CN112697270B - 故障检测方法、装置、无人设备及存储介质 - Google Patents
故障检测方法、装置、无人设备及存储介质 Download PDFInfo
- Publication number
- CN112697270B CN112697270B CN202011440364.3A CN202011440364A CN112697270B CN 112697270 B CN112697270 B CN 112697270B CN 202011440364 A CN202011440364 A CN 202011440364A CN 112697270 B CN112697270 B CN 112697270B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- audio signal
- audio
- target
- noise
- 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 81
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 230000005236 sound signal Effects 0.000 claims abstract description 167
- 238000001228 spectrum Methods 0.000 claims abstract description 153
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000000926 separation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供的故障检测方法、装置、无人设备及存储介质，包括：获取待检测设备的音频特征数据集和每个目标发声部件对应的标准特征频谱；音频特征数据集由待检测设备内的全部发声部件的音频信号混合而成；音频特征数据集中包含多个试样特征频谱；每个试样特征频谱对应待检测设备的一个发声部件；试样特征频谱包括发声部件工作时的音频信号对应的特征峰；标准特征频谱包括目标发声部件正常工作时的音频信号对应的特征峰；当存在标准特征频谱中的特征峰在全部试样特征频谱中无法对应匹配时，确定待检测设备存在故障。本发明避免了人工检测成本高、效率低、检测结果不准确的问题，降低了检测门槛和成本，能快速检测故障、提高检测结果的准确度。
Description
技术领域
本发明涉及信号处理领域，具体而言，涉及一种故障检测方法、装置、无人设备及存储介质。
背景技术
随着无人技术的发展，无人机或无人车等无人设备已经广泛应用到的植保、物流、农业生产等领域，为了保证无人设备的正常工作，定期对无人设备进行故障检测。
现有技术对于无人车或无人机的故障检测主要依赖技术人员现场进行人工检测，但是通过人工检测的方式存在以下缺陷，检测人员的技术要求高，专业的检测工具成本高，这些缺陷导致现有的故障检测方式检测成本高、效率低、检测结果不准确等。
因此，如何降低检测门槛和成本，实现快速判断故障、提高检测结果的准确度，是需要解决的问题。
发明内容
有鉴于此，本发明提供一种故障检测方法、装置、无人设备及存储介质，用以避免了现有人工检测中成本高、效率低、检测结果不准确的问题，降低检测门槛和成本，实现了快速判断故障、提高检测结果的准确度的效果。
第一方面，本发明提供一种故障检测方法，所述方法包括：获取待检测设备的音频特征数据集和每个目标发声部件对应的标准特征频谱；所述音频特征数据集由所述待检测设备内的全部发声部件的音频信号混合而成；所述音频特征数据集中包含多个试样特征频谱；每个所述试样特征频谱对应待检测设备的一个发声部件；所述试样特征频谱包括所述发声部件工作时的音频信号对应的特征峰；所述标准特征频谱包括目标发声部件正常工作时的音频信号对应的特征峰；当存在标准特征频谱中的特征峰在全部所述试样特征频谱中无法对应匹配时，确定所述待检测设备存在故障。
第二方面，本发明提供一种故障检测装置，包括：获取模块，用于获取待检测设备的音频特征数据集和每个目标发声部件对应的标准特征频谱；所述音频特征数据集由所述待检测设备内的全部发声部件的音频信号混合而成；所述音频特征数据集中包含多个试样特征频谱；每个所述试样特征频谱对应待检测设备的一个发声部件；所述试样特征频谱包括所述发声部件工作时的音频信号对应的特征峰；所述标准特征频谱包括目标发声部件正常工作时的音频信号对应的特征峰；确定模块，用于当存在标准特征频谱中的特征峰在全部所述试样特征频谱中无法对应匹配时，确定所述待检测设备存在故障。
第三方面，本发明提供一种无人设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现第一方面所述的故障检测方法。
第四方面，本发明提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如实现第一方面所述的故障检测方法。
