CN106596123A - 设备故障诊断的方法、装置及系统 - Google Patents

Abstract

本发明公开了一种设备故障诊断的方法、装置及系统，涉及设备检测技术领域，解决了现有汽车故障诊断的方式效率低的问题。本发明的方法包括：采集待诊断设备的音频信号，所述音频信号为待诊断设备在运行过程中产生的声音信号；从待诊断设备的音频信号中提取故障源信号；从所述故障源信号中提取能够表征所述设备故障的预设故障特征；将预设故障特征输入到预设故障诊断模型中，确定故障的类型。本发明应用于汽车故障诊断过程中。

Description

设备故障诊断的方法、装置及系统

技术领域

本发明涉及设备检测技术领域，尤其涉及一种设备故障诊断的方法、装置及系统。

背景技术

目前，对于汽车故障的诊断方法常用的有两种：一种是人工诊断法，即直观诊断法，主要是凭借诊断人员的实践经验和知识，借助简单工具，用眼看、耳听、手模等感官手段，边检查、边试验、边分析，进而对汽车故障做出判断。另一种是仪器设备诊断法，这种方法采用专用的仪器设备检测汽车必要的技术参数，然后将检测到的技术参数与正常状况时的技术参数相比较，来进行故障的判断。

发明人在实施上述方法时，发现现有技术中至少存在如下问题：对于第一种诊断方法，简便直观，但是诊断时需要人员逐一排除最终确定故障，其诊断效率不高，并且整个诊断需要依赖诊断人员的经验进行，使得诊断的准确性不高；而对于第二种诊断方法，诊断的速度较高，但是由于需要专用的仪器设备以及专业技术的支持，投资较大。

发明内容

鉴于上述问题，本发明提供一种设备故障诊断方法、装置及系统，主要目的在于，在较低成本下实现较高的效率和准确性的设备故障诊断。

为解决上述技术问题，本发明提供了一种设备故障诊断的方法，所述方法应用于数据采集终端，所述方法包括：

采集待诊断设备的音频信号，所述音频信号为设备在运行过程中产生的声音信号；

从待诊断设备的音频信号中提取故障源信号；

从所述故障源信号中提取能够表征所述设备故障的预设故障特征；

将预设故障特征输入到由模型训练服务端生成的预设故障诊断模型中，确定故障的类型，所述预设故障诊断模型是根据训练样本生成的，所述训练样本包含历史收集的与所述待诊断设备同类的设备的预设故障特征以及对应故障的类型。

可选的，所述从所述音频信号中提取故障源信号，包括：

对所述音频信号进行去噪处理；

将去噪后的音频信号按照信号的频率分割为不同频段的音频信号；

根据主成分分析算法提取目标频段的音频信号，所述目标频段的音频信号为故障概率超过预设阈值的音频信号，所述故障概率与音频信号中数据点的波动程度成正比；

根据独立成分分析算法从所述目标频段的音频信号中提取故障源信号。

可选的，所述从所述故障源信号中提取能够表征所述设备故障的预设故障特征，包括：

从所述故障源信号中提取以下至少一种预设故障特征：

声音响度方差值、声音响度均值、声音响度峰值、声音频段值。

可选的，若所述设备为处于运行状态的设备，所述训练样本包含历史收集的与所述待诊断设备同类的设备的预设故障特征、预设故障特征对应的故障类型以及对应的环境特征，在将预设故障特征输入到预设故障诊断模型中之前，所述方法进一步包括：

获取当前环境特征，所述当前环境特征包括天气特征、所述待诊断设备运行速度以及待诊断设备的类型；

所述将预设故障特征输入到由模型训练服务端生成的预设故障诊断模型中，包括：

将所述当前环境特征与所述预设故障特征输入到预设故障诊断模型中。

可选的，所述方法进一步包括：

在确定故障的类型之后，生成故障预警信号。

可选的，所述待诊断设备为待诊断车辆，所述故障源信号包括：

发动机噪声、空气噪声、车身结构噪声、传动系统噪声以及轮胎噪声中的至少一种。

本发明还提供了一种设备故障诊断的装置，所述装置位于数据采集终端侧，所述装置包括：

采集单元，用于采集待诊断设备的音频信号，所述音频信号为设备在运行过程中产生的声音信号；

第一提取单元，用于从待诊断设备的音频信号中提取故障源信号；

第二提取单元，用于从所述故障源信号中提取能够表征所述设备故障的预设故障特征；

确定单元，用于将预设故障特征输入到由模型训练服务端生成的预设故障诊断模型中，确定故障的类型，所述预设故障诊断模型是根据训练样本生成的，所述训练样本包含历史收集的与所述待诊断设备同类的设备的预设故障特征以及对应故障的类型。

可选的，所述第一提取单元包括：

去噪模块，用于对所述音频信号进行去噪处理；

分割模块，用于将去噪后的音频信号按照信号的频率分割为不同频段的音频信号；

第一提取模块，用于根据主成分分析算法提取目标频段的音频信号，所述目标频段的音频信号为故障概率超过预设阈值的音频信号，所述故障概率与音频信号中数据点的波动程度成正比；

第二提取模块，用于根据独立成分分析算法从所述目标频段的音频信号中提取故障源信号。

可选的，所述第二提取单元用于：

从所述故障源信号中提取以下至少一种预设故障特征：

声音响度方差值、声音响度均值、声音响度峰值、声音频段值。

可选的，所述装置进一步包括：

获取单元，用于若所述设备为处于运行状态的设备，所述训练样本包含历史收集的与所述待诊断设备同类的设备的预设故障特征、预设故障特征对应的故障类型以及对应的环境特征，在将预设故障特征输入到预设故障诊断模型中之前，获取当前环境特征，所述当前环境特征包括天气特征、所述待诊断设备运行速度以及待诊断设备的类型；

所述确定单元还用于：

将所述当前环境特征与所述预设故障特征输入到预设故障诊断模型中。

可选的，所述装置进一步包括：

生成单元，用于在确定故障的类型之后，生成故障预警信号。

可选的，所述采集单元中所述待诊断设备为待诊断车辆，所述故障源信号包括：

发动机噪声、空气噪声、车身结构噪声、传动系统噪声以及轮胎噪声中的至少一种。

本发明还提供了一种设备故障诊断的系统，所述系统包括数据采集终端以及模型训练服务端：

所述模型训练服务端，用于根据训练样本生成预设故障诊断模型，所述训练样本包含历史收集的与所述待诊断设备同类的设备的预设故障特征以及对应故障的类型；

所述数据采集终端，用于采集待诊断设备的音频信号；从待诊断设备的音频信号中提取故障源信号；从所述故障源信号中提取能够表征所述设备故障的预设故障特征；将预设故障特征输入到所述预设故障诊断模型中，确定故障的类型。

借由上述技术方案，本发明提供的设备故障诊断的方法、装置及系统，与现有技术相比，其通过分析待诊断设备在运行过程中音频信号来对待诊断设备的故障进行诊断，该诊断客观，不会受到诊断人员的经验水平和人为因素的影响，使得故障诊断效率和准确性高；并且该故障诊断不需要依赖专业的检测设备，只需要采集待诊断设备在运行过程中音频信号，并通过对该音频信息进行分析计算便可得到，成本较低。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

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，而并不认为是对本发明的限制。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示出了本发明实施例提供的一种设备故障诊断的方法的流程图；

图2示出了本发明实施例提供的基于神经网络模型得到预设故障诊断模型的原理图；

图3示出了本发明实施例提供的另一种设备故障诊断的方法的流程图；

图4示出了汽车噪声的分类图；

图5示出了本发明实施例提供的又一种设备故障诊断的方法的流程图；

图6示出了将音频信号进行分割的示意图；

图7示出了汽车故障诊断系统的结构框架示意图；

图8示出了本发明实施例提供的一种设备故障诊断的装置的组成框图；

图9示出了本发明实施例提供的另一种设备故障诊断的装置的组成框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为在较低成本下实现较高的效率和准确性的设备故障诊断，本发明实施例提供了一种设备故障诊断的方法，如图1所示，该方法应用于数据采集终端，包括：

101、采集待诊断设备的音频信号。

数据采集终端采集待诊断设备在运行过程中产生的声音信号，其中采集终端可以为智能手机、定制终端或者具有音频采集功能的终端。

具体的采集音频信号的方式主要包括但不局限于以下两种：一种是直接将数据采集终端放置在待诊断设备中合适的位置，使其可以采集到待诊断设备在运行过程中所有部件可能产生的声音信号；另一种是在待诊断设备上增加传感器装置，由传感器装置直接获取音频信号，然后将音频信号反馈给数据采集终端，这种方式对于数据采集终端的位置不做限制，可以在待诊断设备中任何位置或者在待诊断设备外等。

102、从待诊断设备的音频信号中提取故障源信号。

设备在出现故障时，产生的音频信号相比正常状态下的音频信号会产生一定程度的变化。这些变化即为异常的音频信号，而通常不同故障对应的异常的音频信号都有相对固定的频率范围，因此音频信号和待诊断故障之间存在一定的关联，所以可以根据设备故障时产生的音频信号分析出待诊断设备可能存在的故障。

然而，当待诊断设备某一部位发生故障时，由于采集到的音频信号中包含待诊断设备运行中所有的声音信号，若要对故障进行较准确的判断，需要从音频信号中提取故障源信号，即异常的音频信号，然后基于故障源信号进行进一步的特征分析来确定故障的类型，即确定故障的发生的部位以及原因。

103、从故障源信号中提取能够表征设备故障的预设故障特征。

预设故障特征是能够表征故障源信号的故障特征的参数，预设故障特征通常是指故障源信号对应的峰值、均值、方差、等特征。具体的预设故障特征的提取方法可以使用现有的音频信号分析工具直接得到，比如使用Matlab或者wave tools等工具分析音频信号提取预设故障特征。另外，对于提取的预设故障特征的数量不作限定。

104、将预设故障特征输入到由模型训练服务端生成的预设故障诊断模型中，确定故障的类型。

预设故障诊断模型是一种判断预设故障特征与故障的类型之间的关系的模型。预设故障诊断模型的输入为预设故障特征，输出为故障的类型。

预设故障诊断模型是根据提前收集到的大量的样本数据进行训练得到的模型。样本数据包括历史收集的与待诊断设备同类的大量的设备在运行过程中实际获取到的预设故障特征以及对应的故障的类型。在本实施例中，样本数据中预设故障特征获取的方式与上述步骤101至103的过程相同，对应的故障类型是通过其他的诊断工具或者专业的技术人员已经确定的故障。另外本实施例在对样本数据进行训练时，使用的是神经网络模型。具体的基于神经网络模型得到预设故障诊断模型的原理如图2所示，其中输入层对应的输入为样本数据中包含的预设故障特征，输出层对应的输出为与预设故障特征对应的故障的类型，当神经网络接收到样本数据后，神经元的激活值从输入层将各隐含层传播，在输出层的各神经元获得网络的输入响应后，按照减少期望输出与实际输出之间误差的方向，从输出层经过各中间隐含层逐层修正个连接权值，最后回到输入层，随着期望输出与实际输出之间这种误差的逆传播不断修正，最终得到误差最小的输入与输出之间的关系模型，该关系模型即为预设故障诊断模型。另外，在实际应用中也可以使用模糊算法模型等其他的算法模型进行训练得到预设故障诊断模型。

需要说明的是，本实施例中预设故障诊断模型由模型训练服务端根据数据采集终端发送的样本数据对应的预设故障特征以及对应的故障的类型生成的，预设故障诊断模型生成之后，被数据采集终端获取。当数据采集终端首次开启的时候会向模型训练服务端请求获取预设故障诊断模型，并将预设故障诊断模型进行保存。当模型训练服务终端中的预设故障诊断模型有更新时，数据采集终端能够对应的更新预设故障诊断模型。对于数据采集终端中预设故障诊断模型的更新机制为：数据采集终端定时向模型训练服务端发送询问请求，判断是否有预设故障诊断模型的更新，若有更新，则向模型训练服务端获取更新预设故障诊断模型；或者数据采集终端不进行定时的询问，而是等待模型训练服务端在更新预设故障诊断模型后通知数据采集终端进行获取。另外，在实际应用中，数据采集终端也可以不获取预设故障诊断模型，而是将数据采集终端获取到的待诊断设备的预设故障特征发送至模型训练服务端，在模型训练服务端根据预设故障诊断模型确定故障的类型后，将故障的类型返回给数据采集终端。

另外，由于数据采集终端向模型训练服务端发送的是预设故障特征而不是直接获取到的音频信号，因此可以减少上传的流量和模型训练服务端的存储空间，节约成本。

另外还需要说明的是，本实施例中设备故障诊断的方法不仅可以用于当设备发生故障时，对故障类型的确认，还可以用于对于在对设备进行修理、检验或者运行的过程中判断设备是否存在故障。在判断设备是否存在故障时只需要在预设故障诊断模型的输出类型中增加无故障类型，无故障表示不属于预设故障诊断模型中任意一种故障的类型。

本发明实施例提供的设备故障诊断的方法，与现有技术相比，其通过分析待诊断设备在运行过程中音频信号来对待诊断设备的故障进行诊断，该诊断客观，不会受到诊断人员的经验水平和人为因素的影响，使得故障诊断效率和准确性高；并且该故障诊断不需要依赖专业的检测设备，只需要采集待诊断设备在运行过程中音频信号，并通过对该音频信息进行分析计算便可得到，成本较低。

进一步的，对图1所示方法的细化及扩展，本发明实施例还提供了一种设备故障诊断的方法，如图3所示：

201、模型训练服务端生成预设故障诊断模型。

本实施例中的预设故障诊断模型的生成方式与图1步骤104中涉及的预设故障诊断模型的生成方式是相同的，都是通过神经网络模型生成的。具体的，本实施例中的预设故障诊断模型在生成过程中对应的神经网络的输入层增加了环境特征，因此对应的输入层包含样本数据中包含的预设故障特征以及样本数据采集时的环境特征；对应的输出层是与预设故障特征以及环境特征对应的故障的类型。当神经网络接收到样本数据后，神经元的激活值从输入层将各隐含层传播，在输出层的各神经元获得网络的输入响应后，按照减少期望输出与实际输出之间误差的方向，从输出层经过各中间隐含层逐层修正个连接权值，最后回到输入层，随着期望输出与实际输出之间这种误差的逆传播不断修正，最终得到误差最小的输入与输出之间的关系模型，即关于预设故障特征以及环境特征与故障的类型之间的关系模型。在生成预设故障诊断模型的过程中增加环境特征，是由于设备出现的相同故障时在不同环境下获取到的音频信号通常存在差异性，音频信号不同，最终获取到的预设故障特征也是不同的，增加环境特征可以保证预设故障诊断模型在任何环境下故障诊断的准确性。

需要说明的是，具体的环境特征包括天气特征、设备运行速度以及设备的类型。其中天气特征是指对音频信号造成干扰的天气，比如小雨、中雨、大雨、暴雨、大暴雨、大风、雷电、小雪、中雪、大雪等；设备的类型是指设备的类型或者型号等。另外对于环境特征的获取可以通过第三方的应用获取。比如，假设与待诊断设备同类的设备为汽车，则可以通过安装在汽车上或者采集终端所在的智能终端上的天气预报应用获取当前天气特征，通过汽车上的GPS系统获取汽车当前行驶速度，汽车的型号可以通过用户手动输入到数据采集终端获得。

202、数据采集终端采集待诊断设备的音频信号。

本步骤的实现方式与图1步骤101的实现方式相同，此处不再赘述。

203、数据采集终端对采集到的待诊断设备的音频信号进行去噪处理。

通常直接采集的音频信号是时域信号，而在进行后续的音频信号分析时，需要使用的是频域信号，因此在对音频信号进行去噪处理之前，需要将时域信号转换为频域信号，本实施例中使用小波分析算法进行时域信号与频域信号的转换。然后从转换后得到的频域信号的中提取预设频率范围的音频信号完成去噪处理。其中预设频率范围是根据不同的设备对应的故障分析信号范围决定的，比如若某种设备对应的故障分析信号范围为0-8KHz，则提取频率范围为0-8KHz的音频信号作为后续进行故障分析的音频信号。将提取到的预设频域范围的音频信号记作去噪后的音频信号。其中故障分析信号范围为实际经验得到的包括了设备可能发生的所有故障的频率范围。

204、数据采集终端将去噪后的音频信号按照信号的频率分割为不同频段的音频信号。

具体的是将去噪后的音频信号按照信号的频率进行等间隔的分割，得到多个频段的音频信号。例如，若去噪后的音频信号的频率范围为0-8KHz，进行等间隔分割可以将其分为0-0.5KHz、0.5-1KHz、1-1.5KHz、…、7-7.5KHz、7.5-8KHz 16个频段。在实际应用中进行分割时，频段中频率的间隔大小可以根据实际的需求定义。

205、数据采集终端根据主成分分析算法从得到的多个频段的音频信号中提取目标频段的音频信号。

由于多个频段的音频信号是包括所有可能发生的故障对应的频率范围，而通常待诊断设备在发生故障时通常是某一种或者几种故障，很少可能是所有的故障同时发生，因此，只需要分析音频信号中对应最有可能发生故障的频段进行分析。而通常最有可能发生故障对应的音频信号为同一频段中不同数据点的值差异较大的音频信号。本步骤中提取目标频段的音频信号即从多个频段的音频信号中提取数据点的值差异较大的频段。

具体的是利用主成分分析算法提取目标频段的音频信号：首先是将得到的多个频段的音频信号变换为n维变量数组，其中n表示多个频段信号的频段个数，然后使用主成分分析算法进行主成分的提取，得到目标频段的音频信号。给出具体的示例对主成分即目标频段的音频信号的提取进行说明：假设多个频段的音频信号分别为0-0.5KHz、0.5-1KHz、1-1.5KHz、1-1.5KHz四个频段，每个频段对应的采集的数据点为6个，4个频段中每个数据点对应的幅度值分别为a1、b1、c1、d1、e1、f1，a2、b2、c2、d2、e2、f2，a3、b3、c3、d3、e3、f3以及a4、b4、c4、d4、e4、f4。

对应的将多个频段的音频信号变换为4维变量数组Y[Y1,Y2,Y3,Y4]，其中Y1为(a1，b1，c1，d1)^T，Y2为(a2，b2，c2，d2)^T，Y3为(a3，b3，c3，d3)^T，Y4为(a4，b4，c4、d4)^T；然后将4维变量数组Y通过主成分分析算法中一系列的线性变换得到4维变量数组中对应的主成分即得到多个频段的音频信号中的目标频段的音频信号。

需要说明的是，关于目标频段的音频信号不限制为多个频段的音频信号中的某一个频段的音频信号，也可以是多个。

206、数据采集终端根据独立成分分析算法从目标频段的音频信号中提取故障源信号。

不同的故障源对应的信号的频率范围是不同的，但是不同的故障源信号对应频率范围中存在频率交叉，因此得到的目标频段的音频信号中可能包括多个故障源信号，因此需要从中提取出存在的各个故障源信号。

目标频段的音频信号中可能包含的故障源信号可以认为是目标频段的音频信号的隐变量，而独立成分分析算法是从一组混合的观测信号中分离出独立信号，实现隐变量提取的一种算法。因此本实施例运用独立成分分析算法可以从目标频段的音频信号中提取出可能存在的独立的故障源信号。具体的从目标频段的音频信号中提取出存在的独立的故障源信号是根据下述公式进行提取的：

X＝AS+K

x＝[x₁,x₂,...,x_m]^T

s＝[s₁,s₂,...,s_n]

其中，X为目标频段的音频信号中所有数据点组成的向量，其中X_m为目标频段的音频信号中第m个频率下不同的数据点组成的向量；S为提取到的某一个故障源信号中所有数据点组成的向量，S_n为提取到的独立的故障源信号中第n个频率下属于故障源信号对应的数据点组成的向量，其中n≤m；A为传递矩阵或称为混合矩阵，是一个m×n的矩阵，A∈R^m×n；K为观测噪声矢量，K为预设的观测噪声矢量。

207、数据采集终端从故障源信号中提取预设故障特征。

本实施例中，预设故障特征包括故障源信号的声音响度方差值、声音响度均值、声音响度峰值、声音频段值中至少一种。具体的，在实际应用中为了后续故障诊断的准确性，通常从故障源信号中同时提取声音响度方差值、声音响度均值、声音响度峰值、声音频段值4个预设故障特征。具体的声音响度方差值、声音响度均值、声音响度峰值以及声音频段值的提取方法可以使用现有的音频信号分析工具直接得到，比如使用Matlab或者wave tools等工具分析音频信号提取预设故障特征。

208、数据采集终端将当前环境特征与预设故障特征输入到预设故障诊断模型中，确定故障的类型。

当前环境特征包括待诊断设备被诊断时对应的天气特征、设备运行速度以及设备的类型。

“将当前环境特征与预设故障特征输入到预设故障诊断模型中”可以为“将待诊断设备被诊断时对应的天气特征、设备运行速度、设备的类型以及预设故障特征输入到预设故障诊断模型中”。

为了使用户根据预警信号及时地对故障进行处理，在确定故障的类型之后，生成故障预警信号，并以文本或者图片的形式进行展示。需要说明的是，本实施例中预设故障诊断模型中的输出还包括无故障，当将当前环境特征与预设故障特征输入到预设故障诊断模型中得到的输出结果为无故障时，不生成预警信号。

上述图1以及图3所述的设备故障诊断的方法可以应用在各类设备故障诊断的过程中。不同类型的设备对应的预设故障诊断模型可能是不同的，因为不同类型设备对应的预设故障特征、故障的类型以及预设故障特征与故障的类型之间的关系是不同的，具体的还是根据实际获取到的不同类型设备的样本数据决定的。下面以待诊断设备为车辆中的汽车为例进行故障诊断的方法的详细说明，如下所述：

首先需要说明的是，在实际的应用，经过总结分析得到汽车噪声与汽车的故障之间存在一定的关联关系。具体的，汽车噪声的分类如图4所示，汽车噪声与汽车的故障之间的关联关系如表1所示。

从图4中可以看出，汽车噪声主要包括发动机噪声、空气噪声、车身结构噪声、传动系统噪声以及轮胎噪声。其中发动机噪声又包括燃烧噪声、机械噪声、进气噪声、排气噪声以及风扇噪声；传动系噪声主要包括变速器齿轮噪声；轮胎噪声主要包括空气扰动噪声和轮胎结构振动噪声。

从表1中可以看到，汽车噪声中不同的噪声源都有对应的频率范围。以噪声源为燃烧噪声为例对表1中的内容进行解释说明：当出现频率范围为0.5-2Hz的音频信号时，可能是发生了由燃烧室积碳引起表面点火的故障，当出现频率范围为3KHZ～6KHZ的音频信号时，可能是发生了发动机压缩比高、汽油品质不良和点火提前角过大的问题。

表1

由于汽车噪声与汽车故障之间的关联，因此可以采用上述图1或者图3所示的设备故障诊断的方法进行汽车的故障诊断。其中汽车噪声源的音频信号对应图1或者图3中故障源信号。具体的，在汽车中实施故障诊断的方法时，首先需要搭建对应的汽车故障诊断的系统，其中汽车故障诊断的系统包括上述图1或者图3中的数据采集终端以及模型训练服务端。在汽车故障诊断系统中，数据采集终端可以是移动终端设备，比如手机、平板电脑等，也可以是只用于采集音频信号的定制设备；模型训练服务端是为数据采集终端提供服务的，主要提供的服务包括为采集终端的生成诊断时所需要的预设故障诊断模型。

在汽车故障诊断系统完整的基础上，对汽车故障诊断的方法进行详细的说明，具体参考图5所示：

301、模型训练服务端根据数据采集终端收集的大量样本数据生成对应汽车的预设故障诊断模型。

其中样本数据包括各种环境条件下各种不同类型的汽车对应的预设故障特征以及对应的故障的类型。其中环境特征包括天气类型、汽车运行速度以及汽车型号；预设故障特征包括声音响度方差值、声音响度均值、声音响度峰值以及声音频段值4个。具体的预设故障诊断模型的生成方式是与图3步骤201中生成预设故障诊断模型的方式是相同的，都是通过神经网络模型生成的，最终得到的预设故障诊断模型中输入为环境特征以及对应的预设故障诊断特征，输出为汽车的故障类型。本示例中汽车的故障类型包括发动机燃烧系统故障、发动机机械系统故障、发动机进气系统故障、发动机排气系统故障、轮胎振动异常以及车身振动异常。

在模型训练服务器生成预设故障诊断模型之后，将其发送给数据采集终端，以使数据采集终端根据预设故障诊断模型进行故障的诊断。另外，在实际的应用中预设故障诊断模型的输出还包括无故障，表示当在实际诊断时如果得到的输出不属于任何一种汽车故障的类型。

另外，由于样本数据需要经过长期收集得到，因此需要将收集到的预设故障特征以及环境特征都存储在模型训练服务端对应的数据库中，以备生成预设故障诊断模型时使用。具体的，数据库中包括每个样本数据对应不同的字段以及字段对应的值，其中不同的字段分别为多个环境特征以及多个预设故障特征，具体的如表2所示。

表2

另外，本示例中，样本数据对应的预设故障特征的提取过程与下述汽车的预设故障特征的提取过程相同，此处不再赘述；样本数据中环境特征的提取与图3步骤201中涉及的环境特征的提取方式相同，此处不再赘述。

302、位于汽车中的数据采集终端获取汽车在运行过程中的音频信号。

音频信号的采集方式与步骤101中的采集待诊断设备的音频信号的方式是相同的，此处不再赘述。

303、数据采集终端对采集到的汽车的音频信号进行去噪处理。

在对音频信号进行去噪处理之前，使用小波分析算法进行时域信号与频域信号的转换。然后从转换后得到的频域信号的中提取预设频率范围的音频信号完成去噪处理。其中预设频率范围是根据汽车对应的故障分析信号范围决定的。

从上述表1中可以确定汽车所有可能的故障源信号对应的频率范围为0-8Hz，所以确定用以进行汽车故障分析的信号的预设频率范围为0-8Hz。因此从转换后得到的频域信号的中提取0-8Hz的音频信号完成去噪处理，最终得到去噪后的音频信号。

304、数据采集终端将得到的0-8KHz的音频信号进行平均分割。

具体的将去噪后的音频信号分割后的示意图如图6所示。本示例将0-8Hz的音频信号分割为16个频段，具体16个频段分别为0-0.5KHz、0.5-1KHz、1-1.5KHz、…、7-7.5KHz、7.5-8KHz。需要说明的是，在实际的应用中，平均分割的频段数可以根据需求任意定义。

305、数据采集终端根据主成分分析算法从得到的多个频段的音频信号中提取目标频段的音频信号。

具体提取目标频段的音频信号的提取方法与图3步骤205中的方法相同，此处不再赘述。假设使用主成分分析算法提取出的目标频段的音频信号为2.5KHz-3KHz、5.5KHz-6KHz两个频段的音频信号。

306、数据采集终端对提取到的目标频段的音频信号进行独立成分分析，得到独立的故障源信号。

根据表1可以看出2.5KHz-3KHz频段在机械噪声和排气噪声的频率范围内，因此2.5KHz-3KHz频段的音频信号可能是机械噪声和排气噪声两种故障源信号中的某一种故障源信号，也可能是机械噪声和排气噪声两种故障源信号合成的音频信号；而同样的5.5KHz-6KHz频段在机械噪声和燃烧噪声的频率范围内，因此5.5KHz-6KHz频段的音频信号可能是机械噪声和燃烧噪声中的某一故障源信号，也可能是由机械噪声和燃烧噪声两种故障源信号合成的音频信号。因此需要对提取出的2.5KHz-3KHz、5.5KHz-6KHz两个频段的音频信号使用独立成分分析算法进行独立成分分析，最终将每个频段中包含的独立音频信号分离出，即从2.5KHz-3KHz频段音频信号中分离出机械噪声和/或排气噪声，从5.5KHz-6KHz频段的音频信号中分离出机械噪声和/或燃烧噪声。具体的使用独立成分分析算法对2.5KHz-3KHz、5.5KHz-6KHz两个频段的音频信号进行独立成分分析的实现方法与图3中步骤206中的实现方式相同，此处不再赘述。

307、数据采集终端提取独立的故障源信号的预设故障特征以及获取当前环境特征。

对从2.5KHz-3KHz、5.5KHz-6KHz两个目标频段最终分离得到的独立音频信号即独立的故障源信号分别提取对应的声音响度方差值、声音响度均值、声音响度峰值、声音频段值。具体的，声音响度方差值、声音响度均值、声音响度峰值、声音频段值的提取可以使用现有的音频信号分析工具直接得到，比如使用Matlab或者wave tools等工具分析音频信号进行提取。另外，还需要获取当前环境特征，具体的本示例中通过汽车GPS系统获取汽车当前行驶速度和天气特征，以及通过用户的输入获取到汽车的型号。

308、数据采集终端将获取到每个故障源信号对应的预设故障特征以及当前环境特征输入到预设故障诊断模型中，确定汽车故障类型。

数据采集终端将获取到每个故障源信号对应的声音响度方差值、声音响度均值、声音响度峰值、声音频段值、汽车当前行驶速度、天气特征以及汽车的型号分别输入到由模型训练服务端生成的预设故障诊断模型中，每个故障源信号对应一个输出，根据输出的结果最终确定汽车的故障的类型。假设最终确定的汽车的故障的类型为燃烧系统故障以及发动机排气故障，则生成对应两种故障的预警信号，该预警信号能够以文本或者图像等形式展示，以使用户可以获取到具体的故障的类型。当输出的结果为无故障，不生成预警信号。

另外，需要说明的是，数据采集终端可以实时的对运行中的汽车进行故障的诊断，若诊断的结果为预设故障诊断模型对应的某一故障，则生成对应的预警信号，若诊断的结果为无故障，则继续对执行上述步骤302到308，即继续对汽车的运行进行监测，以及时地发现故障。

对于上述汽车故障诊断系统中，给出具体的结构框架进行说明，如图7所示，其中音频采集对应上述汽车故障诊断方法中的步骤302；音频的解析是指对采集到的汽车在运行中的音频信号进行频率的解析，音频解析的方式可以采用现有的任一种音频解析的方法进行；音频分析中噪声处理、信号提取、信号分离、特征提取以及故障诊断的实现分别对应上述汽车故障诊断方法中步骤303、304和305、306、307以及308中的具体内容；预设故障诊断模型的训练与生成的实现对应上述汽车故障诊断方法中的步骤301。

通过汽车故障诊断方法，可以根据汽车在运行过程中的音频信号确定汽车的故障类型，非常的方便和实用。确定故障类型后就可以基本上确定汽车的故障部位，进而为汽车的后续维修提供指导。

进一步的，作为对上述各实施例的实现，本发明实施例的另一实施例还提供了一种设备故障诊断的装置，该装置位于数据采集终端侧，用于实现上述图1、图3以及图5中数据采集终端执行的所述的方法。如图8所示，该装置包括：采集单元41、第一提取单元42、第二提取单元43以及确定单元44。

采集单元41，用于采集待诊断设备的音频信号，音频信号为设备在运行过程中产生的声音信号。

数据采集终端采集待诊断设备在运行过程中产生的声音信号，其中采集终端可以为智能手机、定制终端或者具有音频采集功能的终端。

具体的采集音频信号的方式主要包括但不局限于以下两种：一种是直接将数据采集终端放置在设备中合适的位置，使其可以采集到设备在运行过程中所有部件可能产生的声音信号；另一种是在设备上增加传感器装置，由传感器装置直接获取音频信号，然后将音频信号反馈给数据采集终端，这种方式对于数据采集终端的位置不做限制，可以在设备中任何位置或者在设备外等。

第一提取单元42，用于从待诊断设备的音频信号中提取故障源信号。

设备在出现故障时，产生的音频信号相比正常状态下的音频信号会产生一定程度的变化。这些变化即为异常的音频信号，而通常不同故障对应的异常的音频信号都有相对固定的频率范围，因此音频信号和待诊断故障之间存在一定的关联，所以可以根据设备故障时产生的音频信号分析出待诊断设备可能存在的故障。

然而，当待诊断设备某一部位发生故障时，由于采集到的音频信号中包含待诊断设备运行中所有的声音信号，若要对故障进行较准确的判断，需要从音频信号中提取故障源信号，即异常的音频信号，然后基于故障源信号进行进一步的特征分析来确定故障的类型，即确定故障的发生的部位以及原因。

第二提取单元43，用于从故障源信号中提取能够表征所述设备故障的预设故障特征预设故障特征。

预设故障特征是能够表征故障源信号的故障特征的参数，预设故障特征通常是指故障源信号对应的峰值、均值、方差、等特征。具体的预设故障特征的提取方式可以使用现有的音频信号分析工具直接得到，比如使用Matlab或者wave tools等工具分析音频信号提取预设故障特征。另外，对于提取的预设故障特征的数量不作限定。

确定单元44，用于将预设故障特征输入到由模型训练服务端生成的预设故障诊断模型中，确定故障的类型，预设故障诊断模型是根据训练样本生成的，训练样本包含历史收集的与待诊断设备同类的设备的预设故障特征以及对应故障的类型。

预设故障诊断模型是一种判断预设故障特征与故障的类型之间的关系的模型。预设故障诊断模型的输入为预设故障特征，输出为故障的类型。

预设故障诊断模型是根据提前收集到的大量的样本数据进行训练得到的模型。样本数据包括历史收集的与待诊断设备同类的大量的设备在运行过程中实际获取到的预设故障特征以及对应的故障的类型。另外本实施例在对样本数据进行训练时，使用的是神经网络模型。具体的预设故障诊断模型的生成方式可以参看图1步骤104中相关的实现方式。在实际应用中也可以使用模糊算法模型等其他的算法模型进行训练。

需要说明的是，本实施例中预设故障诊断模型由模型训练服务端根据数据采集终端发送的样本数据对应的预设故障特征以及对应的故障的类型生成的，预设故障诊断模型生成之后，被数据采集终端获取。当数据采集终端首次开启的时候会向模型训练服务端请求获取预设故障诊断模型，并将预设故障诊断模型进行保存。当模型训练服务终端中的预设故障诊断模型有更新时，数据采集终端能够对应的更新预设故障诊断模型。对于数据采集终端中预设故障诊断模型的更新机制为：数据采集终端定时向模型训练服务端发送询问请求，判断是否有预设故障诊断模型的更新，若有更新，则向模型训练服务端获取更新预设故障诊断模型；或者数据采集终端不进行定时的询问，而是等待模型训练服务端在更新预设故障诊断模型后通知数据采集终端进行获取。另外，在实际应用中，数据采集终端也可以不获取预设故障诊断模型，而是将数据采集终端获取到的待诊断设备的预设故障特征发送至模型训练服务端，在模型训练服务端根据预设故障诊断模型确定故障的类型后，将故障的类型返回给数据采集终端。

另外，由于数据采集终端向模型训练服务端发送的是预设故障特征而不是直接获取到的音频信号，因此可以减少上传的流量和模型训练服务端的存储空间，节约成本。

另外还需要说明的是，本实施例中设备故障诊断的装置不仅可以用于当设备发生故障时，对故障类型的确认，还可以用于对于在对设备进行修理、检验或者运行的过程中判断设备是否存在故障。在判断设备是否存在故障时只需要在预设故障诊断模型的输出类型中增加无故障类型，无故障表示不属于预设故障诊断模型中任意一种故障的类型。

如图9所示，第一提取单元42包括：

去噪模块421，用于对音频信号进行去噪处理。

通常直接采集的音频信号是时域信号，而在进行后续的音频信号分析时，需要使用的是频域信号，因此在对音频信号进行去噪处理之前，需要将时域信号转换为频域信号，本实施例中使用小波分析算法进行时域信号与频域信号的转换。然后从转换后得到的频域信号的中提取预设频率范围的音频信号完成去噪处理。其中预设频率范围是根据不同的设备对应的故障分析信号范围决定的，比如若某种设备对应的故障分析信号范围为0-8KHz，则提取频率范围为0-8KHz的音频信号作为后续进行故障分析的音频信号。将提取到的预设频域范围的音频信号记作去噪后的音频信号。其中故障分析信号范围为实际经验得到的包括了设备可能发生的所有故障的频率范围。

分割模块422，用于将去噪后的音频信号按照信号的频段分割为不同频段的音频信号。

具体的是将去噪后的音频信号按照信号的频率进行等间隔的分割，得到多个频段的音频信号。例如，若去噪后的音频信号的频率范围为0-8KHz，进行等间隔分割可以将其分为0-0.5KHz、0.5-1KHz、1-1.5KHz、…、7-7.5KHz、7.5-8KHz 16个频段。在实际应用中进行分割时，频段中频率的间隔大小可以根据实际的需求定义。

第一提取模块423，用于根据主成分分析算法提取目标频段的音频信号，目标频段的音频信号为故障概率超过预设阈值的音频信号，故障概率与音频信号中数据点的波动程度成正比。

由于多个频段的音频信号是包括所有可能发生的故障对应的频率范围，而通常待诊断设备在发生故障时通常是某一种或者几种故障，很少可能是所有的故障同时发生，因此，只需要分析音频信号中对应最有可能发生故障的频段进行分析。而通常最有可能发生故障对应的音频信号为同一频段中不同数据点的值差异较大的音频信号。本步骤中提取目标频段的音频信号即从多个频段的音频信号中提取数据点的值差异较大的频段。

具体的是利用主成分分析算法提取目标频段的音频信号：首先是将得到的多个频段的音频信号变换为n维变量数组，其中n表示多个频段信号的频段个数，然后使用主成分分析算法进行主成分的提取，得到目标频段的音频信号。具体的关于目标频段的音频信号的获得的方式可以参看图3步骤205中具体的示例。需要说明的是，关于目标频段的音频信号不限制为多个频段的音频信号中的某一个频段的音频信号，也可以是多个。

第二提取模块424，用于根据独立成分分析算法从目标频段的音频信号中提取故障源信号。

不同的故障源对应的信号的频率范围是不同的，但是不同的故障源信号对应频率范围中存在频率交叉，因此得到的目标频段的音频信号中可能包括多个故障源信号，因此需要从中提取出存在的各个故障源信号。

目标频段的音频信号中可能包含的故障源信号可以认为是目标频段的音频信号的隐变量，而独立成分分析算法是从一组混合的观测信号中分离出独立信号，实现隐变量提取的一种算法。因此本实施例运用独立成分分析算法可以从目标频段的音频信号中提取出可能存在的独立的故障源信号。具体的从目标频段的音频信号中提取出存在的独立的故障源信号是根据下述公式进行提取的：

X＝AS+K

x＝[x₁,x₂,...,x_m]^T

s＝[s₁,s₂,...,s_n]

其中，X为目标频段的音频信号中所有数据点组成的向量，其中X_m为目标频段的音频信号中第m个频率下不同的数据点组成的向量；S为提取到的某一个故障源信号中所有数据点组成的向量，S_n为提取到的独立的故障源信号中第n个频率下属于故障源信号对应的数据点组成的向量，其中n≤m；A为传递矩阵或称为混合矩阵，是一个m×n的矩阵，A∈R^m×n；K为观测噪声矢量，K为预设的观测噪声矢量。

第二提取单元43用于：

从故障源信号中提取以下至少一种预设故障特征：

声音响度方差值、声音响度均值、声音响度峰值、声音频段值。

如图9所示，装置进一步包括：

获取单元45，用于若所述设备为处于运动状态的设备，所述训练样本包含历史收集的与所述待诊断设备同类的设备的预设故障特征、预设故障特征对应的故障类型以及对应的环境特征，在将预设故障特征输入到预设故障诊断模型中之前，获取当前环境特征，当前环境特征包括天气特征、待诊断设备运行速度以及待诊断设备的类型；

确定单元44还用于：

将当前环境特征与预设故障特征输入到预设故障诊断模型中。

由于设备出现的相同故障时在不同环境下获取到的音频信号通常存在差异性，音频信号不同，最终获取到的预设故障特征也是不同的，增加环境特征可以保证预设故障诊断模型在任何环境下故障诊断的准确性。因此，在生成预设故障诊断模型时，需要将对应的样本数据对应的环境特征加入到模型训练的输入变量中进行训练，得到的预设故障诊断模型为预设故障特征以及环境特征两种特征与故障的类型之间的关系的模型。

需要明的是，需要说明的是，具体的环境特征包括天气特征、设备运行速度以及设备的类型。其中天气特征是指对音频信号造成干扰的天气，比如小雨、中雨、大雨、暴雨、大暴雨、大风、雷电、小雪、中雪、大雪等；设备的类型是指设备的类型或者型号等。另外对于环境特征的获取可以通过第三方的应用获取。比如，假设与待诊断设备同类的设备为汽车，则可以通过安装在汽车上或者采集终端所在的智能终端上的天气预报应用获取当前天气特征，通过汽车上的GPS系统获取汽车当前行驶速度，汽车的型号可以通过用户手动输入到数据采集终端获得。

如图9所示，装置进一步包括：

生成单元46，用于在确定故障类型之后，生成故障预警信号。

为了使用户根据预警信号及时地对故障进行处理，在确定故障的类型之后，生成故障预警信号，并以文本或者图片的形式进行展示。需要说明的是，本实施例中预设故障诊断模型中的输出还包括无故障，当将当前环境特征与预设故障特征输入到预设故障诊断模型中得到的输出结果为无故障时，不生成预警信号。

进一步的，采集单元41中待诊断设备为待诊断车辆，故障源信号包括：

发动机噪声、空气噪声、车身结构噪声、传动系统噪声以及轮胎噪声中的至少一种。

本发明实施例提供的设备故障诊断的装置，与现有技术相比，其通过分析待诊断设备在运行过程中音频信号来对待诊断设备的故障进行诊断，该诊断客观，不会受到诊断人员的经验水平和人为因素的影响，使得故障诊断效率和准确性高；并且该故障诊断不需要依赖专业的检测设备，只需要采集待诊断设备在运行过程中音频信号，并通过对该音频信息进行分析计算便可得到，成本较低。

进一步的，本发明的最后一个实施例还提供了一种设备故障诊断的系统，用以实现图1、图3以及图5所示的方法。本系统实施例与前述方法实施例对应，能够实现前述方法实施例中的全部内容。为便于阅读，本系统实施例仅对前述方法实施例中的内容进行概要性描述，不对方法实施例中的细节内容进行逐一赘述。该系统包括模型训练服务端以及数据采集终端其中，数据采集终端包括上述图8或图9所示的装置。具体的：

模型训练服务端，用于根据训练样本生成预设故障诊断模型，训练样本包含历史收集的与待诊断设备同类的设备的预设故障特征以及对应故障的类型；

数据采集终端，用于采集待诊断设备的音频信号；从待诊断设备的音频信号中提取故障源信号；从故障源信号中提取能够表征设备故障的预设故障特征；将预设故障特征输入到预设故障诊断模型中，确定故障的类型。

本发明实施例提供的设备故障诊断的系统，与现有技术相比，其通过分析待诊断设备在运行过程中音频信号来对待诊断设备的故障进行诊断，该诊断客观，不会受到诊断人员的经验水平和人为因素的影响，使得故障诊断效率和准确性高；并且该故障诊断不需要依赖专业的检测设备，只需要采集待诊断设备在运行过程中音频信号，并通过对该音频信息进行分析计算便可得到，成本较低。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的发明名称(如设备故障诊断的装置)中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种设备故障诊断的方法，所述方法应用于数据采集终端，其特征在于，所述方法包括：

采集待诊断设备的音频信号，所述音频信号为设备在运行过程中产生的声音信号；

从待诊断设备的音频信号中提取故障源信号；

从所述故障源信号中提取能够表征所述设备故障的预设故障特征；

将预设故障特征输入到由模型训练服务端生成的预设故障诊断模型中，确定故障的类型，所述预设故障诊断模型是根据训练样本生成的，所述训练样本包含历史收集的与所述待诊断设备同类的设备的预设故障特征以及对应故障的类型。

2.根据权利要求1所述的方法，其特征在于，所述从所述音频信号中提取故障源信号，包括：

对所述音频信号进行去噪处理；

将去噪后的音频信号按照信号的频率分割为不同频段的音频信号；

根据主成分分析算法提取目标频段的音频信号，所述目标频段的音频信号为故障概率超过预设阈值的音频信号，所述故障概率与音频信号中数据点的波动程度成正比；

根据独立成分分析算法从所述目标频段的音频信号中提取故障源信号。

3.根据权利要求2所述的方法，其特征在于，所述从所述故障源信号中提取能够表征所述设备故障的预设故障特征，包括：

从所述故障源信号中提取以下至少一种预设故障特征：

声音响度方差值、声音响度均值、声音响度峰值、声音频段值。

4.根据权利要求1-3中任一所述的方法，其特征在于，若所述设备为处于运行状态的设备，所述训练样本包含历史收集的与所述待诊断设备同类的设备的预设故障特征、预设故障特征对应的故障类型以及对应的环境特征，在将预设故障特征输入到预设故障诊断模型中之前，所述方法进一步包括：

获取当前环境特征，所述当前环境特征包括天气特征、所述待诊断设备运行速度以及待诊断设备的类型；

所述将预设故障特征输入到由模型训练服务端生成的预设故障诊断模型中，包括：

将所述当前环境特征与所述预设故障特征输入到预设故障诊断模型中。

5.根据权利要求4所述的方法，其特征在于，所述方法进一步包括：

在确定故障的类型之后，生成故障预警信号。

6.根据权利要求5所述的方法，其特征在于，所述待诊断设备为待诊断车辆，所述故障源信号包括：

发动机噪声、空气噪声、车身结构噪声、传动系统噪声以及轮胎噪声中的至少一种。

7.一种设备故障诊断的装置，所述装置位于数据采集终端侧，其特征在于，所述装置包括：

采集单元，用于采集待诊断设备的音频信号，所述音频信号为设备在运行过程中产生的声音信号；

第一提取单元，用于从待诊断设备的音频信号中提取故障源信号；

第二提取单元，用于从所述故障源信号中提取能够表征所述设备故障的预设故障特征；

确定单元，用于将预设故障特征输入到由模型训练服务端生成的预设故障诊断模型中，确定故障的类型，所述预设故障诊断模型是根据训练样本生成的，所述训练样本包含历史收集的与所述待诊断设备同类的设备的预设故障特征以及对应故障的类型。

8.根据权利要求7所述的装置，其特征在于，所述第一提取单元包括：

去噪模块，用于对所述音频信号进行去噪处理；

分割模块，用于将去噪后的音频信号按照信号的频率分割为不同频段的音频信号；

第一提取模块，用于根据主成分分析算法提取目标频段的音频信号，所述目标频段的音频信号为故障概率超过预设阈值的音频信号，所述故障概率与音频信号中数据点的波动程度成正比；

第二提取模块，用于根据独立成分分析算法从所述目标频段的音频信号中提取故障源信号。

9.根据权利要求8所述的装置，其特征在于，所述第二提取单元用于：

从所述故障源信号中提取以下至少一种预设故障特征：

声音响度方差值、声音响度均值、声音响度峰值、声音频段值。

10.一种设备故障诊断的系统，其特征在于，所述系统包括数据采集终端以及模型训练服务端：

所述模型训练服务端，用于根据训练样本生成预设故障诊断模型，所述训练样本包含历史收集的与所述待诊断设备同类的设备的预设故障特征以及对应故障的类型；

所述数据采集终端，用于采集待诊断设备的音频信号；从待诊断设备的音频信号中提取故障源信号；从所述故障源信号中提取能够表征所述设备故障的预设故障特征；将预设故障特征输入到所述预设故障诊断模型中，确定故障的类型。