CN112215108A - 搅拌车故障预判方法、装置和计算机可读存储介质 - Google Patents

Abstract

本发明提供了一种搅拌车故障预判方法、装置和计算机可读存储介质，搅拌车故障预判方法包括：采集搅拌车运行时的声学信号数据；获取搅拌车的工作载荷；将声学信号数据输入至训练后的工作载荷对应的预测模型；预测模型输出搅拌车距离发生故障的第一时长。本发明基于声学信号进行搅拌车故障的预判，避免了使用振动传感器时对安装位置的限制和对零件的破坏，方法简便易行，成本低。并且本发明在搅拌车没有发生故障之前，预判搅拌车距离发生故障的第一时长，便于维修人员提前维护检修，有效提升搅拌车的使用效率。

Description

搅拌车故障预判方法、装置和计算机可读存储介质

技术领域

本发明涉及搅拌车的技术领域，具体而言，涉及一种搅拌车故障预判方法、装置和计算机可读存储介质。

背景技术

相关技术中，机械设备均是在发生故障后对机械设备机械故障类别进行判断，而不是机械设备在没有发生故障之前预测其运行多长时间之后可能发生故障，如果能够在机械设备发生故障之前进行故障发生时间预判，有利于维修人员提前维护检修。

发明内容

本发明旨在解决上述技术问题的至少之一。

为此，本发明的第一目的在于提供一种搅拌车故障预判方法。

本发明的第二目的在于提供一种搅拌车故障预判装置。

本发明的第三目的在于提供一种计算机可读存储介质。

为实现本发明的第一目的，本发明的技术方案提供了一种搅拌车故障预判方法，包括：采集搅拌车运行时的声学信号数据；获取搅拌车的工作载荷；将声学信号数据输入至训练后的工作载荷对应的预测模型；预测模型输出搅拌车距离发生故障的第一时长。

本技术方案基于声学信号进行搅拌车故障的预判，避免了使用振动传感器时对安装位置的限制和对零件的破坏，方法简便易行，成本低。本技术方案在搅拌车没有发生故障之前，预判搅拌车距离发生故障的第一时长，极大的提升了搅拌车使用的可靠性，降低搅拌车的故障率，避免了搅拌车在使用过程中不确定性因素的发生。通过本技术方案预判搅拌车距离发生故障的第一时长，为搅拌车的维修提供依据，便于维修人员提前维护检修，有效提升搅拌车的使用效率。

另外，本发明上述技术方案提供的技术方案还可以具有如下附加技术特征：

上述技术方案中，执行采集搅拌车运行时的声学信号数据之前，还包括：获取至少一种工作载荷下搅拌车样本数据；构建工作载荷对应的预测模型，预测模型采用图模型；根据工作载荷下搅拌车样本数据，对预测模型进行训练，得到训练后的工作载荷对应的预测模型。

本技术方案的预测模型采用图模型，通过采用先进的神经网络算法建立预测模型，增加预测结果的可靠性。

上述任一技术方案中，搅拌车样本数据包括清洗后的声学信号数据和假设声学信号数据，获取至少一种工作载荷下搅拌车样本数据，包括：选取多个样本搅拌车；采集至少一种工作载荷下，多个使用时长时，多个样本搅拌车的声学信号数据；标定多个样本搅拌车的声学信号数据，声学信号数据对应的样本搅拌车的使用时长时，样本搅拌车距离发生故障的第二时长；对标定后的声学信号数据进行数据清洗；基于清洗后的声学信号数据，获取假设声学信号数据。

根据不同载荷下采集的数据，训练多个不同载荷对应的预测模型，在诊断时根据搅拌车的工作载荷选择不同的预测模型进行预测，提高了预测的准确性。

上述任一技术方案中，对标定后的声学信号数据进行数据清洗，包括：构建神经网络算法自编码器，神经网络算法自编码器包括编码器和解码器，编码器采用卷积层构建，解码器采用反卷积构建；采用无监督的神经网络算法自编码器对标定后的声学信号数据进行清洗。

采用声学信号数据进行故障诊断或寿命预测时，原始声学信号数据中包含大量的环境噪音，并且数据分布不均衡，主要是因为正常的声学信号数据较多而故障的声学信号数据较少，直接采用原始数据进行模型构建，很难构建出稳健的预测模型。采用无监督的神经网络算法自编码器对声学信号数据进行清洗，神经网络算法自编码器的编码器部分采用卷积层构建，解码器部分采用反卷积构建。通过神经网络算法自编码器提取有用的声学特征，环境噪音被过滤掉。

上述任一技术方案中，基于清洗后的声学信号数据，获取假设声学信号数据，包括：构建生成式对抗网络；采用清洗后的声学信号，训练生成式对抗网络；通过生成式对抗网络，获取假设声学信号数据。

本技术方案采用生成对抗网络算法，以清洗后的声学信号数据为训练数据，训练出能生成假设声音信号的生成对抗网络，用以扩充训练数据集，解决训练数据不均衡的问题，通过均衡的训练数据，构建稳健的预测模型。

上述任一技术方案中，根据工作载荷下搅拌车样本数据，对预测模型进行训练，得到训练后的工作载荷对应的预测模型，包括：根据工作载荷下清洗后的声学信号数据与假设声学信号数据，采用图神经网络算法，对图模型中的每个节点进行数据嵌入，得到训练后的工作载荷对应的预测模型。

本技术方案采用清洗后的声学信号数据与假设声学信号数据共同训练预测模型，使得训练数据分布均衡，构建出稳健的预测模型。

上述任一技术方案中，对图模型中的每个节点进行数据嵌入，包括：采用基于元学习的小样本学习方法，基于注意力机制，对图模型中的每个节点进行数据嵌入。

由于搅拌车带标签数据较少的特点，采用小样本学习方法可以减小预测模型对数据量的依赖。具体而言，可以对图模型中的每个节点的数据嵌入(Embedding)中的数据采用基于元学习的小样本学习的方式。在元学习网络中引入注意力机制增加算法提取有用信息的能力，从而增强算法的预测准确性，降低算法的抗干扰能力。本技术方案引入注意力机制的图神经网络(GNN)进行预测模型的构建，而不是直接在不均衡的数据上构建预测模型，使得预测模型具有更好的准确性。

上述任一技术方案中，搅拌车故障预判方法，还包括：将采集得到的搅拌车的声学信号数据，迭代训练预测模型，更新预测模型。

前期由于采集的声音信号数据较少，训练出的算法可能不够稳健。在使用过程中可以随着采集到的搅拌车声音数据的增多，迭代训练预测模型，使得预测模型越来越稳健。

为实现本发明的第二目的，本发明的技术方案提供了一种搅拌车故障预判装置，包括：存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序，其中，处理器在执行计算机程序时，实现如本发明任一技术方案的搅拌车故障预判方法的步骤。

本发明技术方案提供的搅拌车故障预判装置实现如本发明任一技术方案的方法的步骤，因而其具有如本发明任一技术方案的方法的全部有益效果，在此不再赘述。

为实现本发明的第三目的，本发明的技术方案提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被执行时，实现上述任一技术方案的搅拌车故障预判方法的步骤。

本发明技术方案提供的计算机可读存储介质实现如本发明任一技术方案的搅拌车故障预判方法的步骤，因而其具有如本发明任一技术方案的搅拌车故障预判方法的全部有益效果，在此不再赘述。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明一个实施例的搅拌车故障预判方法流程图之一；

图2为本发明一个实施例的搅拌车故障预判方法流程图之二；

图3为本发明一个实施例的搅拌车故障预判方法流程图之三；

图4为本发明一个实施例的搅拌车故障预判方法流程图之四；

图5为本发明一个实施例的搅拌车故障预判方法流程图之五；

图6为本发明一个实施例的搅拌车故障预判方法流程图之六；

图7为本发明一个实施例的搅拌车故障预判方法流程图之七；

图8为本发明一个实施例的搅拌车故障预判方法流程图之八；

图9为本发明一个实施例的搅拌车故障预判装置组成示意图；

图10为本发明一个实施例的搅拌车故障预判方法示意图；

图11为本发明一个实施例的搅拌车故障预判方法流程图之九。

其中，图9和图10中附图标记与部件名称之间的对应关系为：

100：原始数据，102：自编码器，104：去噪数据，106：生成对抗网络，108：假设数据，110：图神经网络，112：注意力机制，114：小样本学习，116：预测模型，200：搅拌车故障预判装置，210：存储器，220：处理器。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1至图11描述本发明一些实施例的搅拌车故障预判方法、搅拌车故障预判装置200和计算机可读存储介质。

目前，采用神经网络对机械设备进行智能诊断模型的构建使用的数据形式主要分为两种：基于声学信号和基于振动信号。振动信号的采集需要与振源直接相连，对传感器的安装位置有较高的要求，并且往往需要在机械零件上钻孔来安装传感器，针对机械设备会产生一定的破坏。振动信号容易受到周围振源的影响，导致采集到的信号包含大量的干扰信息。

相关技术均为机械设备在发生故障后对机械设备机械故障类别的判断，而不是机械设备在没有发生故障之前预测其运行多长时间之后可能发生故障。而后者更有意义，这样便于维修人员提前维护检修。

采用声学信号来进行故障诊断或寿命预测时，原始数据中会包含大量的环境噪音，并且数据分布不均衡，主要是因为正常的数据较多而故障的数据较少。直接用原始数据进行模型构建时，很难构建出稳健的预测模型。

相关技术存在一种利用基于卷积神经网络的风力发电机故障诊断方法，首先以一定时间间隔获取发电机运行时的轴承振动信号，然后将振动信号进行频谱变换处理后作为用卷积神经网络的训练数据从而建立预测模型。其采用声学信号，直接在原始数据上进行预测模型的构建，在设备发生故障后对发生故障的类别进行预测。

本实施例采用声学信号，利使用了数据清洗和数据增强的方法，在设备没有发生前对其可能发生故障的时间进行预判。

实施例1：

如图1所示，本实施例提供了一种搅拌车故障预判方法，包括：

步骤S102，采集搅拌车运行时的声学信号数据；

步骤S104，获取搅拌车的工作载荷；

步骤S106，将声学信号数据输入至训练后的工作载荷对应的预测模型；

步骤S108，预测模型输出搅拌车距离发生故障的第一时长。

在搅拌车的外部设立声学传感器，在搅拌车运行状态，进行声学信号采集，得到搅拌车运行时的声学信号数据，基于声学信号进行搅拌车故障的预判，本实施例通过设立声学传感器，直接采集搅拌车运行时的声学信号，避免了使用振动传感器时对安装位置的限制和对零件的破坏，具体而言，不需要选取特定的安装位置，而且避免在搅拌车上钻孔，不会对搅拌车造成破坏，通过上述方式，使得本实施例的方法没有破坏性，简单易行，不需要专业人员进行钻孔等操作，节省人工费用，降低成本。

本实施例中，根据采集搅拌车运行时的声学信号数据的工作载荷不同，选取相应的训练后的工作载荷对应的预测模型进行预判，根据搅拌机不同的工作载荷，选取不同的预测模型，提升了预测模型的预判结果的准确度。