本发明提供了一种故障检测方法、装置、无人设备及存储介质，该方法包括：获取待检测设备的音频特征数据集和每个目标发声部件对应的标准特征频谱；所述音频特征数据集由所述待检测设备内的全部发声部件的音频信号混合而成；所述音频特征数据集中包含多个试样特征频谱；每个所述试样特征频谱对应待检测设备的一个发声部件；所述试样特征频谱包括所述发声部件工作时的音频信号对应的特征峰；所述标准特征频谱包括目标发声部件正常工作时的音频信号对应的特征峰；当存在标准特征频谱中的特征峰在全部所述试样特征频谱中无法对应匹配时，确定所述待检测设备存在故障。与现有技术的区别在于，现有故障检测主要依赖技术人员现场进行人工检测，对检测人员的技术要求高，专业的检测工具成本高，导致检测成本高、效率低、检测结果不准确，而本发明通过将检测到的音频特征频谱的特征峰与预设的标准特征频谱的特征峰进行比较，识别出存在故障的目标部件，操作简单，准确度高，避免了现有人工检测中成本高、效率低、检测结果不准确的问题，降低检测门槛和成本，实现了快速判断故障、提高检测结果的准确度的有益效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的一种故障检测的示意性流程图；
图2为本发明实施例提供的另一种故障检测的示意性流程图；
图3为步骤S102的一种实现方式的示意性流程图；
图4为步骤S103的一种实现方式的示意性流程图；
图5为步骤S103-1的一种实现方式的示意性流程图；
图6为本发明实施例提供的一种故障检测装置的功能模块图；
图7为本发明实施例提供的另一种故障检测装置的功能模块图；
图8为本发明实施例提供的无人设备的结构框图。
图标：60-故障检测装置；601-获取模块；602-确定模块；603-采集模块；604-音频处理模块；80-无人设备；801-通信接口；802-处理器；803-存储器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”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，或者是该发明产品使用时惯常摆放的方位或位置关系，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元件必须具有特定的方位、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。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
目前，为了保证无人设备的正常工作，需要定期对无人设备进行故障检测。相关技术对于无人车或无人机的故障检测主要依赖技术人员现场进行人工检测，但是通过人工检测的方式存在以下缺陷，检测人员的技术要求高，专业的检测工具成本高，这些缺陷导致现有的故障检测方式检测成本高、效率低、检测结果准确等。
为了解决上述技术问题，本发明提供一种故障检测方法，其核心在于：采集植保无人机(车)的工作音频，通过对工作音频的处理、识别进而判断植保无人机(车)内用户关注的目标部件是否存在故障，降低检测门槛和成本，能够实现快速判断故障。
上述“用户关注的目标部件”指得是预先存储在数据库中的主要部件，例如电机、螺旋桨等，为了能够判断目标部件是否存在故障，本发明首先针对主要部件进行信息采集，建立关于目标部件的数据库，在一种可能的实现方式中，本发明建立上述数据库的方式可以是：
针对不同型号不同批次的无人设备(包括无人机、无人车或无人船)，在产品出厂前选取合格的产品，采集主要部件(例如电机、螺旋桨等)工作时的音频，对采集的音频进行傅里叶变换得到各个主要部件的频谱图，提取频谱图中对应的特征峰，作为各个主要部件的标准特征频谱，存放到标准匹配频谱数据库中。
可以理解的是，上述的数据库用于维护用户关注的目标部件及目标发声部件正常工作时的音频信号对应的特征峰，组成目标发声部件对应的标准特征频谱。将目标发声部件对应的标准特征频谱预先存储进数据库中，然后将无人设备工作时获得的各个发声部件工作时的音频信号对应的试样特征频谱中特征峰与标准特征频谱中的特征峰进行比较，进而可以判断出用户关注的目标部件以及待检测设备是否出现故障。
需要说明的是，各个发声部件正常工作时的特征频谱中的特征峰可以是一个或多个，在将试样特征频谱中特征峰与标准特征频谱中的特征峰进行比较时，不仅比较特征峰高度，也会对位置进行比较。
下面将详细阐述本发明实施例提供的故障检测方法的实现原理，请参见图1，图1为本发明实施例提供的一种故障检测的示意性流程图，包括：
S103、获取待检测设备的音频特征数据集和每个目标发声部件对应的标准特征频谱。
在本发明实施例中，上述的待检测设备指得是无人设备(包括无人机、无人车或无人船)，上述的音频特征数据集由待检测设备内的全部发声部件的音频信号混合而成；音频特征数据集中包含多个试样特征频谱；每个试样特征频谱对应待检测设备的一个发声部件；试样特征频谱包括所述发声部件工作时的音频信号对应的特征峰；标准特征频谱包括目标发声部件正常工作时的音频信号对应的特征峰。
可以理解的是，待检测设备工作时，内部的所有发声部件会产生音频信号，本发明实例可以获得到所有发声部件(包括数据库中存储的目标部件)的试样特征频谱；由于各个发声部件的音频信号频率不同，因此，在待检测设备工作时获得的所有发声部件(包括数据中存储的目标部件)的试样特征频谱后，将获得的试样特征频谱的特征峰与上述数据库中的目标部件的标准特征频谱的特征峰进行比较，进而可以判断出用户关注的目标部件是否出现故障，比较方式如步骤104所示：
S104、当存在标准特征频谱中的特征峰在全部试样特征频谱中无法对应匹配时，确定待检测设备存在故障。
