CN110411554B - 一种电机设备检测方法、装置及系统 - Google Patents

一种电机设备检测方法、装置及系统 Download PDF

Info

Publication number
CN110411554B
CN110411554B CN201810393829.0A CN201810393829A CN110411554B CN 110411554 B CN110411554 B CN 110411554B CN 201810393829 A CN201810393829 A CN 201810393829A CN 110411554 B CN110411554 B CN 110411554B
Authority
CN
China
Prior art keywords
signal
detected
feature group
long
bag
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
Application number
CN201810393829.0A
Other languages
English (en)
Other versions
CN110411554A (zh
Inventor
史济源
孙兵
张亮
吴俊�
丁律
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201810393829.0A priority Critical patent/CN110411554B/zh
Publication of CN110411554A publication Critical patent/CN110411554A/zh
Application granted granted Critical
Publication of CN110411554B publication Critical patent/CN110411554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use

Abstract

一种电机设备检测方法、装置及系统。边缘网关接收到待检测电机设备的类型后；从控制器获取所述类型对应的词袋模型和检测规则。所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的，所述检测规则是根据所述类型对应的长时特征组样本得到的。所述边缘网关采集所述待检测电机设备的待检测信号，生成所述待检测信号的信号特征，根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备，得到检测结果。上述检测过程不需要人工参与，检测效率较高。

Description

一种电机设备检测方法、装置及系统
技术领域
本申请涉及电机技术领域，尤其涉及一种电机设备检测方法、装置及系统。
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，也成为这些设备故障报告最频繁的组件之一。如何对这些电机设备进行异常检测，以避免重大故障的发生，已成为业界广泛关注的核心问题。由于声音检测具有成本低、易部署的优点，目前广泛利用声音来检测电机是否异常。
如图1所示，目前，对电机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)来判断电机设备是否异常。若该电机设备正常，则不对该电机设备进行处理。若该电机设备异常，则再次对该电机设备进行音频采集，由人工听音，若该电机设备仍存在异常，则将该电机设备送往维修部门以进行维修。
然而，利用人工对电机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和准确率会随着人体力的消耗而降低。
发明内容
本申请提供一种电机设备检测方法、装置及系统，用以解决现有技术中存在的电机设备的检测效率低下的问题。
本申请第一方面提供了一种电机设备检测方法。边缘网关接收待检测电机设备的类型，从控制器获取所述类型对应的词袋模型和检测规则。所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的；所述检测规则是根据所述类型对应的长时特征组样本得到的。所述边缘网关采集所述待检测电机设备的待检测信号，并生成所述待检测信号的信号特征。然后，所述边缘网关根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备，得到检测结果。其中，所述待检测信号为声音信号或音频信号。
本申请第一方面提供的电机设备检测方法中，由边缘网关根据某个类似对应的词袋模型和检测规则自动检测待检测电机设备，不需要人工参与，提高了电机设备的检测效率。
在一个实施方式中，所述待检测信号的信号特征包括所述待检测信号中每个信号帧的短时特征组，所述边缘网关将所述待检测信号分为L个信号帧，生成所述L个信号帧中每个信号帧的短时特征组；L大于等于1。其中，每个信号帧的短时特征组包括所述信号帧的以下声学指标中的一个或多个：声谱质心，声谱扩散，声谱偏斜度，声谱峰度，声谱通量，音量，能量和过零率。具体地，所述边缘网关根据预设时长将所述待检测信号分为L个信号帧。其中，预设时长例如可以是1秒或30毫秒。当所述待检测信号的时长为所述预设时长的整数倍时，所述L个信号帧的时长相同。当所述待检测信号的时长不为所述预设时长的整数倍时，所述L个信号帧中的前L-1个信号帧的时长相同，第L个信号帧的时长小于其他信号帧的时长。
本实施方式中，所述边缘网关将所述待检测信号分为L个信号帧，并生成每个信号帧的短时特征组，使得获取的所述待检测信号的信号特征更为精确。
进一步地，当检测所述待检测电机设备时，所述边缘网关根据所述每个信号帧的短时特征组以及所述词袋模型中的每个类别，生成所述待检测信号的长时特征组，并根据所述长时特征组以及所述检测规则检测所述待检测电机设备的状态。
本实施方式中，所述边缘网关根据词袋模型中的每个类型和每个信号帧的短时特征组得到所述待检测信号的长时特征组，该长时特征组能够更全面反映所述待检测信号的特点，使得检测结果更为准确。
在一个实施方式中，所述K个类别中的每个类别可通过以下公式来表示：
wj＝(aj，N(μj，∑j))
其中，wj为第j个类别，N(μj，∑j)为所述第j个类别对应的高斯分布，aj为N(μj，∑j)的权重值，j＝1，…，K。
进一步地，所述边缘网关根据公式
Figure BDA0001644102290000021
生成所述词袋模型中每个类别对应的所述待检测信号的长时特征；其中，hj为第j个类别对应的长时特征，vi为所述待检测信号的第i个信号帧的短时特征组，aj为词袋模型中第j个类别对应的权重值，p(vi|μj，∑j)为第j个类别对应的高斯分布N(μj，∑j)的概率密度函数；
根据所述每个类别对应的所述待检测信号的长时特征，得到所述待检测信号的长时特征组H＝(h1，…，hj，…，hK)。
本实施例提供了一种精确计算待检测信号的信号特征(即长时特征组)的方法，使得根据该信号特征得到的检测结果更为准确。
在一个实施方式中，所述检测规则为检测模型或检测函数，所述边缘网关将所述长时特征组输入所述检测模型或检测函数，将所述检测模型或检测函数的输出作为所述待检测电机设备的状态。
在一个实施方式中，所述检测结果包括所述类型、所述待检测电机设备的标识、所述长时特征组以及所述长时特征组的标记，所述长时特征组的标记用于指示所述待检测电视设备的状态。
本申请第二方面提供了另一种电机设备检测方法。控制器接收边缘网关发送的请求消息，所述请求消息包括待检测电机设备的类型；根据所述请求消息向所述边缘网关发送所述类型对应的词袋模型和检测规则。所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的；所述检测规则是根据所述类型对应的长时特征组样本得到的；所述词袋模型和所述检测规则用于检测所述待检测电机设备。
本申请第二方面中，控制器为每个类型的电机设备分别生成对应的词袋模型和检测规则，通过获取该词袋模型和检测规则，边缘网关可以自动检测待检测电机设备，不需要人工参与，提高了电机设备的检测效率。
在一个实施方式中，所述控制器获取所述短时特征组样本，将所述短时特征组样本添加到所述类型对应的第一样本库中。所述控制器分析所述第一样本库中的所有短时特征组样本，得到所述K个类别，根据所述K个类别生成所述词袋模型。
具体地，控制器通过聚类算法将所述第一样本库中的所有短时特征组样本聚类，得到K个类别，每个类别对应一个高斯分布N(μj，∑j)和该高斯分布的权重值aj。
在一个实施方式中，所述控制器获取初始规则。所述控制器还获取所述类型对应的长时特征组样本，将所述长时特征组样本添加到所述类型对应的第二样本库中，每个长时特征组样本包括一个长时特征组和所述长时特征组对应的标记。所述控制器根据所述第二样本库中的所有长时特征组样本训练所述初始规则得到所述检测规则。
具体地，一个长时特征组样本是根据公式
Figure BDA0001644102290000031
生成的。其中hj为根据词袋模型中的第j个类别生成的样本信号的长时特征；K为词袋模型中类别的数量，L为样本信号划分出的信号帧的数量，vi为样本信号中第i个信号帧对应的短时特征组。aj为词袋模型中第j个类别对应的权重值，p(vi|μj，∑j)为第j个类别对应的高斯分布N(μj，∑j)对应的概率密度函数。
本实施方式提供了生成词袋模型和长时特征组的具体公式，是本申请提供的技术方案更具有可实现性。
本申请第三方面提供了一种电机设备检测系统，包括边缘网关和控制器。
所述边缘网关接收待检测电机设备的类型，从所述控制器获取所述类型对应的词袋模型和所述类型对应的检测规则；所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的；所述检测规则是根据所述类型对应的长时特征组样本得到的。所述边缘网关还采集所述待检测电机设备的待检测信号，生成所述待检测信号的信号特征；根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备，得到检测结果。
在一个实施方式中，所述待检测信号包括L个信号帧，所述信号特征包括所述L个信号帧中每个信号帧的短时特征组；每个信号帧的短时特征组包括所述信号帧的以下声学指标中的一个或多个：声谱质心，声谱扩散，声谱偏斜度，声谱峰度，声谱通量，音量，能量和过零率。
在一个实施方式中，在根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备时，所述边缘网关用于根据所述每个信号帧的短时特征组以及所述词袋模型中的每个类别，生成所述待检测信号的长时特征组；根据所述长时特征组以及所述检测规则检测所述待检测电机设备的状态。
在一个实施方式中，所述K个类别中的每个类别可通过以下公式来表示：
wj＝(aj，N(μj，∑j))
其中，wj为第j个类别，N(μj，∑j)为所述第j个类别对应的高斯分布，aj为N(μj，∑j)的权重值，j＝1，…，K。
在一个实施方式中，所述边缘网关根据公式
Figure BDA0001644102290000041
生成所述词袋模型中每个类别对应的所述待检测信号的长时特征；其中，hj为第j个类别对应的长时特征，，vi为所述待检测信号的第i个信号帧的短时特征组，aj为词袋模型中第j个类别对应的权重值，p(vi|μj，∑j)为第j个类别对应的高斯分布N(μj，∑j)的概率密度函数；
根据所述每个类别对应的所述待检测信号的长时特征，得到所述待检测信号的长时特征组H＝(h1，…，hj，…，hK)。
在一个实施方式中，所述控制器获取所述类型对应的短时特征组样本，将所述短时特征组样本添加到所述类型对应的第一样本库中。所述控制器分析所述第一样本库中的所有短时特征组样本，得到所述K个类别，根据所述K个类别生成所述词袋模型。
在一个实施方式中，所述边缘网关还向所述控制器发送所述信号特征；所述控制器还根据所述信号特征中的每个短时特征组更新所述词袋模型。
在一个实施方式中，所述控制器还获取初始规则；获取所述类型对应的长时特征组样本，每个长时特征组样本包括一个长时特征组和所述长时特征组对应的标记。所述控制器还将所述长时特征组样本添加到所述类型对应的第二样本库中，根据所述第二样本库中的所有长时特征组样本训练所述初始规则得到所述检测规则。
在一个实施方式中，所述检测结果包括所述类型、所述待检测电机设备的标识、所述待检测信号的长时特征组以及所述长时特征组的第一标记。所述边缘网关还向管理系统发送所述检测结果。所述控制器还接收所述管理系统发送的所述类型、所述长时特征组以及所述长时特征组对应的第二标记，并根据所述类型、所述长时特征组以及所述第二标记更新所述检测规则。当所述第一标记准确指示所述待检测电机设备的状态时，所述第二标记与所述第一标记相同。当所述第一标记没有准确指示所述待检测电机设备的状态时，所述第二标记为所述管理系统修改后的标记。
本申请实施方式中，所述控制器还根据边缘网关发送的短时特征组样本更新所述词袋模型，根据管理系统发送的长时特征组样本更新所述检测规则，因此，本申请实施例能够提高电机设备的检测精度。
本申请第四方面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，其保存必要的程序指令和数据。
本申请第五方面提供了一种控制器，该控制器具有实现上述第二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，其保存必要的程序指令和数据。
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实施方式的功能、第二方面及第二方面的任意一种实施方式的功能所用的计算机软件指令或程序代码。
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实施方式的方法、第二方面及第二方面的任意一种实施的方法。
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生成词袋模型的过程示意图；
图4为本申请实施例提供的生成检测规则的过程示意图；
图5为本申请实施例提供的一种电机设备检测方法的流程图；
图6为本申请实施例提供的一种电机设备检测装置的结构示意图；
图7为本申请实施例提供的另一种电机设备检测装置的机构示意图；
图8为本申请实施例提供的一种边缘网关的结构示意图；
图9为本申请实施例提供的一种控制器的结构示意图。
具体实施方式
为清楚阐述本申请实施例的技术方案，首先对本申请实施例涉及的相关术语进行简要的介绍，以便于本领域技术人员理解。
(1)电机设备：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：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。在用户侧汇聚接入物联网的终端的信息，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)信号帧：将声音信号根据需要分成时长相等(例如，3毫秒)的多个信号片段，每个信号片段被称为一个信号帧。
(5)短时特征组：又可以称为短时特征向量，指根据一个信号帧生成的该信号帧的多个声学特征的集合，后续将结合实施例对短时特征组进行详细介绍。
(6)词袋模型(bag of words)：将一类电机设备的多个声音信号生成的短时特征组聚合后得到的多个类别的集合，该多个类别中的每个类别可以被称为词袋模型中的一个词，后续将结合实施例对词袋模型进行详细介绍。
(7)长时特征组：又可以称为长时特征向量，指将声音信号中包括的多个信号帧的短时特征组根据词袋模型中每个类别的权重叠加后得到的该声音信号的特征。
(8)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。
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、控制器202以及管理系统203。其中，边缘网关201和控制器202组成了本申请实施例提供的电机设备检测系统。边缘网关201可以通过有线或无线的方式与电机设备相连，边缘网关201，控制器202和管理系统203两两之间通过有线或无线的方式相连。管理系统203向边缘网关201发送待检测电机设备的类型；边缘网关201根据该待检测电机设备的类型从控制器202获取该类型对应的词袋模型和检测规则。边缘网关201基于该词袋模型获取该待检测电机设备的待检测声音信号，提取该待检测声音信号的信号特征，并基于该信号特征、该词袋模型和该检测规则检测该电机设备，得到检测结果。可选地，边缘网关201将该信号特征发送给控制器202，控制器202基于该信号特征更新该词袋模型。边缘网关201还将异常检测的检测结果发送给管理系统203，管理系统203分析该检测结果并执行异常确认、误报检出或样本专家标准等处理流程。管理系统203将经过确认并标注后的检测结果以及该类型发送给控制器202，控制器202根据该检测结果以及该类型更新该检测规则。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。本申请中，是基于待检测电机设备的声音信号来检测该待检测电机设备是否异常，因此，上述异常检测又可称为异音检测。本申请中的管理系统203为常规设计，并且管理系统的功能可以由其他设备或人工来实现，因此，对于本申请来说，管理系统203并不是必须。本申请中的边缘网关201和控制器202可以是同一个硬件设备的不同功能模块，也可以是不同的硬件设备。本申请中的边缘网关201和控制器