举例而言，预测模型可以根据搅拌车的工作载荷不同，设置多个预测模型，工作载荷可以包括空载和/或满载和/或任一载荷等。

本实施例通过训练后的神经网络预测模型，只需给出对应工作载荷下的搅拌车的声学信号数据，神经网络预测模型即可预测出距离搅拌车发生故障的第一时长，在搅拌车没有发生故障之前，预判搅拌车距离发生故障的第一时长，极大的提升了搅拌车使用的可靠性，降低搅拌车的故障率，避免了搅拌车在使用过程中不确定性因素的发生。并且，通过本实施例预判搅拌车距离发生故障的第一时长，为搅拌车的维修提供依据，便于维修人员提前维护检修，有效提升搅拌车的使用效率。

实施例2：

如图2所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

执行采集搅拌车运行时的声学信号数据之前，还包括：

步骤S202，获取至少一种工作载荷下搅拌车样本数据；

步骤S204，构建工作载荷对应的预测模型，预测模型采用图模型；

步骤S206，根据工作载荷下搅拌车样本数据，对预测模型进行训练，得到训练后的工作载荷对应的预测模型。

获取至少一种工作载荷下的搅拌车的样本数据，然后采用样本数据，对工作载荷对应的预测模型进行训练，训练后的预测模型，根据输入的采集的工作载荷下搅拌车运行时的声学信号数据，可以输出搅拌车距离发生故障的第一时长。

本实施例的预测模型采用图模型(即神经网络)，通过采用先进的神经网络算法建立预测模型，增加可预测结果的可靠性。

实施例3：

如图3所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

搅拌车样本数据包括清洗后的声学信号数据和假设声学信号数据，获取至少一种工作载荷下搅拌车样本数据，包括：

步骤S302，选取多个样本搅拌车；

步骤S304，采集至少一种工作载荷下，多个使用时长时，多个样本搅拌车的声学信号数据；

步骤S306，标定多个样本搅拌车的声学信号数据，声学信号数据对应的样本搅拌车的使用时长时，样本搅拌车距离发生故障的第二时长；

步骤S308，对标定后的声学信号数据进行数据清洗；

步骤S310，基于清洗后的声学信号数据，获取假设声学信号数据。

因为搅拌车在短时间内一般不会发生故障，所以本实施例选取多台样本搅拌车进行数据的采集，在样本搅拌车的外部设置声学传感器，采集样本搅拌车在不同工作载荷下运行状况的声学信号数据，工作载荷可以包括空载和/或满载和/或任一载荷等。

举例而言，可以采集刚出场的样本搅拌车空载时的声学信号数据，使用一年后空载时的样本搅拌车声学信号数据，使用两年后的样本搅拌车空载时的声学信号数据等，并根据使用年限对采集的数据进行标定，标定得到声学信号数据对应的样本搅拌车的使用时长时，样本搅拌车距离发生故障的第二时长，在预测模型诊断时，选择空载对应的预测模型进行预测。

再次举例而言，可以采集刚出场的样本搅拌车满载时的声学信号数据，使用一年后满载时的样本搅拌车声学信号数据，使用两年后的样本搅拌车满载时的声学信号数据等，并根据使用年限对采集的数据进行标定，标定得到声学信号数据对应的样本搅拌车的使用时长时，样本搅拌车距离发生故障的第二时长，在预测模型诊断时，选择满载对应的预测模型进行预测。

再次举例而言，可以采集刚出场的样本搅拌车不同工作载荷时的声学信号数据，使用一年后不同工作载荷时的样本搅拌车声学信号数据，使用两年后的样本搅拌车不同工作载荷时的声学信号数据等，并根据使用年限对采集的数据进行标定，标定得到声学信号数据对应的样本搅拌车的使用时长时，样本搅拌车距离发生故障的第二时长，在预测模型诊断时，选择不同工作载荷对应的预测模型进行预测。

本实施例根据不同载荷下采集的数据，训练多个不同载荷对应的预测模型，在诊断时根据搅拌车的工作载荷选择不同的预测模型进行预测，提高了预测的准确性。

由于标定后的声学信号数据中存在环境噪音，所以本实施例对标定后的声学信号数据进行数据清洗，去除环境噪音，使得声学信号数据更加准确。

因为采集到的声学信号数据，存在不均衡的问题，所以，本实施例基于清洗后的声学信号数据，获取假设声学信号数据，进行数据增强，可以有效增加预测模型的准确性。

实施例4：

如图4所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

对标定后的声学信号数据进行数据清洗，包括：

步骤S402，构建神经网络算法自编码器，神经网络算法自编码器包括编码器和解码器，编码器采用卷积层构建，解码器采用反卷积构建；

步骤S404，采用无监督的神经网络算法自编码器对标定后的声学信号数据进行清洗。

采用的声学信号数据进行故障诊断或寿命预测时，原始声学信号数据中会包含大量的环境噪音，并且数据分布不均衡，主要是因为正常的声学信号数据较多而故障的声学信号数据较少，直接用原始数据进行模型构建时，很难构建出稳健的预测模型。

所以，本实施例中，采用无监督的神经网络算法自编码器(AE)对声学信号数据进行清洗，神经网络算法自编码器(AE)的编码器(Encoder)部分采用卷积层构建，解码器(Decoder)部分采用反卷积构建。在Encoder与Decoder中提取有用的声学特征，环境噪音被过滤掉。

实施例5：

如图5所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

基于清洗后的声学信号数据，获取假设声学信号数据，包括：

步骤S502，构建生成式对抗网络；

步骤S504，采用清洗后的声学信号，训练生成式对抗网络；

步骤S506，通过生成式对抗网络，获取假设声学信号数据。

针对采集到的声学信号数据集不均衡的问题，本实施例采用生成对抗网络算法(GAN)，以清洗后的声学信号数据为训练数据，训练出能生成假设声音信号的GAN模型，用以扩充训练数据集，解决训练数据不均衡的问题。

实施例6：

如图6所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

根据工作载荷下搅拌车样本数据，对预测模型进行训练，得到训练后的工作载荷对应的预测模型，包括：

步骤S602，根据工作载荷下清洗后的声学信号数据与假设声学信号数据，采用图神经网络算法，对图模型中的每个节点进行数据嵌入，得到训练后的工作载荷对应的预测模型。

因为GAN生成的假设声学信号数据是未标定的数据，不能直接用于有监督模型的训练。本实施例采用了半监督神经网络训练的方式，具体来讲，将GAN生成的不带标签的假设声学信号数据，与清洗后的带标签的真实声学信号数据一起构建图模型，并用图神经网络算法对图模型上的每个节点进行数据嵌入(Embedding)。

本实施例采用清洗后的声学信号数据与假设声学信号数据共同训练预测模型，使得训练数据分布均衡，构建出稳健的预测模型。

实施例7：

如图7所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

对图模型中的每个节点进行数据嵌入，包括：

步骤S702，采用基于元学习的小样本学习方法，基于注意力机制，对图模型中的每个节点进行数据嵌入。

由于搅拌车带标签数据较少的特点，采用小样本学习方法可以减小预测模型对数据量的依赖。具体而言，可以对图模型中的每个节点的数据嵌入(Embedding)中的数据采用基于元学习的小样本学习的方式。

在元学习网络中引入注意力机制增加算法提取有用信息的能力，从而增强算法的预测准确性，降低算法的抗干扰能力。

本实施例引入注意力机制的图神经网络(GNN)进行预测模型的构建，而不是直接在不均衡的数据上构建预测模型，使得预测模型具有更好的准确性。

实施例8：

如图8所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

搅拌车故障预判方法，还包括：

步骤S802，将采集得到的搅拌车的声学信号数据，迭代训练预测模型，更新预测模型。

前期由于采集的声音信号数据较少，训练出的算法可能不够稳健。在使用过程中可以随着采集到的搅拌车声音数据的增多，迭代训练预测模型，使得预测模型越来越稳健。

实施例9：

如图9所示，本实施例提供了一种搅拌车故障预判装置200，包括存储器210，存储有计算机程序；处理器220，执行计算机程序；其中，处理器220在执行计算机程序时，实现如本发明任一实施例的搅拌车故障预判方法的步骤。

实施例10：

本实施例提供了一种计算机可读存储介质，包括：计算机可读存储介质存储有计算机程序，计算机程序被执行时，实现如本发明任一实施例的搅拌车故障预判方法的步骤。

具体实施例：

本实施例提供了一种搅拌车故障预判方法，基于声学信号，在搅拌车没有发生故障之前，通过神经网络对搅拌车可能发生故障的时间进行预判，提升搅拌车在使用过程中的可靠性，降低搅拌车的故障率。

如图10所示，本实施例的设计方案是，在搅拌车的外部设立声学传感器进行搅拌车运行状态时候的声学信号数据采集后，得到原始数据100，采用自编码器102(AE)对原始数据100(即原始声学信号数据)进行降噪，得到去噪数据104，针对训练数据不均衡的问题采用了生成对抗网络106(GAN)进行数据增强，获取假设数据108，根据去噪数据104和假设数据108，图神经网络110进行图神经网络(GNN)数据Embedding，并用引入注意力机制112的图神经网络(GNN)，采用小样本学习114，完成预测模型116的构建，通过预测模型116获取预测结果。

如图11所示，实施步骤如下：

步骤S902，声学信号数据的采集与标定；

在样本搅拌车的外部设立声学传感器，限定样本搅拌车在空载运行状况的声音数据采集。因为样本搅拌车在短时间内无法发生故障，需要用多台样本搅拌车进行数据的采集。具体而言，可以采集刚出场的样本搅拌车空载时的声学信号，使用一年后空载时的声学信号，使用两年后的声学信号等，并根据使用年限对采集的数据进行标定，包括标定声学信号数据对应的样本搅拌车的使用时长时，样本搅拌车距离发生故障的时长。

步骤S904，声学信号数据的清洗；

采用无监督的神经网络算法自编码器(AE)对声学信号数据进行清洗。本发明AE的Encoder部分采用卷积层构建，Decoder部分采用反卷积构建。在Encoder与Decoder中提取有用的声学特征，环境噪音被过滤掉。

步骤S906，数据增强；

针对采集到的声学信号数据集不均衡的问题，采用生成对抗网络算法(GAN)，以清洗后的声音数据为训练数据，训练出能生成假设声音信号的GAN模型，用以扩充训练数据集。

步骤S908，采用图神经网络算法进行数据嵌入；

因为GAN生成的假设声学信号数据是未标定的数据，不能直接用于有监督模型的训练。发明采用了半监督神经网络训练的方式。具体而言，将GAN生成的不带标签的假设声学信号数据，与清洗后的带标签的真实数据一起构建图模型，并用图神经网络算法对图上的每个节点进行Embedding。

步骤S910，小样本学习；

由于搅拌车带标签数据较少的特点，采用小样本学习方法可以减小预测模型对数据量的依赖。具体而言，对步骤S908中Embedding中的数据采用基于元学习的小样本学习的方式。

步骤S912，引入注意力机制；

在步骤S910的元学习网络中引入注意力机制增加算法提取有用信息的能力，从而增强算法的预测准确性，降低算法的抗干扰能力。

步骤S914，预测网络的更新迭代。

前期由于采集的声音数据较少，训练出的算法可能不够稳健。在使用过程中可以随着采集到的搅拌车声音数据的增多，迭代训练预测模型，使得预测模型越来越稳健。

综上，本发明实施例的有益效果为：

1.基于声学信号数据进行搅拌车故障的预判，避免了使用振动传感器时对安装位置的限制和对零件的破坏。

2.本实施例通过训练后的预测模型，只需给出对应工作载荷下的搅拌车的声学信号数据，预测模型即可预测出距离搅拌车发生故障的时长，在搅拌车没有发生故障之前，预判搅拌车距离发生故障的时长，提升了搅拌车使用的可靠性，降低搅拌车的故障率，避免了搅拌车在使用过程中不确定性因素的发生。

在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种搅拌车故障预判方法，其特征在于，包括：

采集搅拌车运行时的声学信号数据；

获取所述搅拌车的工作载荷；

将所述声学信号数据输入至训练后的所述工作载荷对应的预测模型；

所述预测模型输出所述搅拌车距离发生故障的第一时长。

2.根据权利要求1所述的搅拌车故障预判方法，其特征在于，执行所述采集搅拌车运行时的声学信号数据之前，还包括：

获取至少一种所述工作载荷下搅拌车样本数据；

构建所述工作载荷对应的所述预测模型，所述预测模型采用图模型；

根据所述工作载荷下所述搅拌车样本数据，对所述预测模型进行训练，得到训练后的所述工作载荷对应的所述预测模型。

3.根据权利要求2所述的搅拌车故障预判方法，其特征在于，所述搅拌车样本数据包括清洗后的声学信号数据和假设声学信号数据，所述获取至少一种工作载荷下搅拌车样本数据，包括：

选取多个样本搅拌车；

采集至少一种所述工作载荷下，多个使用时长时，所述多个样本搅拌车的所述声学信号数据；

标定所述多个样本搅拌车的所述声学信号数据，所述声学信号数据对应的所述样本搅拌车的使用时长时，所述样本搅拌车距离发生故障的第二时长；

对标定后的所述声学信号数据进行数据清洗；

基于清洗后的所述声学信号数据，获取所述假设声学信号数据。

4.根据权利要求3所述的搅拌车故障预判方法，其特征在于，所述对标定后的所述声学信号数据进行数据清洗，包括：

构建神经网络算法自编码器，所述神经网络算法自编码器包括编码器和解码器，所述编码器采用卷积层构建，所述解码器采用反卷积构建；

采用无监督的所述神经网络算法自编码器对标定后的所述声学信号数据进行清洗。

5.根据权利要求4所述的搅拌车故障预判方法，其特征在于，所述基于清洗后的所述声学信号数据，获取假设声学信号数据，包括：

构建生成式对抗网络；

采用清洗后的所述声学信号，训练所述生成式对抗网络；

通过所述生成式对抗网络，获取所述假设声学信号数据。

6.根据权利要求5所述的搅拌车故障预判方法，其特征在于，所述根据所述工作载荷下所述搅拌车样本数据，对所述预测模型进行训练，得到训练后的所述工作载荷对应的所述预测模型，包括：

根据所述工作载荷下清洗后的所述声学信号数据与所述假设声学信号数据，采用图神经网络算法，对所述图模型中的每个节点进行数据嵌入，得到训练后的所述工作载荷对应的所述预测模型。

7.根据权利要求6所述的搅拌车故障预判方法，其特征在于，所述对所述图模型中的每个节点进行数据嵌入，包括：

采用基于元学习的小样本学习方法，基于注意力机制，对所述图模型中的每个节点进行数据嵌入。

8.根据权利要求1至7中任一项所述的搅拌车故障预判方法，其特征在于，还包括：

将采集得到的所述搅拌车的声学信号数据，迭代训练所述预测模型，更新所述预测模型。

9.一种搅拌车故障预判装置(200)，其特征在于，包括：

存储器(210)，存储有计算机程序；

处理器(220)，执行所述计算机程序；

其中，所述处理器(220)在执行所述计算机程序时，实现如权利要求1至8中任一项所述的搅拌车故障预判方法的步骤。

10.一种计算机可读存储介质，其特征在于，包括：

所述计算机可读存储介质存储有计算机程序，所述计算机程序被执行时，实现如权利要求1至8中任一项所述的搅拌车故障预判方法的步骤。

Images