可以理解的是，由于采集到的音频特征数据集中包含了目标发声部件的试样特征频谱，目标发声部件对应的标准特征频谱表征目标发声部件正常工作时的音频信号的特征，当存在标准特征频谱中的特征峰在采集到的试样特征频谱中的无法查找到对应的特征峰时，表征存在目标发声部件在处于非正常工作的状态，所以此时可以确定待检测设备处于故障状态。
在一些可能的实施例中，由于发声部件在工作一段时间后会出现损耗、磨损等现象，导致发声部件检测到的音频信号的特征频谱的特征峰与出厂之前采集的音频信号的特征频谱的特征峰(标准特征频谱的特征峰)之间存在误差，因此，本发明实施例在判断待检测设备是否出现故障时，可以是，当存在标准特征频谱中的特征峰与全部试样特征频谱中特征峰之间的误差在预设误差范围外时，则表明该待检测设备存在故障。
例如，目标部件为电机和螺旋桨，电机对应的标准特征频谱为{50，115，98，65}，螺旋桨对应的标准特征频谱为{70、5、22、50}；检测到的音频特征数据集包含4个试样特征频谱，分别为{32，14，30}、{71、10、19、60}、{46、12、28、105}、{96、32、107}，假设预设的误差范围为-5～5，可以看出，特征峰“115”与这4个试样特征频谱中特征峰均在预设误差范围内，则可以说明电机处于非正常状态，说明待检测设备故障。
需要说明的是，上述的预设误差范围可以根据实际的场景和经验，由用户自行定义，此处不作限定。
本发明实施例通过获取待检测设备的音频特征数据集和每个目标发声部件对应的标准特征频谱；由于音频特征数据集是由待检测设备内的全部发声部件的音频信号混合而成；音频特征数据集中包含多个试样特征频谱；每个所述试样特征频谱对应待检测设备的一个发声部件；试样特征频谱包括所述发声部件工作时的音频信号对应的特征峰；标准特征频谱包括目标发声部件正常工作时的音频信号对应的特征峰，因此，将采集到的试样特征频谱的特征峰与标准特征频谱的特征峰进行比较，当存在标准特征频谱中的特征峰在全部所述试样特征频谱中无法对应匹配时，则可以确定待检测设备存在故障，与现有的人工检测方式相比，本发明通过将检测到的音频特征频谱的特征峰与预设的标准特征频谱的特征峰进行比较，识别出存在故障的目标部件，操作简单，准确度高，避免了现有人工检测中成本高、效率低、检测结果不准确的问题，降低检测门槛和成本，实现了快速判断故障、提高检测结果的准确度的有益效果。
可选地，通过上述将将采集到的试样特征频谱的特征峰与标准特征频谱的特征峰进行比较的方式，本发明实施例还可以判断目标发声部件是否发生故障，即当存在目标发声部件的标准特征频谱中的特征峰在全部试样特征频谱中无法对应匹配时，确定目标发声部件存在故障。
可以理解的是，目标发声部件可能存在损耗、磨损等问题，导致目标发声部件在正常工作时采集到的目标发声部件的试样特征频谱与预存的标准特征频谱存在差异，因此，在确定目标发声部件是否发生故障时，还可以是，当目标发声部件的标准特征频谱中的特征峰与全部试样特征频谱中特征峰之间的误差在预设误差范围外时，则表明该待检测设备存在故障。
例如，继续以上述示例说明，可以看出，电机的特征频谱中的特征峰“115”与这4个试样特征频谱中特征峰均在预设误差范围内，则可以说明电机处于故障状态。
可选地，通过上述内容可知，为了能够识别存在故障的目标部件，需要获得包括目标部件在内的所有发声部件对应的音频特征数据集，然后通过比较试样特征频谱的特征峰与标准特征频谱的特征峰之间的差异识别出故障的目标部件，因此，为了能够获得音频特征数据集，首先需要获得待检测设备工作时所有发声部件的混合音频信号，下面在图1的基础上，给出一种可能的实现方式，参见图2，图2为本发明实施例提供的另一种故障检测方法的示意性流程图，包括：
S101、采集当前环境的环境音频信号和待检测设备在当前环境中工作时的带噪声混合音频信号。
在本发明实施例中，在噪声相对稳定的环境下，待检测设备未被开启工作，采集周边环境音频作为环境音频信号；进而开启待检测设备，采集待检测机器的工作音频，此时采集的工作音频为带噪声混合音频信号，可想而知，噪声音频会影响音频特征数据集中各个特征频谱的特征峰的准确度，因此，此时还需要对带噪声混合音频信号进行去噪处理，获得纯净的混合音频信号，继续参见S102。
S102、根据环境音频信号对带噪声混合音频信号进行音频增强和幅度补偿处理，获得不带噪声的目标混合音频信号。
在本发明实施例中，上述音频增强的目的是最大限度的消除带噪音频中的噪声，获得提取最纯净的原音频。幅度补偿处理是为了弥补由于音频增强处理带来音频损伤，获得质量更好的目标混合音频，这里的目标混合音频可以理解为包括目标部件在内的所有发声部件的音频信号混合而成的音频信号。
可选地，在对带噪声混合音频信号进行音频增强和幅度补偿处理之前，为了去除各个发声部件对应的音频信号相关性，可以先对带噪声混合音频信号进行去均值和白化处理，这样可以减小后续音频信号处理过程中的误差，保证提取到的音频特征的准确性。
可选地，通过上述内容可知，为了消除带噪音频中的噪声，获得提取最纯净的原音频，同时为了弥补由于音频增强处理带来音频损伤，获得质量更好的目标混合音频，需要对采集到的带噪声的混合音频信号进行音频增强和幅度补偿，为了方便理解这些处理过程，下面给出一种可能的实现方式，参见图3，图3为步骤S102的一种实现方式的示意性流程图。
S102-1、对环境音频信号进行噪声估计获得噪声频谱。
