材的故障监控方法，其包括：获取被监测健身器材在预定时间段内多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值；将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵；将所述参数全时序输入矩阵通过包含第一卷积神经网络和第二卷积神经网络的多尺度感知器以得到优化多尺度参数全时序关联矩阵；对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；将所述多个参数时序关联子矩阵通过基于转换器的上下文编码器以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材是否存在故障。

与现有技术相比，本申请提供的健身器材的故障监控***及其方法，其首先将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵后通过多尺度感知器以得到优化多尺度参数全时序关联矩阵，接着，对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵，然后，将所述多个参数时序关联子矩阵通过上下文编码器以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示被监测健身器材是否存在故障的分类结果。这样，可以对健身器材的故障进行实时准确监控。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。

图1为根据本申请实施例的健身器材的故障监控***的框图示意图。

图2为根据本申请实施例的健身器材的故障监控***中的所述参数全时序关联特征提取模块的框图示意图。

图3为根据本申请实施例的健身器材的故障监控***中的所述优化单元的框图示意图。

图4为根据本申请实施例的健身器材的故障监控***中的所述故障检测模块的框图示意图。

图5为根据本申请实施例的健身器材的故障监控方法的流程图。

图6为根据本申请实施例的健身器材的故障监控方法的***架构的示意图。

图7为根据本申请实施例的健身器材的故障监控***的应用场景图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述***和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如上所述，健身器材在长时间运转和使用后可能会出现故障，例如机械磨损、电路故障等。及时发现和解决这些故障对于维护健身器材的正常使用和保障用户安全至关重要。传统的健身器材故障监控方法通常是通过定期观察检修、听声辨异或者手动设定阈值比较的方式来诊断故障，但是这种方式存在时效性低、误判率高的问题。因此，期望一种优化的健身器材的故障监控***。

相应地，考虑到在实际进行健身器材的使用过程中，为了保证健身器材的使用效果和安全性，需要对于健身器材的故障进行实时监控，而在进行健身器材的故障监控时，关键在于对其运行状态进行监测，这可以通过对于健身器材的温度值、电流值、电压值、振动幅度值和噪声值的分析来综合进行判定。这是由于温度、电流、电压、振动幅度和噪声等参数可以反映健身器材在实际运行中的工作负荷、磨损程度以及其他潜在的问题，对于准确地判断健身器材的健康状态起着至关重要的作用。但是，由于这些参数数据之间具有着时序的协同关联关系，并且这种时序协同关联特征在不同的时序周期下呈现出不同的关联模式。因此，在此过程中，难点在于如何进行所述健身器材的温度值、电流值、电压值、振动幅度值和噪声值的时序协同动态关联特征信息的充分表达，以此来对于健身器材的故障进行实时准确监控，从而保证健身器材的使用效果和安全性。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述健身器材的温度值、电流值、电压值、振动幅度值和噪声值的时序协同动态关联特征信息提供了新的解决思路和方案。

图1为根据本申请实施例的健身器材的故障监控***的框图示意图。如图1所示，根据本申请实施例的健身器材的故障监控***100，包括：数据采集模块110，用于获取被监测健身器材在预定时间段内多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值；参数全时序分布模块120，用于将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵；参数全时序关联特征提取模块130，用于将所述参数全时序输入矩阵通过包含第一卷积神经网络和第二卷积神经网络的多尺度感知器以得到优化多尺度参数全时序关联矩阵；矩阵切分模块140，用于对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；上下文全局语义关联模块150，用于将所述多个参数时序关联子矩阵通过基于转换器的上下文编码器以得到分类特征向量；以及，故障检测模块160，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材是否存在故障。

更具体地，在本申请实施例中，所述数据采集模块110，用于获取被监测健身器材在预定时间段内多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值。在实际进行健身器材的使用过程中，为了保证健身器材的使用效果和安全性，需要对于健身器材的故障进行实时监控，而在进行健身器材的故障监控时，可以对其运行状态进行监测，这可以通过对于健身器材的温度值、电流值、电压值、振动幅度值和噪声值的分析来综合进行判定。

在一个具体示例中，所述数据采集模块可以包括传感器、数据采集器和通信模块。其中，传感器用于采集健身器材的温度值、电流值、电压值、振动幅度值和噪声值，具体地，分别可以采用温度传感器、电流传感器、电压传感器、振动传感器和噪声传感器获取上述数据。其中，温度值是指健身器材的温度，可以使用温度传感器进行采集。健身器材在使用过程中，由于摩擦、电机工作等原因，会产生热量，温度值的变化可以反映健身器材的工作状态，例如，当温度值过高时，可能说明健身器材存在过载或故障等问题；电流值是指健身器材的电流大小，可以使用电流传感器进行采集，健身器材在工作时需要消耗电能，电流值的变化可以反映健身器材的负载情况，例如，当电流值过大时，可能说明健身器材存在过载或故障等问题；电压值是指健身器材的电压大小，可以使用电压传感器进行采集，健身器材在工作时需要供给电能，电压值的变化可以反映健身器材的电源情况，例如，当电压值过低时，可能说明健身器材存在电源不足或故障等问题；振动幅度值是指健身器材的振动大小，可以使用振动传感器进行采集，健身器材在工作时会产生振动，振动幅度值的变化可以反映健身器材的运动状态。例如，当振动幅度值过大时，可能说明健身器材存在失衡或故障等问题；噪声值是指健身器材的噪声大小，可以使用声音传感器进行采集，健身器材在工作时会产生噪声，噪声值的变化可以反映健身器材的工作状态，例如，当噪声值过大时，可能说明健身器材存在故障或需要进行维护等问题。进一步地，数据采集器用于将传感器采集到的数据进行处理和存储。通信模块用于将采集到的数据传输给监控***，通信模块可以支持多种通信协议，如Wi-Fi、蓝牙、4G等。

相应地，首先，在监控***中设置预定时间段，确定需要监测的时间范围；接着，在预定时间段内设置多个预定时间点，确定需要监测的时间点；然后，将传感器安装在健身器材的关键部位，如电机、轴承、齿轮等处，以便采集到最准确的数据；然后，将数据采集器与传感器连接，以便采集到传感器采集到的数据；接着，在数据采集器中设置采集参数，如采集频率、采集时间等；最后，将采集到的数据通过通信模块传输给监控***，以便进行数据分析和处理。

更具体地，在本申请实施例中，所述参数全时序分布模块120，用于将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵。由于所述健身器材的温度值、电流值、电压值、振动幅度值和噪声值之间在时间维度上存在着协同关联特性，也就是说，这些参数数据之间存在着相互影响。因此，为了能够对于健身器材的工作状态进行准确检测，从而提高健身器材故障的评估精准度，在本申请的技术方案中，进一步将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵，以此来整合所述健身器材的温度值、电流值、电压值、振动幅度值和噪声值在时间维度和样本维度上的时序分布信息。

相应地，在一个具体示例中，所述参数全时序分布模块120，用于：将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度或样本维度排列为参数全时序输入行向量后再进行二维排列以得到所述参数全时序输入矩阵。

更具体地，在本申请实施例中，所述参数全时序关联特征提取模块130，用于将所述参数全时序输入矩阵通过包含第一卷积神经网络和第二卷积神经网络的多尺度感知器以得到优化多尺度参数全时序关联矩阵。由于所述健身器材的温度值、电流值、电压值、振动幅度值和噪声值都在时间维度上具有着波动性和不确定性，并且各个参数数据之间具有着关联性，因此，所述健身器材的温度值、电流值、电压值、振动幅度值和噪声值之间在不同的时间周期跨度下和不同的数据类型跨度下具有不同的关联特征信息。基于此，在本申请的技术方案中，进一步将所述参数全时序输入矩阵通过包含第一卷积神经网络和第二卷积神经网络的多尺度感知器以得到优化多尺度参数全时序关联矩阵。特别地，这里，所述第一卷积神经网络和所述第二卷积神经网络采用不同尺度的二维卷积核来进行所述参数全时序输入矩阵的特征挖掘，以提取出所述健身器材的温度值、电流值、电压值、振动幅度值和噪声值之间在不同参数类型和不同时间跨度下的多尺度时序协同动态关联特征信息。

相应地，在一个具体示例中，如图2所示，所述参数全时序关联特征提取模块130，包括：第一尺度参数时序关联单元131，用于将所述参数全时序输入矩阵通过所述多尺度感知器的第一卷积神经网络以得到第一尺度参数全时序关联矩阵；第二尺度参数时序关联单元132，用于将所述参数全时序输入矩阵通过所述多尺度感知器的第二卷积神经网络以得到第二尺度参数全时序关联矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络分别采用不同尺度的二维卷积核；关联特征融合单元133，用于融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到所述多尺度参数全时序关联矩阵；优化单元134，用于对所述多尺度参数全时序关联矩阵进行优化以得到所述优化多尺度参数全时序关联矩阵。

相应地，在一个具体示例中，所述第一尺度参数时序关联单元131，用于：使用所述多尺度感知器的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度感知器的第一卷积神经网络的最后一层输出所述第一尺度参数全时序关联矩阵，其中，所述多尺度感知器的第一卷积神经网络的第一层的输入为所述参数全时序输入矩阵。

应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。

相应地，在一个具体示例中，所述关联特征融合单元，包括：以如下融合公式来融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到所述多尺度参数全时序关联矩阵，其中，所述融合公式为：其中，/>为所述多尺度参数全时序关联矩阵，/>为所述第一尺度参数全时序关联矩阵，/>为所述第二尺度参数全时序关联矩阵，/>表示所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵相对应位置处的元素相加，/>和/>为用于控制所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵之间的平衡的加权参数。

相应地，在一个具体示例中，如图3所示，所述优化单元134，包括：矩阵展开子单元1341，用于将所述多尺度参数全时序关联矩阵展开为多尺度参数全时序关联向量；搜索优化子单元1342，用于对所述多尺度参数全时序关联向量进行权重空间的细粒度密度预测搜索优化以得到优化多尺度参数全时序关联向量；以及，维度重构子单元1343，用于对所述优化多尺度参数全时序关联向量进行维度重构以得到所述优化多尺度参数全时序关联矩阵。

在本申请的技术方案中，在将所述参数全时序输入矩阵通过包含第一卷积神经网络和第二卷积神经网络的多尺度感知器得到所述多尺度参数全时序关联矩阵时，对于所述参数全时序输入矩阵分别通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一尺度参数全时序关联矩阵和第二尺度参数全时序关联矩阵来说，其每个特征值都是基于卷积神经网络的二维卷积核对于卷积核尺度下的局部时序-样本交叉维度关联特征进行提取得到的，因此，所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵均具有对应于二维卷积核尺度下的参数时序-样本局部交叉关联特征的特征表达超分辨率，由此，将所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵融合得到的所述多尺度参数全时序关联矩阵也就具有不同尺度下的多维度空间关联上下文的超分辨率表达特性，由此，期望基于所述多尺度参数全时序关联矩阵的表达特性提升其特征表达效果。因此，本申请对于所述多尺度参数全时序关联矩阵进行迭代优化，具体地，在每次迭代中，对所述多尺度参数全时序关联矩阵展开后得到的多尺度参数全时序关联向量，例如记为，进行权重空间的细粒度密度预测搜索优化，表示为： 和/>分别是上次和本次迭代的优化矩阵，其为在迭代过程中采用不同的初始化策略设置的参数矩阵，（例如，/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵），/>是所述多尺度参数全时序关联向量，/>是第一迭代特征向量，/>是第二迭代特征向量，/>和/>分别表示特征向量/>和的全局均值，且/>是偏置向量，例如初始设置为单位向量，并且，/>表示所述优化多尺度参数全时序关联向量，迭代结束可以设置为迭代前后的多尺度参数全时序关联向量和/>之间余弦相似度小于预定阈值，/>表示最小值函数，/>表示矩阵乘法，/>表示向量的按位置点乘，/>表示向量加法。

这里，针对所述多尺度参数全时序关联向量在多维度上下文下的超分辨率表达特性，所述权重空间的细粒度密度预测搜索优化可以通过所述多尺度参数全时序关联向量/>的投影的向量空间的前馈序列化映射，在对于权重搜索空间内的密集预测任务提供相应的细粒度权重搜索策略的同时，降低权重搜索空间内的所述多尺度参数全时序关联向量/>的表示的总序列复杂性（overall sequential complexity），再对所述优化多尺度参数全时序关联向量进行维度重构以得到所述优化多尺度参数全时序关联矩阵，从而提升所述多尺度参数全时序关联矩阵的特征表达效果。

更具体地，在本申请实施例中，所述矩阵切分模块140，用于对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵。考虑到由于所述卷积神经网络虽然能够提取出所述健身器材的各个参数数据之间的时序协同关联特征信息，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。因此，在本申请的技术方案中，进一步对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵后，将所述多个参数时序关联子矩阵通过基于转换器的上下文编码器中进行编码，以提取出所述健身器材的温度值、电流值、电压值、振动幅度值和噪声值之间的多尺度时序协同动态关联特征的基于全局的上下文语义关联特征信息，以得到分类特征向量。

应可以理解，特征矩阵切分是指将一个大的特征矩阵划分成多个小的子矩阵的过程。在机器学习中，通常需要将数据集划分成训练集、验证集和测试集等多个部分，以便对模型进行训练、验证和测试。在进行这些操作之前，需要将原始数据集进行特征矩阵切分，以便对数据进行更加精细的处理和管理。特征矩阵切分可以基于多种方法进行，例如按行切分、按列切分、按块切分等。其中，按行切分是指将特征矩阵按行进行切分，每个子矩阵包含相同数量的行；按列切分是指将特征矩阵按列进行切分，每个子矩阵包含相同数量的列；按块切分是指将特征矩阵按照固定大小的块进行切分，每个子矩阵包含相同数量的行和列。特征矩阵切分可以有效地提高数据处理的效率和精度，特别是在处理大规模数据集时。

更具体地，在本申请实施例中，所述上下文全局语义关联模块150，用于将所述多个参数时序关联子矩阵通过基于转换器的上下文编码器以得到分类特征向量。

相应地，在一个具体示例中，所述上下文全局语义关联模块150，用于：将所述多个参数时序关联子矩阵展开为多个参数时序关联子特征向量；将所述多个参数时序关联子特征向量通过所述基于转换器的上下文编码器以得到多个参数时序语义特征向量；以及，将所述多个参数时序语义特征向量进行级联以得到所述分类特征向量。

更具体地，在本申请实施例中，所述故障检测模块160，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材是否存在故障。也就是，在本申请的技术方案中，所述分类器的标签包括被监测健身器材存在故障(第一标签)，以及，被监测健身器材不存在故障(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被监测健身器材是否存在故障”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被监测健身器材是否存在故障的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被监测健身器材是否存在故障”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为被监测健身器材是否存在故障的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行健身器材的故障监测，从而保证健身器材的使用效果和安全性。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

相应地，在一个具体示例中，如图4所示，所述故障检测模块160，包括：全连接编码单元161，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元162，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本申请实施例的健身器材的故障监控***100被阐明，其首先将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵后通过多尺度感知器以得到优化多尺度参数全时序关联矩阵，接着，对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵，然后，将所述多个参数时序关联子矩阵通过上下文编码器以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示被监测健身器材是否存在故障的分类结果。这样，可以对健身器材的故障进行实时准确监控。

如上所述，根据本申请实施例的基于本申请实施例的健身器材的故障监控***100可以实现在各种终端设备中，例如具有基于本申请实施例的健身器材的故障监控算法的服务器等。在一个示例中，基于本申请实施例的健身器材的故障监控***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的健身器材的故障监控***100可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的健身器材的故障监控***100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于本申请实施例的健身器材的故障监控***100与该终端设备也可以是分立的设备，并且该健身器材的故障监控***100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图5为根据本申请实施例的健身器材的故障监控方法的流程图。图6为根据本申请实施例的健身器材的故障监控方法的***架构的示意图。如图5和图6所示，根据本申请实施例的健身器材的故障监控方法，其包括：S110，获取被监测健身器材在预定时间段内多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值；S120，将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵；S130，将所述参数全时序输入矩阵通过包含第一卷积神经网络和第二卷积神经网络的多尺度感知器以得到优化多尺度参数全时序关联矩阵；S140，对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；S150，将所述多个参数时序关联子矩阵通过基于转换器的上下文编码器以得到分类特征向量；以及，S160，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材是否存在故障。

在一个具体示例中，在上述健身器材的故障监控方法中，将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵，包括：将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度或样本维度排列为参数全时序输入行向量后再进行二维排列以得到所述参数全时序输入矩阵。

这里，本领域技术人员可以理解，上述健身器材的故障监控方法中的各个步骤的具体操作已经在上面参考图1到图5的健身器材的故障监控***100的描述中得到了详细介绍，并因此，将省略其重复描述。

图7为根据本申请实施例的健身器材的故障监控***的应用场景图。如图7所示，在该应用场景中，首先，获取被监测健身器材（例如，图7中所示意的N）在预定时间段内多个预定时间点的温度值（例如，图7中所示意的D1）、电流值（例如，图7中所示意的D2）、电压值（例如，图7中所示意的D3）、振动幅度值（例如，图7中所示意的D4）和噪声值（例如，图7中所示意的D5），然后，将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值输入至部署有健身器材的故障监控算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述健身器材的故障监控算法对所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值进行处理以得到用于表示被监测健身器材是否存在故障的分类结果。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (5)

1.一种健身器材的故障监控***，其特征在于，包括：

数据采集模块，用于获取被监测健身器材在预定时间段内多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值；

参数全时序分布模块，用于将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵；

参数全时序关联特征提取模块，用于将所述参数全时序输入矩阵通过包含第一卷积神经网络和第二卷积神经网络的多尺度感知器以得到优化多尺度参数全时序关联矩阵；

矩阵切分模块，用于对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；

上下文全局语义关联模块，用于将所述多个参数时序关联子矩阵通过基于转换器的上下文编码器以得到分类特征向量；以及

故障检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材是否存在故障；

其中，所述参数全时序分布模块，用于：

将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度或样本维度排列为参数全时序输入行向量后再进行二维排列以得到所述参数全时序输入矩阵；

其中，所述参数全时序关联特征提取模块，包括：

第一尺度参数时序关联单元，用于将所述参数全时序输入矩阵通过所述多尺度感知器的第一卷积神经网络以得到第一尺度参数全时序关联矩阵；

第二尺度参数时序关联单元，用于将所述参数全时序输入矩阵通过所述多尺度感知器的第二卷积神经网络以得到第二尺度参数全时序关联矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络分别采用不同尺度的二维卷积核；以及

关联特征融合单元，用于融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到多尺度参数全时序关联矩阵；

优化单元，用于对所述多尺度参数全时序关联矩阵进行优化以得到所述优化多尺度参数全时序关联矩阵；

其中，所述优化单元，包括：

矩阵展开子单元，用于将所述多尺度参数全时序关联矩阵展开为多尺度参数全时序关联向量；

搜索优化子单元，用于对所述多尺度参数全时序关联向量进行权重空间的细粒度密度预测搜索优化以得到优化多尺度参数全时序关联向量；以及

维度重构子单元，用于对所述优化多尺度参数全时序关联向量进行维度重构以得到所述优化多尺度参数全时序关联矩阵；

其中，所述搜索优化子单元，用于：以如下优化公式对所述多尺度参数全时序关联向量进行权重空间的细粒度密度预测搜索优化以得到优化多尺度参数全时序关联向量；

其中，所述优化公式为：

，

其中，和/>分别是上次和本次迭代的优化矩阵，/>是所述多尺度参数全时序关联向量，/>是第一迭代特征向量，/>是第二迭代特征向量，/>和/>分别表示特征向量和/>的全局均值，且/>是偏置向量，/>表示最小值函数，/>表示矩阵乘法，/>表示向量的按位置点乘，/>表示向量加法，/>表示所述优化多尺度参数全时序关联向量。

2.根据权利要求1所述的健身器材的故障监控***，其特征在于，所述第一尺度参数时序关联单元，用于：

使用所述多尺度感知器的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述多尺度感知器的第一卷积神经网络的最后一层输出所述第一尺度参数全时序关联矩阵，其中，所述多尺度感知器的第一卷积神经网络的第一层的输入为所述参数全时序输入矩阵。

3.根据权利要求2所述的健身器材的故障监控***，其特征在于，所述上下文全局语义关联模块，用于：

将所述多个参数时序关联子矩阵展开为多个参数时序关联子特征向量；

将所述多个参数时序关联子特征向量通过所述基于转换器的上下文编码器以得到多个参数时序语义特征向量；以及

将所述多个参数时序语义特征向量进行级联以得到所述分类特征向量。

4.根据权利要求3所述的健身器材的故障监控***，其特征在于，所述故障检测模块，包括：

全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

5.一种健身器材的故障监控方法，其特征在于，包括：

获取被监测健身器材在预定时间段内多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值；

将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵；

将所述参数全时序输入矩阵通过包含第一卷积神经网络和第二卷积神经网络的多尺度感知器以得到优化多尺度参数全时序关联矩阵；

对所述优化多尺度参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；

将所述多个参数时序关联子矩阵通过基于转换器的上下文编码器以得到分类特征向量；以及

将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测健身器材是否存在故障；

其中，将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度和样本维度排列为参数全时序输入矩阵，包括：

将所述多个预定时间点的温度值、电流值、电压值、振动幅度值和噪声值按照时间维度或样本维度排列为参数全时序输入行向量后再进行二维排列以得到所述参数全时序输入矩阵；

其中，将所述参数全时序输入矩阵通过包含第一卷积神经网络和第二卷积神经网络的多尺度感知器以得到优化多尺度参数全时序关联矩阵，包括：

将所述参数全时序输入矩阵通过所述多尺度感知器的第一卷积神经网络以得到第一尺度参数全时序关联矩阵；

将所述参数全时序输入矩阵通过所述多尺度感知器的第二卷积神经网络以得到第二尺度参数全时序关联矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络分别采用不同尺度的二维卷积核；以及

融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到多尺度参数全时序关联矩阵；

对所述多尺度参数全时序关联矩阵进行优化以得到所述优化多尺度参数全时序关联矩阵；

其中，对所述多尺度参数全时序关联矩阵进行优化以得到所述优化多尺度参数全时序关联矩阵，包括：

将所述多尺度参数全时序关联矩阵展开为多尺度参数全时序关联向量；

对所述多尺度参数全时序关联向量进行权重空间的细粒度密度预测搜索优化以得到优化多尺度参数全时序关联向量；以及

对所述优化多尺度参数全时序关联向量进行维度重构以得到所述优化多尺度参数全时序关联矩阵；

其中，对所述多尺度参数全时序关联向量进行权重空间的细粒度密度预测搜索优化以得到优化多尺度参数全时序关联向量，包括：以如下优化公式对所述多尺度参数全时序关联向量进行权重空间的细粒度密度预测搜索优化以得到优化多尺度参数全时序关联向量；

其中，所述优化公式为：

，

其中，和/>分别是上次和本次迭代的优化矩阵，/>是所述多尺度参数全时序关联向量，/>是第一迭代特征向量，/>是第二迭代特征向量，/>和/>分别表示特征向量和/>的全局均值，且/>是偏置向量，/>表示最小值函数，/>表示矩阵乘法，/>表示向量的按位置点乘，/>表示向量加法，/>表示所述优化多尺度参数全时序关联向量。