CN111310697A - 设备运转周期检测及健康度分析方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种设备运转周期检测及健康度分析方法、装置及其计算机存储介质，方法包括：采集目标设备运转的原始噪声，并从所述原始噪声中提取出特征值信号；将所述特征值信号转换为字符化信号；将所述字符化信号与设置的标准周期信号基于编辑距离度量方式进行模板匹配，以识别出待检测目标周期信号；对所述待检测目标周期信号进行锚点检测，以获得至少一个锚点；以每个锚点为中心，并将每个锚点向外预定长度的信号进行拼接，以获得待检测目标周期信号的特征向量；将所述特征向量与标准周期的特征向量间的欧式距离或交并比，以分析设备健康度，能够实现在不同设备、不同环境下且可以快速、低成本地对设备运转周期的监控和健康度的评分。

Description

设备运转周期检测及健康度分析方法、装置及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种设备运转周期检测及健康度分析方法、装置及存储介质。

背景技术

工业设备的运转周期检测及健康度分析是目前工业自动化迫切需要的技术，运转周期检测通过自动识别和定位设备完成每一次运转周期的时间，为设备运转状况、工作效率及产量的监控提供基础，并且为健康度分析提供必要的依据。而健康度分析则是为设备运转状态的正常与否进行评判，在及时发现设备异常以及实现设备的预测性维护等方面有着至关重要的作用。

目前对工业设备的运转周期监测通常使用传感器探测及设备内置检测硬件等方式。使用传感器探测通过在设备的某些关键位置安装传感器，令设备在每个运转周期都会触发一次传感器信号，从而获取设备完成运转周期的时间。这种方法的部署受到设备本身结构的影响很大，在不同的设备上经常需要使用完全不同的部署方案，并且由于需要进入设备内部进行安装，在某些结构较为精密的设备上往往难以实现。而通过设备内置检测硬件的方式虽然最为准确，但通常只有少数设备会在内部部署这种周期检测的功能，不具备通用性。

而在设备健康度分析方面，目前还没有较为成熟的解决方案，正在发展中的技术通常使用某种传感器监测设备运转过程中的某些参数，并结合机器学习方法分析设备运转状态的正常与否。但这些技术往往存在一个共同的问题：难以在不同设备、不同场景间通用，且对每一个新的案例，需要重新投入较大的开发成本才能解决问题。

发明内容

针对上述问题，本发明的目的在于提供一种设备运转周期检测及健康度分析方法、装置及存储介质，本发明能够实现在不同设备、不同环境下且可以快速、低成本地对设备运转周期的监控和健康度的评分。

本发明实施例提供了一种设备运转周期检测及健康度分析方法，包括：

采集目标设备运转的原始噪声，并从所述原始噪声中提取出特征值信号；

将所述特征值信号转换为字符化信号；

将所述字符化信号与设置的标准周期信号基于编辑距离度量方式进行模板匹配，以识别出待检测目标周期信号；

对所述待检测目标周期信号进行锚点检测，以获得至少一个锚点；

以每个锚点为中心，并将每个锚点向外预定长度的信号进行拼接，以获得待检测目标周期信号的特征向量；

将所述特征向量与标准周期的特征向量间的欧式距离或交并比，以分析设备健康度。

优选地，采集目标设备运转的原始噪声，并从所述原始噪声中提取出特征值信号，具体为：

采集目标设备运转的原始噪声，并计算所述原始噪声的均值、方差、高频段均值或低频段均值，以提取出特征值信号。

优选地，将所述特征值信号转换为字符化信号，具体为：

将所述特征值信号与预先设置的N个第一预设阈值进行比较，以将特征值信号划分为N+1个类别编号；

将所述N+1个类别编号分别取代所述特征值信号内容的每个点的原始幅值，以将所述特征值信号转换为字符化信号。

优选地，将所述字符化信号与设置的标准周期信号基于编辑距离度量方式进行模板匹配，以识别出待检测目标周期信号，具体为：

通过编辑距离度量方式计算字符化信号和标准周期信号之间的编辑距离；

根据所述编辑距离，获得所述字符化信号与标准周期的相似度；

并在判断所述相似度高于第二预设阈值时，则判定所述字符化信号为待检测目标周期信号。

优选地，将所述特征向量与标准周期的特征向量间的欧式距离或交并比，以分析设备健康度，具体为：

计算所述特征向量与标准周期的特征向量的欧式距离，并根据所述欧式距离，以分析所述设备健康度；其中，欧式距离越小，健康度越好；

计算所述特征向量与标准周期的特征向量的交并比，并根据所述交并比，以分析所述设备健康度；其中，交并比越大，健康度越好；欧式距离及交并比计算表达式为：tanh(常数2/(欧式距离或交并比-常数1))*100。

第二方面，本发明实施例提供了一种设备运转周期检测及健康度分析装置，包括：

特征值信号提取单元，用于采集目标设备运转的原始噪声，并从所述原始噪声中提取出特征值信号；

特征值信号转换单元，用于将所述特征值信号转换为字符化信号；

待检测目标周期信号识别单元，用于将所述字符化信号与设置的标准周期信号基于编辑距离度量方式进行模板匹配，以识别出待检测目标周期信号；

锚点检测单元，用于对所述待检测目标周期信号进行锚点检测，以获得至少一个锚点；

信号拼接单元，用于以每个锚点为中心，并将每个锚点向外预定长度的信号进行拼接，以获得待检测目标周期信号的特征向量；

健康度分析单元，用于将所述特征向量与标准周期的特征向量间的欧式距离或交并比，以分析设备健康度。

优选地，特征值信号提取单元，用于采集目标设备运转的原始噪声，并计算所述原始噪声的均值、方差、高频段均值或低频段均值，以提取出特征值信号。

优选地，特征值信号转换单元，包括：

特征值信号划分模块，用于将所述特征值信号与预先设置的N个第一预设阈值进行比较，以将特征值信号划分为N+1个类别编号；

特征值信号转换模块，用于将所述N+1个类别编号分别取代所述特征值信号内容的每个点的原始幅值，以将所述特征值信号转换为字符化信号。

优选地，待检测目标周期信号识别单元，包括：

编辑距离计算模块，用于通过编辑距离度量方式计算字符化信号和标准周期信号之间的编辑距离；

相似度获取模块，用于根据所述编辑距离，获得所述字符化信号与标准周期的相似度；

判断模块，用于并在判断所述相似度高于第二预设阈值时，则判定所述字符化信号为待检测目标周期信号。

优选地，健康度分析单元，包括：

欧式距离计算模块，用于计算所述特征向量与标准周期的特征向量的欧式距离，并根据所述欧式距离，以分析所述设备健康度；其中，欧式距离越小，健康度越好；

交并比获取模块，用于计算所述特征向量与标准周期的特征向量的交并比，并根据所述交并比，以分析所述设备健康度；其中，交并比越大，健康度越好；欧式距离及交并比计算表达式为：tanh(常数2/(欧式距离或交并比-常数1))*100。

本发明实施例还提供了一种设备运转周期检测及健康度分析设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如上述实施例所述的设备运转周期检测及健康度分析方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例所述的设备运转周期检测及健康度分析方法。

上述一个实施例中，通过对获取的原始噪声经过特征值提取、阈值分类字符串化、在编辑距离空间内进行模板匹配、捕捉噪声锚点、与标准周期比对进行误差分析等分析步骤后，能够实现在不同设备、不同环境下且可以快速、低成本地对设备运转周期的监控和健康度的评分，且能够通过修改少量参数即可在大多数周期性运转的工业设备上移植应用，且声音监控具备非接触性等优良特性，是一种适合在工业界大规模应用的设备监控方法。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的一种设备运转周期检测及健康度分析方法的流程示意图。

图2为本发明实施例提供的飞剪(目标设备)低频噪声特征示意图。

图3为本发明实施例提供的飞剪(目标设备)高频噪声特征示意图。

图4为本发明实施例提供的特征值信号分布直方图

图5为本发明实施例提供的字符化信号的示意图。

图6为本发明实施例提供的标准周期信号分布直方图。

图7为本发明实施例提供的字符化信号,编辑距离曲线,钢材加工起始时间的对比示意图。

图8为本发明实施例提供的待检测目标周期信号的特征向量与标准周期特征向量的对比示意图。

图9为本发明实施例提供的一段时期的钢材加工评分曲线的示意图。

图10为本发明实施例提供的异常时期的噪声低频特征值的示意图。

图11为本发明实施例提供的算法移植到其他案例中的第一效果演示图。

图12为本发明实施例提供的算法移植到其他案例中的第二效果演示图。

图13是本发明第二实施例提供的设备运转周期检测及健康度分析装置的结构示意图。

具体实施方式

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“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“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

请参阅图1至图5，本发明第一实施例提供了一种设备运转周期检测及健康度分析方法，其可由设备运转周期检测及健康度分析设备(以下简称“分析设备”)来执行，特别的，由分析设备内的一个或多个处理器来执行，并至少包括如下步骤：

S101，采集目标设备运转的原始噪声，并从所述原始噪声中提取出特征值信号。

在本实施例中，由于工业设备运转的原始噪声通常杂乱且难以分析，需要对其进行简单的特征值提取，以获取与设备运转状态相关的信息更加突出、更为清晰的特征值，从而能够起到较好的分析效果，如声信号特定频段成分的均值、标准差即可起到较好的分析效果。具体地，所述分析设备通过内置麦克风采集目标设备(如飞剪)的运转的原始噪声后，通过计算所述原始噪声的均值、方差、高频段均值或低频段均值，以提取出特征值信号，例如通过分析设备录制飞剪工作的原始噪声，并进行简单的均值、方差、高频段均值、低频段均值四种特征提取后，获得的是如图2和图3所示的4个通道，采样率1Hz(低频模式)，24Hz(高频模式)的特征值信号。

S102，将所述特征值信号转换为字符化信号。

S103，将所述字符化信号与设置的标准周期信号基于编辑距离度量方式进行模板匹配，以识别出待检测目标周期信号。

在本实施例中，由于编辑距离仅能用于分析以字符串为代表的离散值信号，因此，为了在编辑距离空间内进行模板匹配，需要将特征值信号转化为字符化信号，具体地，先将所述特征值信号与预先设置的N个第一预设阈值进行比较，以将特征值信号划分为N+1个类别编号，然后将所述N+1个类别编号分别取代所述特征值信号内容的每个点的原始幅值，以将所述特征值信号转换为转化为一个每一位都是0到N之间的某个数字的类似字符化信号；所述类别编号是基于数据分布划分，N个第一预设阈值会将输入特征值信号的分布范围划分成N+1段，按从小到大的顺序分别对应N+1个类别编号，当然，可以理解的是其类别编号也可能与目标设备的某种特定状态(如运转状态)对应。

其中，第一预设阈值的设置方法为：选取较长的一段特征值信号，绘制其幅值分布的直方图，若机械设备存在几种不同的运转状态，则通常会在直方图里表现为几个分布峰，取峰与峰之间的临界值作为特征值分类的第一预设阈值，则类别编号会与设备运转状态间存在较好的对应关系，若实际情况中，例如特征值信号在某个区间内联续变化，因而在直方图上没有明显的分布峰出现，则改用在特征值的最大值和最小值之间等间隔取第一预设阈值，以得到比较好的效果。

在本实施例中，由于模板匹配是一种非常基础的目标检测方法，通过某种距离度量方式计算待识别的检测目标周期信号的每个部分与模板之间的相似度，相似度足够高则可以判定为待检测目标。但是，这种方法的应用效果极大的依赖于待检测目标周期信号的一致性与距离度量方法的好坏。由于工业设备的运转周期存在一定的不稳定性，不同周期间可能存在运转快慢的差异、动作幅度的差异、环境影响的差异等，这些不同类型的差异使得使用什么信号和什么距离度量方式来进行动作周期检测变得十分困难，很难有一种方式能够全面顾及这些不同类型的差异，因此，本发明通过使用的阈值字符化特征值结合编辑距离空间度量的方式很好的解决了这一问题，具体地，先通过编辑距离度量方式计算字符化信号和标准周期信号之间的编辑距离；然后根据所述编辑距离，获得所述字符化信号与标准周期的相似度；最后在判断所述相似度高于第二预设阈值时，则判定所述字符化信号为待检测目标周期信号(两个信号间编辑距离越小，相似度就越高)。这种检测方式对前面所述的各种差异都有很好的兼容性：运转快慢会导致信号整体变短或变长，通过增删少量数据点即可匹配；动作幅度的差异在字符串化的过程中大部分都会被消除，而剩余的部分也可以通过少量替换数据点的操作来匹配；环境影响如果是小幅度持续性影响，会经过与动作幅度的差异类似的流程被兼容，而如果是短时间大幅度的扰动，也是通过少量替换数据点的操作即可匹配，非常适合处理流程化的工业设备的噪声，通过这种方式进行运转周期检测，可以起到非常好的分析效果。

S104，对所述待检测目标周期信号进行锚点检测，以获得至少一个锚点。

在本实施例中，由于欧几里得距离在信号时间不对齐时会受到很大的干扰，因此，需要对待检测目标周期信号进行锚点检测，并以检测到的一个或多个锚点为基准进行对齐，锚点检测的目的在于提取运转周期中一些比较关键和易于定位的点，其检测方法可视情况而定，常用的方法有基于交并比的搜索、峰值检测、转折点检测等，例如基于交并比的搜索确定锚点的方法：获取标准周期内锚点附近的局部信号，与待检测目标周期信号进行交并比比对，交并比最高点即可确定为锚点位置。

S105，以每个锚点为中心，并将每个锚点向外预定长度的信号进行拼接，以获得待检测目标周期信号的特征向量。

S106，将所述特征向量与标准周期的特征向量间的欧式距离或交并比，以分析设备健康度。

在本实施例中，在确定了一个或多个锚点后，以每个锚点为中心，向两边各取一定长度的信号，将所有锚点附近的信号拼接在一起，以获得待检测目标周期信号的特征向量，此特征向量与标准周期的特征向量间的欧式距离或交并比，获得的值就反映了设备在这一动作周期内的健康度，具体地，计算所述特征向量与标准周期的特征向量的欧式距离，并根据所述欧式距离，以分析所述设备健康度；其中，欧式距离越小，健康度越好；计算所述特征向量与标准周期的特征向量的交并比，并根据所述交并比，以分析所述设备健康度；其中，交并比越大，健康度越好。例如，若是欧式距离，会得到一个大于0的数字，若是交并比，则是介于0和1之间的一个数字，它们具体映射成分数的方法也不是很固定，要结合一下工厂监测的需求，比较常用的方法是通过tanh(常数2/(欧式距离或交并比-常数1))*100的方式，设定常数1可以让随机扰动引发的比较小的距离直接被忽略，常数2可以调整整体分数分布的高低，这些参数要结合实际需求和一批历史数据来做调整和优化，可以理解的是，欧式距离只有信号与模板完全一致时才会是0，不一致时，差异越大，距离就越大尤其是信号形状出现变化时，距离会有很大的增加，具体的数值通常还跟特征向量有多少位数字，原始信号的幅值高低有关，所以转化成分数时，需要结合一些历史数据来进行参数的选定，交并比的话，完全一致时是1，其中一个信号全为0时交并比是0，其它时候两个信号差异越大，交并比越低。

综上，通过对获取的原始噪声经过特征值提取、阈值分类字符串化、在编辑距离空间内进行模板匹配、捕捉噪声锚点、与标准周期比对进行误差分析等分析步骤后，能够实现在不同设备、不同环境下且可以快速、低成本地对设备运转周期的监控和健康度的评分，且能够通过修改少量参数即可在大多数周期性运转的工业设备上移植应用，且声音监控具备非接触性等优良特性，是一种适合在工业界大规模应用的设备监控方法。

为了便于说明，以下以实际应用场景进行举例说明：

以某钢材加工厂生产流水线上的飞剪噪声检测为例，飞剪(目标设备)的噪声为间歇性脉冲形式，每次脉冲对应一次剪切动作，在本案例中，飞剪对每一段钢材进行5次剪切，将其剪为6段后更换下一段钢材进行加工。通过分析设备录制飞剪工作的噪声，并进行简单的均值、方差、高频段均值、低频段均值四种特征提取后，获得的是如图2和3所示的4个通道，采样率1Hz(低频模式)，24Hz(高频模式)的特征信号。噪声表现为以4个脉冲为周期的重复性信号。部分通道因信噪比较低，脉冲不是非常明显。

由于编辑距离的计算复杂度较高，通常选取低频信号作为分析对象，从图2中不难看出，第4低频特征具备最好的信号比，因此使用该通道进行字符串化。

字符串化的方法如下：

首先，取较长时期的该特征值信号，作出特征值的幅值分布直方图，如图4所示。可以看到特征值的分布直方图出现了4处很明显的正态分布峰，从左到右分别对应了厂房全面停工、厂房开工但飞剪设备关机、飞剪设备开机但未处于剪切状态、剪切。这4种状态分别记为状态0、1、2、3，将低频特征值信号的每个点按照幅值位于哪个区间转化为类别编号，则低频特征值信号就被转化为由4个数字组成的字符化信号，如图5所示。

通过模板匹配，确定飞剪加工每段钢材的起始时间，这首先需要人工指定一段信号作为匹配模板，截取某一段正常周期对应的字符化信号即可获得，如图6所示。

模板长度为30，将模板信号与待搜索信号的第1-30、2-31、3-32、…、n-(n+29)位依次对比，计算待分析信号与模板之间的编辑距离，即可得到编辑距离随待对比信号起始位置变化的一条曲线，如图7所示，这里的编辑距离指从模板信号出发，通过增加1位、删减1位、更改1位三种操作，将模板信号转化为待对比信号需要的最小步数。从图7中不难看出，每一段钢材的加工开始时间，都体现在编辑距离曲线上的一次向下的峰值，因此只要对编辑距离曲线进行一次简单的寻峰操作，即可定位出待搜索信号中的所有钢材加工开始时间。寻峰的方法不唯一，在此我们使用的逻辑为：若当前点的值小于6，且为左右各15个点范围内的极小值，则判定为一段钢材的加工起始点。按照这个逻辑搜索到的加工起始点坐标如图7所示，将其与字符化信号对比可以看到，搜索到的七十点坐标与实际情况有着良好的对应关系。

在确定了每一段钢材对应的加工周期的时间后，即可对每次加工的健康度进行评价，这首先需要捕捉加工过程中的部分关键节点的位置，用来针对性地获取相关信息。在本案例中，关键节点即为4次剪切所对应的峰值位置，使用类似步骤3中的简单的峰值搜索即可实现其定位。由于对健康度的评价最好使用细节更加清晰的信号，这一步选取了高频特征值的第2-4个通道进行分析，第1个通道因峰值不稳定而被舍弃。3个通道分别搜索出4处峰值，并获取峰值左右两侧各12个点的特征值信号，共计3*4*12*2＝288个点，构成本次钢材加工的特征向量。由于不同特征值通道的幅值分布不同，分别将来自不同特征值通道的数据点除以该通道在较长一段时间内信号的均值。某一次钢材加工周期的特征向量如图8的线1所示。

提取较长一段时间内所有钢材加工周期的特征向量，取它们的平均值，即可得到一个标准周期的特征向量，如图8的线2所示。针对任一新的钢材加工周期，即可用其特征向量与标准周期的特征向量间的欧式距离来检验其是否处于正常状态。通常一次剪切的异常会在特征值信号中体现为一个峰值的高低变化、半高宽变化或是直接缺失，均在对比中可以很容易的发现。将欧式距离或交并比通过双曲正切函数映射为0-100间的分数，也可以让这一异常体现的更为直观。

图9给出了某段时间内钢材加工周期的评分变化曲线，图中10月6日凌晨2点后有一段时间的评分曲线出现连续低分的情况，图10给出了这段时间的噪声特征值信号，可以看出这段时间的剪切确实出现了非常明显的问题，本发明具备的一个非常大的优点在于其在不同场景与设备上，可以以极低的开发成本进行移植，下面展示一下算法在两种不同的场景下应用的效果。在移植过程中，仅需要更换新场景下的模板，并将锚点检测算法替换为基于交并比的匹配，即可实现新场景下的设备检测，并取得可靠的效果。如图11和12.

本发明第二实施例：

参见图13，本发明第二实施例还提供了一种设备运转周期检测及健康度分析装置，包括：

特征值信号提取单元100，用于采集目标设备运转的原始噪声，并从所述原始噪声中提取出特征值信号；

特征值信号转换单元200，用于将所述特征值信号转换为字符化信号；

待检测目标周期信号识别单元300，用于将所述字符化信号与设置的标准周期信号基于编辑距离度量方式进行模板匹配，以识别出待检测目标周期信号；

锚点检测单元400，用于对所述待检测目标周期信号进行锚点检测，以获得至少一个锚点；

信号拼接单元500，用于以每个锚点为中心，并将每个锚点向外预定长度的信号进行拼接，以获得待检测目标周期信号的特征向量；

健康度分析单元600，用于将所述特征向量与标准周期的特征向量间的欧式距离或交并比，以分析设备健康度。

在上述实施例的基础上，本发明一优选实施例中，特征值信号提取单元100，用于采集目标设备运转的原始噪声，并计算所述原始噪声的均值、方差、高频段均值或低频段均值，以提取出特征值信号。

在上述实施例的基础上，本发明一优选实施例中，特征值信号转换单元200，包括：

特征值信号划分模块，用于将所述特征值信号与预先设置的N个第一预设阈值进行比较，以将特征值信号划分为N+1个类别编号；

特征值信号转换模块，用于将所述N+1个类别编号分别取代所述特征值信号内容的每个点的原始幅值，以将所述特征值信号转换为字符化信号。

在上述实施例的基础上，本发明一优选实施例中，待检测目标周期信号识别单元300，包括：

编辑距离计算模块，用于通过编辑距离度量方式计算字符化信号和标准周期信号之间的编辑距离；

相似度获取模块，用于根据所述编辑距离，获得所述字符化信号与标准周期的相似度；

判断模块，用于并在判断所述相似度高于第二预设阈值时，则判定所述字符化信号为待检测目标周期信号。

在上述实施例的基础上，本发明一优选实施例中，健康度分析单元600，包括：

欧式距离计算模块，用于计算所述特征向量与标准周期的特征向量的欧式距离，并根据所述欧式距离，以分析所述设备健康度；其中，欧式距离越小，健康度越好；

交并比获取模块，用于计算所述特征向量与标准周期的特征向量的交并比，并根据所述交并比，以分析所述设备健康度；其中，交并比越大，健康度越好；欧式距离及交并比计算表达式为：tanh(常数2/(欧式距离或交并比-常数1))*100。

本发明第三实施例：

本发明第三实施例还提供了一种设备运转周期检测及健康度分析设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现如上述实施例所述的设备运转周期检测及健康度分析方法。

本发明第四实施例：

本发明第四实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的设备运转周期检测及健康度分析方法。

示例性的，所述计算机程序可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在设备运转周期检测及健康度分析设备中的执行过程。

所述设备运转周期检测及健康度分析设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是设备运转周期检测及健康度分析设备的示例，并不构成对设备运转周期检测及健康度分析设备的限定，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，例如所述设备运转周期检测及健康度分析设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述设备运转周期检测及健康度分析设备的控制中心，利用各种接口和线路连接整个设备运转周期检测及健康度分析设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述设备运转周期检测及健康度分析设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述设备运转周期检测及健康度分析设备集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种设备运转周期检测及健康度分析方法，其特征在于，包括：

采集目标设备运转的原始噪声，并从所述原始噪声中提取出特征值信号；

将所述特征值信号转换为字符化信号；

将所述字符化信号与设置的标准周期信号基于编辑距离度量方式进行模板匹配，以识别出待检测目标周期信号；

对所述待检测目标周期信号进行锚点检测，以获得至少一个锚点；

以每个锚点为中心，并将每个锚点向外预定长度的信号进行拼接，以获得待检测目标周期信号的特征向量；

将所述特征向量与标准周期的特征向量间的欧式距离或交并比，以分析设备健康度。

2.根据权利要求1所述的设备运转周期检测及健康度分析方法，其特征在于，采集目标设备运转的原始噪声，并从所述原始噪声中提取出特征值信号，具体为：

采集目标设备运转的原始噪声，并计算所述原始噪声的均值、方差、高频段均值或低频段均值，以提取出特征值信号。

3.根据权利要求2所述的设备运转周期检测及健康度分析方法，其特征在于，将所述特征值信号转换为字符化信号，具体为：

将所述特征值信号与预先设置的N个第一预设阈值进行比较，以将特征值信号划分为N+1个类别编号；

将所述N+1个类别编号分别取代所述特征值信号内容的每个点的原始幅值，以将所述特征值信号转换为字符化信号。

4.根据权利要求3所述的设备运转周期检测及健康度分析方法，其特征在于，将所述字符化信号与设置的标准周期信号基于编辑距离度量方式进行模板匹配，以识别出待检测目标周期信号，具体为：

通过编辑距离度量方式计算字符化信号和标准周期信号之间的编辑距离；

根据所述编辑距离，获得所述字符化信号与标准周期的相似度；

并在判断所述相似度高于第二预设阈值时，则判定所述字符化信号为待检测目标周期信号。

5.根据权利要求3所述的设备运转周期检测及健康度分析方法，其特征在于，将所述特征向量与标准周期的特征向量间的欧式距离或交并比，以分析设备健康度，具体为：

计算所述特征向量与标准周期的特征向量的欧式距离，并根据所述欧式距离，以分析所述设备健康度；其中，欧式距离越小，健康度越好；

计算所述特征向量与标准周期的特征向量的交并比，并根据所述交并比，以分析所述设备健康度；其中，交并比越大，健康度越好；欧式距离及交并比计算表达式为：tanh(常数2/(欧式距离或交并比-常数1))*100。

6.一种设备运转周期检测及健康度分析装置，其特征在于，包括：

特征值信号提取单元，用于采集目标设备运转的原始噪声，并从所述原始噪声中提取出特征值信号；

特征值信号转换单元，用于将所述特征值信号转换为字符化信号；

待检测目标周期信号识别单元，用于将所述字符化信号与设置的标准周期信号基于编辑距离度量方式进行模板匹配，以识别出待检测目标周期信号；

锚点检测单元，用于对所述待检测目标周期信号进行锚点检测，以获得至少一个锚点；

信号拼接单元，用于以每个锚点为中心，并将每个锚点向外预定长度的信号进行拼接，以获得待检测目标周期信号的特征向量；

健康度分析单元，用于将所述特征向量与标准周期的特征向量间的欧式距离或交并比，以分析设备健康度。

7.根据权利要求6所述的设备运转周期检测及健康度分析装置，其特征在于，特征值信号提取单元，用于采集目标设备运转的原始噪声，并计算所述原始噪声的均值、方差、高频段均值或低频段均值，以提取出特征值信号。

8.根据权利要求7所述的设备运转周期检测及健康度分析装置，其特征在于，特征值信号转换单元，包括：

特征值信号划分模块，用于将所述特征值信号与预先设置的N个第一预设阈值进行比较，以将特征值信号划分为N+1个类别编号；

特征值信号转换模块，用于将所述N+1个类别编号分别取代所述特征值信号内容的每个点的原始幅值，以将所述特征值信号转换为字符化信号。

9.根据权利要求8所述的设备运转周期检测及健康度分析方法，其特征在于，待检测目标周期信号识别单元，包括：

编辑距离计算模块，用于通过编辑距离度量方式计算字符化信号和标准周期信号之间的编辑距离；

相似度获取模块，用于根据所述编辑距离，获得所述字符化信号与标准周期的相似度；

判断模块，用于并在判断所述相似度高于第二预设阈值时，则判定所述字符化信号为待检测目标周期信号。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5任意一项所述的设备运转周期检测及健康度分析方法。

Images