CN110220727B - 一种电机类设备的异常检测方法及装置 - Google Patents
一种电机类设备的异常检测方法及装置 Download PDFInfo
- Publication number
- CN110220727B CN110220727B CN201810175983.0A CN201810175983A CN110220727B CN 110220727 B CN110220727 B CN 110220727B CN 201810175983 A CN201810175983 A CN 201810175983A CN 110220727 B CN110220727 B CN 110220727B
- Authority
- CN
- China
- Prior art keywords
- signal
- matrix
- abnormal
- detected
- edge gateway
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 288
- 230000002159 abnormal effect Effects 0.000 claims abstract description 243
- 239000013598 vector Substances 0.000 claims abstract description 88
- 238000009826 distribution Methods 0.000 claims abstract description 58
- 239000000284 extract Substances 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 104
- 230000009466 transformation Effects 0.000 claims description 40
- 230000005236 sound signal Effects 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 48
- 230000006870 function Effects 0.000 description 35
- 230000015654 memory Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 20
- 238000013461 design Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005406 washing Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种电机类设备的异常检测方法及装置，用于提高异常检测效率。边缘网关采集待检测电机类设备的待检测信号；所述边缘网关从所述待检测信号中提取信号特征，构造信号特征向量；所述边缘网关获取参数矩阵以及信号特征矩阵的期望和方差，所述信号特征矩阵中所有行向量均服从以0和所述参数矩阵为参数的高斯分布；所述边缘网关根据所述参数矩阵、所述信号特征矩阵的期望和方差以及所述信号特征向量，计算所述待检测信号的异常距离，所述待检测信号的异常距离用于表征所述信号特征向量与所述信号特征矩阵中所有行向量之间的距离；所述边缘网关根据所述待检测信号的异常距离，确定所述待检测电机类设备是否异常。
Description
技术领域
本申请涉及电机技术领域，尤其涉及一种电机类设备的异常检测方法及装置。
背景技术
通常，将包括电机组件的家庭设备和工业设备统称为电机类设备。其中，电机组件是指依据电磁感应定律实现电能转换或传递的一种电磁装置，电机组件是电机类设备中不可或缺的部件。例如空调中的压缩机就是一种常见的电机组件。
电机组件成为上述设备的不可或缺的部件的同时，也成为这些设备报障最频繁的组件之一。如何对这些电机类设备进行异常检测，以避免重大故障的发生，已成为业界广泛关注的核心问题。
如图1所示，目前，对电机类设备进行异常检测的方法仍是基于人工的听音检测，也就是采集电机类设备的声音信号(音频采集)，然后由技术人员通过辨听这些声音信号(人工听音)来判断电机类设备是否异常。若该电机类设备正常，则不对该电机类设备进行处理。若该电机类设备异常，则再次对该电机类设备进行音频采集，由人工听音，若该电机类设备仍存在异常，则将该电机类设备送往维修部门以进行维修。
然而，利用人工对电机类设备进行异常检测时，异常检测花费的时间长为分钟级，且进行异常检测的效率会随着人体力的消耗而降低。
发明内容
本申请实施例提供一种电机类设备的异常检测方法及装置，用以解决现有技术中存在的异常检测的耗时长效率低的技术问题。
第一方面，本申请提供了一种电机类设备的异常检测方法，边缘网关采集待检测电机类设备的待检测信号，所述待检测信号包括音频信号和/或振动信号；所述边缘网关从采集的待检测信号中提取信号特征，构造信号特征向量；所述边缘网关向控制器上报信号特征矩阵，所述信号特征矩阵为所述边缘网关采集正常工作状态下的电机类设备的设备信号得到正常信号集合后，从所述正常信号集合的每个正常信号中提取信号特征后所构造的特征矩阵；所述控制器可以根据边缘网关上报的信号特征矩阵计算参数矩阵、以及期望和方差；所述控制器将所述参数矩阵、所述信号特征矩阵的期望和方差发送给所述边缘网关；所述边缘网关可以根据所述参数矩阵、所述信号特征矩阵的期望和方差以及信号特征向量，计算所述待检测信号的异常距离，所述待检测信号的异常距离用于表征所述信号特征向量与所述信号特征矩阵中所有行向量之间的距离；所述边缘网关根据所述待检测信号的异常距离，确定所述待检测电机类设备是否异常。
在本申请实施例中，由控制器根据边缘网关上报的信号特征矩阵计算参数矩阵、及所述信号特征矩阵的期望和方差，然后将参数矩阵、信号特征矩阵的期望和方差发送给边缘网关，以使边缘网关根据参数矩阵、信号特征矩阵的期望和方差计算待检测电机类设备的待检测信号的异常距离，进而根据待检测信号的异常距离确定待检测电机类设备是否异常，以避免利用人工确定待检测电机类设备是否异常时检测效率低，且检测效率会随着人工体力的消耗而进一步降低的问题，从而可以提高对电机类设备进行异常检测的检测效率。
进一步，本申请实施例提供的技术方案能够自动化执行，避免对人工的依赖，从而可以避免不同人因具有主观性而对同一音频的判断结果出现偏差，也可以避免同一人因身体状态对感官的影响而对同一音频的判断结果出现偏差，从而可以提高异常检测的准确率。
进一步，本申请实施例中参数矩阵、信号特征矩阵的期望和方差由控制器计算后发送给边缘网关，从而能够降低对边缘网关处理能力的要求。
在一个可能的设计中，在所述控制器根据所述信号特征矩阵计算所述参数矩阵时，所述控制器建立目标函数，所述目标函数用于计算所述正常信号集合中所有正常信号的联合概率密度；所述控制器通过最大化所述联合概率密度，计算所述参数矩阵。
在本申请实施例中，由于信号特征矩阵中所有行向量均满足以0和参数矩阵为参数的高斯分布，则可以通过最大似然函数求解参数矩阵，也就是通过最大化联合概率密度，计算参数矩阵。
在一个可能的设计中，在所述控制器通过最大化所述联合概率密度，计算所述参数矩阵时，所述控制器通过将最大化所述联合概率密度转化为最小化平均异常距离，计算所述参数矩阵；其中，所述平均异常距离为所述正常信号集合中所有正常信号的异常距离的平均值。
在本申请实施例中，为简化最大化联合概率密度的求解过程，可以将最大化联合概率密度转化为最小化平均异常距离。
当然，在本申请实施例中，也可以直接构造目标函数，以计算正常信号集合中所有正常信号的异常距离的平均值，通过最小化平均异常距离计算参数矩阵，以省略构造目标函数以计算正常信号集合中所有正常信号的联合概率密度的过程，从而可以提高计算效率。
在一个可能的设计中，在所述控制器通过将最大化所述联合概率密度转化为最小化平均异常距离，计算所述参数矩阵时，所述控制器通过所述最小化平均异常距离，计算对角矩阵；计算所述对角矩阵右乘协方差矩阵的逆得到所述参数矩阵，其中，所述协方差矩阵为归一化的信号特征矩阵的协方差矩阵，所述对角矩阵的阶数与所述协方差矩阵的阶数相同。
在本申请实施例中，可以将参数矩阵转化为对角矩阵右乘协方差矩阵的逆，这样可以通过最小化平均异常距离计算对角矩阵，而对角矩阵中除对角线上的元素外，其余元素均为零，从而能够进一步降低计算参数矩阵的复杂度。
在一个可能的设计中，所述控制器分别将所述归一化的信号特征矩阵中每个行向量右乘所述对角矩阵，且右乘所述协方差矩阵的逆后，右乘该行向量的转置，得到所述每个正常信号的异常距离，所述每个行向量的列数与所述对角矩阵的行数相同，所述协方差矩阵的逆的列数与所述每个行向量的转置的行数相同；所述控制器利用Box-Cox变换将所述每个正常信号的异常距离转化为服从正态分布的异常距离，以获得所述服从正态分布的异常距离的期望和方差以及所述Box-Cox变换的变换参数；所述控制器将所述变换参数、所述服从正态分布的异常距离的期望和方差发送给所述边缘网关，以使所述边缘网关根据所述变换参数以及所述服从正态分布的异常距离的期望和方差，计算所述待检测信号的异常距离的概率密度，并根据所述概率密度确定所述待检测电机类设备的异常程度。
在本申请实施例中，还可以通过控制器发送的Box-Cox变换的变换参数及服从正态分布的异常距离的期望和方差，计算待检测信号的异常距离的概率密度，从而可以确定待检测电机类设备的异常程度，进而可以提高异常检测的精确度。
在本申请实施例中，Box-Cox变换的变换参数及服从正态分布的异常距离的期望和方差也是由控制器计算后发送给边缘网关的，从而可以进一步降低对边缘网关的处理能力的要求。
第二方面，本申请实施例提供了一种电机类设备的异常检测方法，边缘网关采集待检测电机类设备的待检测信号，所述待检测信号包括音频信号和/或振动信号；所述边缘网关从采集的待检测信号中提取信号特征，构造信号特征向量；所述边缘网关根据信号特征矩阵计算参数矩阵以及期望和方差，所述信号特征矩阵为所述边缘网关采集正常工作状态下的电机类设备的设备信号得到正常信号集合后，从所述正常信号集合的每个正常信号中提取信号特征后所构造的特征矩阵；所述边缘网关可以根据所述参数矩阵、信号特征矩阵的期望和方差以及信号特征向量，计算所述待检测信号的异常距离，所述待检测信号的异常距离用于表征所述信号特征向量与所述信号特征矩阵中所有行向量之间的距离；所述边缘网关根据所述待检测信号的异常距离，确定所述待检测电机类设备是否异常。
在一个可能的设计中，所述边缘网关构造目标函数，所述目标函数用于计算所述正常信号集合中所有正常信号的联合概率密度；所述边缘网关通过最大化所述联合概率密度，计算所述参数矩阵。
在一个可能的设计中，所述边缘网关通过将最大化所述联合概率密度转化为最小化平均异常距离，计算所述参数矩阵；其中，所述平均异常距离为所述正常信号集合中所有正常信号的异常距离的平均值。
在一个可能的设计中，所述边缘网关通过所述最小化平均异常距离，计算对角矩阵；计算所述对角矩阵右乘协方差矩阵的逆得到所述参数矩阵，其中，所述协方差矩阵为归一化的信号特征矩阵的协方差矩阵，所述对角矩阵的阶数与所述协方差矩阵的阶数相同。
在一个可能的设计中，所述边缘网关通过Box-Cox变换将所述每个正常信号的异常距离转化为服从正态分布的异常距离，得到所述Box-Cox变换的变换参数；所述边缘网关根据所述变换参数对所述待检测信号的异常距离进行Box-Cox变换，得到经变换的异常距离；所述边缘网关计算所述服从正态分布的异常距离的期望和方差，并根据所述服从正态分布的异常距离的期望和方差，计算所述经变换的异常距离的概率密度；所述边缘网关根据所述概率密度，确定所述待检测电机类设备的异常程度。
第三方面，本申请实施例提供了一种边缘网关，该边缘网关具有实现上述第一方面方法中边缘网关行为的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现，所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，边缘网关的结构中包括传感器、通信接口、存储器和处理器。所述处理器被配置为支持边缘网关执行上述第一方面方法中相应的功能。所述存储器与所述处理器耦合，其保存必要的指令和数据。
第四方面，本申请实施例提供了一种边缘网关，该边缘网关具有实现上述第二方面方法中边缘网关行为的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现，所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，边缘网关的结构中包括传感器、存储器和处理器。所述处理器被配置为支持边缘网关执行上述第二方面方法中相应的功能。所述存储器与所述处理器耦合，其保存必要的指令和数据。
第五方面，本申请实施例提供了一种控制器，该控制器具有实现上述第一方面方法中控制器行为的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现，所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，控制器的结构中包括通信接口、存储器和处理器。所述处理器被配置为支持控制器执行上述第一方面方法中相应的功能。所述存储器与所述处理器耦合，其保存必要的指令和数据。
第六方面，本申请实施例提供了一种计算机存储介质，存储有用于执行上述第一方面、第一方面的任意一种设计的功能、第二方面及第二方面的任意一种设计的功能所用的计算机软件指令，或包含用于执行上述第一方面、第一方面的任意一种设计的方法、第二方面、第二方面的任意一种设计的方法所涉及的程序。
第七方面，本申请实施例提供了一种计算机程序产品，该程序产品在被计算机调用执行时，可以使得计算机执行上述第一方面、第一方面的任意一种设计的方法、第二方面及第二方面的任意一种设计的方法。
第八方面，本申请实施例提供了一种芯片系统，该芯片系统包括处理器，用于支持边缘网关和控制器实现上述第一方面、第二方面所述的方法，例如生成或处理上述第一方面方法、第二方面方法中所涉及的数据和/或信息。在一个可能的设计中，该芯片系统还包括存储器，所述存储器用于保存边缘网关和控制器必要的程序指令和数据，该芯片系统中的处理器可以调用该芯片系统中的存储器存储的程序指令和数据，以使该芯片系统可以实现上述边缘网关和控制器能够实现功能。该芯片系统，可以由芯片构成，也可以包含芯片和其它分立器件。
上述第二至第八方面及其实现方式的有益效果可以参考对第一方面的方法及其实现方式的有益效果的描述。
附图说明
图1为现有技术中对电机类设备进行异常检测方法的示意图；
图2为本申请实施例提供的一种应用场景示意图；
图3为本申请实施例提供的一种电机类设备的异常检测方法的流程图；
图4为本申请实施例提供的异常距离空间中异常距离的分布直方图；
图5为本申请实施例提供的经Box-Cox变换的异常距离的分布直方图；
图6为本申请实施例提供的能够应用于图2所示的应用场景的对电机类设备进行异常检测的计算流程；
图7为本申请实施例提供的另一种应用场景示意图；
图8为本申请实施例提供的另一种电机类设备的异常检测方法的流程图；
图9为本申请实施例提供的一种边缘网关的结构示意图；
图10为本申请实施例提供的一种控制器的结构示意图；
图11为本申请实施例提供的另一种边缘网关的结构示意图；
图12为本申请实施例提供的另一种边缘网关的结构示意图；
图13为本申请实施例提供的另一种控制器的结构示意图。
具体实施方式
以下，对本申请实施例中的部分用于进行解释说明，以便于本领域技术人员理解。
(1)、电机类设备：可以是包括电机组件的家庭设备，例如空调、冰箱、洗衣机等，也可以是包括电机组件的工业设备，该工业设备包括工业生产设备和各类机床，例如车床、铣床、磨床等，也可以是其它带有电机组件的设备。
(2)、边缘网关：边缘网关位于物联网底端的传感和控制网的边缘，是物联网终端的连接和控制设备，带有操作系统，具有强大的处理能力、存储能力及内存能力。在用户侧汇聚接入所有的物联网终端信息，向物联网终端提供互联网接入服务；在网络侧通过固定、无线或者移动接入链路接入到互联网中。边缘网关在向物联网的服务器(也就是云端)发送信息之前采集数据并执行相应的算法。在本申请实施例中，对边缘网关的名称不作任何限制，也可以根据其所实现的功能对其赋予其它命名。
(3)控制器，可以是设置在云端的服务器，用于处理客户端设备(指不在云端的任何设备，例如边缘网关)上传的业务数据，以降低对客户端设备的数据处理能力的要求，或者对内存的大小的要求等。
(4)另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。且在本发明实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
在本申请实施例中，由控制器根据边缘网关上报的信号特征矩阵计算参数矩阵，然后将参数矩阵发送给边缘网关，以使边缘网关根据参数矩阵计算待检测电机类设备的待检测信号的异常距离，进而根据待检测信号的异常距离确定待检测电机类设备是否异常，以避免利用人工确定待检测电机类设备是否异常时检测效率低，且检测效率会随着人工体力的消耗而进一步降低的问题，从而可以提高对电机类设备进行异常检测的检测效率。
进一步，本申请实施例提供的技术方案能够自动化执行，避免对人工的依赖，从而可以避免不同人因具有主观性而对同一音频的判断结果出现偏差，也可以避免同一人因身体状态对感官的影响而对同一音频的判断结果出现偏差，从而可以提高异常检测的准确率。
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。
请参见图2，为本申请实施例的一种应用场景。图2中包括边缘网关201以及控制器202，其中，边缘网关201可以通过有线或无线的方式与电机类设备相连，边缘网关201也可以通过有线或无线的方式与控制器202相连，例如图2所示的，边缘网关201通过无线方式向控制器202上报数据，控制器202对接收到的数据进行处理，将处理的结果发送给边缘网关201，以便边缘网关201确定待检测电机类设备是否异常。在一个实施方式中，上述异常检测可以由边缘网关201上运行的容器或虚拟机(virtual machine，VM)执行。
下面结合附图介绍本申请实施例提供的技术方案，在下面的介绍过程中，将以本申请实施例提供的技术方案应用在图2所示的应用场景中为例。本申请实施例提供的电机类设备的异常检测方法，可以应用在电机类设备出厂之前，例如在电机类设备出厂前，对电机类设备进行异常检测，若不存在异常，则将电机类设备送入包装线，经包装后出厂。若存在异常，则将电机类设备送入维修线，以完成对电机类设备的维修。本申请实施例提供的电机类设备的异常检测方法也可以应用在电机类设备出厂之后，例如对电机类设备的健康检测，以确保电机类设备安全、可靠地运行，进而避免因电机类设备出现事故而造成无法正常使用，甚至是人员伤亡。
请参见图3，本申请实施例提供一种电机类设备的异常检测方法，该方法的流程描述如下：
S301：边缘网关201采集待检测电机类设备的待检测信号。
在本申请实施例中，边缘网关201可以通过被动方式采集待检测电机类设备的待检测信号，例如待检测电机类设备通过自身的设备信号采集模块采集待检测信号，然后通过有线或无线的方式将待检测信号发送给边缘网关201。边缘网关201也可以通过主动方式采集待检测电机类设备的待检测信号，例如边缘网关201通过信号采集设备或自身携带的信号采集模块采集待检测电机类设备的待检测信号。
在本申请实施例中，待检测信号可以是音频信号，也可以是振动信号，也可以是音频信号和振动信号。下面以边缘网关201通过主动方式采集待检测电机类设备的待检测信号为例，介绍边缘网关201采集待检测电机类设备的待检测信号的过程。
当待检测信号是音频信号时，边缘网关201可以通过音频采集设备，例如通过声音传感器采集待检测电机类设备处于工作状态下的音频信号，在该情况下，声音传感器是贴合设置在待检测电机类设备上的。边缘网关201也可以通过麦克风采集待检测电机类设备的音频信号，此处麦克风可以是独立的设备，也可以是智能设备携带的，智能设备可以是手机、个人电脑或者是平板电脑等。
当待检测信号是振动信号时，边缘网关201可以通过加速度传感器采集待检测电机类设备处于工作状态下的振动信号，在该情况下，加速度传感器是贴合设置在待检测电机类设备上的。
S302：边缘网关201从采集的待检测信号中提取信号特征，构造信号特征向量。
由于待检测信号可以是音频信号，也可以是振动信号，也可以是音频信号和振动信号。因此，在待检测信号是音频信号和振动信号时，边缘网关201要分别从音频信号中提取音频信号特征，从振动信号中提取振动信号特征，并根据提取出的音频信号特征和振动信号特征构造一个信号特征向量，也就是说该信号特征向量中既包括音频信号特征，也包括振动信号特征。此处需要说明的是，边缘网关需要提取的信号特征从信号特征库中获取。信号特征库是采集不同的正常工作状态下的电机类设备的设备信号，并对所采集的设备信号进行统计分析，提取出正常工作状态下的电机类设备的设备信号的信号特征。以便在需要从待检测的电机类设备的待检测信号中提取信号特征时，可以直接依据信号特征库中的特征进行信号特征提取。该信号特征库可以预先存储在边缘网关201中，也可以是存储在控制器202中，在边缘网关201需要从待检测信号中提取信号特征时，再从控制器202获取。在本申请实施例中，信号特征可以是时域(time domain)特征，例如均值、方差，也可以是频域(frequency domain)特征，例如能量、频率等。
下面以待检测信号是音频信号为例，介绍边缘网关201从音频信号中提取信号特征的过程。将边缘网关201采集的待检测电机类设备的音频信号记为x′，x′是一段连续的音频信号，即一段连续的时域信号。
若要提取音频信号x′的时域特征，则需要将连续的时域信号，转化为离散的时域信号，即对音频信号x′进行采样。假设以采样率fs对x′进行采样，则得到离散的时域信号，可以表示为x′＝(x′(1)，…x′(N-1)，x′(N))，即从连续的时域信号中得到N个采样数据。然后根据离散的时域信号，得到x′的时域特征，请参见下表一：
表一
其中，表一中x′的期望用于表征N个采样数据的平均值；x′的方差用于表征N个采样数据的离散程度；x′的极差range，用于表征N个采样数据中的最大值与最小值之间的差距。
进一步，若要提取音频信号x′的频域特征，则需要对x′作快速傅里叶变换(FastFourier Transform，FFT)，得到离散的频域序列。假设将N个采样点划分为一帧，对每一帧采样点进行N点FFT变换，便可得到x′的频域序列X′＝(X′(1)，…X′(N-1)，X′(N))。根据音频信号x′的频域序列则可以得到音频信号x′的频域特征，具体请参见下表二：
表二
其中，FFT输出值X′(n)对应的频率取决于采样率fs和采样点个数N，例如采样率fs是 500Hz，进行16点FFT，那么基准频率为fs/N＝31.25Hz，X′(n)对应的频率为基准频率为的整数倍；能量是N个采样的取样值的平方求和，N个取样值中的第n个取样值用Sn表示。
在本申请实施例中，振动信号的信号特征可以是时域特征，例如有效值、峰值等，也可以是频域特征，例如能量。从振动信号中提取信号特征时，对振动信号的处理过程类似对音频信号的处理过程，在此不再赘述。假设从待检测信号中提取的信号特征为x′1，x′2，…x′D，则该D个信号特征可以构成一行向量，例如x′＝(x′1，x′2，…x′D)。
S303：边缘网关采集正常工作状态下的电机类设备的设备信号，得到正常信号集合，并从正常信号集合的每个正常信号中提取信号特征，得到信号特征矩阵。
在本申请实施例中，边缘网关201还可以采集正常工作状态下的电机类设备的设备信号，得到正常信号集合，并从正常信号集合的每个正常信号中提取信号特征，构造信号特征矩阵。例如边缘网关201以设定周期，采集M个周期，共得到M个正常信号，M个正常信号便可组成正常信号集合。此处，边缘网关201采集正常工作状态下的电机类设备的设备信号的过程类似采集待检测电机类设备的待检测信号的过程，且采集的正常工作状态下的电机类设备的设备信号可以是音频信号，可以是振动信号，也可以是音频信号和振动信号，便不多赘述。
边缘网关201在采集M个正常信号后，分别提取M个正常信号中每个正常信号的信号特征，从M个正常信号的每个正常信号中提取信号特征的过程类似从待检测信号提取信号特征的过程，在此不再赘述。参照待检测信号的信号特征的表示方式，M个正常信号中的第i个正常信号的信号特征可以表示为一行向量
其中，
表示第i个正常信号的第j个信号特征。在一个正常信号的信号特征用一行向量表示时，M个正常信号的信号特征可以表示为信号特征矩阵
在本申请实施例中，可以假设矩阵X中所有行向量均服从以0和参数矩阵为参数的高斯分布，此处参数矩阵是未知的，参数矩阵可以记为Y。
S304：边缘网关201向控制器202上报信号特征矩阵，则控制器202接收由边缘网关201上报的信号特征矩阵。
在边缘网关201确定M个正常信号的信号特征矩阵X后，可以将信号特征矩阵X上报给控制器202。当然，在本申请实施例中，边缘网关201也可以将M个正常信号中每个正常信号的信号特征上报给控制器202，由控制器202构造如上所述的信号特征矩阵X。边缘网关201也可以直接将采集得到的M个正常信号上报给控制器202，由控制器202从M个正常信号的每个正常信号中提取信号特征，然后构造如上所述信号特征矩阵X。
S305：控制器202根据信号特征矩阵计算参数矩阵以及该信号特征矩阵的期望和方差。
由于信号特征矩阵X中所有行向量均服从以0和参数矩阵Y为参数的高斯分布，则可通过最大化联合概率密度计算参数矩阵Y。因此，在本申请实施例中，控制器202构造的目标函数就用于计算正常信号集合中所有正常信号的联合概率密度。
在具体实现过程中，控制器202计算信号特征矩阵X中的每一列的均值和方差，以信号特征矩阵X中的第j列为例，第j列的均值可以表示为式(1)：
第j列的方差可以表示为式(2)：
根据式(1)，信号特征矩阵X的期望可以表示为μ＝[μ1，μ2，…μj,…μD]，根据式(2)，信号特征矩阵X方差可以表示为
在获得信号特征矩阵X的期望和方差对矩阵后，则对信号特征矩阵X进行归一化处理，得归一化的信号特征矩阵，记为Z，则可以将Z表示为式(3)：
则归一化的信号特征矩阵中的第i行
所服从的高斯分布可以表示为 zi～N(0，Y)，zi的概率密度表示为式(4)：
根据式(4)，控制器202所构造的目标函数用于计算z1-zM的联合概率密度，可以表示为式(5)：
p(z1，z2，…zM)＝p(z1)p(z2)…p(zM) (5)
通过最大化联合概率密度，即maxY p(z1，z2，…，zi，…，zM)便可计算得到参数矩阵Y。
在本申请实施例中，在计算参数矩阵Y的过程中，由于联合概率密度是连乘，为简化计算可以将联合概率密度转化为对数形式，具体转化过程如式(6)所示：
基于式(6)可知，最大化联合概率密度也就是最小化
而(ziY-1(zi)T) 表征了信号特征矩阵X中第i行向量与信号特征矩阵X中所有行向量之间的距离，也就是正常信号集合中第i个正常信号的异常距离，从而可以将最大化联合概率密度理解为最小化平均异常距离，此处平均异常距离为正常信号集合中所有正常信号的异常距离的平均值。
根据式(6)，若将M个正常信号中的第i个正常信号的异常距离记为ADi，则异常距离ADi可以表示为式(7)：
ADi＝ziY-1(zi)T (7)
最小化平均异常距离可以表示为式(8)：
在具体实现过程中，由于参数矩阵Y为D×D阶矩阵，也就包括D×D个元素，为了降低计算参数矩阵的计算复杂度，可以将参数矩阵拆分为两部分，其中一部分为对角矩阵，一部分为归一化的信号特征矩阵的协防差矩阵的逆。若将归一化的信号特征矩阵的协方差矩阵表示为
则参数矩阵Y可以表示为式(9)：
Y＝θC-1 (9)
将式(9)带入到式(7)，可以得到异常距离ADi另外一种表示方式，例如式(10)：
ADi＝ziθC-1(zi)T (10)
在将参数矩阵Y转化为式(10)的表达形式时，由于协方差矩阵是可以根据归一化的信号特征矩阵计算得到的，因此只需计算对角矩阵θ即可，而对角矩阵中除了对角线上的元素需要计算，其它位置均为零，因此能够降低计算参数矩阵的计算复杂度。
在本申请实施例中，根据式(6)的推导过程，异常距离ADi还可以表示为式(11)：
在此需要说明的是，在本申请实施例中，控制器202在计算参数矩阵Y时，也可以直接构造目标函数，以计算正常信号集合中所有正常信号的异常距离的平均值，以省去先构造目标函数，再计算正常信号集合中所有正常信号的联合概率密度的过程，以降低计算复杂度。
在控制器202计算出对角矩阵之后，则可以根据对角矩阵和协方差矩阵计算M个正常信号中每个正常信号的异常距离，即分别将归一化的信号特征矩阵中的每个行向量、对角矩阵及协方差矩阵带入式(10)，便可得到每个正常信号的异常距离，可以表示为 AD＝(AD1，AD2，…ADM)。
在本申请实施例中，可以将由每个正常信号的异常距离所组成的异常距离集合称为异常距离空间，也就是将AD称为异常距离空间，为了确定异常距离空间中异常距离的分布情况，可以对异常距离空间中的异常距离进行排序，异常距离空间中的异常距离的分布直方图请参见图4。其中，在异常距离空间中的异常距离个数较少时，可以直接对异常距离进行排序，例如按照异常距离从小到大的顺序排列，或者按照异常距离从大到小的顺序排列。在异常距离空间中包括的异常距离个数较多，超出预设阈值时，为了降低后续利用异常距离空间进行计算的复杂度，可以采用如下两种方式对异常距离进行排序。
方式一，采用桶排序方法对异常距离空间中的异常距离进行排序。
假设异常距离空间中的异常距离的值分别为[0.01，0.02，0.11，0.12，0.13，0.14，0.20， 0.21，0.22，0.23，0.24，0.31，……0.51，0.52，……0.91，0.92]，且该异常距离空间中的异常距离的值在0-1上均匀分布。取0.1为每个桶的大小，则共有10个桶，分别为0.1，0.2， 0.3，0.4，0.5，0.6，0.7，0.8，0.9，1.0。然后将异常距离空间中的异常距离放入到每个桶中，例如将0.01、0.02放在0.1的桶中，将0.11、0.12、0.13、0.14放在0.2的桶中，将0.20、0.21、0.22、0.23、0.24放在0.3的桶中，……将0.91、0.92放在1.0的桶中。则每个桶与桶中的异常距离个数之间的对应关系为0.1-2，0.2-4，0.3-5，……0.9-2。将该方式排序后，异常距离空间则为[0.1，0.1，0.2，0.2，0.2，0.2，0.3，0.3，0.3，0.3，0.3，……，0.9，0.9]。
方式二，设置分位数位置。
将异常距离空间中异常距离的值按照从小到大的顺序排序，然后对排序后的异常距离设置分位数位置。其中，分位数位置可以为四分位数，八分位数，或者为十六分位数位置。在此，分位数位置以四分位为例，则是将排序后的异常距离划分为四等分，然后由处于1/4、 2/4、3/4、4/4位置的异常距离，重新组成异常距离空间。
S306：控制器202将参数矩阵、信号特征矩阵的期望和方差发送给边缘网关201，则边缘网关201接收由控制器202发送的参数矩阵、信号特征矩阵的期望和方差，并利用参数矩阵、期望和方差计算待检测信号的异常距离。
在本申请实施例中，待检测信号的异常距离用于表征信号特征向量与正常信号集合的信号特征矩阵中所有行向量之间的距离。在具体实现过程中，边缘网关201接收由控制器 202发送的参数矩阵、信号特征矩阵的期望和方差后，则可以对信号特征向量x′进行归一化处理，获得归一化的信号特征向量z′，可以表示为式(12)：
在获得归一化的信号特征向量z′后，将归一化的信号特征向量z′右乘参数矩阵后，右乘归一化的信号特征向量z′的转置(z′)T，便可得到待检测信号的异常距离，若将待检测信号的异常距离记为AD′，则AD′可以表示为式(13)：
AD′＝z′Y-1(z′)T (13)
在此需要说明的是，对于步骤S303、步骤S304、步骤S305及步骤S306中控制器202向边缘网关201发送参数矩阵、信号特征矩阵的期望和方差的过程，并不一定是在边缘网关201每次采集待检测电机类设备的设备信号时都需要进行的，例如在边缘网关201首次确定待检测电机类设备是否异常时，可以进行上述过程，以便获得相关参数，例如参数矩阵，信号特征矩阵的期望和方差。而在边缘网关201虽然是首次确定待检测电机类设备是否异常，但是边缘网关201已经接收由控制器202发送的上述参数的情况下，或者边缘网关201为非首次确定待检测电机类设备是否异常的情况下，则无需进行上述过程。
当然，在本申请实施例中，在控制器202计算获得更新的参数矩阵时，便可向边缘网关发送更新后的参数矩阵、更新后的信号特征矩阵的期望和方差，以便边缘网关根据更新后的参数矩阵、更新后的信号特征矩阵计算待检测信号的异常距离。
S307：边缘网关201根据异常距离，确定待检测电机类设备是否异常。
在本申请实施例中，在边缘网关201计算出待检测信号的异常距离后，可以根据待检测信号的异常距离及异常距离空间确定待检测电机类设备是否异常。例如当待检测信号的异常距离在异常距离空间内时，则表明待检测电机类设备为能够正常工作的设备，当待检测信号的异常距离不在异常距离空间内时，则表明待检测电机类设备为异常电机类设备。在该情况下，边缘网关201需要接收由控制器202发送的异常距离空间。
虽然通过判断待检测信号的异常距离是否在异常距离空间中，可以确定待检测电机类设备是否异常，但是并不能确定待检测电机类设备的异常程度。因此，在本申请实施例中，为进一步确定待检测电机类设备的异常程度，控制器202还需要进行如下过程。
由于异常距离空间中的异常距离的分布可能存在偏态，因此控制器202需要将异常距离空间中的异常距离转化为服从正态分布的异常距离。在本申请实施例中，可以利用Box-Cox变换，将异常距离空间中的异常距离转化为服从正态分布的异常距离。
在具体实现过程中，对AD＝(AD1，AD2，…ADM)应用Box-Cox变换，得到变换后的异常距离，可以表示为式(14)：
以M个异常距离中的第i个异常距离为例，应用Box-Cox变换后，得到的数据可以表示为式(15)：
其中，Box-Cox变换的变换参数λ可以通过式(16)的最大似然函数估计出来：
其中，
假设此处通过最大似然函数找到最佳的变换参数λ＝0.2，通过λ将非正态分布的异常距离变换为服从正态分布的异常距离，服从正态分布的异常距离的直方图请参见图5。在获得服从正态分布的异常距离后，便可得到服从正态分布的异常距离的期望和方差，例如服从正态分布的异常距离为一组均值为0.1，方差为0.5的正态分布的数据。
在控制器202将非正态化的异常距离转化为服从正态分布的异常距离后，可以将服从正态分布的异常距离的期望和方差以及变换参数λ发送给边缘网关201，以便边缘网关201 利用服从正态分布的异常距离的期望、方差以及变换参数λ计算待检测信号的异常距离的异常程度。其中，控制器202可以将服从正态分布的异常距离的期望和方差以及变换参数λ一次发送给边缘网关201，也可以先将变换参数λ发给边缘网关，后将服从正态分布的异常距离的期望和方差发送给边缘网关201。
在具体实现过程中，边缘网关201可以根据变换参数λ，对AD′进行Box-Cox变换，得到AD′(λ)，然后根据异常距离向量的期望和方差，计算待检测信号的异常距离的概率密度。例如计算出的待检测信号的异常距离的概率密度为0.095％，小于给定的预设阈值0.15％，则表明待检测设备为异常设备设备，且计算出的待检测信号的异常距离的概率密度越小，则表明待检测电机类设备的异常程度越高。
本申请实施例提供的电机类设备的异常检测方法，分为两部分，具体请参见图6。如图 6所示，第一部分为对正常信号集合的处理，例如从正常信号集合的每个正常信号中提取信号特征构造信号特征矩阵，计算信号特征矩阵的统计量对信号特征矩阵归一化，最小化平均异常距离，构建异常距离空间，对异常距离空间中的异常距离进行正态化；第二部分为对待检测信号的处理，例如从待检测信号中提取信号特征构造信号特征向量，对信号特征向量归一化，计算待检测信号的异常距离，计算待检测信号的异常距离的异常程度。
图3所示的电机类设备的异常检测方法适用于图2中包括边缘网关201和控制器202 的场景，由控制器202计算信号特征矩阵的期望和方差、参数矩阵、变换参数λ及异常距离向量的期望和方差能够降低对边缘网关201的处理能力的要求，例如在边缘网关201采集的设备信号的数据量较大时，则对边缘网关201的处理能力有较高要求，而若将采集的设备信号上报至控制器202处理，则可以降低对边缘网关201的中央处理器CPU的处理能力的要求，内存的大小的要求，或者是对边缘网关201运行应用程序的要求等等。下面提供一种适用于仅包括边缘网关的场景。
请参见图7，为本申请实施例的另一种应用场景。图7中包括边缘网关700，边缘网关 700可以通过有线或无线的方式与电机类设备相连。边缘网关700可以采集正常工作状态下的电机类设备的设备信号及待检测电机类设备的设备信号，以对待检测电机类设备的设备信号进行异常检测。
下面结合附图介绍本申请实施例提供的技术方案，在下面的介绍过程中，将以本申请实施例提供的技术方案应用在图7所示的应用场景中为例。请参见图8，本申请实施例提供一种电机类设备的异常检测方法，该方法的流程描述如下：
S801：边缘网关700采集待检测电机类设备的待检测信号，待检测信号包括音频信号和/或振动信号。
在本申请实施例中，边缘网关700采集待检测电机类设备的待检测信号的过程类似图3 所示的步骤S301的执行过程，且待检测信号可以是音频信号，可以是振动信号，也可以是音频信号和振动信号，在此不再赘述。
S802：边缘网关700从采集的待检测信号中提取信号特征，构造信号特征向量。
在本申请实施例中，边缘网关700从采集的待检测信号中提取信号特征的过程类似图3 所示的步骤S302的执行过程，在此不再赘述。
S803：边缘网关700采集正常工作状态下的电机类设备的设备信号，得到正常信号集合，并从正常信号集合的每个正常信号中提取信号特征，得到信号特征矩阵。
此处，步骤S803的执行过程类似图3所示的步骤S303的执行过程，在此不再赘述。
S804：边缘网关700根据信号特征矩阵，计算参数矩阵以及该信号特征矩阵期望和方差。
边缘网关700根据信号特征矩阵计算参数矩阵以及该信号特征矩阵期望和方差的过程类似图3所示的步骤S305中控制器202根据边缘网关201上报的信号特征矩阵计算参数矩阵的过程，便不多赘述。
在此需要说明的是，步骤S803和步骤S804并不一定是在边缘网关700每次采集待检测电机类设备的设备信号时都需要进行的，例如在边缘网关700首次确定待检测电机类设备是否异常时，可以进行上述过程，以便获得相关参数，例如参数矩阵，信号特征矩阵的期望和方差。而在边缘网关700虽然是首次确定待检测电机类设备是否异常，但是边缘网关700已经计算得到上述参数的情况下，或者边缘网关700为非首次确定待检测电机类设备是否异常的情况下，则无需进行上述过程。
S805：边缘网关700根据信号特征向量、参数矩阵以及信号特征矩阵的期望和方差，计算待检测信号的异常距离。
边缘网关700根据信号特征向量、参数矩阵、信号特征矩阵的期望和方差，计算待检测信号的异常距离的过程类似图3所示的步骤S306的执行过程，在此不再赘述。
在具体实现过程中，在边缘网关700计算得到参数矩阵后，边缘网关700还可以计算获得正常信号集合中每个正常信号的异常距离，得到异常距离空间，也就是每个正常信号的异常距离所组成的集合。
S806：边缘网关700根据待检测信号的异常距离，确定待检测电机类设备是否异常。
在本申请实施例中，边缘网关700根据待检测信号的异常距离确定待检测电机类设备是否异常的过程类似图3所示的步骤S307的执行过程，在此不再赘述。
为进一步确定待检测信号的异常距离的异常程度，边缘网关700还可以对异常距离空间进行正态化，将非正态化的异常距离转化为符合正态分布的异常距离，进而获得符合正态分布的异常距离的期望和方差，以计算待检测信号的异常距离的异常程度，从而确定待检测电机类设备的异常程度。
下面结合附图介绍本申请实施例提供的装置，以实现本申请上述方法实施例。
图9示出了一种边缘网关900的结构示意图。该边缘网关900可以包括采集单元901、构造单元902、获取单元903、计算单元904和确定单元905，其中，采集单元901可以用于执行图3所示的实施例中的S301、图8所示的实施例中的S801，和/或用于支持本申请实施例所描述的技术的其它过程。构造单元902可以用于执行图3所示的实施例中的S302、图8所示的实施例中的S802，和/或用于支持本申请实施例所描述的技术的其它过程。在一个实施方式中，获取单元903可以是接收单元，用于执行图3所示的实施例中的S306，在另一实施方式中，获取单元903也可以是第一计算单元，用于执行图8所示的实施例中的 S804，和/或用于支持本申请实施例所描述的技术的其它过程。计算单元904用于执行图3 所示的实施例中的S306、图8所示的实施例中的S805，和/或用于支持本申请实施例所描述的技术的其它过程。确定单元905用于执行图3所示的实施例中的S307、图8所示的实施例中的S806，和/或用于支持本申请实施例所描述的技术的其它过程。其中，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。
图10示出了一种控制器1000的结构示意图。该控制器1000包括接收单元1001、计算单元1002和发送单元1003。接收单元1001可以用于执行图3所示的实施例中的S304，和 /或用于支持本申请实施例所描述的技术的其它过程。计算单元1002可以用于执行图3所示的实施例中的S305，和/或用于支持本申请实施例所描述的技术的其它过程。发送单元1003可以用于执行图3所示的实施例中的S306，和/或用于支持本申请实施例所描述的技术的其它过程。其中，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。
图11示出了一种边缘网关1100的结构示意图。该边缘网关1100的一个实施方式中，包括传感器1101、处理器1102、通信接口1103和存储器1104，传感器1101、通信接口1103和存储器1104耦合至处理器1102。其中，传感器1101可以是声音传感器和/或加速度传感器。处理器1102可以是中央处理器(central processing unit，CPU)，或特定应用集成电路(application-specific integrated circuit，ASIC)，可以是一个或多个用于控制程序执行的集成电路，可以是基带芯片，等等。存储器的数量可以是一个或多个，存储器可以是只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)或磁盘存储器，等等。
通过对处理器1102进行设计编程，可以将前述的电机类设备的异常检测方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述图3所示的实施例提供的电机类设备的异常检测方法中由边缘网关执行的功能。如何对处理器1102进行设计编程为本领域技术人员公知的技术，这里不再赘述。
图12示出了一种边缘网关1200的结构示意图。该边缘网关1200的一个实施方式中，包括传感器1201、处理器1202和存储器1203，传感器1201和存储器1203耦合至处理器1202。其中，传感器1201可以是声音传感器和/或加速度传感器。处理器1202可以是CPU，ASIC，可以是一个或多个用于控制程序执行的集成电路，可以是基带芯片，等等。存储器的数量可以是一个或多个，存储器可以是ROM、RAM或磁盘存储器，等等。
通过对处理器1202进行设计编程，可以将前述的电机类设备的异常检测方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述图8所示的实施例提供的电机类设备的异常检测方法，如何对处理器1202进行设计编程为本领域技术人员公知的技术，这里不再赘述。
图13示出了一种控制器1300的结构示意图。该控制器1300包括通信接口1301、处理器1302和存储器1303，通信接口1301和存储器1303耦合至处理器1302。其中，处理器1302可以是CPU，或ASIC，可以是一个或多个用于控制程序执行的集成电路，可以是基带芯片，等等。存储器的数量可以是一个或多个，存储器可以是ROM、随机存RAM或磁盘存储器，等等。
通过对处理器1302进行设计编程，可以将前述的电机类设备的异常检测方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述图3所示的实施例提供的电机类设备的异常检测方法中由控制器执行的功能，如何对处理器1302进行设计编程为本领域技术人员公知的技术，这里不再赘述。
本申请实施例还提供一种计算机存储介质，该存储介质可以包括存储器，该存储器可以存储有程序，该程序执行时包括如前图3和图8所示的方法实施例中记载的边缘网关201、控制器202、及边缘网关700所执行的全部步骤。
本申请实施例还提供一种计算机程序产品，该程序产品在被计算机调用执行时，可以使得计算机执行图3及图8所示的方法实施例提供所述的方法。
本申请实施例还提供一种芯片系统，该芯片系统包括处理器，用于支持边缘网关201 和控制器202实现图3所示的实施例提供所述的方法及支持边缘网关700实现图8所示的实施例提供所述的方法，例如生成或处理图3及图8所示的实施例提供的方法中所涉及的数据和/或信息。该芯片系统还包括存储器，所述存储器用于保存边缘网关201、控制器202及边缘网关700必要的程序指令和数据，该芯片系统中的处理器可以调用该芯片系统中的存储器存储的程序指令和数据，以使该芯片系统可以实现上述边缘网关和控制器能够实现功能。该芯片系统，可以由芯片构成，也可以包含芯片和其它分立器件。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (23)
1.一种电机类设备异常检测方法，其特征在于，包括：
边缘网关采集待检测电机类设备的待检测信号，所述待检测信号包括音频信号和/或振动信号；
所述边缘网关从所述待检测信号中提取信号特征，构造信号特征向量；
所述边缘网关获取参数矩阵以及信号特征矩阵的期望和方差，所述信号特征矩阵为所述边缘网关采集正常工作状态下的电机类设备的设备信号得到正常信号集合后，从所述正常信号集合的每个正常信号中提取信号特征后所构造的特征矩阵，所述信号特征矩阵中的一个行向量表示一个正常信号的信号特征所构成的向量，所述信号特征矩阵中所有行向量均服从以0和所述参数矩阵为参数的高斯分布；
所述边缘网关根据所述参数矩阵、所述信号特征矩阵的期望和方差以及所述信号特征向量，计算所述待检测信号的异常距离，所述待检测信号的异常距离用于表征所述信号特征向量与所述信号特征矩阵中所有行向量之间的距离；
所述边缘网关根据所述待检测信号的异常距离，确定所述待检测电机类设备是否异常。
2.根据权利要求1所述的方法，其特征在于，所述参数矩阵为通过最大化目标函数计算得到的，所述目标函数用于计算所述正常信号集合中所有正常信号的联合概率密度。
3.根据权利要求2所述的方法，其特征在于，所述参数矩阵为通过将最大化所述联合概率密度转化为最小化平均异常距离计算得到的，所述平均异常距离为所述正常信号集合中所有正常信号的异常距离的平均值。
4.根据权利要求3所述的方法，其特征在于，所述边缘网关根据所述参数矩阵、所述信号特征矩阵的期望和方差以及所述信号特征向量，计算所述待检测信号的异常距离，包括：
所述边缘网关根据所述信号特征矩阵的期望和方差对所述信号特征向量进行归一化处理，得到归一化的信号特征向量；
所述边缘网关将所述归一化的信号特征向量右乘所述参数矩阵后，再右乘所述归一化的信号特征向量的转置，得到所述待检测信号的异常距离，其中，所述归一化的信号特征向量的列数与所述参数矩阵的行数相同，所述参数矩阵的列数与所述归一化的信号特征向量的转置的行数相同。
5.根据权利要求4所述的方法，其特征在于，
所述边缘网关获取参数矩阵以及信号特征矩阵的期望和方差包括：所述边缘网关接收控制器发送的所述参数矩阵以及所述信号特征矩阵的期望和方差；
所述方法还包括：
所述边缘网关接收所述控制器发送的变换参数，所述变换参数为所述控制器通过Box-Cox变换将所述每个正常信号的异常距离转化为服从正态分布的异常距离得到的；
所述边缘网关根据所述变换参数对所述待检测信号的异常距离进行Box-Cox变换，得到经变换的异常距离；
所述边缘网关接收由所述控制器发送的所述服从正态分布的异常距离的期望和方差，并根据所述服从正态分布的异常距离的期望和方差，计算所述经变换的异常距离的概率密度；
所述边缘网关根据所述概率密度，确定所述待检测电机类设备的异常程度。
6.根据权利要求4所述的方法，其特征在于，
所述边缘网关获取参数矩阵以及信号特征矩阵的期望和方差包括：所述边缘网关根据所述信号特征矩阵，计算所述参数矩阵以及所述期望和方差；
所述方法还包括：
所述边缘网关通过Box-Cox变换将所述每个正常信号的异常距离转化为服从正态分布的异常距离，得到所述Box-Cox变换的变换参数；
所述边缘网关根据所述变换参数对所述待检测信号的异常距离进行Box-Cox变换，得到经变换的异常距离；
所述边缘网关计算所述服从正态分布的异常距离的期望和方差，并根据所述服从正态分布的异常距离的期望和方差，计算所述经变换的异常距离的概率密度；
所述边缘网关根据所述概率密度，确定所述待检测电机类设备的异常程度。
7.一种电机类设备异常检测方法，其特征在于，包括：
控制器接收由边缘网关上报的信号特征矩阵，所述信号特征矩阵为所述边缘网关采集正常工作状态下的电机类设备的设备信号得到正常信号集合后，从所述正常信号集合的每个正常信号中提取信号特征后所构造的特征矩阵，所述信号特征矩阵中的一个行向量表示一个正常信号的信号特征所构成的向量，所述设备信号包括音频信号和/或振动信号；
所述控制器根据所述信号特征矩阵计算参数矩阵、以及所述信号特征矩阵的期望和方差，所述信号特征矩阵中所有行向量均服从以0和所述参数矩阵为参数的高斯分布；
所述控制器将所述参数矩阵、所述信号特征矩阵的期望和方差发送给所述边缘网关，以使所述边缘网关利用所述参数矩阵、所述信号特征矩阵的期望和方差计算待检测电机类设备的待检测信号的异常距离，并根据所述待检测信号的异常距离确定所述待检测电机类设备是否异常，所述待检测信号的异常距离用于表征所述待检测信号的信号特征向量与所述信号特征矩阵中所有行向量之间的距离。
8.根据权利要求7所述的方法，其特征在于，所述控制器根据所述信号特征矩阵计算所述参数矩阵，包括：
所述控制器建立目标函数，所述目标函数用于计算所述正常信号集合中所有正常信号的联合概率密度；
所述控制器通过最大化所述联合概率密度，计算所述参数矩阵。
9.根据权利要求8所述的方法，其特征在于，所述控制器通过最大化所述联合概率密度，计算所述参数矩阵，包括：
所述控制器通过将最大化所述联合概率密度转化为最小化平均异常距离，计算所述参数矩阵；
其中，所述平均异常距离为所述正常信号集合中所有正常信号的异常距离的平均值。
10.根据权利要求9所述的方法，其特征在于，所述控制器通过将最大化所述联合概率密度转化为最小化平均异常距离，计算所述参数矩阵，包括：
所述控制器通过所述最小化平均异常距离，计算对角矩阵；
所述控制器计算所述对角矩阵右乘协方差矩阵的逆得到所述参数矩阵，其中，所述协方差矩阵为归一化的信号特征矩阵的协方差矩阵，所述对角矩阵的阶数与所述协方差矩阵的阶数相同。
11.根据权利要求10所述的方法，其特征在于，所述方法还包括：
所述控制器分别将所述归一化的信号特征矩阵中每个行向量右乘所述对角矩阵，且右乘所述协方差矩阵的逆后，右乘该行向量的转置，得到所述每个正常信号的异常距离，所述每个行向量的列数与所述对角矩阵的行数相同，所述协方差矩阵的逆的列数与所述每个行向量的转置的行数相同；
所述控制器利用Box-Cox变换将所述每个正常信号的异常距离转化为服从正态分布的异常距离，以获得所述服从正态分布的异常距离的期望和方差以及所述Box-Cox变换的变换参数；
所述控制器将所述变换参数、所述服从正态分布的异常距离的期望和方差发送给所述边缘网关，以使所述边缘网关根据所述变换参数以及所述服从正态分布的异常距离的期望和方差，计算所述待检测信号的异常距离的概率密度，并根据所述概率密度确定所述待检测电机类设备的异常程度。
12.一种边缘网关，其特征在于，包括：
传感器，用于采集待检测电机类设备的待检测信号，所述待检测信号包括音频信号和/或振动信号；
处理器，用于从所述待检测信号中提取信号特征，构造信号特征向量；获取参数矩阵以及信号特征矩阵的期望和方差，所述信号特征矩阵为所述边缘网关采集正常工作状态下的电机类设备的设备信号得到正常信号集合后，从所述正常信号集合的每个正常信号中提取信号特征后所构造的特征矩阵，所述信号特征矩阵中的一个行向量表示一个正常信号的信号特征所构成的向量，所述信号特征矩阵中所有行向量均服从以0和所述参数矩阵为参数的高斯分布；根据所述参数矩阵、所述信号特征矩阵的期望和方差以及所述信号特征向量，计算所述待检测信号的异常距离；以及根据所述待检测信号的异常距离，确定所述待检测电机类设备是否异常。
13.根据权利要求12所述的边缘网关，其特征在于，所述参数矩阵为通过最大化目标函数计算得到的，所述目标函数用于计算所述正常信号集合中所有正常信号的联合概率密度。
14.根据权利要求13所述的边缘网关，其特征在于，所述参数矩阵为通过将最大化所述联合概率密度转化为最小化平均异常距离计算得到的，所述平均异常距离为所述正常信号集合中所有正常信号的异常距离的平均值。
15.根据权利要求14所述的边缘网关，其特征在于，在所述处理器根据所述参数矩阵、所述信号特征矩阵的期望和方差以及所述信号特征向量，计算所述待检测信号的异常距离时，具体用于：
根据所述信号特征矩阵的期望和方差对所述信号特征向量进行归一化处理，得到归一化的信号特征向量；
将所述归一化的信号特征向量右乘所述参数矩阵后，再右乘所述归一化的信号特征向量的转置，得到所述待检测信号的异常距离，其中，所述归一化的信号特征向量的列数与所述参数矩阵的行数相同，所述参数矩阵的列数与所述归一化的信号特征向量的转置的行数相同。
16.根据权利要求15所述的边缘网关，其特征在于，所述边缘网关还包括通信接口；
所述处理器通过所述通信接口接收控制器发送的所述参数矩阵以及所述信号特征矩阵的期望和方差；
所述处理器还用于：
通过所述通信接口接收所述控制器发送的变换参数，利用所述变换参数对所述待检测信号的异常距离进行Box-Cox变换，得到经变换的异常距离，所述变换参数为所述控制器通过Box-Cox变换将所述每个正常信号的异常距离转化为服从正态分布的异常距离得到的；
通过所述通信接口接收由所述控制器发送的所述服从正态分布的异常距离的期望和方差，根据所述服从正态分布的异常距离的期望和方差，计算所述经变换的异常距离的概率密度；
根据所述概率密度，确定所述待检测电机类设备的异常程度。
17.根据权利要求15所述的边缘网关，其特征在于，
所述处理器根据所述信号特征矩阵，计算所述参数矩阵以及所述期望和方差；
所述处理器还用于：
通过Box-Cox变换将所述每个正常信号的异常距离转化为服从正态分布的异常距离，得到所述Box-Cox变换的变换参数；
根据所述变换参数对所述待检测信号的异常距离进行Box-Cox变换，得到经变换的异常距离；
计算所述服从正态分布的异常距离的期望和方差，并根据所述服从正态分布的异常距离的期望和方差，计算所述经变换的异常距离的概率密度；
根据所述概率密度，确定所述待检测电机类设备的异常程度。
18.一种控制器，其特征在于，包括：
通信接口，用于接收由边缘网关上报的信号特征矩阵，所述信号特征矩阵为所述边缘网关采集正常工作状态下的电机类设备的设备信号得到正常信号集合后，从所述正常信号集合的每个正常信号中提取信号特征后所构造的特征矩阵，所述信号特征矩阵中的一个行向量表示一个正常信号的信号特征所构成的向量，所述设备信号为音频信号和/或振动信号；
处理器，用于根据所述信号特征矩阵计算参数矩阵、以及期望和方差，所述信号特征矩阵中所有行向量均服从以0和所述参数矩阵为参数的高斯分布；
在所述处理器计算出所述参数矩阵以及所述信号特征矩阵的期望和方差后，所述通信接口还用于将所述参数矩阵、所述信号特征矩阵的期望和方差发送给所述边缘网关，以使所述边缘网关利用所述参数矩阵、所述期望和方差计算待检测电机类设备的待检测信号的异常距离，以根据所述待检测信号的异常距离确定所述待检测电机类设备是否异常，所述待检测信号的异常距离用于表征所述待检测信号的信号特征向量与所述信号特征矩阵中所有行向量之间的距离。
19.根据权利要求18所述的控制器，其特征在于，在所述处理器根据所述信号特征矩阵计算所述参数矩阵时，具体用于：
建立目标函数，所述目标函数用于计算所述正常信号集合中所有正常信号的联合概率密度；
通过最大化所述联合概率密度，计算所述参数矩阵。
20.根据权利要求19所述的控制器，其特征在于，在所述处理器通过最大化所述联合概率密度，计算所述参数矩阵时，具体用于：
通过将最大化所述联合概率密度转化为最小化平均异常距离，计算所述参数矩阵；
其中，所述平均异常距离为所述正常信号集合中所有正常信号的异常距离的平均值。
21.根据权利要求20所述的控制器，其特征在于，在所述处理器通过将最大化所述联合概率密度转化为最小化平均异常距离，计算所述参数矩阵时，具体用于：
通过最小化平均异常距离，计算对角矩阵；
计算所述对角矩阵右乘协方差矩阵的逆得到所述参数矩阵，其中，所述协方差矩阵为归一化的信号特征矩阵的协方差矩阵，所述对角矩阵的阶数与所述协方差矩阵的阶数相同。
22.根据权利要求21所述的控制器，其特征在于，所述处理器还用于：
分别将所述归一化的信号特征矩阵中每个行向量右乘所述对角矩阵后，右乘所述协方差矩阵的逆后，右乘该行向量的转置，得到所述每个正常信号的异常距离，所述每个行向量的列数与所述对角矩阵的行数相同，所述协方差矩阵的逆的列数与所述每个行向量的转置的行数相同；
利用Box-Cox变换将所述每个正常信号的异常距离转化为服从正态分布的异常距离，以获得所述服从正态分布的异常距离的期望和方差以及所述Box-Cox变换的变换参数；
在所述处理器计算所述服从正态分布的异常距离的期望和方差后，所述通信接口还用于将所述变换参数、所述服从正态分布的异常距离的期望和方差发送给所述边缘网关，以使所述边缘网关根据所述变换参数以及所述服从正态分布的异常距离的期望和方差，计算所述待检测信号的异常距离的概率密度，以根据所述概率密度确定所述待检测电机类设备的异常程度。
23.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如权利要求1-11任一权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810175983.0A CN110220727B (zh) | 2018-03-02 | 2018-03-02 | 一种电机类设备的异常检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810175983.0A CN110220727B (zh) | 2018-03-02 | 2018-03-02 | 一种电机类设备的异常检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110220727A CN110220727A (zh) | 2019-09-10 |
| CN110220727B true CN110220727B (zh) | 2021-01-29 |
Family
ID=67822126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810175983.0A Active CN110220727B (zh) | 2018-03-02 | 2018-03-02 | 一种电机类设备的异常检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110220727B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821858B (zh) * | 2022-04-29 | 2023-07-07 | 东风商用车有限公司 | 一种车辆指标异常的图示方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6216118B1 (en) * | 1996-10-31 | 2001-04-10 | Kabushiki Kaisha Meidensha | Apparatus and method for discriminating a time series data |
| CN104198187A (zh) * | 2014-09-04 | 2014-12-10 | 昆明理工大学 | 一种机械振动故障特征时域盲提取方法 |
| CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
| CN106932184A (zh) * | 2017-03-15 | 2017-07-07 | 国网四川省电力公司广安供电公司 | 一种基于改进层次聚类的变压器故障诊断方法 |
-
2018
- 2018-03-02 CN CN201810175983.0A patent/CN110220727B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6216118B1 (en) * | 1996-10-31 | 2001-04-10 | Kabushiki Kaisha Meidensha | Apparatus and method for discriminating a time series data |
| CN104198187A (zh) * | 2014-09-04 | 2014-12-10 | 昆明理工大学 | 一种机械振动故障特征时域盲提取方法 |
| CN106932184A (zh) * | 2017-03-15 | 2017-07-07 | 国网四川省电力公司广安供电公司 | 一种基于改进层次聚类的变压器故障诊断方法 |
| CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110220727A (zh) | 2019-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109946055B (zh) | 一种汽车座椅滑轨异响检测方法及系统 | |
| JP6790253B2 (ja) | ブラインド信号分離方法、構成及び音声制御システム、並びに電器アセンブリ | |
| CN107591152B (zh) | 基于耳机的语音控制方法、装置及其设备 | |
| US10118635B2 (en) | Systems and methods for monitoring shopping cart wheels | |
| CN110411554B (zh) | 一种电机设备检测方法、装置及系统 | |
| KR20160143456A (ko) | 전력 관리 기능을 갖는 시스템 및 사용자 단말기, 및 이것의 전력 관리 방법 | |
| CN110220727B (zh) | 一种电机类设备的异常检测方法及装置 | |
| CN110929677A (zh) | 一种振动数据在线监测分析系统 | |
| CN111860568B (zh) | 数据样本的均衡分布方法、装置及存储介质 | |
| CN112213640A (zh) | 一种电机故障诊断方法及其相关设备 | |
| CN110678821B (zh) | 处理装置、处理方法和程序 | |
| CN114977176B (zh) | 电力负荷分解方法、装置、设备及存储介质 | |
| CN110943974B (zh) | 一种DDoS异常检测方法及云平台主机 | |
| CN116776708B (zh) | 时变工作模态参数自适应识别方法、装置、设备及介质 | |
| CN117514736A (zh) | 基于声纹表征方法的机泵运作故障检测诊断方法及系统 | |
| CN116449092A (zh) | 汽车功率检测方法、系统、计算机及可读存储介质 | |
| KR102510650B1 (ko) | 온디바이스 기반 데이터 분석 시스템 및 방법 | |
| CN109297582A (zh) | 风扇异音的检测装置及检测方法 | |
| JP2017103580A (ja) | データ圧縮収集システム、ネットワーク接続装置、データ圧縮収集方法およびプログラム | |
| CN110659676A (zh) | 一种信息处理方法、装置和存储介质 | |
| CN115947181B (zh) | 打包机混纱处理方法、处理装置及处理系统 | |
| WO2024046166A1 (zh) | 一种故障检测方法以及相关装置 | |
| CN112448835B (zh) | 一种物联网系统 | |
| CN117193136B (zh) | 一种智能物联网的断路器控制方法及系统 | |
| CN107947366A (zh) | 数据处理方法和数据处理装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |