CN109754581A - 机房设备预警方法、装置、设备及存储介质 - Google Patents
机房设备预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109754581A CN109754581A CN201910038087.4A CN201910038087A CN109754581A CN 109754581 A CN109754581 A CN 109754581A CN 201910038087 A CN201910038087 A CN 201910038087A CN 109754581 A CN109754581 A CN 109754581A
- Authority
- CN
- China
- Prior art keywords
- information
- single channel
- sound information
- source signal
- early warning
- 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
Abstract
本发明公开了一种机房设备预警方法、装置、设备及存储介质，所述方法包括：获取声音采集装置采集的待处理单通道混合声音信息；将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵；对所述特征矩阵进行估算，得到所述待处理单通道混合声音信息包含的源信号个数；根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并进行分解，得到各个源信号信息；将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号。本发明通过对混合声音进行有效的分离，并根据预设声音标准比对模型对分离后的各个源信号进行比对，将不符合标准声音信号的设备进行及时预警，从而达到积极预防故障的目的。
Description
技术领域
本发明涉及声音识别领域，尤其涉及一种机房设备预警方法、装置、设备及存储介质。
背景技术
目前，空调机房日常维护主要是通过维护人员日常巡查掌握空调机房的运行状态，并且空调机房在日常维护过程中，维护人员不会一直处于机房中，只是在巡查过程中检查机房内设备运行情况，在巡查过程中，维护人员常常佩戴标准的耳塞，不能通过声音变化及时发现问题，但是近年来现代化的空调机房安装群控系统，对冷水机组、水泵等空调机房的运行状态进行监控，但群控系统的反馈数据仅仅针对故障发生后的数据，不能提前对事故的发生进行预警。
发明内容
本发明的主要目的在于提出一种机房设备预警方法、装置、设备及存储介质，旨在实现机房内设备出现故障时进行及时预警。
为实现上述目的，本发明提供一种机房设备预警方法，所述机房设备预警方法包括以下步骤：
在预设时间内调用机房内的声音采集装置，获取所述声音采集装置采集的待处理单通道混合声音信息；
将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵；
对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数；
根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息；
将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号。
优选地，所述声音采集装置为设置在机房内各个设备上的声音采集传感器。
优选地，所述将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵，包括：
分别查找出所述待处理单通道混合声音信息中的局部最大值和局部最小值；
将所述局部最大值和局部最小值分别构成所述待处理单通道混合声音信息的上包络信息和下包络信息，并求出所述包络信息和下包络信息的均值信息；
将所述待处理单通道混合声音信息去掉所述均值信息，得到更新后的单通道混合声音信息；
将所述更新后的单通道混合声音信息进行重复迭代处理，直至满足预设条件时停止重复迭代，将满足预设条件的更新后的单通道混合声音信息作为所述特征分量；
获取留数信息，将所述特征分量进行累加以及所述留数信息组成所述特征矩阵。
优选地，所述对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数，包括：
获取所述特征矩阵对应的特征值，将所述特征值进行对比得到下降速比信息；
提取所述下降速比信息中预设值对应的目标特征值；
查找预设关系映射表中所述目标特征值对应的序列数，将所述序列数的个数作为所述待处理单通道混合声音信息包含的源信号个数。
优选地，所述查找预设关系映射表中所述目标特征值对应的序列数，将所述序列数的个数作为所述待处理单通道混合声音信息包含的源信号个数之前，所述方法还包括：
获取所述特征矩阵中历史特征值的采集时间，根据所述采集时间对对应的特征值标上序列数，将所述序列数与历史特征值的对应关系建立所述预设关系映射表。
优选地，所述根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息，包括：
根据所述源信号个数以及所述特征矩阵构造多通道声音信息；
对所述多通道声音信息进行去均值以及去除空间相关性，得到去均值后的多通道声音信息；
获取预先选定的时滞信息，根据所述时滞信息估计协方差矩阵集合；
对所述协方差矩阵集合进行对角化处理，得到正交矩阵信息，根据所述正交矩阵与源信号的对应关系，得到各个源信号信息。
优选地，所述将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号之前，所述方法还包括：
获取历史单通道混合声音信息，将所述历史单通道混合声音信息分解为多个历史特征分量，并将所述历史特征分量组成历史特征矩阵；
对所述历史特征矩阵进行估算，根据估算结果得到所述历史单通道混合声音信息包含的历史源信号个数；
根据所述历史源信号个数以及所述历史特征矩阵构造历史多通道声音信息，并对所述历史多通道声音信息进行分解，得到所述历史单通道混合声音信息中的各个历史源信号信息；
提取所述历史源信号信息中的多维特征信息，将所述多维特征信息放入卷积神经网络模型中进行训练，得到所述预设声音标准比对模型。
此外，为实现上述目的，本发明还提出一种机房设备预警装置，所述机房设备预警装置包括：
获取模块，用于在预设时间内调用机房内的声音采集装置，获取所述声音采集装置采集的待处理单通道混合声音信息；
组成模块，用于将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵；
估算模块，用于对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数；
分解模块，用于根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息；
比较模块，用于将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号。
此外，为实现上述目的，本发明还提出一种机房设备预警设备，所述机房设备预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机房设备预警程序，所述机房设备预警程序配置为实现如上所述的机房设备预警方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有机房设备预警程序，所述机房设备预警程序被处理器执行时实现如上文所述的机房设备预警方法的步骤。
本发明提出的机房设备预警方法，通过在预设时间内调用机房内的声音采集装置，获取所述声音采集装置采集的待处理单通道混合声音信息；将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵；对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数；根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息；将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号，通过对混合声音进行有效的分离，并根据预设声音标准比对模型对分离后的各个源信号进行比对，将不符合标准声音信号的设备进行及时预警，从而达到积极预防故障的目的。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明机房设备预警方法第一实施例的流程示意图；
图3为本发明机房设备预警方法一实施例中的机房监控系统结构示意图；
图4a为本发明机房设备预警方法一实施例中的进行实验1的人工合成前的4路源信号的波形图；
图4b为本发明机房设备预警方法一实施例中的进行实验1的人工合成后的1路观测信号的波形图；
图4c为本发明机房设备预警方法一实施例中的进行实验1的EMD分解后 IMF的信号示意图；
图4d为本发明机房设备预警方法一实施例中的进行实验1的特征值下降速比的线性示意图；
图4e为本发明机房设备预警方法一实施例中的进行实验1的SOBI算法进行分解后的分离信号的波形图；
图5a为本发明机房设备预警方法一实施例中的进行实验2的1路源信号的波形图；
图5b为本发明机房设备预警方法一实施例中的进行实验2的EMD分解后 IMF的信号示意图；
图5c为本发明机房设备预警方法一实施例中的进行实验2的特征值下降速比的线性示意图；
图5d为本发明机房设备预警方法一实施例中的进行实验2的SOBI算法进行分解后的分离信号的波形图；
图6为本发明机房设备预警方法第二实施例的流程示意图；
图7为本发明机房设备预警方法第三实施例的流程示意图；
图8为本发明机房设备预警装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示，该设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器 1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及机房设备预警程序。
在图1所示的设备中，网络接口1004主要用于连接外网，与其他网络设备进行数据通信；用户接口1003主要用于连接用户设备，与设备进行数据通信；本发明设备通过处理器1001调用存储器1005中存储的机房设备预警程序，并执行本发明实施例提供的机房设备预警的实施方法。
基于上述硬件结构，提出本发明机房设备预警方法实施例。
参照图2，图2为本发明机房设备预警方法第一实施例的流程示意图。
在第一实施例中，所述机房设备预警方法包括以下步骤：
步骤S10，在预设时间内调用机房内的声音采集装置，获取所述声音采集装置采集的待处理单通道混合声音信息。
需要说明的是，所述声音采集装置为设置在机房内各个设备上的声音采集传感器，通过所述声音采集传感器采集各个声音信号，将收集的各个声音信号作为所述待处理单通道混合声音信息，所述机房可为空调机房还可为其他机房，本实施例对此不作限制，在本实施例中，以空调机房为例进行说明。
在具体实现中，如图3所示的机房监控系统结构示意图，所述机房监控系统包括三个部分：声音采集传感器、工控机以及服务器，其中，所述声音采集传感器布置在机房内通过数据线与机房内的工控机连接，接口采用工业485等接口，采集的声音数据通过机房内的工控机传输到服务器进行数据处理及分析，采集的声音数据是由多个设备，主要由空调机组、水泵、阀门运行混合而成。
可以理解的是，所述声音采集系统，主要为通过声音采集传感器，实时掌握机房的运行状态，所述报警预警系统，主要在空调机房最重要的设备冷水机组在运行过程中，非正常状态会发出异响，通过比对可对维保周期的监控和重大事故的预警起到作用。空调机房一般都处于建筑物的最低点，机房内空调管道压力大，容易发生跑水事故。当将事故发生时，会发出较大的噪声，当噪声超过音频系统中的正常值，会通过报警系统报警，及时告知维护人员，维护人员收到报警信号后可进行及时处理，通过建立空调机房运行声音数据库，可分析机房内设备的运行情况，若设备出现运行噪声异常时，可通过报警预警系统提前判断，避免事故发生。
继续如图3所示，所述机房监控系统还可将多个机房的声音数据共享到云端，通过云服务器介入工业互联网平台，对不同区域不同设备进行故障预判，从而实现智能化的机房监控。
步骤S20，将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵。
需要说明的是，在本实施例中，将待处理单通道混合声音信息通过X(t) 表示，通过经验模态分解(Empirical Mode Decomposition，EMD)方法将所述待处理单通道混合声音信息X(t)分解为多个本征模函数(Intrinsic Mode Function，IMF)，得到特征矩阵为ximf＝(c1，c2，…，cn，r1n)T。
步骤S30，对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数。
在本实施例中，通过特征值方法对所述特征矩阵进行估算，通过估算结果得到所述待处理单通道混合声音信息包含的源信号个数r，由于在所述待处理单通道混合声音信息包含多个设备的声音，其中包括一些无效的噪声，为了保证分离的声音的准确性，通过特征值方法选取占优特征值，从而对分理出的特征矩阵进行进一步地筛选，提高系统对声音处理的准确性。
步骤S40，根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息。
在本实施例中，源信号个数r和EMD分解得到的IMF构造多通道适定信号x2(t)，并对所述多通道信号x2(t)，用二阶盲辩识算法(second-order statistic for blindseparation，SOBI)进行分解，得到恢复的各个源信号S′i(t)。
步骤S50，将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号。
在本实施例中，利用盲源分离的技术对混合声音进行分离，提取每个设备运行特有的频率，建立大数据库，通过不断累积学习，建立标准比对模型，在标准模型建立后，时时进行数据比对，可及时发现设备进入故障状态前的预判并提示报警，避免机房产生重大的安全事故。
在本实施例中，通过人工合成单通道混合信号对单通道盲源分离算法的有效性，人工合成由三路不同频率的正弦波和一路由幂函数产生的信号组成单通道混合信号，如图4a所示，正弦波的频率分别为15Hz，25Hz和5Hz，采样频率2KHz，选取样本点为4000，幅值无量纲，如图4b所示，进行人工合成的单通道混合信号，对单路混合信号的观测信号进行EMD分解后，得到如图4c所示的各个独立向量，利用特征值方法对单通道信号中的独立分量个数进行估计，如图4d所示，因为第4和第5个特征值之间，下降速比最大，因此占优特征值的数目为故混合信号的源信号个数为4，如图4e所示，对重构的单路观测信号利用SOBI算法进行分离，最终得到分离的四路源信号，观察分离得到的各路信号与源信号作对比，信号的波形基本相同，只是幅值发生了变化，实现了源信号的正确分离。
在本实施例中，还通过双断铅单通道混合信号进行验证，采用频带范围为50～950KHz的宽频带AE传感器，采样频率为2MHz，断铅采用的HB铅笔芯直径分别为0.7mm和0.5mm，断铅位置距传感器均为3cm，在实验室环境下采集到的混合信号如图5a所示，对单路混合信号的观测信号进行EMD 分解后，得到如图5b所示单通道信号中的独立分量个数进行估计，如图5c 所示，因为第2和第3个特征值之间，下降速比最大，因此占优特征值的数目为故混合信号的源信号个数为2，如图5d所示,对重构的单路观测信号利用 SOBI算法进行分离。
由上述实验结果验证了本实施例提出的单通道盲源分离算法处理声发射信号的有效性，为实际应用中的声发射检测提供了依据。
本实施例通过上述方案，通过在预设时间内调用机房内的声音采集装置，获取所述声音采集装置采集的待处理单通道混合声音信息；将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵；对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数；根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息；将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号，通过对混合声音进行有效的分离，并根据预设声音标准比对模型对分离后的各个源信号进行比对，将不符合标准声音信号的设备进行及时预警，从而达到积极预防故障的目的。
在一实施例中，如图6所示，基于第一实施例提出本发明机房设备预警方法第二实施例，在本实施例中，所述步骤S20，包括：
步骤S201，分别查找出所述待处理单通道混合声音信息中的局部最大值和局部最小值。
需要说明的是，通过在对所述待处理单通道混合声音信息进行处理之前，首先对所述待处理单通道混合声音信息进行初始化处理，即r0＝x(t)，i＝1，其中r0表示初始化后的待处理单通道混合声音信息，i表示初始化的次数。
在具体实现中，为了对所述待处理单通道混合声音信息进行分解，得到第i个IMF，ho(t)＝ri-1(t)，j＝1，其中，j表示迭代次数，h(t)表示当前待处理单通道混合声音信息，找出hj-1(t)的局部极值点。
步骤S202，将所述局部最大值和局部最小值分别构成所述待处理单通道混合声音信息的上包络信息和下包络信息，并求出所述包络信息和下包络信息的均值信息。
在具体实现中，根据所述局部最大值和局部最小值分别构成信号的上包络Lup(t)和下包络Ldown(t)，求得上下包络包含的数据的均值为mj-1(t)：
步骤S203，将所述待处理单通道混合声音信息去掉所述均值信息，得到更新后的单通道混合声音信息。
在本实施例中，从原始信号中减去均值，则有：hj(t)＝hj-1(t)-mj-1(t)，若hj(t) 是IMF函数imfi(t)，则imfi(t)＝hj(t)；否则，j＝j+1，返回至步骤S201。则 ri(t)＝ri-1(t)-imfi(t)。
步骤S204，将所述更新后的单通道混合声音信息进行重复迭代处理，直至满足预设条件时停止重复迭代，将满足预设条件的更新后的单通道混合声音信息作为所述特征分量。
需要说明的是，所述预设条件为ri(t)的极值点的数量小于2个，则分解结束，如果ri(t)的极值点的数量多于2个，则i＝i+1，继续进行重复计算。
步骤S205，获取留数信息，将所述特征分量进行累加以及所述留数信息组成所述特征矩阵。
可以理解的是，所述留数信息为残余分量，在本实施例中，即ri(t)，将得到IMF函数进行累计以及所述参数分量得到分解后的特征矩阵，即更新后的单通道混合声音信息
本实施例提供的方案，根据EMD算法将所述单通道混合声音信息进行分解从而得到IMF矩阵，实现对所述单通道混合声音信息的初步分解，提高对所述单通道混合声音信息进行恢复的准确性。
在一实施例中，如图7所示，基于第一实施例或第二实施例提出本发明机房设备预警方法第三实施例，在本实施例中，基于第一实施例进行说明，所述步骤S30，包括：
步骤S301，获取所述特征矩阵对应的特征值，将所述特征值进行对比得到下降速比信息。
在本实施例中，继续如图4d所示，通过获取分解后的IMF矩阵，计算所述IMF矩阵中各个分解后的信号对应的特征矩阵，根据分解后的特征矩阵计算出独立分量，对所述独立分量的个数进行评估计算，选取出占优特征值对应的信号的数目，从而提高混合信号进行源信号恢复的准确性。
步骤S302，提取所述下降速比信息中预设值对应的目标特征值。
需要说明的是，所述预设值为下降速比信息中下降最大的值对应的目标特征值，例如在如图4d所示，第4个和第5个特征值之间，下降速比最大，因此，占优特征值的数目为原混合信号中的源信号个数为4，从而选取占优特征值对应的个数作为构造多通道信号的基础，在进行多通道信号分解时提高信号分解的准确性。
步骤S303，查找预设关系映射表中所述目标特征值对应的序列数，将所述序列数的个数作为所述待处理单通道混合声音信息包含的源信号个数。
在本实施例中，为了获取当前占优特征值对应的源信号的个数，可通过查找预设关系映射表中所述目标特征值对应的序列数，通过所述序列数得到所述待处理单通道混合声音信息包含的源信号个数，例如在如图4d所示，下降速比最大的序列数在第4个和第5个特征值之间，因此，占优特征值的数目为原混合信号中的源信号个数为4，从而实现对占优特征值的数目为原混合信号中的源信号个数的正确评估。
在一实施例中，所述步骤S303之前，所述方法还包括：
获取所述特征矩阵中历史特征值的采集时间，根据所述采集时间对对应的特征值标上序列数，将所述序列数与历史特征值的对应关系建立所述预设关系映射表。
在具体实现中，为了实现对特征值的识别，通过采集时间的顺序将对应的特征值表上序列数，将所述序列数与历史特征值的对应关系建立所述预设关系映射表，从而通过查找预设关系映射表得到对应的序列数，例如在如图 4d所示，下降速比最大的序列数为第4个和第5个特征值，通过序列数对特征值信息进行分类。
在一实施例中，所述步骤S40，包括：
根据所述源信号个数以及所述特征矩阵构造多通道声音信息。
需要说明的是，在本实施例中，用二阶盲辩识算法(second-order statistic forblind separation，SOBI)进行分解，得到恢复的各个源信号x(t)。
对所述多通道声音信息进行去均值以及去除空间相关性，得到去均值后的多通道声音信息。
在本实施例中，通过稳健性白化数据处理进行取均值以及去除空间相关性，从而可以去除噪声数据对联合矩阵的影响，经过稳健白化处理后，得到去均值后的数据为：其中，Q为白化矩阵，k表示当前多通道声音信息。
获取预先选定的时滞信息，根据所述时滞信息估计协方差矩阵集合。
需要说明的是，所述时滞信息为预先选定的一组时滞(p1，p2，…，pL)，得到的估计协方差矩阵集合为：
公式(一)。
对所述协方差矩阵集合进行对角化处理，得到正交矩阵信息，根据所述正交矩阵与源信号的对应关系，得到各个源信号信息。
在具体实现中，有公式一计算得到协方差矩阵进行对角化，以获得满足以下的正交矩阵U，通过所述正交矩阵U得到各个源信号信息。
在一实施例中，所述步骤S50之前，所述方法还包括：
获取历史单通道混合声音信息，将所述历史单通道混合声音信息分解为多个历史特征分量，并将所述历史特征分量组成历史特征矩阵。
对所述历史特征矩阵进行估算，根据估算结果得到所述历史单通道混合声音信息包含的历史源信号个数。
根据所述历史源信号个数以及所述历史特征矩阵构造历史多通道声音信息，并对所述历史多通道声音信息进行分解，得到所述历史单通道混合声音信息中的各个历史源信号信息。
提取所述历史源信号信息中的多维特征信息，将所述多维特征信息放入卷积神经网络模型中进行训练，得到所述预设声音标准比对模型。
本实施例提供的方案，通过SOBI算法对所述多通道声音信息进行分解，从而能够准确地提取出所述多通道声音信息中混合的声音信息，实现对所述多通道声音信息中混合的声音信息的识别。
本发明进一步提供一种机房设备预警装置。
参照图8，图8为本发明机房设备预警装置第一实施例的功能模块示意图。
本发明机房设备预警装置第一实施例中，该机房设备预警装置包括：
获取模块10，用于在预设时间内调用机房内的声音采集装置，获取所述声音采集装置采集的待处理单通道混合声音信息。
需要说明的是，所述声音采集装置为设置在机房内各个设备上的声音采集传感器，通过所述声音采集传感器采集各个声音信号，将收集的各个声音信号作为所述待处理单通道混合声音信息，所述机房可为空调机房还可为其他机房，本实施例对此不作限制，在本实施例中，以空调机房为例进行说明。
在具体实现中，如图3所示的机房监控系统结构示意图，所述机房监控系统包括三个部分：声音采集传感器、工控机以及服务器，其中，所述声音采集传感器布置在机房内通过数据线与机房内的工控机连接，接口采用工业 485等接口，采集的声音数据通过机房内的工控机传输到服务器进行数据处理及分析，采集的声音数据是由多个设备，主要由空调机组、水泵、阀门运行混合而成。
可以理解的是，所述声音采集系统，主要为通过声音采集传感器，实时掌握机房的运行状态，所述报警预警系统，主要在空调机房最重要的设备冷水机组在运行过程中，非正常状态会发出异响，通过比对可对维保周期的监控和重大事故的预警起到作用。空调机房一般都处于建筑物的最低点，机房内空调管道压力大，容易发生跑水事故。当将事故发生时，会发出较大的噪声，当噪声超过音频系统中的正常值，会通过报警系统报警，及时告知维护人员，维护人员收到报警信号后可进行及时处理，通过建立空调机房运行声音数据库，可分析机房内设备的运行情况，若设备出现运行噪声异常时，可通过报警预警系统提前判断，避免事故发生。
继续如图3所示，所述机房监控系统还可将多个机房的声音数据共享到云端，通过云服务器介入工业互联网平台，对不同区域不同设备进行故障预判，从而实现智能化的机房监控。
组成模块20，用于将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵。
需要说明的是，在本实施例中，将待处理单通道混合声音信息通过X(t) 表示，通过经验模态分解(Empirical Mode Decomposition，EMD)方法将所述待处理单通道混合声音信息X(t)分解为多个本征模函数(Intrinsic Mode Function，IMF)，得到特征矩阵为ximf＝(c1，c2，…，cn，r1n)T。
估算模块30，用于对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数。
在本实施例中，通过特征值方法对所述特征矩阵进行估算，通过估算结果得到所述待处理单通道混合声音信息包含的源信号个数r，由于在所述待处理单通道混合声音信息包含多个设备的声音，其中包括一些无效的噪声，为了保证分离的声音的准确性，通过特征值方法选取占优特征值，从而对分理出的特征矩阵进行进一步地筛选，提高系统对声音处理的准确性。
分解模块40，用于根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息。
在本实施例中，源信号个数r和EMD分解得到的IMF构造多通道适定信号x2(t)，并对所述多通道信号x2(t)，用二阶盲辩识算法(second-order statistic for blindseparation，SOBI)进行分解，得到恢复的各个源信号S′i(t)。
比较模块50，用于将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号。
在本实施例中，利用盲源分离的技术对混合声音进行分离，提取每个设备运行特有的频率，建立大数据库，通过不断累积学习，建立标准比对模型，在标准模型建立后，时时进行数据比对，可及时发现设备进入故障状态前的预判并提示报警，避免机房产生重大的安全事故。
在本实施例中，通过人工合成单通道混合信号对单通道盲源分离算法的有效性，人工合成由三路不同频率的正弦波和一路由幂函数产生的信号组成单通道混合信号，如图4a所示，正弦波的频率分别为15Hz，25Hz和5Hz，采样频率2KHz，选取样本点为4000，幅值无量纲，如图4b所示，进行人工合成的单通道混合信号，对单路混合信号的观测信号进行EMD分解后，得到如图4c所示的各个独立向量，利用特征值方法对单通道信号中的独立分量个数进行估计，如图4d所示，因为第4和第5个特征值之间，下降速比最大，因此占优特征值的数目为故混合信号的源信号个数为4，如图4e所示，对重构的单路观测信号利用SOBI算法进行分离，最终得到分离的四路源信号，观察分离得到的各路信号与源信号作对比，信号的波形基本相同，只是幅值发生了变化，实现了源信号的正确分离。
在本实施例中，还通过双断铅单通道混合信号进行验证，采用频带范围为50～950KHz的宽频带AE传感器，采样频率为2MHz，断铅采用的HB铅笔芯直径分别为0.7mm和0.5mm，断铅位置距传感器均为3cm，在实验室环境下采集到的混合信号如图5a所示，对单路混合信号的观测信号进行EMD 分解后，得到如图5b所示单通道信号中的独立分量个数进行估计，如图5c 所示，因为第2和第3个特征值之间，下降速比最大，因此占优特征值的数目为故混合信号的源信号个数为2，如图5d所示,对重构的单路观测信号利用 SOBI算法进行分离。
由上述实验结果验证了本实施例提出的单通道盲源分离算法处理声发射信号的有效性，为实际应用中的声发射检测提供了依据。
本实施例通过上述方案，通过在预设时间内调用机房内的声音采集装置，获取所述声音采集装置采集的待处理单通道混合声音信息；将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵；对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数；根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息；将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号，通过对混合声音进行有效的分离，并根据预设声音标准比对模型对分离后的各个源信号进行比对，将不符合标准声音信号的设备进行及时预警，从而达到积极预防故障的目的
此外，为实现上述目的，本发明还提出一种机房设备预警设备，所述机房设备预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机房设备预警程序，所述机房设备预警程序配置为实现如上文所述的机房设备预警方法的步骤。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有机房设备预警程序，所述机房设备预警程序被处理器执行如上文所述的机房设备预警方法的步骤。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个计算机可读存储介质(如 ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台智能终端设备(可以是手机，计算机，终端设备，空调器，或者网络终端设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种机房设备预警方法，其特征在于，所述机房设备预警方法包括：
在预设时间内调用机房内的声音采集装置，获取所述声音采集装置采集的待处理单通道混合声音信息；
将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵；
对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数；
根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息；
将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号。
2.如权利要求1所述的机房设备预警方法，其特征在于，所述声音采集装置为设置在机房内各个设备上的声音采集传感器。
3.如权利要求1所述的机房设备预警方法，其特征在于，所述将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵，包括：
分别查找出所述待处理单通道混合声音信息中的局部最大值和局部最小值；
将所述局部最大值和局部最小值分别构成所述待处理单通道混合声音信息的上包络信息和下包络信息，并求出所述包络信息和下包络信息的均值信息；
将所述待处理单通道混合声音信息去掉所述均值信息，得到更新后的单通道混合声音信息；
将所述更新后的单通道混合声音信息进行重复迭代处理，直至满足预设条件时停止重复迭代，将满足预设条件的更新后的单通道混合声音信息作为所述特征分量；
获取留数信息，将所述特征分量进行累加以及所述留数信息组成所述特征矩阵。
4.如权利要求1至3中任一项所述的机房设备预警方法，其特征在于，所述对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数，包括：
获取所述特征矩阵对应的特征值，将所述特征值进行对比得到下降速比信息；
提取所述下降速比信息中预设值对应的目标特征值；
查找预设关系映射表中所述目标特征值对应的序列数，将所述序列数的个数作为所述待处理单通道混合声音信息包含的源信号个数。
5.如权利要求4所述的机房设备预警方法，其特征在于，所述查找预设关系映射表中所述目标特征值对应的序列数，将所述序列数的个数作为所述待处理单通道混合声音信息包含的源信号个数之前，所述方法还包括：
获取所述特征矩阵中历史特征值的采集时间，根据所述采集时间对对应的特征值标上序列数，将所述序列数与历史特征值的对应关系建立所述预设关系映射表。
6.如权利要求1至3中任一项所述的机房设备预警方法，其特征在于，所述根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息，包括：
根据所述源信号个数以及所述特征矩阵构造多通道声音信息；
对所述多通道声音信息进行去均值以及去除空间相关性，得到去均值后的多通道声音信息；
获取预先选定的时滞信息，根据所述时滞信息估计协方差矩阵集合；
对所述协方差矩阵集合进行对角化处理，得到正交矩阵信息，根据所述正交矩阵与源信号的对应关系，得到各个源信号信息。
7.如权利要求1至3中任一项所述的机房设备预警方法，其特征在于，所述将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号之前，所述方法还包括：
获取历史单通道混合声音信息，将所述历史单通道混合声音信息分解为多个历史特征分量，并将所述历史特征分量组成历史特征矩阵；
对所述历史特征矩阵进行估算，根据估算结果得到所述历史单通道混合声音信息包含的历史源信号个数；
根据所述历史源信号个数以及所述历史特征矩阵构造历史多通道声音信息，并对所述历史多通道声音信息进行分解，得到所述历史单通道混合声音信息中的各个历史源信号信息；
提取所述历史源信号信息中的多维特征信息，将所述多维特征信息放入卷积神经网络模型中进行训练，得到所述预设声音标准比对模型。
8.一种机房设备预警装置，其特征在于，所述机房设备预警装置包括：
获取模块，用于在预设时间内调用机房内的声音采集装置，获取所述声音采集装置采集的待处理单通道混合声音信息；
组成模块，用于将所述待处理单通道混合声音信息分解为多个特征分量，并将所述特征分量组成特征矩阵；
估算模块，用于对所述特征矩阵进行估算，根据估算结果得到所述待处理单通道混合声音信息包含的源信号个数；
分解模块，用于根据所述源信号个数以及所述特征矩阵构造多通道声音信息，并对所述多通道声音信息进行分解，得到所述待处理单通道混合声音信息中的各个源信号信息；
比较模块，用于将所述源信号信息放入预设声音标准比对模型中进行比较，根据比较结果生成预警信号。
9.一种机房设备预警设备，其特征在于，所述机房设备预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机房设备预警程序，所述机房设备预警程序配置为实现如权利要求1至7中任一项所述的机房设备预警方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有机房设备预警程序，所述机房设备预警程序被处理器执行时实现如权利要求1至7中任一项所述的机房设备预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910038087.4A CN109754581A (zh) | 2019-01-15 | 2019-01-15 | 机房设备预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910038087.4A CN109754581A (zh) | 2019-01-15 | 2019-01-15 | 机房设备预警方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109754581A true CN109754581A (zh) | 2019-05-14 |
Family
ID=66405942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910038087.4A Pending CN109754581A (zh) | 2019-01-15 | 2019-01-15 | 机房设备预警方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109754581A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110901446A (zh) * | 2019-10-14 | 2020-03-24 | 广东浩迪创新科技有限公司 | 一种基于智能电表的电动车充电识别方法及装置 |
| CN110929563A (zh) * | 2019-10-14 | 2020-03-27 | 广东浩迪创新科技有限公司 | 一种用电器识别方法及装置 |
| CN111597985A (zh) * | 2020-05-15 | 2020-08-28 | 全程(上海)智能科技有限公司 | 设备佩戴的动态识别方法、装置和电子设备 |
| CN113077813A (zh) * | 2021-03-22 | 2021-07-06 | 自然资源部第一海洋研究所 | 一种基于全息谱和深度学习的舰船噪声识别方法 |
| CN113670434A (zh) * | 2021-06-21 | 2021-11-19 | 深圳供电局有限公司 | 变电站设备声音异常识别方法、装置和计算机设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090037147A1 (en) * | 2007-08-03 | 2009-02-05 | Oracle International Corporation | Fast intrinsic mode decomposition of time series data with sawtooth transform |
| CN104776908A (zh) * | 2015-04-17 | 2015-07-15 | 南京理工大学 | 基于emd广义能量的轮轨振动信号故障特征提取方法 |
| CN104833534A (zh) * | 2015-04-21 | 2015-08-12 | 广州市地下铁道总公司 | 一种基于多源信息融合的列车走行系故障诊断装置及方法 |
| CN105352541A (zh) * | 2015-10-14 | 2016-02-24 | 国网福建省电力有限公司 | 一种基于电网防灾减灾系统的变压器运行辅助监测系统及其监测方法 |
| CN108519149A (zh) * | 2018-03-28 | 2018-09-11 | 长安大学 | 一种基于声音时频域分析的隧道事故监测报警系统及方法 |
-
2019
- 2019-01-15 CN CN201910038087.4A patent/CN109754581A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090037147A1 (en) * | 2007-08-03 | 2009-02-05 | Oracle International Corporation | Fast intrinsic mode decomposition of time series data with sawtooth transform |
| CN104776908A (zh) * | 2015-04-17 | 2015-07-15 | 南京理工大学 | 基于emd广义能量的轮轨振动信号故障特征提取方法 |
| CN104833534A (zh) * | 2015-04-21 | 2015-08-12 | 广州市地下铁道总公司 | 一种基于多源信息融合的列车走行系故障诊断装置及方法 |
| CN105352541A (zh) * | 2015-10-14 | 2016-02-24 | 国网福建省电力有限公司 | 一种基于电网防灾减灾系统的变压器运行辅助监测系统及其监测方法 |
| CN108519149A (zh) * | 2018-03-28 | 2018-09-11 | 长安大学 | 一种基于声音时频域分析的隧道事故监测报警系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈晓朦: ""单通道盲源分离方法研究及其在抽油机故障诊断中的应用"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110901446A (zh) * | 2019-10-14 | 2020-03-24 | 广东浩迪创新科技有限公司 | 一种基于智能电表的电动车充电识别方法及装置 |
| CN110929563A (zh) * | 2019-10-14 | 2020-03-27 | 广东浩迪创新科技有限公司 | 一种用电器识别方法及装置 |
| CN111597985A (zh) * | 2020-05-15 | 2020-08-28 | 全程(上海)智能科技有限公司 | 设备佩戴的动态识别方法、装置和电子设备 |
| CN113077813A (zh) * | 2021-03-22 | 2021-07-06 | 自然资源部第一海洋研究所 | 一种基于全息谱和深度学习的舰船噪声识别方法 |
| CN113670434A (zh) * | 2021-06-21 | 2021-11-19 | 深圳供电局有限公司 | 变电站设备声音异常识别方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754581A (zh) | 机房设备预警方法、装置、设备及存储介质 | |
| CN111475804A (zh) | 一种告警预测方法及系统 | |
| US11699278B2 (en) | Mapper component for a neuro-linguistic behavior recognition system | |
| CN109714324B (zh) | 基于机器学习算法的用户网络异常行为发现方法及系统 | |
| CN107272667B (zh) | 一种基于平行的偏最小二乘法的工业过程故障检测方法 | |
| CN111931175A (zh) | 一种基于小样本学习的工业控制系统入侵检测方法 | |
| ATE450830T1 (de) | Sensor-fehlerdiagnose und -prognose unter verwendung eines komponentenmodells und zeitskalenorthogonaler entwicklungen | |
| US20240070388A1 (en) | Lexical analyzer for a neuro-linguistic behavior recognition system | |
| CN111523277B (zh) | 火灾预测方法、存储装置、处理器 | |
| CN113066254B (zh) | 核电设备工作环境异常预警方法、装置、设备和存储介质 | |
| CN106209829A (zh) | 一种基于告警策略的网络安全管理系统 | |
| CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
| AU2015414783A1 (en) | Method and system for monitoring and predicting gas leak | |
| CN104618175A (zh) | 网络异常检测方法 | |
| CN114324747B (zh) | 广域碳排放实时监测方法及系统 | |
| Kapse et al. | Android based fall detection and tracking app for aged people | |
| CN115792505A (zh) | 一种轨道交通供电管理方法及系统 | |
| Mahamuni et al. | Machine learning for smart cities: A survey | |
| DE60134014D1 (de) | Vorrichtung und verfahren zur analyse eines systems mit fehlstarten | |
| CN113449966B (zh) | 一种石膏板设备巡检方法及系统 | |
| Kumar et al. | Characterization of chaos in air pollutants: A Volterra–Wiener–Korenberg series and numerical titration approach | |
| Asmai et al. | An intelligent crisis-mapping framework for flood prediction | |
| CN117172135B (zh) | 一种智能噪声监测管理方法与系统 | |
| CN117118761B (zh) | 一种贯穿智能汽车信息安全的纵深防御系统和方法 | |
| CN116484428B (zh) | 数据安全性检测系统、方法、装置及相关设备 |
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 |
Application publication date: 20190514 |
|
| RJ01 | Rejection of invention patent application after publication |