S102-2、根据预设的谱减噪声系数、频谱下限阈值参数和信号补偿因子计算带噪声混合音频信号的频谱和噪声频谱的差值，作为待补偿的目标混合音频信号。
在本发明实施例中，上述步骤S102-1和步骤S102-2即是对现有的用于音频增强的谱减法的改进方法，谱减法的原理就是在“寂静段”估算出噪声，然后把含有噪声的音频减去估算的噪声从而得到相对纯净的音频，但现实中噪音和原本音频并非是平稳的，因此，相关技术基于最小控制递归平均噪声估计方法(MCRA)，针对不同种类噪声使用不同参数因子进行谱减，既可以处理平稳音频也能处理非平稳音频。为了方便理解，请继续参见下述现有技术中的谱减法原理。
现有技术中谱减法的实现原理是，假设含噪声音频信号的表达式如关系式(1)所示：
d(k)＝s(k)+n(k)…(1)
其中，d(k)表征带噪声的音频信号，s(k)表示目标音频信号，n(k)表示噪声信号。
通过傅里叶表换后得到关于目标音频信号的频谱表达式如关系式(2)所示：
其中，表征目标音频信号的频谱，D[w]表示带噪声混合音频信号的频谱，表示噪声信号的频谱。
根据关系(2)可以看出，由于相减后可能会出现负值，同时由于在估计噪声频谱的过程中可能会残留比较多的噪声，因为这些噪声具有一定的节奏感，所以被称为“音乐噪声”，相关技术为了避免出现负值情况，去除音乐噪声，采用每一段噪声的信噪比来确定一个谱减噪声系数，进而调整关系式(2)为如下形式：
其中，α为谱减噪声系数。
然后基于关系式(3)获得目标音频信号的频谱模型如关系式(4)所示：
其中，σ频谱下限阈值参数。
但是，以上便是相关技术基于最小控制递归平均噪声估计方法(MCRA)实现音频增强的实现方式，但是，上述MCRA算法的最大的缺点是当噪声电平升高时，最小值更新有延迟，这就导致估计的噪声功率低于实际的噪声功率，也就是“欠估计”。为了对估计信号进行补偿，本发明实施例通过设置补偿因子对上述MCRA算法进行改进，改进后公式(4)如下所示：
其中，α为谱减噪声系数，τ为本发明实施例提供的信号补偿因子。
最终得到的频谱模型如关系式(6)所示：
通过上述频谱模型即可对带噪声混合音频信号实现音频增强目的，该过程可以去除混合音频信号中的噪声信号，获得纯净的无噪声混合音频信号，进一步地，由于使用改进后的频减法可能会对混合音频信号噪声损伤，破坏混合音频信号的质量，因此，为了能获得质量更好的目标混合音频，可以继续执行步骤S102-3和S102-4可以对频减后的信号进行补偿，继续参见以下步骤。
S102-3、根据带噪声混合音频信号的信噪比参数确定第一幅度补偿因子。
S102-4、将第一幅度补偿因子和预设的第二幅度补偿因子与带噪声混合音频信号进行加权处理，并将加权处理后的带噪声混合音频信号和待补偿的目标混合音频信号相加，获得幅度补偿后的目标混合音频信号。
在本发明实施例中，可以通过以下关系式(7)实现对目标混合音频信号的幅度补偿。
其中，ay,i表示带噪声混合音频信号的第i段信号幅度谱，ax,i表示待补偿的目标混合音频信号的第i段信号幅度谱；μ1,i表示预设的第二幅度补偿因子，通常取值为0.5，μ2,i表示预设的第一幅度补偿因子，该第一幅度补偿因子可以通过以下关系式(8)获得：
其中，SNRi表示噪声混合音频信号的各段信号的信噪比。
通过上述步骤S102-1至步骤S102-4，即可以消除带噪混合音频中的噪声，获得纯净不带噪声的混合音频信号，同时能够弥补由于音频增强处理带来音频损伤，获得质量更好的目标混合音频。
可选地，通过上述内容获得目标混合音频信号之后，由于目标混合音频信号是由包括目标部件在内的所有发声部件的音频信号混合而成，因此，为了能够单独获得各个发声部件的音频信号，提取音频信号的特征频谱的特征峰，可以先将目标混合音频信号进行分离，获得各个独立的音频信号，然后对各个独立的音频信号进行特征提取，获得音频特征数据集。因此，下面给出一种可能的实现方式，参见图4，图4为步骤S103的一种实现方式的示意性流程图。
S103-1、根据盲源分离算法将不带噪声的目标混合音频信号进行解混，获得多个分离的音频信号。
在本发明实施例中，由于采集的混合音频信号的信源数小于待观测的音源，也就是说，用于采集音频信号的接收器个数小于实际产生音频信号的发声部件的个数，因此该问题可以看作是一个欠定盲源分离问题，在实际的信号解混处理中可能会出现无法解混的现象，因此，本发明实施例采用生成转换数据的方式将欠定盲源问题转为超定盲源问题，如此一来，在此基础上可以实现对混合信号的解混操作，下面给出一种可能的实现方式，参见图5，图5为步骤S103-1的一种实现方式的示意性流程图。
S103-1-1、根据目标混合音频信号和预设初始分离矩阵计算转换数据；
S103-1-2、利用转换数据对目标混合音频信号进行转换。
S103-1-3、根据FastICA算法更新初始分离矩阵和转换后的目标混合音频信号，直到获得多个分离的音频信号。
在本发明实施例中，可以通过以下关系式(9)计算得到转换数据：
其中，z表示本发明实施例中的转换数据，用于将欠定盲源问题转为超定盲源问题；x表示目标混合音频信号；W表示的是初始分离矩阵；p为概率密度函数，可由核密度估计方法得到，即给定独立同分布随机变量X的一组样本为X1、X2…Xn，X的概率密度可估计为(或者说Xi为目标混合音频信号x的一组样本)，则概率密度函数p可以根据以下关系式(10)获得：
其中，K(·)表征概率密度函数估计核函数，在概率密度函数估计的核函数法中，最常用的核函数为高斯核函数。