基于图2所示的场景，本申请实施例提供了一种电机设备检测方法。在执行本申请提供的方法之前，需要在控制器202上为不同类型的电机设备生成预设的词袋模型和检测规则。以下先分别介绍生成词袋模型的过程和生成检测规则的过程。
生成词袋模型的过程
在检测某种类型的电机设备前，先需要基于该类型的电机设备的声音信号样本生成该类型对应的词袋模型。所述词袋模型包括多个类别，所述多个类别中的每个类别对应一个高斯分布以及该高斯分布的权重，即每个类别是由一个高斯分布以及该高斯分布的权重确定的。所述词袋模型是根据所述类型对应的短时特征组样本得到的。
其中，类型用于区别不同的电机设备。例如，空调，洗衣机，机床等属于不同的类型。
如图3所示，控制器202生成某种类型对应的词袋模型的过程如下。
在步骤301中，获取所述类型对应的短时特征组样本。
该类型对应的短时特征组样本是指属于该类型的电机设备的样本信号的短时特征组。其中，该类型可以是任意一种类型。样本信号可以是从该类型的任意电机设备采集的声音信号。
在一个实施方式中，属于该类型的电机设备的样本信号的短时特征组，是由网络管理员发送给控制器202的。
在另一个实施方式中，该短时特征组样本是由控制器202生成的。在这种情况下，控制器202采集第一类型的电机设备的声音样本信号，并根据该声音样本信号得到一个或多个信号帧，然后生成每个信号帧的短时特征组，将该生成的短时特征组作为短时特征组样本。
例如，需要通过检测空调的声音来判断空调是否异常时，则控制器202需要预先采集空调的多个声音样本信号，该多个声音样本信号通常来自不同的空调，且该多个声音样本信号包括不同种类的声音样本信号，例如包括正常的声音样本信号和异常的声音样本信号，或者包括三种以上的声音样本信号。每个声音样本信号是一段连续的声音。对于每个声音样本信号，控制器202从该声音样本中确定至少一个信号帧，生成该至少一个信号帧中的每个信号帧的短时特征组。
一个信号帧i的短时特征组可表示为：
Figure BDA0001644102290000081
其中
Figure BDA0001644102290000082
至
Figure BDA0001644102290000083
分别对应该信号帧i的Y个声学指标，该Y个声学指标的每个声学指标可以根据不同的公式计算得到。在一个实施方式中，所述Y个声学指标为根据以下公式(1)至公式(8)确定的8个声学指标中的一个或多个。
Figure BDA0001644102290000084
公式(1)用于计算信号帧的声谱质心(spectral centroid，SC)，SC是在数字信号处理中使用的用于描述声谱特征的测量指标，其指示频谱的质心(center of mass)在哪里。声谱质心与感觉到的声音强度(brightness)之间有较强的联系。
Figure BDA0001644102290000085
公式(2)用于计算信号帧的声谱扩散(spectral spread，SSP)，SSP用于指示围绕声谱的平均值的扩散的程度。
Figure BDA0001644102290000086
公式(3)用于计算声谱偏斜度(spectral skewness，SSK)，SSK用于指示围绕声谱的平均值的不对称分布的程度。
Figure BDA0001644102290000087
公式(4)用于计算声谱峰度(spectral kurtosis，SKU)，SKU用于指示围绕声谱的平均值的扁平化分布的程度。
Figure BDA0001644102290000088
公式(5)用于计算声谱通量(spectral flux，SF)，SF用于指示声谱的变化程度。
上述公式(1)到公式(5)用于确定信号帧的频域特征。在公式(1)到公式(4)中，N表示对信号帧进行快速傅里叶变换后产生的频率数目，f(n)表示第n个频率的频率值，X(n表示第n个频率对应的幅值大小。在公式(5)中，Xi(n)和Xi-1(n)分别表示第i和i-1个信号帧相应频率对应的幅值。
进一步地，本申请还可以根据公式(6)和公式(7)确定每个信号帧的能量特征。
Figure BDA0001644102290000091
公式(6)用于计算音量(volume，V)。
Figure BDA0001644102290000092
公式(7)用于计算能量(energy，E)。
Figure BDA0001644102290000093
进一步地，本申请还可以根据公式(8)确定每个信号帧的过零率，该过零率为信号帧的时域特征中的一种。
公式(8)用于计算过零率(zero-crossing rate，ZCR)，ZCR用于统计信号帧里的符号变化率。其中，公式(6)到公式(8)中的L为信号帧的数量，L大于等于1，公式(8)中x(i)为各个采样点的信号值，sgn(x(i))为各个采样点信号值的符号。
以上列举了信号帧的部分声学指标，本领域技术人员还可以根据需要确定该信号帧的其他声学指标，例如，声谱降度(spectral slope)等，并将该声学指标添加到该信号帧的短时特征组中，本申请不予限制。
在步骤302中，将该短时特征组样本添加到该类型对应的第一样本库中。
其中，该第一样本库用于存储该类型的短时特征组样本。
在步骤303中，分析该第一样本库中的所有短时特征组样本，得到K个类别。
当达到设定条件时，控制器202执行步骤303。其中，该设定条件可以是该第一样本库中短时特征组样本的数量达到设定的数量，例如，1000条；或者是距离上一次生成所述第一类型对应的词袋模型的时间超过设定的时间，例如，一星期；或者是上一次生成所述第一类型对应的词袋模型后新增的短时特征组样本的数量达到设定的数量，例如，500条，等。
在一个实施方式中，控制器202根据聚类算法分析该第一样本库中的所有短时特征组样本，得到该K个类别。
在一个实施方式中，所述K大于等于2，所述K个类别中的每个类别可通过公式(9)表示。
wj＝(aj，N(μj，∑j)) (9)
公式(9)表示该K个类别中的第j个类别是由对应的高斯分布N(μj，∑j)和该高斯分布的权重值aj确定的，即N(μj，∑j)为第j个类别对应的高斯分布，aj为高斯分布N(μj，∑j)的权重值，j＝1，…，K。其中，μj和∑j是第j个高斯分布的参数。该K个类别的权重值a1到aK的和为1。
在步骤304中，根据该K个类别生成该类型对应的词袋模型。
所述词袋模型包括该K个类别，控制器202可以将该第一类型对应的词袋模型记为B＝[w1，…，wi，…wK]，每个类别可以被看成该词袋模型中的一个单词。
通过上述方式，控制器202即可为每个类型的电机设备生成对应的词袋模型。相应地，控制器202存储该词袋模型与该类型的对应关系。
生成检测规则的过程
本申请中，不同类型的电机设备对应不同的检测规则，即每个检测规则用于检测一种类型的电机设备。某个类型的检测规则是根据该类型对应的长时特征组样本得到的。该检测规则可以有不同的表现形式。
在一个实施方式中，该检测规则可以为检测表，该检测表中的每个表项包括标记与长时特征组的对应关系，该标记例如可以包括正常或异常，或者该标记用于表示不同的声音类型，该声音类型例如可以包括正常音，摩擦音，毛刺音或背景音等。该检测表可以是控制器202从另一设备获取的，也可以是管理员配置给控制器202的，或者由控制器202生成的。当控制202生成检测表时，控制器202获取多个长时特征组样本，分析该多个长时特征组样本得到分析结果，根据该分析结果生成该检测表。其中，每个长时特征组样本包括长时特征组和对应的标记。
例如，控制器202获取到了10个样本，分别是{长时特征组1，标记1}，{长时特征组2，标记1}，{长时特征组3，标记1}，{长时特征组4，标记2}，{长时特征组5，标记2}，{长时特征组6，标记2}，{长时特征组7，标记3}，{长时特征组8，标记3}，{长时特征组9，标记3}和{长时特征组10，标记3}。控制器202经过分析，确定长时特征组1，长时特征组2和长时特征组3均对应到标记1，且长时特征组1和长时特征组3均和长时特征组2的偏差最小，因此，控制器202根据样本{长时特征组1，标记1}，{长时特征组2，标记1}和{长时特征组3，标记1}生成检测规则{长时特征组2，标记1}，类似地，控制器202根据样本{长时特征组4，标记2}，{长时特征组5，标记2}和{长时特征组6，标记2}，生成检测规则{长时特征组5，标记2}，根据样本{长时特征组7，标记3}，{长时特征组8，标记3}，{长时特征组9，标记3}和{长时特征组10，标记3}生成检测规则{长时特征组9，标记3}。然后，控制器202根据检测规则{长时特征组2，标记1}，{长时特征组5，标记2}和{长时特征组9，标记3}生成检测表，即该检测表包括三条检测规则。
在另一个实施方式中，该检测规则是由控制器202根据第二样本库中的长时特征组样本训练机器学习算法的初始规则得到的。具体来说，控制器202将该第二样本库中的长时特征组样本输入该机器学习算法，该机器学习算法运行时根据输入的长时特征组样本自动调整该机器学习算法的初始规则，并最终生成对应于该第二样本库的检测规则。学习得到的检测规则能够对长时特征组分类。不同的机器学习算法对应的初始规则不同。上述机器学习算法例如可以是逻辑回归(logistic regression)算法，支持向量机(supportvector machine，SVM)，决策树(decision tree)等。本申请不限定使用的机器学习算法及其初始规则。
当某个类型的电机设备对应的检测规则是由控制器202训练得到的时，如图4所示，控制器202生成某个类型对应的检测规则的过程如下。
在步骤401中，获取初始规则。
如前所述，任何能够进行机器学习的算法都可以用于实现本申请中的技术方案。根据所使用的机器学习算法的不同，该初始规则不同。该初始规则为至少部分参数可以调整的检测模型或检测函数。
在步骤402中，获取所述类型对应的长时特征组样本。
所述类型对应的长时特征组样本包括所述类型的电机设备的样本信号对应的长时特征组及该长时特征组的标记。其中，所述类型为任意类型，该样本信号为声音信号。
在训练检测规则之前，通常需要针对每种类型的电机设备采集大量的样本信号，并生成每个样本信号的长时特征组以及该长时特征组对应的标记，并将该长时特征组和该标记作为一个长时特征组样本添加到第二样本库中。一个长时特征组对应的标记用于指示生成该长时特征组的样本信号的类型。该样本信号的类型可以根据需要设置。在一个实施方式中，仅需要检测出待检测电机设备的声音信号是正常还是异常，则只需要标记每个长时特征组是正常(例如，用1来标记)还是异常(例如，用0来标记)。在另一个实施方式中，需要检测出待检测电机设备的声音信号的具体种类，则需要标记每个长时特征组对应的样本信号是正常音(例如，用000来标记)，摩擦音(例如，用001来标记)，毛刺音(例如，用110来标记)，还是异物音(例如，用010来标记)等。
在一个实施方式中，第一类型对应的长时特征组样本是由网络管理员发送给控制器202的。
在另一个实施方式中，第一类型对应的长时特征组样本是由控制器202生成的，控制器202采集第一类型的电机设备的样本信号，生成该样本信号的长时特征组后，将该长时特征组和该样本信号发送给管理系统203，管理系统203确定该样本信号的种类(例如，是异常还是正常，是摩擦音还是毛刺音等)，并根据该样本信号的种类为该长时特征组添加标记，然后，管理系统203将该长时特征组及该长时特征组对应的标记发送给控制器202，控制器202将该长时特征组和该标记作为一个长时特征组样本添加到第二样本库中。
在一个实施方式中，控制器202通过公式(10)来生成样本信号的长时特征组H＝(h1，…，hj，…，hK)。…
Figure BDA0001644102290000111
其中hj为根据词袋模型中的第j个类别生成的样本信号的长时特征；K为词袋模型中类别的数量，L为样本信号划分出的信号帧的数量，vi为样本信号中第i个信号帧对应的短时特征组。aj为词袋模型中第j个类别对应的权重值，p(vi|μj，∑j)为第j个类别对应的高斯分布N(μj，∑j)对应的概率密度函数，指短时特征组vi出现在高斯分布N(μj，∑j)中的概率。
在步骤403中，将该长时特征组样本添加到该类型对应的第二样本库中。
控制器202将收集的样本信号的长时特征组及对应的标记作为一个长时特征组样本存储在该类型对应的第二样本库中。
在步骤404中，根据该第二样本库中的所有长时特征组样本训练该初始规则得到该类型对应的检测规则。
控制器202在达到设定条件时执行步骤404，该设定条件可以是该第二样本库中的长时特征组样本的数量达到设定的数量，例如，10000条；或者是距离上一次训练该初始规则的时间超过设定的时间，例如，一个月，等；或者是上一次训练该初始规则后第二样本库新增的长时特征组样本的数量达到设定的数量，例如，800条，等。
当达到设定条件后，控制器202将该第一类型对应的第二样本库中记录的长时特征组样本逐个输入所述初始规则对应的机器学习算法，所述机器学习算法通过学习所述第二样本库中的长时特征组样本调整所述初始规则，得到适用于所述第一类型对应的电机设备的检测规则，即完成所述检测规则的训练。
电机设备的检测方法
请参见图5，为本申请实施例提供一种电机设备检测方法。
在步骤501中，管理系统203向边缘网关201发送待检测电机设备的类型。
相应地，边缘网关201接收该待检测电机设备的类型。
该管理系统203可以是任何能够提供本申请实施例相关功能的硬件设备或软件系统。该管理系统203还可以是管理员。管理系统203可以通过消息或命令行的方式向边缘网关201发送待检测电机设备的类型。
其中，所述类型可以由类型编码表示。其中，不同类型的电机设备对应不同的类型编码，例如，空调对应的类型编码为0101，洗衣机对应的类型编码为0010，数码车床对应的类型编码为1101。类型编码还可以是其他的形式，例如，八比特或十六比特的二进制编码。
所述类型可以对应一个或多个待检测电机设备。
在步骤502中，边缘网关201从控制器202获取所述类型对应的词袋模型。
如前所述，控制器202预先为不同类型的电机设备生成了对应的词袋模型。边缘网关201可以向控制器202发送第一请求消息，该第一请求消息中包括类型，用于请求所述类型对应的词袋模型。控制器202收到该第一请求消息后，确定所述类型对应的词袋模型，并向边缘网关201发送第一响应消息，该第一响应消息包括该词袋模型和该类型。边缘网关201收到该第一响应消息后，从该第一响应消息中获取该词袋模型。
在步骤503中，边缘网关201从控制器202获取所述类型对应的检测规则。
如前所述，控制器202中存储有不同类型对应的检测规则。边缘网关201可以向控制器202发送第二请求消息，该第二请求消息中包括所述类型，用于请求所述类型对应的检测规则。控制器202收到该第二请求消息后，确定所述类型对应的检测规则，并向边缘网关201发送第二响应消息，该第二响应消息包括该检测规则和该类型。边缘网关201收到该第二响应消息后，从该第二响应消息中获取该检测规则。
其中，步骤502和503没有顺序限制，并且，在另一个实现方式中，步骤502和503也可以实现为一个步骤。例如，边缘网关201向控制器202发送请求消息，所述请求消息包括所述类型，所述请求消息用于向控制器202请求所述类型对应的词袋模型和检测规则。控制器202收到所述请求消息后，将所述类型对应的词袋模型和检测规则发送给边缘网关201。
在步骤504中，边缘网关201采集该待检测电机设备的待检测信号，生成所述待检测信号的信号特征。
其中，该待检测电机设备可以是一个或多个。在一个实施方式中，管理系统203还向边缘网关201发送待检测电机设备的标识，则边缘网关201获取该标识对应的待检测电机设备的待检测信号。管理系统203可以同时向边缘网关201发送该待检测电机设备的类型和标识，也可以向边缘网关201分别发送该待检测设备的类型和标识，且发送该待检测设备的类型和标识的顺序不受限制。在另一个实施方式中，边缘网关201采集边缘网关201能够感知到的该类型对应的每个待检测电机设备的待检测信号。
所述待检测信号的信号特征包括所述待检测信号中每个信号帧的短时特征组，边缘网关201获取所述待检测电机设备的信号特征包括：边缘网关201将所述待检测信号分为至少一个信号帧，分别生成所述至少一个信号帧中每个信号帧的短时特征组。
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设备的待检测信号，例如待检测电机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设备的待检测信号。
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设备上的。边缘网关201也可以通过麦克风采集待检测电机设备的音频信号，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。
在步骤505中，边缘网关201根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备，得到检测结果。
在一个实施方式中，所述信号特征包括所述待检测信号中每个信号帧的短时特征组，边缘网关201根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备包括：
边缘网关201根据所述每个信号帧的短时特征组以及所述词袋模型中的每个类别，生成所述待检测信号的长时特征组；
边缘网关201根据所述长时特征组和所述检测规则检测所述待检测电机设备的状态。
在一个实施方式中，所述检测规则为检测表，边缘网关201用该长时特征组匹配该检测表中的长时特征组，得到匹配的表项，根据该匹配的表项中的标记确定该待检测信号的种类，进而确定该待检测电机设备的状态。其中，匹配的表项是指该表项中的长时特征组与该待检测信号的长时特征组相同、属于同一个高斯分布或相似度满足预设的条件。
