CN112578794A - 基于机器学习的agv故障检测方法、存储介质及系统 - Google Patents

基于机器学习的agv故障检测方法、存储介质及系统 Download PDF

Info

Publication number
CN112578794A
CN112578794A CN202011461518.7A CN202011461518A CN112578794A CN 112578794 A CN112578794 A CN 112578794A CN 202011461518 A CN202011461518 A CN 202011461518A CN 112578794 A CN112578794 A CN 112578794A
Authority
CN
China
Prior art keywords
agv
fault detection
machine learning
classification model
detection method
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.)
Granted
Application number
CN202011461518.7A
Other languages
English (en)
Other versions
CN112578794B (zh
Inventor
韩德昱
马贤朋
杨文华
董海英
田华亭
聂稳
罗蒙
李兵
陈燕林
齐宏伟
李瑞康
陈明
毛榆鑫
杨金英
韩园园
樊荣欣嘉
兰胜
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.)
Yunnan Ksec Intelligent Equipment Co ltd
Original Assignee
Yunnan Ksec Intelligent Equipment 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 Yunnan Ksec Intelligent Equipment Co ltd filed Critical Yunnan Ksec Intelligent Equipment Co ltd
Priority to CN202011461518.7A priority Critical patent/CN112578794B/zh
Publication of CN112578794A publication Critical patent/CN112578794A/zh
Application granted granted Critical
Publication of CN112578794B publication Critical patent/CN112578794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于机器学习的AGV故障检测方法、存储介质及系统，基于随机森林分类算法，以以往AGV运行时音频的MFCC特征系数和CAN报文为样本，建立预测分类模型，该预测分类模型由多个决策树组成，基于该预测分类模型，根据当前AGV运行时音频的MFCC特征系数和CAN报文来进行故障检测。本发明结合了AGV上各种电气、电子、机械结构的CAN报文信息，加上AGV运行时音频的MFCC特征系数，通过预测分类模型进行预测，有效地降低检修人员的维保门槛和人力资源成本。

Description

基于机器学习的AGV故障检测方法、存储介质及系统
技术领域
本发明涉及AGV维保技术领域，具体涉及一种基于机器学习的AGV故障检测方法、存储介质及系统。
背景技术
AGV是自动导引运输车(Automated Guaded Vehicle)的缩写，是指装备有电磁或光学等自动导引装置，能够沿规定的导引路径行驶，具有安全保护以及各种移载功能的运输车。
随着工业自动化的发展，AGV用作搬运、分拣、停车等用途的情况也越来越多，AGV本身是一种由机械、电气、电子电路和软件高集成化的产品，当AGV有故障发生时，通常需要依靠专业的检修人员进行检修。但随着AGV系统智能化的提高，AGV的故障类型变得愈发复杂、多面，这就使得AGV在生产、调试、运用阶段的故障检测方面有着较为困难。
发明内容
针对上述问题，发明人提供一种基于机器学习的AGV故障检测方法、存储介质及系统，可以简单地做到AGV的故障模糊诊断，有效地降低检修人员的维保门槛和人力资源成本。
根据第一方面，一种基于机器学习的AGV故障检测方法，该方法包括：
建立模型步骤：获取以往AGV运行时音频的MFCC特征系数和CAN报文，基于随机森林分类算法，根据MFCC特征系数和CAN报文建立预测分类模型；
输入步骤：获取当前AGV运行时音频的MFCC特征系数和CAN报文；
预测步骤：基于所述预测分类模型进行故障检测；
输出步骤：输出预测结果。
进一步地，获取AGV运行时音频的MFCC特征系数的步骤包括：
获取AGV运行时的音频信号；
对所述音频信号进行预处理，生成Mel域；
根据Mel域获取MFCC特征系数。
进一步地，所述根据MFCC特征系数和CAN报文建立预测分类模型的步骤包括：
以获取到的MFCC特征系数和CAN报文为样本，制成样本集，所述样本集包括训练集；
基于随机森林分类算法，利用所述训练集创建决策树，多个决策树构成预测分类模型。
进一步地，所述创建决策树的步骤包括：
节点选择步骤：以人为输入的故障类型为样本属性，从所有样本属性中随机选择K个属性，采用信息增益从K个特征中选择出最佳分裂属性；
创建步骤：以所述最佳分裂属性为节点，创建决策树。
进一步地，所述预测步骤包括：
对当前的CAN报文进行量化分析，得出加权值P：
P＝1+故障事件概率)×100％
将加权值P输入到预测分类模型，基于加权投票法得出得票结果：
最终得票数＝投票票数×P
基于所述得票结果得出预测结果。
进一步地，所述CAN报文包括：AGV运动电机转速、执行电机转速、电力供电信息、传感器数据、AGV的运动状态和任务状态。
进一步地，所述故障类型包括：转向机构故障、运动电机故障和执行机构电机故障。
根据第二方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序能够被处理器执行以实现如权利要求1-7中任一项所述方法的步骤。
根据第三方面，本申请还提供了一种基于机器学习的AGV故障检测系统，该系统包括：
计算机可读存储介质；
处理器，用于通过执行所述存储器存储介质上的程序以实现如权利要求1-7中任一项所述方法的步骤。
与现有技术相比，本发明的有益效果如下：
以获取到的MFCC特征系数和CAN报文为样本，制成样本集，基于随机森林分类算法，根据MFCC特征系数和CAN报文构建分类模型，通过该分类模型，能够对AGV的故障进行预测，大大降低了检修人员的维保门槛和人力资源成本。
附图说明
图1为基于机器学习的AGV故障检测方法实施例1的流程图；
图2为实施例1中的获取AGV运行时音频的MFCC特征系数的流程图；
图3为实施例1中的建立预测分类模型的流程图；
图4为实施例1中的创建决策树的流程图；
图5为实施例1中的预测步骤S3的流程示意图；
图6为实施例1中的CAN报文的量化分析表；
图7为实施例1中获取到的音频图像；
图8为图7的音频图像预处理后的图像；
图9为图8的图像进行MFCC特征系数提取后的图像；
图10为实施例1中的投票结果表。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
MFCC：Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)的缩写。Mel频率是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系。Mel频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。
目前，AGV故障检修通常需要依靠专业的检修人员，随着AGV系统智能化的提高，AGV的故障类型变得愈发复杂、多面，这就使得AGV在生产、调试、运用阶段的故障检测方面有着较高的专业性门槛。在本发明实施例中，结合了AGV上各种电气、电子、机械结构的CAN报文信息，加上AGV运行时的音频MFCC特征系数，通过随机森林进行预测，能够对AGV的故障进行预测，大大降低了检修人员的维保门槛和人力资源成本。
实施例1：
参考图1-图5，本申请提供了一种基于机器学习的AGV故障检测方法，该方法包括：
建立模型步骤S1：获取以往AGV运行时音频的MFCC特征系数和CAN报文，基于随机森林分类算法，根据所述MFCC特征系数和CAN报文建立预测分类模型。其中，CAN报文为来自AGV控制器的CAN总线报文，其包括：AGV运动电机转速、执行电机转速、电力供电信息、传感器数据、AGV的运动状态和任务状态等信息。
输入步骤S2：获取当前AGV运行时音频的MFCC特征系数和CAN报文。
预测步骤S3：基于所述预测分类模型进行故障检测。
输出步骤S4：输出预测结果。
其中，获取AGV运行时音频的MFCC特征系数的步骤包括：
S11：获取AGV运行时的音频信号。通过麦克风采集当前AGV运行的音频信息，采集包括AGV正常运行和发生运动电机故障、执行机构电机故障或转向机构故障时的各种音频样本。
S12：对步骤S11中获取的音频信号进行预处理，生成Mel域。具体为：先将音频信号进行滤波、降噪、预加重、分帧、加窗和快速傅里叶变换等预处理，再将预处理后的音频样本变换成与Hz频率成非线性对应关系的Mel域。
S13：根据Mel域获取MFCC特征系数。
需要说明的是，步骤S11、S12、S13所运用的算法为常规的MFCC信号处理算法，其具体计算过程在此不做赘述。
进一步地，建立模型步骤S1包括：
S14：以获取到的MFCC特征系数和CAN报文为样本，制成样本集，样本集包括训练集。训练集由多个从样本集有放回的随机选择的样本组成。
S15：基于随机森林分类算法，利用训练集创建决策树，多个决策树构成预测分类模型。
具体地，步骤S15包括：
节点选择步骤S151：以人为输入的故障类型为样本属性，从所有样本属性中随机选择K个属性，采用信息增益从K个特征中选择出最佳分裂属性。其中，故障类型包括：转向机构故障、运动电机故障、执行机构电机故障。
创建步骤S152：以最佳分裂属性为节点，创建决策树。重复节点选择步骤S22和创建步骤S23多次，得到多个决策树，多个决策树构成预测分类模型。
进一步地，预测步骤S3包括：
S31：对当前的CAN报文进行量化分析，得出加权值。具体地，对CAN报文进行如图6所示的量化分析，得出一个用于加权投票法的加权值P。
P＝1+故障事件概率)×100％
需要说明的是，图6所示的量化分析表是根据以往故障发生情况，经统计学统计得出，具体统计方法为常规的统计方法，在此不做赘述。
S32：将加权值输入到预测分类模型，基于加权投票法得出得票结果。具体地，得票结果由下式得出：
最终得票数＝投票票数×P
S33：基于得票结果得出预测结果。预测分类模型中每个决策树都有一个结果，预测分类模型通过统计每个决策树的结果，以少数服从多数的原则，选择投票数最多的结果为最终结果。
举例来说，当获取的AGV运行时的音频图像如图7所示的图像时，先将该图像进行进行滤波、降噪、预加重、分帧、加窗和快速傅里叶变换等预处理，得到如图8所示的音频图像，然后根据预处理后的音频图像生成Mel域，进行MFCC特征系数提取，提取后的图像如图9所示，将得到如下12个系数：[0，0]、[0，0]、[580，209]、[549，18]、[552，-85]、[70，12]。同时，采集CAN报文，若CAN报文显示：AGV急停报警、执行机构电机失速，则先根据图6所示量化分析表，得出：
P1(执行机构电机故障)＝1.55
P2(运动电机故障)＝1.34
然后将上述数据输入到预测分类模型中：以12个特征系数为输入，P1和P2为加权值进行加权投票，得到如图10所示的投票结果，然后根据投票结果，执行机构电机故障得得票数最高，则预测AGV此时发生的故障大概率为执行机构电机故障。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (9)

1.一种基于机器学习的AGV故障检测方法，其特征在于，包括：
建立模型步骤：获取以往AGV运行时音频的MFCC特征系数和CAN报文，基于随机森林分类算法，根据MFCC特征系数和CAN报文建立预测分类模型；
输入步骤：获取当前AGV运行时音频的MFCC特征系数和CAN报文；
预测步骤：基于所述预测分类模型进行故障检测；
输出步骤：输出预测结果。
2.如权利要求1所述的基于机器学习的AGV故障检测方法，其特征在于，获取AGV运行时音频的MFCC特征系数的步骤包括：
获取AGV运行时的音频信号；
对所述音频信号进行预处理，生成Mel域；
根据Mel域获取MFCC特征系数。
3.如权利要求1所述的基于机器学习的AGV故障检测方法，其特征在于，所述根据MFCC特征系数和CAN报文建立预测分类模型的步骤包括：
以获取到的MFCC特征系数和CAN报文为样本，制成样本集，所述样本集包括训练集；
基于随机森林分类算法，利用所述训练集创建决策树，多个决策树构成预测分类模型。
4.如权利要求3所述的基于机器学习的AGV故障检测方法，其特征在于，所述创建决策树的步骤包括：
节点选择步骤：以人为输入的故障类型为样本属性，从所有样本属性中随机选择K个属性，采用信息增益从K个特征中选择出最佳分裂属性；
创建步骤：以所述最佳分裂属性为节点，创建决策树。
5.如权利要求1所述的基于机器学习的AGV故障检测方法，其特征在于，所述预测步骤包括：
对当前的CAN报文进行量化分析，得出加权值P：
P＝(1+故障事件概率)×100％
将加权值P输入到预测分类模型，基于加权投票法得出得票结果：
最终得票数＝投票票数×P
基于所述得票结果得出预测结果。
6.如权利要求1所述的基于机器学习的AGV故障检测方法，其特征在于，所述CAN报文包括：AGV运动电机转速、执行电机转速、电力供电信息、传感器数据、AGV的运动状态和任务状态。
7.如权利要求4所述的基于机器学习的AGV故障检测方法，其特征在于，所述故障类型包括：转向机构故障、运动电机故障和执行机构电机故障。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序能够被处理器执行以实现如权利要求1-7中任一项所述方法的步骤。
9.一种基于机器学习的AGV故障检测系统，其特征在于包括：
如权利要求8所述的计算机可读存储介质；
处理器，用于通过执行所述存储器存储介质上的程序以实现如权利要求1-7中任一项所述方法的步骤。
CN202011461518.7A 2020-12-12 2020-12-12 基于机器学习的agv故障检测方法、存储介质及系统 Active CN112578794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011461518.7A CN112578794B (zh) 2020-12-12 2020-12-12 基于机器学习的agv故障检测方法、存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011461518.7A CN112578794B (zh) 2020-12-12 2020-12-12 基于机器学习的agv故障检测方法、存储介质及系统

Publications (2)

Publication Number Publication Date
CN112578794A true CN112578794A (zh) 2021-03-30
CN112578794B CN112578794B (zh) 2023-09-01

Family

ID=75131560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011461518.7A Active CN112578794B (zh) 2020-12-12 2020-12-12 基于机器学习的agv故障检测方法、存储介质及系统

Country Status (1)

Country Link
CN (1) CN112578794B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810374A (zh) * 2013-12-09 2014-05-21 中国矿业大学 一种基于mfcc特征提取的机器故障预测方法
US20170178311A1 (en) * 2015-12-20 2017-06-22 Prophecy Sensors, Llc Machine fault detection based on a combination of sound capture and on spot feedback
CN107179503A (zh) * 2017-04-21 2017-09-19 美林数据技术股份有限公司 基于随机森林的风电机组故障智能诊断预警的方法
CN107450524A (zh) * 2017-08-30 2017-12-08 深圳市智物联网络有限公司 预测工业设备故障的方法、装置及计算机可读存储介质
CN109238735A (zh) * 2018-08-08 2019-01-18 上海交通大学 港口货运电动agv的故障监测诊断系统
CN109657982A (zh) * 2018-12-20 2019-04-19 三重能有限公司 一种故障预警方法及装置
WO2020029327A1 (zh) * 2018-08-10 2020-02-13 江南大学 一种基于改进随机森林算法的光伏阵列故障诊断方法
CN110968069A (zh) * 2018-09-28 2020-04-07 新疆金风科技股份有限公司 风力发电机组的故障预测方法、相应的装置及电子设备
US20200125465A1 (en) * 2018-10-23 2020-04-23 Gluesys, Co, Ltd. Automatic prediction system for server failure and method of automatically predicting server failure
US20200233397A1 (en) * 2019-01-23 2020-07-23 New York University System, method and computer-accessible medium for machine condition monitoring
CN111626153A (zh) * 2020-05-13 2020-09-04 电子科技大学 一种基于集成学习的局放故障状态识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810374A (zh) * 2013-12-09 2014-05-21 中国矿业大学 一种基于mfcc特征提取的机器故障预测方法
US20170178311A1 (en) * 2015-12-20 2017-06-22 Prophecy Sensors, Llc Machine fault detection based on a combination of sound capture and on spot feedback
CN107179503A (zh) * 2017-04-21 2017-09-19 美林数据技术股份有限公司 基于随机森林的风电机组故障智能诊断预警的方法
CN107450524A (zh) * 2017-08-30 2017-12-08 深圳市智物联网络有限公司 预测工业设备故障的方法、装置及计算机可读存储介质
CN109238735A (zh) * 2018-08-08 2019-01-18 上海交通大学 港口货运电动agv的故障监测诊断系统
WO2020029327A1 (zh) * 2018-08-10 2020-02-13 江南大学 一种基于改进随机森林算法的光伏阵列故障诊断方法
CN110968069A (zh) * 2018-09-28 2020-04-07 新疆金风科技股份有限公司 风力发电机组的故障预测方法、相应的装置及电子设备
US20200125465A1 (en) * 2018-10-23 2020-04-23 Gluesys, Co, Ltd. Automatic prediction system for server failure and method of automatically predicting server failure
CN109657982A (zh) * 2018-12-20 2019-04-19 三重能有限公司 一种故障预警方法及装置
US20200233397A1 (en) * 2019-01-23 2020-07-23 New York University System, method and computer-accessible medium for machine condition monitoring
CN111626153A (zh) * 2020-05-13 2020-09-04 电子科技大学 一种基于集成学习的局放故障状态识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
耿琪深等: "基于Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断", 《电力自动化设备》 *
鄢仁武等: "基于随机森林的电力电子电路故障诊断技术", 《武汉大学学报(工学版)》 *

Also Published As

Publication number Publication date
CN112578794B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
US9529777B2 (en) User behavior analyzer
US11355138B2 (en) Audio scene recognition using time series analysis
JP6235938B2 (ja) 音響イベント識別モデル学習装置、音響イベント検出装置、音響イベント識別モデル学習方法、音響イベント検出方法及びプログラム
CN111971743A (zh) 用于改进的实时音频处理的系统、方法和计算机可读介质
CN110047512B (zh) 一种环境声音分类方法、系统及相关装置
Natesha et al. Fog-based intelligent machine malfunction monitoring system for industry 4.0
CN112949708B (zh) 情绪识别方法、装置、计算机设备和存储介质
US20190188067A1 (en) Conversational Problem Determination based on Bipartite Graph
CN112750459B (zh) 音频场景识别方法、装置、设备及计算机可读存储介质
Vrysis et al. Extending temporal feature integration for semantic audio analysis
CN113722134A (zh) 一种集群故障处理方法、装置、设备及可读存储介质
CN112578794A (zh) 基于机器学习的agv故障检测方法、存储介质及系统
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
JP6301891B2 (ja) 学習装置、識別装置、その方法、およびプログラム
CN112687274A (zh) 一种语音信息的处理方法、装置、设备及介质
CN111949776B (zh) 一种用户标签评估的方法、装置和电子设备
CN114610590A (zh) 作业运行时长确定方法、装置、设备及存储介质
CN113593603A (zh) 音频类别的确定方法、装置、存储介质及电子装置
CN113380268A (zh) 模型训练的方法、装置和语音信号的处理方法、装置
CN116235149A (zh) 上下文感知异常检测
CN115406630A (zh) 一种基于机器学习的无源声信号对风力发电机叶片故障检测方法
CN111695117A (zh) 一种webshell脚本检测方法及装置
CN117725402B (zh) 一种基于设备运行音频的设备异常状态确定方法及系统
CN114333802B (zh) 语音处理方法、装置、电子设备及计算机可读存储介质
CN117636909B (zh) 一种数据处理方法、装置、设备以及计算机可读存储介质

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