CN113074967A - 一种异音检测的方法、装置、存储介质及电子设备 - Google Patents

Abstract

本发明提供了一种异音检测的方法、装置、存储介质及电子设备，其中，该方法包括：获取采集设备采集的声音数据，提取出包含多维的声音特征的特征信息；根据特征信息进行识别处理，确定声音数据中是否存在异音，并在声音数据中存在异音时确定异音所属的故障种类；根据故障种类对声音数据进行故障定位处理，确定异音所对应的故障位置。通过本发明实施例提供的异音检测的方法、装置、存储介质及电子设备，可以有效去除环境噪声以及非故障信号的干扰影响，从而可以更加准确地提取出故障产生的微弱异音，能更加准确地识别出该异音所属的故障类型。在确定故障种类之后进行故障定位处理，可以更加准确地定位到与该故障种类相匹配的故障位置。

Description

一种异音检测的方法、装置、存储介质及电子设备

技术领域

本发明涉及异音检测的技术领域，具体而言，涉及一种异音检测的方法、装置、存储介质及电子设备。

背景技术

高铁在运行过程中，会产生许多声音信号，如果其中一些声音信号是由高铁某部件发生故障产生的，则称之为异音。通过对高铁异音的检测与识别，可以及时发现高铁发生故障的部件，进行对相应的故障信息进行上报，为后续故障处理提供有力支撑，确保高铁运行的安全。

目前对于高铁异音的检测与识别，主要依靠技术熟练的工人通过耳朵去听，然后判断异音的类型。当前采用人工听取的方式检测与识别异音，具有极大的限制性：首先，一趟列车通常配备一名工人，通过来回走动的方式去“听”异音，该方式效率不高；其次，其准确度受限于当时工人的听力，易受环境干扰，不能保证准确度；再次，工人需要长时间培训与积累，才能掌握“听”的技术，该方式成形周期长，且不易推广。

发明内容

为解决上述问题，本发明实施例的目的在于提供一种异音检测的方法、装置、存储介质及电子设备。

第一方面，本发明实施例提供了一种异音检测的方法，包括：

获取采集设备采集的声音数据，对所述声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息；

根据所述特征信息进行识别处理，确定所述声音数据中是否存在异音，并在所述声音数据中存在异音时确定所述异音所属的故障种类；

根据所述故障种类对所述声音数据进行故障定位处理，确定所述异音所对应的故障位置。

在一种可能的实现方式中，所述对所述声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息，包括：

对所述声音数据进行滤波处理，确定相应的滤波信号；

对所述滤波信号进行频谱分析处理，确定相应的频谱信号；

根据所述滤波信号和所述频谱信号进行特征提取处理，确定相应的多维的声音特征，并生成相应的特征信息。

在一种可能的实现方式中，所述根据所述滤波信号和所述频谱信号进行特征提取处理，确定相应的多维的声音特征，包括：

对所述滤波信号进行特征提取处理，确定与定位参数相关的声音特征；

对所述频谱信号进行寻峰处理，确定相应的频谱峰值信号；

对所述频谱信号进行特征提取处理，确定与频峰比相关的声音特征和与熵值相关的声音特征；对所述频谱峰值信号进行特征提取处理，确定与峰值频率相关的声音特征。

在一种可能的实现方式中，所述对所述频谱信号进行寻峰处理，确定相应的频谱峰值信号，包括：

根据所述频谱信号进行频峰分配，并确定相应的寻峰范围；

在所述寻峰范围内基于预先设置的寻峰域点数确定相应的筛选范围，并在所述筛选范围内进行预设次数的筛选处理，确定频谱峰值，并生成相应的频谱峰值信号。

在一种可能的实现方式中，所述根据所述故障种类对所述声音数据进行故障定位处理包括：

确定与所述故障种类相匹配的有效滤波算法，并根据所述有效滤波算法对所述声音数据进行滤波处理，确定相应的有效滤波信号，所述有效滤波算法为预先设置的、且与故障种类相对应的滤波算法；

对所述有效滤波信号进行故障定位处理，确定相应的故障位置。

第二方面，本发明实施例还提供了一种异音检测的装置，包括：

获取模块，用于获取采集设备采集的声音数据，对所述声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息；

多维特征识别模块，用于根据所述特征信息进行识别处理，确定所述声音数据中是否存在异音，并在所述声音数据中存在异音时确定所述异音所属的故障种类；

故障定位模块，用于根据所述故障种类对所述声音数据进行故障定位处理，确定所述异音所对应的故障位置。

在一种可能的实现方式中，所述获取模块对所述声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息，包括：

对所述声音数据进行滤波处理，确定相应的滤波信号；

对所述滤波信号进行频谱分析处理，确定相应的频谱信号；

根据所述滤波信号和所述频谱信号进行特征提取处理，确定相应的多维的声音特征，并生成相应的特征信息。

在一种可能的实现方式中，所述获取模块根据所述滤波信号和所述频谱信号进行特征提取处理，确定相应的多维的声音特征，包括：

对所述滤波信号进行特征提取处理，确定与定位参数相关的声音特征；

对所述频谱信号进行寻峰处理，确定相应的频谱峰值信号；

对所述频谱信号进行特征提取处理，确定与频峰比相关的声音特征和与熵值相关的声音特征；对所述频谱峰值信号进行特征提取处理，确定与峰值频率相关的声音特征。

第三方面，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于上述任意一项所述的异音检测的方法。

第四方面，本发明实施例还提供了一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任意一项所述的异音检测的方法。

本发明实施例上述第一方面提供的方案中，提取声音数据中多维的声音特征，并基于多维的声音特征识别出声音数据中的异音以及异音所属的故障种类，之后根据故障种类对声音数据中的异音进行定位，从而可以确定异音的故障位置。本实施例可以实时进行异音检测，具有较高的时效性，基于多维的声音特征进行识别处理，可以有效去除环境噪声以及非故障信号的干扰影响，从而可以更加准确地提取出故障产生的微弱异音；且结合多种声音特征也能更加准确地识别出该异音所属的故障类型。在确定故障种类之后，再通过声音数据进行故障定位处理，可以更加准确地定位到与该故障种类相匹配的故障位置，异音检测结果更加准确。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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例，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示出了本发明实施例所提供的一种异音检测的方法的流程图；

图2示出了本发明实施例所提供的异音检测的方法的详细流程图；

图3示出了本发明实施例所提供的一种异音检测的装置的结构示意图；

图4示出了本发明实施例所提供的用于执行异音检测的方法的电子设备的结构示意图。

具体实施方式

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”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，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。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。

本发明实施例提供的一种异音检测的方法，通过提取声音中的多为特征进行异音检测。参见图1所示，该方法包括：

步骤101：获取采集设备采集的声音数据，对声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息。

本发明实施例中，在高铁运行过程中，可以通过采集设备采集高铁运行时产生的声音，即声音数据。该采集设备具体可以为阵列传感器，例如阵列麦克风等，基于该阵列传感器可以采集到高铁的多路声音数据，以实现对异音的更准确识别。可选的，该声音数据为一个预设周期或一个时间段内的数据。

在获取到声音数据之后，即可对该声音数据进行特征提取处理，进而提取出相应的声音特征。本实施例中提取声音数据中的多种声音特征，即多维的声音特征，该声音特征具体可以为频峰比、峰值频率等，具体可基于实际情况而定。在提取出多维的声音特征之后即可生成相应的特征信息，该特征信息包括从声音数据中提取出来的多维声音特征。

步骤102：根据特征信息进行识别处理，确定声音数据中是否存在异音，并在声音数据中存在异音时确定异音所属的故障种类。

本发明实施例中，基于特征信息中的多维声音特征进行多维特征识别，可以实时判断当前是否存在异音，且能够更加准确地识别出声音数据中是否包含异音，进而判断高铁部件中是否存在故障。本实施例中，基于多维的声音特征进行识别处理，可以有效去除环境噪声以及非故障信号的干扰影响，从而可以更加准确地提取出故障产生的微弱异音；且结合多种声音特征也能更加准确地识别出该异音所属的故障类型。同时，基于多维特征进行异音识别，可以在故障成型之初进行发现，具有更高的时效性与准确率。

此外，若基于多为特征的识别处理确定声音数据中不存在异音，则可以向服务器上报当前不存在异音，且也可以存储该声音数据，以方便后续查看。之后可以选取下一周期或下一时间段的声音数据继续进行实时处理，从而可以实时确定是否存在故障。

步骤103：根据故障种类对声音数据进行故障定位处理，确定异音所对应的故障位置。

本发明实施例中，在确定故障种类之后，再通过声音数据进行故障定位处理，从而可以更加准确地定位到与该故障种类相匹配的故障位置。其中，当该声音数据为基于阵列传感器采集的多路声音数据时，可以更准确地进行故障定位；且当声音数据的路数改变时，该故障定位处理可以自适应调整，以满足高效要求。

本发明实施例提供的一种异音检测的方法，提取声音数据中多维的声音特征，并基于多维的声音特征识别出声音数据中的异音以及异音所属的故障种类，之后根据故障种类对声音数据中的异音进行定位，从而可以确定异音的故障位置。本实施例可以实时进行异音检测，具有较高的时效性，基于多维的声音特征进行识别处理，可以有效去除环境噪声以及非故障信号的干扰影响，从而可以更加准确地提取出故障产生的微弱异音；且结合多种声音特征也能更加准确地识别出该异音所属的故障类型。在确定故障种类之后，再通过声音数据进行故障定位处理，可以更加准确地定位到与该故障种类相匹配的故障位置，异音检测结果更加准确。

可选的，上述步骤101“对声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息”包括：

步骤A1：对声音数据进行滤波处理，确定相应的滤波信号。

本发明实施例中，在进行特征提取之前，首先对声音数据进行滤波处理，以去除声音数据中的干扰信号，使得后续基于该滤波信号可以更加准确地提取出声音特征。

可选的，还可以预先对该声音数据进行预处理，之后对预处理后的数据进行滤波处理以生成相应的滤波信号。其中，该预处理过程具体可以为信号提取和/或信号筛选的过程，基于该预处理过程可以初步去除绝大部分环境噪声，提高信噪比，利于后续的处理过程。

步骤A2：对滤波信号进行频谱分析处理，确定相应的频谱信号。

本发明实施例中，该滤波信号为时域中的信号，通过对其进行频谱分析处理，可以将滤波信号转换为频域中的信号，即频谱信号，以方便后续从频域中提取声音特征。其中，该频谱分析处理可采用成熟的频谱分析方法，例如傅里叶变换等，本实施例对此不做赘述。

步骤A3：根据滤波信号和频谱信号进行特征提取处理，确定相应的多维的声音特征，并生成相应的特征信息。

本实施例中，基于滤波信号和频谱信号分别进行特征提取处理，可以更有效地提取出多维且不同的声音特征，能深度挖掘声音数据的特征信息。具体的，该步骤A3“根据滤波信号和频谱信号进行特征提取处理，确定相应的多维的声音特征”包括：

步骤A31：对滤波信号进行特征提取处理，确定与定位参数相关的声音特征。

本发明实施例中，对该滤波信号进行特征提取，可以提取出滤波信号中所包含的定位参数特征，该定位参数特征即可作为从滤波信号中提取出的声音特征。该定位参数特征具体可以包括角度参数和/或分量参数。

步骤A32：对频谱信号进行寻峰处理，确定相应的频谱峰值信号。

本实施例中，在确定频谱信号之后，对该频谱信号进行寻峰处理，准确寻到频谱峰值，从而能够去除大部分无用峰值的干扰，并保留有用的频谱峰值信息，进而基于有用的频谱峰值信息即可生成相应的频谱峰值信号。

可选的，上述步骤A32“对频谱信号进行寻峰处理，确定相应的频谱峰值信号”包括：

步骤A321：根据频谱信号进行频峰分配，并确定相应的寻峰范围。

步骤A322：在寻峰范围内基于预先设置的寻峰域点数确定相应的筛选范围，并在筛选范围内进行预设次数的筛选处理，确定频谱峰值，并生成相应的频谱峰值信号。

本发明实施例中，该寻峰范围指的是需要进行寻峰的频率范围，为进行寻峰时的初始范围，之后确定当前查找峰值时所需的范围(即寻峰域，该范围逐渐缩小)，并基于寻峰域点数控制寻峰域的范围，以及确定是否需要进行本次寻峰；经过该过程即可确定相应的筛选范围，进而确定频谱峰值。基于筛选范围进行筛选，可以更加准确寻到频谱峰值，从而生成更加准确的频谱峰值信号。

其中，该预设次数可以根据寻峰域自动匹配。具体的，本实施例中的寻峰处理过程分为多次，在本次寻峰过程中，本次的寻峰域可以根据上次寻峰结果与上次的寻峰域点数进行匹配，从而可以确定本次的寻峰域大小，以及本次是否需要进行寻峰。每次寻峰过程中的预设次数可以根据当前的寻峰域进行确定，也可以将该预设次数设置为一个固定值，本实施例对此不做限定。

步骤A33：对频谱信号进行特征提取处理，确定与频峰比相关的声音特征和与熵值相关的声音特征；对频谱峰值信号进行特征提取处理，确定与峰值频率相关的声音特征。

本发明实施例中，分别对频谱信号和频谱峰值信号进行特征提取处理，进而可以提取出相应的声音特征。具体的，基于频谱信号可以提取出频峰比特征和熵值特征，该频峰比特征即为与频峰比相关的声音特征，熵值特征即为与熵值相关的声音特征。其中，该频峰比特征即为与频峰比相关的特征，该频峰比为特定频段分量之和与特定频段峰值分量之比。该熵值特征为一种信息熵，其具体可以包含一个或多个谱熵；利用该熵值特征可以有效地区分声音信号和噪声信号，具有较好的抗噪声性能。通过对频谱峰值信号进行特征处理，可以提取出峰值频率特征，即与峰值频率相关的声音特征。其中，该峰值频率特征具体可以包括一元峰值频率、二元峰值频率等。基于多种峰值频率可以使得后续能够更准确地对异音进行故障分类。

本实施例中，通过分别对滤波信号、频谱信号和频谱峰值信号进行特征提取，从而可以更加准确有效地提取出声音数据中多维声音特征。其中，对滤波信号、频谱信号和频谱峰值信号可以采用不同的特征提取方法进行特征提取。

可选的，本实施中预先确定异音的故障种类有哪些种，并为每种故障种类均预先设置相应的滤波算法，在确定异音的故障种类之后，可以有针对性地进行滤波处理。具体的，上述步骤103“根据故障种类对声音数据进行故障定位处理”包括：

步骤B1：确定与故障种类相匹配的有效滤波算法，并根据有效滤波算法对声音数据进行滤波处理，确定相应的有效滤波信号，有效滤波算法为预先设置的、且与故障种类相对应的滤波算法。

步骤B2：对有效滤波信号进行故障定位处理，确定相应的故障位置。

本发明实施例中，基于故障种类预先匹配设计滤波算法，在确定异音的故障种类之后，选取与该故障种类相匹配的滤波算法，即有效滤波算法，并基于该有效滤波算法对声音数据重新进行滤波处理，从而得到相应的滤波信号，即有效滤波信号；之后基于该有效滤波信号进行故障定位，可以更加准确地确定故障位置。

下面通过一个实施例详细介绍该异音检测的方法流程。

本发明实施例中，将声音数据转换为滤波信号、频谱信号和频谱峰值信号分别进行特征提取，以更有效地进行多维特征识别。参见图2所述，该方法包括：

步骤201：获取声音数据fs。

步骤202：对声音数据fs进行信号提取和信号筛选处理，生成预处理数据ft。

步骤203：对预处理数据ft进行滤波处理，生成滤波信号fv0。

步骤204：对滤波信号fv0进行频谱分析处理，生成频谱信号ff。

步骤205：对频谱信号ff进行寻峰处理，生成频谱峰值信号fx。

步骤206：进行特征提取处理。即，对滤波信号fv0进行特征提取处理，提取出位置参数特征fz1；对频谱信号ff进行特征提取处理，提取出频峰比特征fz2和熵值特征fz3；对频谱峰值信号fx进行特征提取处理，提取出峰值频率特征fz4。

步骤207：根据提取出的多维声音特征fz1、fz2、fz3、fz4进行多维特征识别，确定是否存在异音；在不存在异音时，执行步骤210；在存在异音时，确定故障种类fk，并执行步骤208。

步骤208：确定与该故障种类fk相匹配的有效滤波算法，并对预处理数据ft重新进行滤波处理，生成有效滤波信号fv1。

步骤209：对有效滤波信号fv1进行故障定位处理，确定相应的故障位置fw，并继续步骤210。

步骤210：存储并上报当前的检测结果以及提取出的声音特征。

本实施例中，若当前不存在异音，则该检测结果为不存在异音；若当前存在异音，则该检测结果为存在异音，并包含该异音的故障种类和故障位置。

本发明实施例提供的一种异音检测的方法，提取声音数据中多维的声音特征，并基于多维的声音特征识别出声音数据中的异音以及异音所属的故障种类，之后根据故障种类对声音数据中的异音进行定位，从而可以确定异音的故障位置。本实施例可以实时进行异音检测，具有较高的时效性，基于多维的声音特征进行识别处理，可以有效去除环境噪声以及非故障信号的干扰影响，从而可以更加准确地提取出故障产生的微弱异音；且结合多种声音特征也能更加准确地识别出该异音所属的故障类型。在确定故障种类之后，再通过声音数据进行故障定位处理，可以更加准确地定位到与该故障种类相匹配的故障位置，异音检测结果更加准确。分别对滤波信号、频谱信号和频谱峰值信号进行特征提取，可以更加准确有效地提取出声音数据中多维声音特征。

以上详细介绍了异音检测的方法的流程，该方法也可以通过相应的装置实现，下面详细介绍该装置的结构和功能。

本发明实施例提供的一种异音检测的装置，参见图3所示，包括：

获取模块31，用于获取采集设备采集的声音数据，对所述声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息。

多维特征识别模块32，用于根据所述特征信息进行识别处理，确定所述声音数据中是否存在异音，并在所述声音数据中存在异音时确定所述异音所属的故障种类。

故障定位模块33，用于根据所述故障种类对所述声音数据进行故障定位处理，确定所述异音所对应的故障位置。

在上述实施例的基础上，所述获取模块31对所述声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息，包括：

对所述声音数据进行滤波处理，确定相应的滤波信号；

对所述滤波信号进行频谱分析处理，确定相应的频谱信号；

根据所述滤波信号和所述频谱信号进行特征提取处理，确定相应的多维的声音特征，并生成相应的特征信息。

在上述实施例的基础上，所述获取模块31根据所述滤波信号和所述频谱信号进行特征提取处理，确定相应的多维的声音特征，包括：

对所述滤波信号进行特征提取处理，确定与定位参数相关的声音特征；

对所述频谱信号进行寻峰处理，确定相应的频谱峰值信号；

对所述频谱信号进行特征提取处理，确定与频峰比相关的声音特征和与熵值相关的声音特征；对所述频谱峰值信号进行特征提取处理，确定与峰值频率相关的声音特征。

在上述实施例的基础上，所述获取模块31对所述频谱信号进行寻峰处理，确定相应的频谱峰值信号，包括：

根据所述频谱信号进行频峰分配，并确定相应的寻峰范围；

在所述寻峰范围内基于预先设置的寻峰域点数确定相应的筛选范围，并在所述筛选范围内进行预设次数的筛选处理，确定频谱峰值，并生成相应的频谱峰值信号。

在上述实施例的基础上，所述故障定位模块33根据所述故障种类对所述声音数据进行故障定位处理包括：

确定与所述故障种类相匹配的有效滤波算法，并根据所述有效滤波算法对所述声音数据进行滤波处理，确定相应的有效滤波信号，所述有效滤波算法为预先设置的、且与故障种类相对应的滤波算法；

对所述有效滤波信号进行故障定位处理，确定相应的故障位置。

本发明实施例提供的一种异音检测的装置，提取声音数据中多维的声音特征，并基于多维的声音特征识别出声音数据中的异音以及异音所属的故障种类，之后根据故障种类对声音数据中的异音进行定位，从而可以确定异音的故障位置。本实施例可以实时进行异音检测，具有较高的时效性，基于多维的声音特征进行识别处理，可以有效去除环境噪声以及非故障信号的干扰影响，从而可以更加准确地提取出故障产生的微弱异音；且结合多种声音特征也能更加准确地识别出该异音所属的故障类型。在确定故障种类之后，再通过声音数据进行故障定位处理，可以更加准确地定位到与该故障种类相匹配的故障位置，异音检测结果更加准确。分别对滤波信号、频谱信号和频谱峰值信号进行特征提取，可以更加准确有效地提取出声音数据中多维声音特征。

本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，其包含用于执行上述的异音检测的方法的程序，该计算机可执行指令可执行上述任意方法实施例中的方法。

其中，所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。

图4示出了本发明的另一个实施例的一种电子设备的结构框图。所述电子设备1100可以是具备计算能力的主机服务器、个人计算机PC、或者可携带的便携式计算机或终端等。本发明具体实施例并不对电子设备的具体实现做限定。

该电子设备1100包括至少一个处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory array)1130和总线1140。其中，处理器1110、通信接口1120、以及存储器1130通过总线1140完成相互间的通信。

通信接口1120用于与网元通信，其中网元包括例如虚拟机管理中心、共享存储等。

处理器1110用于执行程序。处理器1110可能是一个中央处理器CPU，或者是专用集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。

存储器1130用于可执行的指令。存储器1130可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1130也可以是存储器阵列。存储器1130还可能被分块，并且所述块可按一定的规则组合成虚拟卷。存储器1130存储的指令可被处理器1110执行，以使处理器1110能够执行上述任意方法实施例中的异音检测的方法。

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，可轻易想到变化或替换的实施方式，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 (10)

1.一种异音检测的方法，其特征在于，包括：

获取采集设备采集的声音数据，对所述声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息；

根据所述特征信息进行识别处理，确定所述声音数据中是否存在异音，并在所述声音数据中存在异音时确定所述异音所属的故障种类；

根据所述故障种类对所述声音数据进行故障定位处理，确定所述异音所对应的故障位置。

2.根据权利要求1所述的方法，其特征在于，所述对所述声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息，包括：

对所述声音数据进行滤波处理，确定相应的滤波信号；

对所述滤波信号进行频谱分析处理，确定相应的频谱信号；

根据所述滤波信号和所述频谱信号进行特征提取处理，确定相应的多维的声音特征，并生成相应的特征信息。

3.根据权利要求2所述的方法，其特征在于，所述根据所述滤波信号和所述频谱信号进行特征提取处理，确定相应的多维的声音特征，包括：

对所述滤波信号进行特征提取处理，确定与定位参数相关的声音特征；

对所述频谱信号进行寻峰处理，确定相应的频谱峰值信号；

对所述频谱信号进行特征提取处理，确定与频峰比相关的声音特征和与熵值相关的声音特征；对所述频谱峰值信号进行特征提取处理，确定与峰值频率相关的声音特征。

4.根据权利要求3所述的方法，其特征在于，所述对所述频谱信号进行寻峰处理，确定相应的频谱峰值信号，包括：

根据所述频谱信号进行频峰分配，并确定相应的寻峰范围；

在所述寻峰范围内基于预先设置的寻峰域点数确定相应的筛选范围，并在所述筛选范围内进行预设次数的筛选处理，确定频谱峰值，并生成相应的频谱峰值信号。

5.根据权利要求1-4任意一项所述的方法，其特征在于，所述根据所述故障种类对所述声音数据进行故障定位处理包括：

确定与所述故障种类相匹配的有效滤波算法，并根据所述有效滤波算法对所述声音数据进行滤波处理，确定相应的有效滤波信号，所述有效滤波算法为预先设置的、且与故障种类相对应的滤波算法；

对所述有效滤波信号进行故障定位处理，确定相应的故障位置。

6.一种异音检测的装置，其特征在于，包括：

获取模块，用于获取采集设备采集的声音数据，对所述声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息；

多维特征识别模块，用于根据所述特征信息进行识别处理，确定所述声音数据中是否存在异音，并在所述声音数据中存在异音时确定所述异音所属的故障种类；

故障定位模块，用于根据所述故障种类对所述声音数据进行故障定位处理，确定所述异音所对应的故障位置。

7.根据权利要求6所述的装置，其特征在于，所述获取模块对所述声音数据进行特征提取处理，提取出包含多维的声音特征的特征信息，包括：

对所述声音数据进行滤波处理，确定相应的滤波信号；

对所述滤波信号进行频谱分析处理，确定相应的频谱信号；

根据所述滤波信号和所述频谱信号进行特征提取处理，确定相应的多维的声音特征，并生成相应的特征信息。

8.根据权利要求7所述的装置，其特征在于，所述获取模块根据所述滤波信号和所述频谱信号进行特征提取处理，确定相应的多维的声音特征，包括：

对所述滤波信号进行特征提取处理，确定与定位参数相关的声音特征；

对所述频谱信号进行寻峰处理，确定相应的频谱峰值信号；

对所述频谱信号进行特征提取处理，确定与频峰比相关的声音特征和与熵值相关的声音特征；对所述频谱峰值信号进行特征提取处理，确定与峰值频率相关的声音特征。

9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1-5任意一项所述的异音检测的方法。

10.一种电子设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5任意一项所述的异音检测的方法。

Images