通过上述关系式获得转换数据z之后，即可通过转换数据z将目标混合音频信号x进行转换，转换后的目标混合音频信号如关系式(11)所示：
获得转换后的目标混合音频信号y之后，可以通过FastICA算法更新初始分离矩阵W和转换后的目标混合音频信号y，直到收敛为止，输出最大熵下的各个独立的音频信号，然后可以执行步骤S103-2获得音频特征数据集。
S103-2、提取多个分离的音频信号各自对应的音频特征频谱，组成音频特征数据集。
在本发明实施例中，获得各个分离的音频信号后，对各个分离的音频信号后进行快速傅里叶变换可以得到各个分离的音频信号的频谱图，组成音频特征数据集。
通过上述过程获得音频特征数据集，即针对音频特征数据集中的各个试样特征频谱的特征峰，判断标准特征频谱中的特征峰在全部试样特征频谱中是否有对应匹配的特征峰，或者，判断是否存在标准特征频谱中的特征峰与全部所述试样特征频谱的特征峰的误差在误差范围外时，确定待检测设备存在故障。
为了实现上述实施例中的各个步骤，以达到对应的技术效果，下面给出一种故障检测装置的实现方式，本发明实施例还提供了一种故障检测装置，参见图6，图6为本发明实施例提供的一种故障检测装置的功能模块图，其中，故障检测装置60包括：获取模块601、确定模块602。
获取模块601，用于获取待检测设备的音频特征数据集和每个目标发声部件对应的标准特征频谱；其中，音频特征数据集由待检测设备内的全部发声部件的音频信号混合而成；音频特征数据集中包含多个试样特征频谱；每个试样特征频谱对应待检测设备的一个发声部件；试样特征频谱包括发声部件工作时的音频信号对应的特征峰；标准特征频谱包括目标发声部件正常工作时的音频信号对应的特征峰；
确定模块602，用于当存在标准特征频谱中的特征峰在全部试样特征频谱中无法对应匹配时，确定待检测设备存在故障。
可以理解的是，获取模块601和确定模块602可以协同的执行步骤S103至步骤S104以实现相应的技术效果。
可选地，确定模块602，还用于当存在目标发声部件的标准特征频谱中的特征峰在全部试样特征频谱中无法对应匹配时，确定目标发声部件存在故障。
可选地，为了实现获得音频特征数据集的功能，该故障检测装置还可以包括采集模块603和音频处理模块604，参见图7，图7为本发明实施例用提供的另一种故障检测装置的功能模块图。
采集模块603，用于采集当前环境的环境音频信号和待检测设备在当前环境中工作时的带噪声混合音频信号；
音频处理模块604，用于根据环境音频信号对带噪声混合音频信号进行音频增强和幅度补偿处理，获得不带噪声的目标混合音频信号。
可以理解的是，采集模块603和音频处理模块604，可以协同的执行步骤S101至步骤S102以实现相应的技术效果。
可选地，为了能够获得音频特征数据集，获取模块601，具体用于：根据盲源分离算法将不带噪声的目标混合音频信号进行解混，获得多个分离的音频信号；提取多个分离的音频信号各自对应的音频特征频谱，组成音频特征数据集。
可以理解的是，获取模块601还可以用来执行步骤S103-1至步骤S103-2以实现相应的技术效果。
可选地，为了能够获得去除带噪声混合音频信号中的噪声，提高音频信号的质量，音频处理模块604，还具体用于：对环境音频信号进行噪声估计获得噪声频谱；根据预设的相减因子、频谱下限阈值参数和信号补偿因子计算带噪声混合音频信号的频谱和噪声频谱的差值，作为待补偿的目标混合音频信号；根据带噪声混合音频信号的信噪比参数确定第一幅度补偿因子；将第一幅度补偿因子和预设的第二幅度补充因子与带噪声混合音频信号进行加权处理，并将加权处理后的带噪声混合音频信号和待补偿的目标混合音频信号相加，获得幅度补偿后的目标混合音频信号。
可以理解的是，音频处理模块604还可以用来执行步骤S102-1至步骤S102-4以实现相应的技术效果。
可选地，为了能够将混合音频信号进行解混，获得各个独立的音频信号，获取模块601还具体用于：根据目标混合音频信号和预设初始分离矩阵计算转换数据；利用转换数据对目标混合音频信号进行转换；根据FastICA算法更新初始分离矩阵和转换后的目标混合音频信号，直到获得多个分离的音频信号。
可以理解的是，获取模块601还可以用来执行步骤S103-1-1至步骤S103-1-2以实现相应的技术效果。
可选地，为了能够将对混合音频信号进行去相关处理，音频处理模块604还具体用于对带噪声混合音频信号进行去均值和白化处理。
本发明实施例提供的故障检测装置，包括获取模块和确定模块；获取模块，用于获取待检测设备的音频特征数据集和每个目标发声部件对应的标准特征频谱；音频特征数据集由待检测设备内的全部发声部件的音频信号混合而成；音频特征数据集中包含多个试样特征频谱；每个试样特征频谱对应待检测设备的一个发声部件；试样特征频谱包括发声部件工作时的音频信号对应的特征峰；标准特征频谱包括目标发声部件正常工作时的音频信号对应的特征峰；确定模块，用于当存在标准特征频谱中的特征峰在全部试样特征频谱中无法对应匹配时，确定待检测设备存在故障。本发明通过该故障检测装置通过将检测到的音频特征频谱的特征峰与预设的标准特征频谱的特征峰进行比较，识别出存在故障的目标部件，操作简单，准确度高，避免了现有人工检测中成本高、效率低、检测结果不准确的问题，降低检测门槛和成本，实现了快速判断故障、提高检测结果的准确度的有益效果。
本发明实施例还提供一种无人设备，如图8，图8为本发明实施例提供的一种无人设备结构框图。该无人设备80包括通信接口801、处理器802和存储器803。该处理器802、存储器803和通信接口801相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器803可用于存储软件程序及模块，如本发明实施例所提供的故障检测方法对应的程序指令/模块，处理器802通过执行存储在存储器803内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口801可用于与其他节点设备进行信令或数据的通信。在本发明中该无人设备80可以具有多个通信接口801。
其中，存储器803可以是但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。
处理器802可以是一种集成电路芯片，具有信号处理能力。该处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，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。
可以理解的是，上述的故障检测装置60的各个模块可以软件或固件(Firmware)的形式存储于无人设备80的存储器803中，并由处理器802执行，同时，执行上述模块所需的数据、程序的代码等可以存储在存储器803中。
本发明实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前述实施方式中任一项的故障检测方法。该计算机可读存储介质可以是，但不限于，U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种故障检测方法，其特征在于，所述方法包括：
获取待检测设备的音频特征数据集和每个目标发声部件对应的标准特征频谱；
其中，所述音频特征数据集由所述待检测设备内的全部发声部件的音频信号混合而成，所述全部发声部件的音频信号是根据以下步骤得到的：根据目标混合音频信号和预设初始分离矩阵计算转换数据，所述目标混合音频信号的信源数小于待观测的音源；所述转换数据用于将欠定盲源问题转为超定盲源问题； 利用所述转换数据对所述目标混合音频信号进行转换；根据FastICA算法更新所述初始分离矩阵和转换后的所述目标混合音频信号；计算所述转换数据的关系式形如：
其中，表示所述转换数据；/>表示所述目标混合音频信号；/>表示所述预设初始分离矩阵；/>为概率密度函数，关系式为：/>；其中，/>表征概率密度函数估计核函数；/>为所述目标混合音频信号/>的第i组样本，n表征所述样本的数量；
所述音频特征数据集中包含多个试样特征频谱；每个所述试样特征频谱对应待检测设备的一个发声部件；所述试样特征频谱包括所述发声部件工作时的音频信号对应的特征峰；所述标准特征频谱包括目标发声部件正常工作时的音频信号对应的特征峰；
当存在标准特征频谱中的特征峰在全部所述试样特征频谱中无法对应匹配时，确定所述待检测设备存在故障。
2.根据权利要求1所述的故障检测方法，其特征在于，当存在目标发声部件的标准特征频谱中的特征峰在全部所述试样特征频谱中无法对应匹配时，确定所述目标发声部件存在故障。
3.根据权利要求1所述的故障检测方法，其特征在于，在获取待检测设备的音频特征数据集的步骤之前，所述方法还包括：
采集当前环境的环境音频信号和所述待检测设备在所述当前环境中工作时的带噪声混合音频信号；
根据所述环境音频信号对所述带噪声混合音频信号进行音频增强和幅度补偿处理，获得不带噪声的所述目标混合音频信号。
4.根据权利要求3所述的故障检测方法，其特征在于，所述获取待检测设备的音频特征数据集的步骤，包括：
根据盲源分离算法将所述不带噪声的所述目标混合音频信号进行解混，获得多个分离的音频信号；
提取所述多个分离的音频信号各自对应的音频特征频谱，组成所述音频特征数据集。
5.根据权利要求3所述的故障检测方法，其特征在于，所述根据所述环境音频信号对所述带噪声混合音频信号进行音频增强和幅度补偿处理，获得不带噪声的目标混合音频信号的步骤，包括：
对所述环境音频信号进行噪声估计获得噪声频谱；
根据预设的相减因子、频谱下限阈值参数和信号补偿因子计算所述带噪声混合音频信号的频谱和所述噪声频谱的差值，作为待补偿的目标混合音频信号；
根据所述带噪声混合音频信号的信噪比参数确定第一幅度补偿因子；
将所述第一幅度补偿因子和预设的第二幅度补充因子与所述带噪声混合音频信号进行加权处理，并将加权处理后的所述带噪声混合音频信号和所述待补偿的目标混合音频信号相加，获得幅度补偿后的所述目标混合音频信号。
6.根据权利要求3所述的故障检测方法，在根据所述环境音频信号对所述带噪声混合音信号进行音频增强处理，获得目标音频信号的步骤之前，所述方法还包括：
对所述带噪声混合音频信号进行去均值和白化处理。
7.一种故障检测装置，其特征在于，包括：
获取模块，用于获取待检测设备的音频特征数据集和每个目标发声部件对应的标准特征频谱；所述音频特征数据集由所述待检测设备内的全部发声部件的音频信号混合而成；所述全部发声部件的音频信号是根据以下步骤得到的：根据目标混合音频信号和预设初始分离矩阵计算转换数据，所述目标混合音频信号的信源数小于待观测的音源；所述转换数据用于将欠定盲源问题转为超定盲源问题；利用所述转换数据对所述目标混合音频信号进行转换；根据FastICA算法更新所述初始分离矩阵和转换后的所述目标混合音频信号；计算所述转换数据的关系式形如：
其中，表示所述转换数据；/>表示所述目标混合音频信号；/>表示所述预设初始分离矩阵；/>为概率密度函数，关系式为：/>；其中，/>表征概率密度函数估计核函数；/>为所述目标混合音频信号/>的第i组样本，n表征所述样本的数量；
所述音频特征数据集中包含多个试样特征频谱；每个所述试样特征频谱对应待检测设备的一个发声部件；所述试样特征频谱包括所述发声部件工作时的音频信号对应的特征峰；所述标准特征频谱包括目标发声部件正常工作时的音频信号对应的特征峰；
确定模块，用于当存在标准特征频谱中的特征峰在全部所述试样特征频谱中无法对应匹配时，确定所述待检测设备存在故障。
8.一种无人设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现权利要求1-6任一项所述的故障检测方法。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011440364.3A CN112697270B (zh) | 2020-12-07 | 2020-12-07 | 故障检测方法、装置、无人设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011440364.3A CN112697270B (zh) | 2020-12-07 | 2020-12-07 | 故障检测方法、装置、无人设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112697270A CN112697270A (zh) | 2021-04-23 |
| CN112697270B true CN112697270B (zh) | 2023-07-18 |
Family
ID=75507719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011440364.3A Active CN112697270B (zh) | 2020-12-07 | 2020-12-07 | 故障检测方法、装置、无人设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112697270B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114544205A (zh) * | 2022-01-05 | 2022-05-27 | 北京交通大学 | 机车轮驱跑合试验故障自动诊断系统 |
| CN114878938B (zh) * | 2022-05-06 | 2023-04-21 | 常州蓝山机电科技有限公司 | 适用于导电滑环故障检测的数据处理方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2237272A2 (en) * | 2009-03-30 | 2010-10-06 | Sony Corporation | Signal processing apparatus, signal processing method, and program |
| CN107770526A (zh) * | 2017-10-25 | 2018-03-06 | 哈尔滨工业大学 | 一种基于量化ica的超光谱大气红外遥感图像无损压缩方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4449871B2 (ja) * | 2005-01-26 | 2010-04-14 | ソニー株式会社 | 音声信号分離装置及び方法 |
| CN106769154A (zh) * | 2017-02-14 | 2017-05-31 | 安徽工程大学 | 一种用于机械设备工作噪音监控的方法 |
| US10746590B2 (en) * | 2017-09-29 | 2020-08-18 | Rockwell Automation Technologies, Inc. | Method and apparatus for online condition monitoring of variable speed motor applications |
| CN108831500B (zh) * | 2018-05-29 | 2023-04-28 | 平安科技（深圳）有限公司 | 语音增强方法、装置、计算机设备及存储介质 |
| CN108899052B (zh) * | 2018-07-10 | 2020-12-01 | 南京邮电大学 | 一种基于多带谱减法的帕金森语音增强方法 |
| CN110031088B (zh) * | 2019-04-17 | 2020-04-07 | 珠海格力电器股份有限公司 | 电子设备故障检测方法、装置、设备和吸油烟机 |
| CN110376455B (zh) * | 2019-06-26 | 2021-11-16 | 深圳供电局有限公司 | 变压器工作状态检测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-07 CN CN202011440364.3A patent/CN112697270B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2237272A2 (en) * | 2009-03-30 | 2010-10-06 | Sony Corporation | Signal processing apparatus, signal processing method, and program |
| CN107770526A (zh) * | 2017-10-25 | 2018-03-06 | 哈尔滨工业大学 | 一种基于量化ica的超光谱大气红外遥感图像无损压缩方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112697270A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10573301B2 (en) | Neural network based time-frequency mask estimation and beamforming for speech pre-processing | |
| CN112697270B (zh) | 故障检测方法、装置、无人设备及存储介质 | |
| CN108804832B (zh) | 一种基于vmd的间隔阈值局部放电去噪方法 | |
| US6343268B1 (en) | Estimator of independent sources from degenerate mixtures | |
| JP6334895B2 (ja) | 信号処理装置及びその制御方法、プログラム | |
| CN110907778A (zh) | Gis设备局部放电超声定位方法、装置、设备及介质 | |
| CN111863014A (zh) | 一种音频处理方法、装置、电子设备和可读存储介质 | |
| US10585130B2 (en) | Noise spectrum analysis for electronic device | |
| CN109923430B (zh) | 用于进行相位差展开的装置及方法 | |
| Srinivasarao et al. | Speech enhancement-an enhanced principal component analysis (EPCA) filter approach | |
| CN117116290B (zh) | 基于多维特征的数控机床部件缺陷定位方法和相关设备 | |
| CN102542284B (zh) | 辨识光谱的方法 | |
| CN117349722A (zh) | 一种互感器故障分类方法、装置、存储介质及计算机设备 | |
| CN117037840A (zh) | 异响源识别方法、装置、设备及可读存储介质 | |
| CN113495193A (zh) | 一种基于多小波变换和聚类分析的故障诊断方法 | |
| CN107919136B (zh) | 一种基于高斯混合模型的数字语音采样频率估计方法 | |
| Deville et al. | Blind identification and separation methods for linear-quadratic mixtures and/or linearly independent non-stationary signals | |
| JP2012042296A (ja) | 不規則なパルス列の信号処理方法および信号処理装置 | |
| CN115144026A (zh) | 一种基于Tsallis熵的地铁接触轨系统状态特征提取方法及应用 | |
| US11996115B2 (en) | Sound processing method | |
| Broadhead | Broadband source signature extraction from underwater acoustics data with sparse environmental information | |
| CN114238368A (zh) | 变压器故障诊断方法、装置、计算机设备和可读存储介质 | |
| CN111341685A (zh) | 裸芯片的异常值检测方法、装置、电子设备与存储介质 | |
| CN106878618B (zh) | 一种基于fpga的图像处理系统及方法 | |
| Jyoshna et al. | An Intelligent reference free adaptive learning algorithm for speech enhancement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information |
Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant after: Guangzhou Jifei Technology Co.,Ltd. Address before: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Xaircraft Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |