CN105424395B - 设备故障的确定方法和装置 - Google Patents

Abstract

本发明提供了一种设备故障的确定方法和装置，其中，该方法包括：获取设备运行过程中的噪声数据；将所述噪声数据输入故障识别模型进行设备故障识别；将识别结果作为所述设备的故障信息。本发明解决了现有技术中无法实时有效判断设备故障的技术问题，达到了有效及时准确确定设备故障的技术效果。

Description

设备故障的确定方法和装置

技术领域

本发明涉及设备控制技术领域，具体而言，涉及一种设备故障的确定方法和装置。

背景技术

随着机械化、智能化的不断发展，机械设备越来越多地出现在了我们的生活中。既然是机械设备难免会出现故障，这些故障有时可以在设备出场时候就发现，有些是在设备运行过程中产生的。

如果设备突然发生故障无法使用，则往往会对人们的正常生活产生影响。因此，如何准确又多样化地确定设备故障一直是机械化发展的重要内容和研究方向。

发明内容

本发明实施例提供了一种设备故障的确定方法，用以对设备故障进行有效识别，该方法包括：

获取设备运行过程中的噪声数据；

将所述噪声数据输入故障识别模型进行设备故障识别；

将识别结果作为所述设备的故障信息。

在一个实施方式中，在将所述噪声数据输入故障识别模型进行设备故障识别之前，所述方法还包括：

按照以下步骤训练得到所述故障识别模型：

获取一组噪声数据样本，其中，所述一组噪声数据样本已进行故障类型标定；

将所述一组噪声数据样本分解至多个频域区间，并获取所述一组噪声数据样本在所述多个频域区间中各个频域区间的能量值；

求取所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值；

将所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值，按照频域区间进行顺序排序；

将排序后的结果确定为所述一组噪声数据样本对应的能量特征向量；

将所述一组噪声数据样本对应的能量特征向量和预先为所述一组噪声数据样本标定的故障类型，作为一个训练样本对所述故障识别模型进行训练。

在一个实施方式中，将所述一组噪声数据样本分解至多个频域区间，包括：

通过小波变换将所述一组噪声数据样本分解至多个频域区间。

在一个实施方式中，将所述噪声数据输入故障识别模型进行设备故障识别，包括：

从所述噪声数据中提取能量特征向量；

将提取的能量特征向量作为所述故障识别模型的输入数据，输入所述故障识别模型中进行设备故障识别。

在一个实施方式中，获取设备运行过程的噪声数据，包括：

通过网络从所述设备上安装的声音采集装置获取所述设备运行过程中的噪声数据。

在一个实施方式中，所述设备包括：空调机组。

本发明实施例还提供了一种设备故障的确定装置，用以对设备故障进行有效识别，该装置包括：

噪声数据获取模块，用于获取设备运行过程中的噪声数据；

故障识别模块，用于将所述噪声数据输入故障识别模型进行设备故障识别；

故障确定模块，用于将识别结果作为所述设备的故障信息。

在一个实施方式中，该设备故障的确定装置还包括：

训练模块，用于在将所述噪声数据输入故障识别模型进行设备故障识别之前，训练得到所述故障识别模型；

其中，所述训练模块包括：

样本获取单元，用于获取一组噪声数据样本，其中，所述一组噪声数据样本已进行故障类型标定；

分解单元，用于将所述一组噪声数据样本分解至多个频域区间，并获取所述一组噪声数据样本在所述多个频域区间中各个频域区间的能量值；

比值求取单元，用于求取所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值；

排序单元，用于将所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值，按照频域区间进行顺序排序；

特征向量确定单元，用于将排序后的结果确定为所述一组噪声数据样本对应的能量特征向量；

训练单元，用于将所述一组噪声数据样本对应的能量特征向量和预先为所述一组噪声数据样本标定的故障类型，作为一个训练样本对所述故障识别模型进行训练。

在一个实施方式中，所述分解单元具体用于通过小波变换将所述一组噪声数据样本分解至多个频域区间。

在一个实施方式中，所述故障识别模块包括：

提取单元，用于从所述噪声数据中提取能量特征向量；

识别单元，用于将提取的能量特征向量作为所述故障识别模型的输入数据，输入所述故障识别模型中进行设备故障识别。

在本例中，因设备运行过程中的噪声数据从某种程度上反映着设备的运行状态或者是故障状态，通过噪声数据可以实现对设备故障状态的有效判断，且噪声数据可以在设备运行中获得，无需停机检测等，因此可以有效解决现有技术中无法实时有效判断设备故障的技术问题，达到了有效及时准确确定设备故障的技术效果。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的设备故障的确定方法的方法流程图；

图2是根据本发明实施例的设备故障的确定方法的另一方法流程图；

图3是根据本发明实施例的设备故障的确定装置的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

发明人考虑到设备运行过程的噪音从不仅可以体现设备结构的设计合理性之外，还可以反映出设备的运行状况，如果可以获取设备运行过程中的噪声数据，并基于这些噪声数据及时确定设备的运行状况或者故障状况，可以有效实现对设备运行故障的预判，以便提前进行处理或预防。

如图1所示，该设备故障的确定方法可以包括以下步骤：

步骤101：获取设备运行过程中的噪声数据；

步骤102：将所述噪声数据输入故障识别模型进行设备故障识别；

步骤103：将识别结果作为所述设备的故障信息。

在本例中，通过预先建立一个故障识别模型，在获取到设备运行过程中的噪声数据后，就可以直接将该噪声数据作为输入数据输入至该故障识别模型中，从而确定设备当前的故障信息。通过上述方式可以解决现有的故障确定无法达到实时性或者是多样性要求的技术问题，从而可以实现快速准确实时确定设备运行情况的目的。

进一步的，如果该故障识别模型或者是故障判断是位于设备生产厂商的服务器侧，那么设备生产厂商可以实时获取到设备的故障信息，以便提高用户体验，并可以做一个设备运行状况分析，以便提高后续设备的生产质量。

上述故障识别模型的出现或者产生，完全是基于大数据时代的到来，使得人们可以获取很多的训练样本。对于基于噪声的故障识别模型而言，噪声数据相当于时域上关于声强的一组时间序列，可以将其分解至不同的频域区间，然后每个区间的信号都会对应一个能量值，这样按照能量值的大小就可以形成一个能量特征向量，当有多组噪声数据的时候，就可以形成多组能量特征向量。这些噪声数据获取的时候，就已经标定了其所对应的故障情况，因此，将提取的噪声数据样本的能量特征向量，和每个能量特征向量所对应的故障情况作为训练数据进行模型训练即可得到能够识别噪声数据所对应的故障信息的故障识别模型。

在一个实施方式中，可以按照以下步骤训练得到所述故障识别模型：

S1：获取一组噪声数据样本，其中，所述一组噪声数据样本已进行故障类型标定；

S2：将所述一组噪声数据样本分解至多个频域区间，并获取所述一组噪声数据样本在所述多个频域区间中各个频域区间的能量值；

具体地，可以通过小波变换将所述一组噪声数据样本分解至多个频域区间。

S3：求取所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值；

S4：将所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值，按照频域区间进行顺序排序；

即，求取每个频域区间的能量值与该噪声数据样本的总能量值的比值，然后按照频域区间的大小对这些比值进行排序。

S4：将排序后的结果确定为所述一组噪声数据样本对应的能量特征向量；

S5：将所述一组噪声数据样本对应的能量特征向量和预先为所述一组噪声数据样本标定的故障类型，作为一个训练样本对所述故障识别模型进行训练。

在完成故障识别模型之后，如果需要对实时噪声数据进行故障识别，只需要再提取该噪声数据的能量特征向量即可，然后，将其输入至故障识别模型就可以完成故障识别。在一个实施方式中，将所述噪声数据输入故障识别模型进行设备故障识别，可以包括：从所述噪声数据中提取能量特征向量；将提取的能量特征向量作为所述故障识别模型的输入数据，输入所述故障识别模型中进行设备故障识别。

上述的设备故障的确定方法可以应用在设备所在区域具有数据处理能力的终端中，如果设备自身具备数据分析和处理能力，可以就应用在设备自身，也可以应用在服务器侧。如果是应用在服务器侧，那么设备可以将采集到的噪声数据上传云服务器，或者是直接将采集到的噪声数据通过网络发送至服务器侧，从而由服务器进行集中判断和数据处理。

对于设备自身而言，可以在上面安装声音采集装置，通过该声音采集装置可以实时获取设备运行过程中的噪声数据。

考虑到现有的所有家电设备中，产生较为明显的噪声信号的就是空调外机，因此该设备故障的确定方法应用在空调中显然效果是更为理想，即，上述的设备可以是空调机组，当然也可以应用在其它的设备上，例如，汽车、冰箱等，本申请对此不作限定。

下面以空调作为上述设备为例进行说明，然而值得注意的是，该具体实施例仅是为了更好地说明本发明，并不构成对本发明的不当限定。

考虑到空调外机所产生的噪声从一定程度上可以反映空调的运行状况，因此，如果能够有效地利用这些反映出空调“健康状况”的信号，那么就可以及早发现空调运行的故障异常，对于生产厂商而言，可以在早于用户发现故障情况，而且能够在开发设计的前期排查出结构系统上设计的不合理因素，从而提升产品品质。

然而，目前，基于现有技术仅限于在实验阶段由实验员来听取评判噪声，具有很大的主观影响因素，针对已经在用户家中安装好的空调，在运行中的噪声信号也没有得到有效的采集反馈。

本例就是提供一种高效客观的自动化噪声识别方法，通过采集利用空调的运行声音信息，实现对空调“健康”状况的监测。

如图2所示，通过在空调机组上添加噪声采集模块，可以获取到空调机组在运行过程中的噪声信号，这些噪声有的是正常运行的过程中产生的不可避免的噪声，也有可能是故障前期或者发生故障的时候产生的。这些来自声音采集装置的噪声信号会以网络通讯的途径发回至空调厂家的数据服务中心。作为噪声分析的原始数据，该空调厂家的数据服务中心可以是一个大数据处理终端。

因为原始的噪声数据相当于时域上关于声强的一组时间序列，通过小波变换可以将其分解到不同的频域区间上，各个频域区间内的信号都具有一定的能量值，而这些能量值占总的信号的能量值的大小可以作为一个元素，再由元素根据区间分布的大小次序构成信号的能量特征向量，该能量特征向量就可以反映信号在频域上的分布情况，继而可以作为噪声识别的依据。

通过获取数据服务中心大量的原始数据，可以对这些原始数据都作出提取能量特征向量的操作，以求得多组特征向量，然后可以通过专家定义进行归类，以划分出不同的噪声类型，作为训练神经网络的原始样本，从而构建神经网络。即将原始样本作为神经网络的输入，训练神经网络直至其识别率达到90％以上，就可以用这个神经网络作为噪声信号模式识别的模型了。

当后续的机组运行过程中，再有新的噪声数据产生，可以重复提取特征向量的步骤，然后将提取的特征向量输入训练好的神经网络模型，就能够自动识别出该机组是否有故障，如果有故障，也可以识别出是什么故障类型，在确定故障类型后，可以从先前建立的专家数据库中获得相应的故障原因及对策。

在上例中，针对一段采集到的空调外机的声音信号，识别出外机是否发生故障异常，并在发生故障异常的情况下，确定相互故障类型。即通过有效利用空调机组运行中的声音信息，达到分析监控机组的目的，能够减少故障异常的发生率，降低用户因此而产生对商家和产品的不满。

基于同一发明构思，本发明实施例中还提供了一种设备故障的确定装置，如下面的实施例所述。由于设备故障的确定装置解决问题的原理与设备故障的确定方法相似，因此设备故障的确定装置的实施可以参见设备故障的确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图3是本发明实施例的设备故障的确定装置的一种结构框图，如图3所示可以包括：噪声数据获取模块301、故障识别模块302和故障确定模块303，下面对该结构进行说明。

噪声数据获取模块301，用于获取设备运行过程中的噪声数据；

故障识别模块302，用于将所述噪声数据输入故障识别模型进行设备故障识别；

故障确定模块303，用于将识别结果作为所述设备的故障信息。

在一个实施方式中，该设备故障的确定装置还可以包括：训练模块，用于在将所述噪声数据输入故障识别模型进行设备故障识别之前，训练得到所述故障识别模型；其中，所述训练模块包括：样本获取单元，用于获取一组噪声数据样本，其中，所述一组噪声数据样本已进行故障类型标定；分解单元，用于将所述一组噪声数据样本分解至多个频域区间，并获取所述一组噪声数据样本在所述多个频域区间中各个频域区间的能量值；比值求取单元，用于求取所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值；排序单元，用于将所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值，按照频域区间进行顺序排序；特征向量确定单元，用于将排序后的结果确定为所述一组噪声数据样本对应的能量特征向量；训练单元，用于将所述一组噪声数据样本对应的能量特征向量和预先为所述一组噪声数据样本标定的故障类型，作为一个训练样本对所述故障识别模型进行训练。

在一个实施方式中，所述分解单元具体可以用于通过小波变换将所述一组噪声数据样本分解至多个频域区间。

在一个实施方式中，故障识别模块302可以包括：提取单元，用于从所述噪声数据中提取能量特征向量；识别单元，用于将提取的能量特征向量作为所述故障识别模型的输入数据，输入所述故障识别模型中进行设备故障识别。

在另外一个实施例中，还提供了一种软件，该软件用于执行上述实施例及优选实施方式中描述的技术方案。

在另外一个实施例中，还提供了一种存储介质，该存储介质中存储有上述软件，该存储介质包括但不限于：光盘、软盘、硬盘、可擦写存储器等。

从以上的描述中，可以看出，本发明实施例实现了如下技术效果：因设备运行过程中的噪声数据从某种程度上反映着设备的运行状态或者是故障状态，通过噪声数据可以实现对设备故障状态的有效判断，且噪声数据可以在设备运行中获得，无需停机检测等，因此可以有效解决现有技术中无法实时有效判断设备故障的技术问题，达到了有效及时准确确定设备故障的技术效果。

显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种设备故障的确定方法，其特征在于，包括：

获取设备运行过程中的噪声数据；

将所述噪声数据输入故障识别模型进行设备故障识别；

将识别结果作为所述设备的故障信息；

其中，在将所述噪声数据输入故障识别模型进行设备故障识别之前，所述方法还包括：

按照以下步骤训练得到所述故障识别模型：

获取一组噪声数据样本，其中，所述一组噪声数据样本已进行故障类型标定；

将所述一组噪声数据样本分解至多个频域区间，并获取所述一组噪声数据样本在所述多个频域区间中各个频域区间的能量值；

求取所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值；

将所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值，按照频域区间进行顺序排序；

将排序后的结果确定为所述一组噪声数据样本对应的能量特征向量；

将所述一组噪声数据样本对应的能量特征向量和预先为所述一组噪声数据样本标定的故障类型，作为一个训练样本对所述故障识别模型进行训练。

2.根据权利要求1所述的方法，其特征在于，将所述一组噪声数据样本分解至多个频域区间，包括：

通过小波变换将所述一组噪声数据样本分解至多个频域区间。

3.根据权利要求1所述的方法，其特征在于，将所述噪声数据输入故障识别模型进行设备故障识别，包括：

从所述噪声数据中提取能量特征向量；

将提取的能量特征向量作为所述故障识别模型的输入数据，输入所述故障识别模型中进行设备故障识别。

4.根据权利要求1至3中任一项所述的方法，其特征在于，获取设备运行过程的噪声数据，包括：

通过网络从所述设备上安装的声音采集装置实时获取所述设备运行过程中的噪声数据。

5.根据权利要求1至3中任一项所述的方法，其特征在于，所述设备包括：空调机组。

6.一种设备故障的确定装置，其特征在于，包括：

噪声数据获取模块，用于获取设备运行过程中的噪声数据；

故障识别模块，用于将所述噪声数据输入故障识别模型进行设备故障识别；

故障确定模块，用于将识别结果作为所述设备的故障信息；

其中，所述装置还包括：

训练模块，用于在将所述噪声数据输入故障识别模型进行设备故障识别之前，训练得到所述故障识别模型；

其中，所述训练模块包括：

样本获取单元，用于获取一组噪声数据样本，其中，所述一组噪声数据样本已进行故障类型标定；

分解单元，用于将所述一组噪声数据样本分解至多个频域区间，并获取所述一组噪声数据样本在所述多个频域区间中各个频域区间的能量值；

比值求取单元，用于求取所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值；

排序单元，用于将所述各个频域区间的能量值与该组噪声数据样本的总能量值的比值，按照频域区间进行顺序排序；

特征向量确定单元，用于将排序后的结果确定为所述一组噪声数据样本对应的能量特征向量；

训练单元，用于将所述一组噪声数据样本对应的能量特征向量和预先为所述一组噪声数据样本标定的故障类型，作为一个训练样本对所述故障识别模型进行训练。

7.根据权利要求6所述的装置，其特征在于，所述分解单元具体用于通过小波变换将所述一组噪声数据样本分解至多个频域区间。

8.根据权利要求6所述的装置，其特征在于，所述故障识别模块包括：

提取单元，用于从所述噪声数据中提取能量特征向量；

识别单元，用于将提取的能量特征向量作为所述故障识别模型的输入数据，输入所述故障识别模型中进行设备故障识别。