在另一个实施方式中，所述检测规则为检测模型或检测函数，边缘网关201将该长时特征组输入该检测模型或检测函数，将所述检测模型或检测函数的输出作为所述待检测电机设备的状态。在本申请一个实施方式中，边缘网关201根据上述公式(10)生成所述词袋模型中每个类别对应的所述待检测信号的长时特征hj；其中，vi为所述待检测信号的第i个信号帧对应的短时特征组，aj为词袋模型中第j个类别对应的权重值，p(vi|μj，∑j)为第j个类别对应的高斯分布N(μj，∑j)的概率密度函数；根据所述每个类别对应的所述待检测信号的长时特征，得到所述待检测信号的长时特征组H＝(h1，…，hj，…，hK)。具体地，边缘网关201组合所述每个类别对应的所述待检测信号的长时特征，得到所述待检测信号的长时特征组H＝(h1，…，hj，…，hK)。
所述检测结果包括所述类型、所述待检测电机设备的标识、所述长时特征组以及所述长时特征组对应的第一标记。所述第一标记用于指示所述待检测电机设备的状态。举例来说，所述状态包括所述待检测电机设备是否正常或所述待检测电机设备的所述待检测信号属于哪种类型的声音。
在步骤506中，边缘网关201向管理系统203发送该检测结果。
当边缘网关201采集的是多个待检测电机设备的待检测信号时，边缘网关201分别对该多个待检测电机设备的待检测信号执行步骤504至步骤506。
此外，当该检测结果中的第一标记指示该待检测电机设备的状态异常时，边缘网关201除向管理系统发送该检测结果外，还向管理系统203发送该待检测信号。该待检测电机设备的状态异常可以是该第一标记指示异常或该第一标记指示除正常音之外的任何种类的声音。
在步骤507中，管理系统203分析该检测结果。
在一个实施方式中，当该检测结果中的第一标记指示该待检测电机设备的状态异常时，管理系统203还接收边缘网关201发送的待检测信号，所述分析该检测结果包括：管理系统203根据所述待检测信号确定所述第一标记指示的该待检测电机设备的状态是否准确。
例如，管理系统203采用人工听音的方式确定所述待检测信号的类型，并根据确定的类型确定所述第一标记指示的该待检测电机设备的状态是否准确。
在步骤508中，管理系统203将所述类型、所述长时特征组以及所述长时特征组对应的第二标记发送给控制器202。
在一个实施方式中，当所述第一标记准确指示所述待检测电机设备的状态时，管理系统直接将所述类型、所述长时特征组以及所述长时特征组对应的第一标记发送给控制器202，当所述第一标记没有准确指示所述待检测电机设备的状态时，管理系统203确定所述待检测电机设备的状态，根据所述管理系统确定的所述待检测电机设备的状态将所述长时特征组对应的第一标记修改为第二标记，并将所述类型，所述长时特征组以及所述第二标记发送给控制器202。即，当该检测结果准确时，该第二标记与该第一标记相同；当该检测结果不准确时，该第二标记与该第一标记不同。
例如，边缘网关201采集到空调A的待检测信号后，生成该待检测信号的每个信号帧的短时特征组，并根据该待检测信号的每个信号帧的短时特征组和从控制器202获取的0101(空调的类型编码)对应的词袋模型生成该待检测信号的长时特征组，将该长时特征组输入0101对应的检测模型，该检测模型经过检测，输出的检测结果中该长时特征组对应的标记为0，即该长时特征组对应的待检测信号为异常信号。边缘网关201将空调A的标识，该长时特征组以及该长时特征组的标记0发送给管理系统203，管理系统203经过专家确认，如果发现空调A故障了，表明该检测规则输出的检测结果是准确的，管理系统203直接将类型0101，该长时特征组以及对应的标记0发送给控制器202,。如果管理系统203发现空调A是正常的，表明检测规则输出的检测结果不准确，管理系统203将该长时特征组的标记从0修改为1，并将类型0101，该长时特征组以及对应的标记1发送给控制器202。
在步骤509中，控制器202根据收管理系统203发送的所述类型、所述长时特征组以及所述长时特征组对应的第二标记更新该检测规则。
如前所述，控制器202接收的该长时特征组的第二标记可能是边缘网关201向管理系统203发送的，也可能是管理系统203收到边缘网关202发送的第一标记后修改过的。
控制器202接收到管理系统203发送的所述类型，所述长时特征组以及所述长时特征组对应的第二标记后，可以直接根据该类型对应的第二样本库中的长时特征组样本和该长时特征组以及所述第二标记更新该类型对应的检测规则，也可以在该类型对应的第二样本库中存储该长时特征组以及该第二标记，并在该第二样本库满足设定的条件时，更新该检测规则。
其中，更新该检测规则的过程可以参考上述生成该检测规则的过程。
在步骤510中，边缘网关201向控制器202发送所述信号特征以及所述类型。
在一个实施方式中，边缘网关201在获取到所述信号特征后即向控制器202发送所述信号特征和所述类型。在另一个实施方式中，边缘网关201存储所述信号特征与所述类型，当所述类型对应的信号特征满足一定条件(例如，所述类型对应的信号特征达到一定数量)时，边缘网关201将所述类型对应的包括所述信号特征的所有信号特征发送给控制器202。
在步骤511中，控制器202根据所述信号特征更新所述词袋模型。
在一个实施方式中，控制器202收到所述信号特征以及所述类型后，立即根据所述类型对应的第一样本库，所述信号特征以及所述类型更新所述词袋模型；在另一个实施方式中，控制器202收到所述信号特征以及所述类型后，在所述类型对应的第一样本库中存储所述信号特征中的短时特征组，当所述类型对应的第一样本库满足一定条件(例如，第一样本库中的短时特征组样本达到一定数量，或距离上次更新所述词袋模型超过一定时间)时，控制器202根据所述类型对应的第一样本库中的所有短时特征组更新所述词袋模型。
其中，更新词袋模型的过程可以参考上述生成词袋模型的过程。
本申请中，步骤508-511之间没有执行顺序的限制，并且，步骤510和511可以在步骤504后的任意时刻执行。
本申请实施例提供的电机设备检测方法，可以应用在电机设备出厂之前，例如在电机设备出厂前，对电机设备进行异常检测，若不存在异常，则将电机设备送入包装线，经包装后出厂。若存在异常，则将电机设备送入维修线，以完成对电机设备的维修。本申请实施例提供的电机设备检测方法也可以应用在电机设备出厂之后，例如对电机设备的健康检测，以确保电机设备安全、可靠地运行。
本申请实施例提供的电机设备检测方法，利用了声音信号的各种能够为不同类型的电机设备生成不同的词袋模型和检测规则，提高了异常检测的准确性。
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6示出了一种电机设备检测装置600的结构示意图，该电机设备检测装置600可以为上述边缘网关201或其组成部分。该电机设备检测装置600可以实现图3、图4或图5所示的实施例中的边缘网关的功能。该电机设备检测装置600可以包括：
接收单元601，用于接收待检测电机设备的类型；在一个实施方式中，接收单元601用于支持该电机设备检测装置600实现图5中的步骤501。
获取单元602，用于从控制器获取所述类型对应的词袋模型和所述类型对应的检测规则；所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的；所述检测规则是根据所述类型对应的长时特征组样本得到的；在一个实施方式中，获取单元602用于支持该电机设备检测装置600实现图5中的步骤502和503。
采集单元603，用于采集所述待检测电机设备的待检测信号；在一个实施方式中，采集单元603用于支持该电机设备检测装置600实现图5中的步骤504中的采集功能。
生成单元604，用于生成所述待检测信号的信号特征；在一个实施方式中，生成单元604用于支持该电机设备检测装置600实现图5中的步骤504中的生成功能。
检测单元605，用于根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备，得到检测结果；在一个实施方式中，检测单元605用于支持该电机设备检测装置600实现图5中的步骤505。
图6中所示的管理系统、控制器和待检测设备为在一定条件下与电机设备检测装置600通信的设备，用于支持电机设备检测装置600的各组成部分实现相应的功能，并不构成对电机设备检测装置600的限制。
图7示出了一种电机装置检测装置700的结构示意图。该装置700可以是上述控制器201或者控制器201的组成部分。该电机设备检测装置700可以实现图3、图4或图5所示的实施例中的控制器的功能。如图7所示，该电机设备检测装置700包括：
通信单元701，用于接收边缘网关发送的请求消息，所述请求消息包括待检测电机设备的类型；在一个实施方式中，通信单元701用于支持该电机设备检测装置700实现图5中的步骤502和503。
存储单元702，用于存储所述类型对应的词袋模型和检测规则；
所述通信单元701，还用于向所述边缘网关发送所述类型对应的词袋模型和检测规则；
所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的；
所述检测规则是根据所述类型对应的长时特征组样本得到的；
所述词袋模型和所述检测规则用于检测所述待检测电机设备。
可选地，该装置700还包括：
第一获取单元703，用于获取所述短时特征组样本；在一个实施方式中，第一获取单元703用于支持该电机设备检测装置700实现图3中的步骤301。
第一样本库704，用于存储所述短时特征组样本；在一个实施方式中，第一样本库704用于支持该电机设备检测装置700实现图3中的步骤302。
第一生成单元705，用于分析该第一样本库704中的所有短时特征组样本，得到所述K个类别；根据所述K个类别生成所述词袋模型。在一个实施方式中，第一生成单元705用于支持该电机设备检测装置700实现图3中的步骤303和304。
可选地，该装置700还包括：
第二获取单元706，用于获取初始规则；在一个实施方式中，第二获取单元706用于支持该电机设备检测装置700实现图4中的步骤401。
第三获取单元707，用于获取所述类型对应的长时特征组样本，每个长时特征组样本包括一个长时特征组和所述长时特征组对应的标记；在一个实施方式中，第三获取单元707用于支持该电机设备检测装置700实现图4中的步骤402。
第二样本库708，用于存储所述长时特征组样本；在一个实施方式中，第二样本库708用于支持该电机设备检测装置700实现图4中的步骤403。
第二生成单元709，用于根据所述第二样本库中的所有长时特征组样本训练所述初始规则得到所述检测规则；在一个实施方式中，第二生成单元709用于支持该电机设备检测装置700实现图4中的步骤404。
图7中所示的管理系统和边缘网关为在一定条件下与电机设备检测装置700通信的设备，，用于支持电机设备检测装置700的各组成部分实现相应的功能，并不构成对电机设备检测装置700的限制。
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应用到图6或图7中对应功能模块的功能描述，在此不再赘述。图8示出了一种边缘网关800的结构示意图。该边缘网关800的一个实施方式中，包括采集器801、处理器802、通信接口803和存储器804，采集器801、通信接口803和存储器804通过总线(图8中的粗实线)耦合至处理器802。
采集器801可以是音频采集设备，例如声音传感器或麦克风。
处理器802可以是中央处理器(central processing unit，CPU)，网络处理器(network processor，NP)或者CPU和NP的组合。处理器802还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic,GAL)或其任意组合。
通信接口803可以为有线通信接入口，无线通信接口或其组合，其中，有线通信接口例如可以为以太网接口。以太网接口可以是光接口，电接口或其组合。无线通信接口可以为无线局域网(wireless local area network，WLAN)接口。
存储器804可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器也可以包括非易失性存储器(non-volatilememory)，例如快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)；存储器804还可以包括上述种类的存储器的组合。
可选地，存储器804存储程序代码，处理器802通过调用该程序代码可以执行前述图5所示的实施例提供的电机设备检测方法中由边缘网关执行的功能。
应理解，图6中各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。
例如，接收单元601的功能可以由处理器802控制一个通信接口803实现；获取单元602的功能可以由处理器802控制另一个通信接口803实现；采集单元603的功能可以由采集器901实现；生成单元604和检测单元605的功能可以由控制器802实现。
图9示出了一种控制器900的结构示意图。该控制器900包括通信接口901、处理器902和存储器903，通信接口901和存储器903通过总线(图9中的粗实线)耦合至处理器902。其中，通信接口901可以参考对通信接口801的描述；处理器902可以参考对处理器802的描述。存储器903可以参考对存储器804的描述。
存储器903存储程序代码，处理器902通过调用该程序代码可以执行前述图3-图5所示的各方法中由控制器202执行的功能。
应理解，图6中各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。
例如，通信单元701的功能可以由处理器901控制与边缘网关通信的通信接口902实现；存储单元702的功能可以由一个存储器903实现；第一获取单元703可以由处理器901控制另一个通信接口902实现，或者由处理器901实现；第一样本库704可以由另一个存储器903实现；第一生成单元705、第二获取单元706和第二生成单元709可以由处理器901实现；第三获取单元707可以由处理器901控制与管理系统通信的另一个通信接口902；第二样本库708可以由再一个存储器903实现。在另一个实施方式中，存储单元702、第一样本库704和第二样本库708可以由同一个存储器903实现。
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代码，该程序代码运行时可以实现图3-图5所示的方法中由边缘网关201或控制器202执行的步骤。
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-图5所示的方法。
本申请实施例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。
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 (34)

1.一种电机设备检测方法，其特征在于，包括：
接收待检测电机设备的类型；
从控制器获取所述类型对应的词袋模型，所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的；
从所述控制器获取所述类型对应的检测规则，所述检测规则是根据所述类型对应的长时特征组样本得到的；
采集所述待检测电机设备的待检测信号，所述待检测信号为声音信号或音频信号；
生成所述待检测信号的信号特征，所述待检测信号的信号特征包括所述待检测信号中每个信号帧的短时特征组；
根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备，得到检测结果。
2.根据权利要求1所述的方法，其特征在于，
所述生成所述待检测信号的信号特征包括：
将所述待检测信号分为L个信号帧，生成所述L个信号帧中每个信号帧的短时特征组；L大于等于1；
其中，每个信号帧的短时特征组包括所述信号帧的以下声学指标中的一个或多个：声谱质心，声谱扩散，声谱偏斜度，声谱峰度，声谱通量，音量，能量和过零率。
3.根据权利要求2所述的方法，其特征在于，所述根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备包括：
根据所述每个信号帧的短时特征组以及所述词袋模型中的每个类别，生成所述待检测信号的长时特征组；
根据所述长时特征组以及所述检测规则检测所述待检测电机设备的状态。
4.根据权利要求3所述的方法，其特征在于，所述K个类别中的每个类别可通过以下公式来表示：
wj＝(aj，N(μj，∑j))
其中，wj为第j个类别，N(μj，∑j)为所述第j个类别对应的高斯分布，aj为N(μj，∑j)的权重值，j＝1，...，K。
5.根据权利要求4所述的方法，其特征在于，所述根据所述每个信号帧的短时特征组以及所述词袋模型中的每个类别，生成所述待检测信号的长时特征组包括：
根据公式
Figure FDA0003332585860000021
生成所述词袋模型中每个类别对应的所述待检测信号的长时特征；其中，hj为第j个类别对应的长时特征，vi为所述待检测信号的第i个信号帧的短时特征组，aj为词袋模型中第j个类别对应的权重值，p(vi|μj，∑j)为第j个类别对应的高斯分布N(μj，∑j)的概率密度函数；
根据所述每个类别对应的所述待检测信号的长时特征，得到所述待检测信号的长时特征组H＝(h1，…，hj，…，hK)。
6.根据权利要求3-5中任意一项所述的方法，其特征在于，所述检测规则为检测模型或检测函数，所述根据所述长时特征组以及所述检测规则检测所述待检测电机设备的状态包括：
将所述长时特征组输入所述检测模型或检测函数，将所述检测模型或检测函数的输出作为所述待检测电机设备的状态。
7.根据权利要求3-5中任意一项所述的方法，其特征在于，所述检测结果包括所述类型、所述待检测电机设备的标识、所述长时特征组以及所述长时特征组的标记，所述长时特征组的标记用于指示所述待检测电机设备的状态。
8.一种电机设备检测方法，其特征在于，包括：
接收边缘网关发送的请求消息，所述请求消息包括待检测电机设备的类型；
根据所述请求消息向所述边缘网关发送所述类型对应的词袋模型和检测规则；
所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的；
所述检测规则是根据所述类型对应的长时特征组样本得到的；
所述词袋模型和所述检测规则用于结合信号特征检测所述待检测电机设备而得到检测结果，所述信号特征为采集的所述待检测电机设备的待检测信号的信号特征，所述待检测信号的信号特征包括所述待检测信号中每个信号帧的短时特征组，所述待检测信号为声音信号或音频信号。
9.根据权利要求8所述的方法，其特征在于，还包括：
获取所述短时特征组样本；
将所述短时特征组样本添加到所述类型对应的第一样本库中；
分析所述第一样本库中的所有短时特征组样本，得到所述K个类别；
根据所述K个类别生成所述词袋模型。
10.根据权利要求8或9所述的方法，其特征在于，还包括：
获取初始规则；
获取所述类型对应的长时特征组样本，每个长时特征组样本包括一个长时特征组和所述长时特征组对应的标记；
将所述长时特征组样本添加到所述类型对应的第二样本库中；
根据所述第二样本库中的所有长时特征组样本训练所述初始规则得到所述检测规则。
11.一种电机设备检测系统，包括边缘网关和控制器，其特征在于：
所述边缘网关用于接收待检测电机设备的类型，从所述控制器获取所述类型对应的词袋模型和所述类型对应的检测规则；所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的；所述检测规则是根据所述类型对应的长时特征组样本得到的；
所述边缘网关还用于采集所述待检测电机设备的待检测信号，所述待检测信号为声音信号或音频信号，生成所述待检测信号的信号特征，所述待检测信号的信号特征包括所述待检测信号中每个信号帧的短时特征组；根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备，得到检测结果。
12.根据权利要求11所述的系统，其特征在于：
所述待检测信号包括L个信号帧，所述信号特征包括所述L个信号帧中每个信号帧的短时特征组；
每个信号帧的短时特征组包括所述信号帧的以下声学指标中的一个或多个：声谱质心，声谱扩散，声谱偏斜度，声谱峰度，声谱通量，音量，能量和过零率。
13.根据权利要求12所述的系统，其特征在于，在根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备时，所述边缘网关用于根据所述每个信号帧的短时特征组以及所述词袋模型中的每个类别，生成所述待检测信号的长时特征组；根据所述长时特征组以及所述检测规则检测所述待检测电机设备的状态。
14.根据权利要求13所述的系统，其特征在于，所述K个类别中的每个类别可通过以下公式来表示：
wj＝(aj，N(μj，∑j))
其中，wj为第j个类别，N(μj，∑j)为所述第j个类别对应的高斯分布，aj为N(μj，∑j)的权重值，j＝1，...，K。
15.根据权利要求14所述的系统，其特征在于，所述边缘网关用于：
根据公式
Figure FDA0003332585860000031
生成所述词袋模型中每个类别对应的所述待检测信号的长时特征；其中，hj为第j个类别对应的长时特征，vi为所述待检测信号的第i个信号帧的短时特征组，aj为词袋模型中第j个类别对应的权重值，p(vi|μj，∑j)为第j个类别对应的高斯分布N(μj，∑j)的概率密度函数；
根据所述每个类别对应的所述待检测信号的长时特征，得到所述待检测信号的长时特征组H＝(h1，…，hj，…，hK)。
16.根据权利要求11-15中任意一项所述的系统，其特征在于，所述控制器用于：
获取所述类型对应的短时特征组样本；
将所述短时特征组样本添加到所述类型对应的第一样本库中；
分析所述第一样本库中的所有短时特征组样本，得到所述K个类别；
根据所述K个类别生成所述词袋模型。
17.根据权利要求12-15中任意一项所述的系统，其特征在于：
所述边缘网关还用于向所述控制器发送所述信号特征；
所述控制器还用于根据所述信号特征中的每个短时特征组更新所述词袋模型。
18.根据权利要求11-15中任意一项所述的系统，其特征在于，所述控制器还用于：
获取初始规则；
获取所述类型对应的长时特征组样本，每个长时特征组样本包括一个长时特征组和所述长时特征组对应的标记；
将所述长时特征组样本添加到所述类型对应的第二样本库中；
根据所述第二样本库中的所有长时特征组样本训练所述初始规则得到所述检测规则。
19.根据权利要求18所述的系统，其特征在于，所述检测结果包括所述类型、所述待检测电机设备的标识、所述待检测信号的长时特征组以及所述长时特征组的第一标记，
所述边缘网关还用于向管理系统发送所述检测结果；
所述控制器还用于接收所述管理系统发送的所述类型、所述长时特征组以及所述长时特征组对应的第二标记，并根据所述类型、所述长时特征组以及所述第二标记更新所述检测规则；
当所述第一标记准确指示所述待检测电机设备的状态时，所述第二标记与所述第一标记相同；
当所述第一标记没有准确指示所述待检测电机设备的状态时，所述第二标记为所述管理系统修改后的标记。
20.一种电机设备检测装置，其特征在于，包括：
接收单元，用于接收待检测电机设备的类型；
获取单元，用于从控制器获取所述类型对应的词袋模型和所述类型对应的检测规则；所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的；所述检测规则是根据所述类型对应的长时特征组样本得到的；
采集单元，用于采集所述待检测电机设备的待检测信号，所述待检测信号为声音信号或音频信号；
生成单元，用于生成所述待检测信号的信号特征，所述待检测信号的信号特征包括所述待检测信号中每个信号帧的短时特征组；
检测单元，用于根据所述词袋模型、所述检测规则以及所述信号特征检测所述待检测电机设备，得到检测结果。
21.根据权利要求20所述的装置，其特征在于，所述待检测信号的信号特征包括所述待检测信号中每个信号帧的短时特征组，所述生成单元用于：
将所述待检测信号分为L个信号帧，生成所述L个信号帧中每个信号帧的短时特征组；L大于等于1；
其中，每个信号帧的短时特征组包括所述信号帧的以下声学指标中的一个或多个：声谱质心，声谱扩散，声谱偏斜度，声谱峰度，声谱通量，音量，能量和过零率。
22.根据权利要求21所述的装置，其特征在于，所述检测单元用于：
根据所述每个信号帧的短时特征组以及所述词袋模型中的每个类别，生成所述待检测信号的长时特征组；
根据所述长时特征组以及所述检测规则检测所述待检测电机设备的状态。
23.根据权利要求22所述的装置，其特征在于，所述K个类别中的每个类别可通过以下公式来表示：
wj＝(aj，N(μj，∑j))
其中，wj为第j个类别，N(μj，∑j)为所述第j个类别对应的高斯分布，aj为N(μj，∑j)的权重值，j＝1，...，K。
24.根据权利要求23所述的装置，其特征在于，当根据所述每个信号帧的短时特征组以及所述词袋模型中的每个类别，生成所述待检测信号的长时特征组时，所述检测单元用于：
根据公式
Figure FDA0003332585860000051
生成所述词袋模型中每个类别对应的所述待检测信号的长时特征；其中，hj为第j个类别对应的长时特征，vi为所述待检测信号的第i个信号帧的短时特征组，aj为词袋模型中第j个类别对应的权重值，p(vi|μj，∑j)为第j个类别对应的高斯分布N(μj，∑j)的概率密度函数；
根据所述每个类别对应的所述待检测信号的长时特征，得到所述待检测信号的长时特征组H＝(h1，…，hj，…，hK)。
25.根据权利要求22-24中任意一项所述的装置，其特征在于，所述检测规则为检测模型或检测函数，当根据所述长时特征组以及所述检测规则检测所述待检测电机设备的状态时，所述检测单元用于：
将所述长时特征组输入所述检测模型或检测函数，将所述检测模型或检测函数的输出作为所述待检测电机设备的状态。
26.根据权利要求22-24中任意一项所述的装置，其特征在于，所述检测结果包括所述类型、所述待检测电机设备的标识、所述长时特征组以及所述长时特征组的第一标记，所述长时特征组的第一标记用于指示所述待检测电机设备的状态。
27.一种电机设备检测装置，其特征在于，包括：
通信单元，用于接收边缘网关发送的请求消息，所述请求消息包括待检测电机设备的类型；
存储单元，用于存储所述类型对应的词袋模型和检测规则；
所述通信单元，还用于向所述边缘网关发送所述类型对应的词袋模型和检测规则；
所述词袋模型包括K个类别，所述K个类别中的每个类别对应一个高斯分布以及所述高斯分布的权重，K大于等于2；所述词袋模型是根据所述类型对应的短时特征组样本得到的；
所述检测规则是根据所述类型对应的长时特征组样本得到的；
所述词袋模型和所述检测规则用于结合信号特征检测所述待检测电机设备而得到检测结果，所述信号特征为采集的所述待检测电机设备的待检测信号的信号特征，所述待检测信号的信号特征包括所述待检测信号中每个信号帧的短时特征组，所述待检测信号为声音信号或音频信号。
28.根据权利要求27所述的装置，其特征在于，还包括：
第一获取单元，用于获取所述短时特征组样本；
第一样本库，用于存储所述短时特征组样本；
第一生成单元，用于分析所述第一样本库中的所有短时特征组样本，得到所述K个类别；根据所述K个类别生成所述词袋模型。
29.根据权利要求27或28所述的装置，其特征在于，还包括：
第二获取单元，用于获取初始规则；
第三获取单元，用于获取所述类型对应的长时特征组样本，每个长时特征组样本包括一个长时特征组和所述长时特征组对应的标记；
第二样本库，用于存储所述长时特征组样本；
第二生成单元，用于根据所述第二样本库中的所有长时特征组样本训练所述初始规则得到所述检测规则。
30.一种边缘网关，其特征在于，包括：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权利要求1-7任意一项所述的方法。
31.一种控制器，其特征在于，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权利要求8-10任意一项所述的方法。
32.一种计算机存储介质，其特征在于，所述计算机存储介质存储有用于执行如权利要求1-7或权利要求8-10中任一项所述的方法的计算机软件指令或程序代码。
33.一种芯片系统，其特征在于，所述芯片系统包括处理器，用于支持边缘网关执行权利要求1-7任意一项所述的方法。
34.一种芯片系统，其特征在于，所述芯片系统包括处理器，用于支持控制器执行权利要求8-10任意一项所述的方法。
CN201810393829.0A 2018-04-27 2018-04-27 一种电机设备检测方法、装置及系统 Active CN110411554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810393829.0A CN110411554B (zh) 2018-04-27 2018-04-27 一种电机设备检测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810393829.0A CN110411554B (zh) 2018-04-27 2018-04-27 一种电机设备检测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN110411554A CN110411554A (zh) 2019-11-05
CN110411554B true CN110411554B (zh) 2022-04-29

Family

ID=68346931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810393829.0A Active CN110411554B (zh) 2018-04-27 2018-04-27 一种电机设备检测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN110411554B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111207484B (zh) * 2019-12-13 2021-01-19 浙江大学 基于面向对象贝叶斯网络的中央空调系统故障诊断方法
CN112700790A (zh) * 2020-12-11 2021-04-23 广州市申迪计算机系统有限公司 一种idc机房声音处理方法、系统、设备及计算机存储介质
CN113422720B (zh) * 2021-06-22 2023-04-25 河北卓智电子技术有限公司 基于边缘计算网关的异常检测方法
CN113556768B (zh) * 2021-06-24 2023-04-18 石家庄学院 传感器数据异常检测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003075248A (ja) * 2001-09-07 2003-03-12 Takeshi Toi 音響振動解析方法および装置
CN102968986A (zh) * 2012-11-07 2013-03-13 华南理工大学 基于长时特征和短时特征的重叠语音与单人语音区分方法
CN105654944A (zh) * 2015-12-30 2016-06-08 中国科学院自动化研究所 一种融合了短时与长时特征建模的环境声识别方法及装置
CN106847306A (zh) * 2016-12-26 2017-06-13 华为技术有限公司 一种异常声音信号的检测方法及装置
CN107393555A (zh) * 2017-07-14 2017-11-24 西安交通大学 一种低信噪比异常声音信号的检测系统及检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003075248A (ja) * 2001-09-07 2003-03-12 Takeshi Toi 音響振動解析方法および装置
CN102968986A (zh) * 2012-11-07 2013-03-13 华南理工大学 基于长时特征和短时特征的重叠语音与单人语音区分方法
CN105654944A (zh) * 2015-12-30 2016-06-08 中国科学院自动化研究所 一种融合了短时与长时特征建模的环境声识别方法及装置
CN106847306A (zh) * 2016-12-26 2017-06-13 华为技术有限公司 一种异常声音信号的检测方法及装置
CN107393555A (zh) * 2017-07-14 2017-11-24 西安交通大学 一种低信噪比异常声音信号的检测系统及检测方法

Also Published As

Publication number Publication date
CN110411554A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110411554B (zh) 一种电机设备检测方法、装置及系统
CN110191094B (zh) 异常数据的监控方法及装置、存储介质、终端
CN109753998A (zh) 基于对抗式生成网络的故障检测方法及系统、计算机程序
CN109523752B (zh) 一种设备故障预警方法、装置、电子设备和介质
CN105376335B (zh) 一种采集数据上传方法和装置
CN107203450A (zh) 故障的分类方法和设备
CN110046633B (zh) 一种数据质量检测方法及装置
CN105116870A (zh) 空调机组的故障分析方法、装置和系统
CN108616900A (zh) 一种室内外测量报告的区分方法及网络设备
WO2024001208A1 (zh) 空调故障检测方法、装置、空调及电子设备
CN111753875A (zh) 一种电力信息系统运行趋势分析方法、装置及存储介质
CN110995153A (zh) 一种光伏电站的异常数据检测方法、装置及电子设备
CN108804574A (zh) 告警提示方法、装置、计算机可读存储介质及电子设备
CN106304084B (zh) 信息处理方法及装置
US11366178B2 (en) Method and system for diagnostics and monitoring of electric machines
CN112255548B (zh) 电池管理系统测试方法及其系统
CN116611006B (zh) 基于用户反馈的电水壶的故障识别方法及装置
EP3608848A1 (en) Method and device for use in estimating lifecycle of component
CN117170980A (zh) 一种服务器硬件异常预警方法、装置、设备及存储介质
CN116448234A (zh) 一种电力变压器运行状态声纹监测方法及系统
CN110763493A (zh) 一种故障类型的确定方法及装置
CN110826904B (zh) 风机的数据处理方法、装置、处理设备及可读存储介质
CN115372752A (zh) 故障检测方法、装置、电子设备以及存储介质
CN110220727B (zh) 一种电机类设备的异常检测方法及装置
CN111880959A (zh) 一种异常检测方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant