CN114639391A - 机械故障提示方法、装置、电子设备及存储介质 - Google Patents

机械故障提示方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114639391A
CN114639391A CN202011553539.1A CN202011553539A CN114639391A CN 114639391 A CN114639391 A CN 114639391A CN 202011553539 A CN202011553539 A CN 202011553539A CN 114639391 A CN114639391 A CN 114639391A
Authority
CN
China
Prior art keywords
sound
fault
information
fault type
characteristic information
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.)
Pending
Application number
CN202011553539.1A
Other languages
English (en)
Inventor
刘志勇
孟祥德
宋勇
韦强申
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.)
Asiainfo Technologies China Inc
Original Assignee
Asiainfo Technologies China Inc
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 Asiainfo Technologies China Inc filed Critical Asiainfo Technologies China Inc
Priority to CN202011553539.1A priority Critical patent/CN114639391A/zh
Publication of CN114639391A publication Critical patent/CN114639391A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/187—Machine fault alarms
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Acoustics & Sound (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请实施例提供了一种机械故障提示方法、装置、电子设备及存储介质，涉及故障检测技术领域。该方法包括：获取机器运行时的声音对应的声音信息；对所述声音信息进行处理，以得到所述声音信息对应的声音特征信息；将所述声音特征信息输入预设的故障预测模型中，以确定所述声音特征信息对应的故障类型；其中，所述故障预测模型为根据各个声音特征信息和与所述声音特征信息对应的故障类型进行训练而获得的；所述故障类型包括无故障类型、第一故障类型和第二故障类型；若所述故障类型为所述无故障类型之外的故障类型，生成用于提示所述声音信息对应的机器出现的故障类型的提示信息，并输出所述提示信息。

Description

机械故障提示方法、装置、电子设备及存储介质
技术领域
本申请涉及故障检测技术领域，具体而言，本申请涉及一种机械故障提示方法、装置、电子设备及存储介质。
背景技术
机器，如旋转机械，被应用到多种领域。有些机器的工作环境通常较为恶劣，经常有故障发生，若不能及时发现并处理，会引起设备停运、损坏，经济损失巨大，甚至还会出现人员伤亡等重大事故，因此在机器发生故障时能够快速的排查故障、恢复生产就显得尤为重要。
现有诊断机器故障的方法最常用的为振动分析法，利用振动传感器将机器工作时的振动信号收集起来，然后由专家分析故障旋转机械的振动信号，人工判断是什么类型的故障。由专家分析故障的类型，需要对专家的经验水平要求较高，且分析出故障类型的时间较长。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案：
第一方面，提供了一种机械故障提示的方法，该方法包括：
获取机器运行时的声音对应的声音信息；
对所述声音信息进行处理，以得到所述声音信息对应的声音特征信息；
将所述声音特征信息输入预设的故障预测模型中，以确定所述声音特征信息对应的故障类型；其中，所述故障预测模型为根据各个声音特征信息和与所述声音特征信息对应的故障类型进行训练而获得的；所述故障类型包括无故障类型、第一故障类型和第二故障类型；
若所述故障类型为所述无故障类型之外的故障类型，生成用于提示所述声音信息对应的机器出现的故障类型的提示信息，并输出所述提示信息。
第二方面，提供了一种机械故障提示的装置，该装置包括：
声音获取模块，用于获取机器运行时的声音对应的声音信息；
声音处理模块，用于对所述声音信息进行处理，以得到所述声音信息对应的声音特征信息；
预测模块，用于将所述声音特征信息输入预设的故障预测模型中，以确定所述声音特征信息对应的故障类型；其中，所述故障预测模型为根据各个声音特征信息和与所述声音特征信息对应的故障类型进行训练而获得的；所述故障类型包括无故障类型、第一故障类型和第二故障类型；
提示模块，用于若所述故障类型为所述无故障类型之外的故障类型，生成用于提示所述声音信息对应的机器出现的故障类型的提示信息，并输出所述提示信息。
第三方面，提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行根据本申请第一方面所示的机械故障提示方法。
第四方面，提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请第一方面所示的机械故障提示方法。
本申请提供的技术方案带来的有益效果是：通过获取机器运行时的声音对应的声音特征信息；并将声音特征信息输入预设的故障预测模型中，即可确定声音特征信息对应的故障类型；故障类型包括无故障类型、第一故障类型和第二故障类型；若故障类型为无故障类型之外的故障类型，生成用于提示声音信息对应的机器出现的故障类型的提示信息，并输出提示信息，使得机器故障的类型的确定可以实现自动化，省去了人工对信号分析的过程，确定机器故障的类型的准确率高，确定速度快，减小机器故障发生后的运行时间。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种机械故障提示方法的流程示意图；
图2为图1中步骤S102的详细流程示意图；
图3A为轴弯曲类型对应的声音信息的示意图；
图3B为周裂纹类型对应的声音信息的示意图；
图3C为轴瓦破裂类型对应的声音信息的示意图；
图4为本申请实施例提供的一种机械故障提示方法还包括的流程示意图；
图5为本申请实施例提供的一种机械故障提示方法还包括的流程示意图；
图6为本申请实施例提供的一种机械故障提示装置的结构示意图；
图7为本申请实施例提供的一种机械故障提示的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供的机械故障提示方法、装置、电子设备和计算机可读存储介质，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请提供的机械故障提示方法，可以应用于电子设备，用于在机器发生故障时，对机器的故障进行提示。具体的，电子设备可以包括声音信息采集设备，电子设备的声音信息采集设备设置在机器旁边，电子设备的声音信息采集设备用于获取机器运行时的声音对应的声音信息，电子设备还对声音信息进行处理，以得到声音信息对应的声音特征信息；将声音特征信息输入预设的故障预测模型中，以确定声音特征信息对应的故障类型；其中，故障预测模型为根据各个声音特征信息和与声音特征信息对应的故障类型进行训练而获得的；故障类型包括无故障类型、第一故障类型和第二故障类型；若故障类型为无故障类型之外的故障类型，生成用于提示声音信息对应的机器出现的故障类型的提示信息，并输出提示信息。
本技术领域技术人员可以理解，电子设备可以是终端，以执行相应的程序。机器为能在电能下能够进行动作的机器，机器在动作时能够产生声音，以被电子设备的声音信息采集设备获取到声音对应的声音信息。机器如可以为旋转机械，旋转机械被广泛使用，如旋转机械可以为用于开启阀门的电机，用于发电的汽轮机等。
本技术领域技术人员可以理解，这里所使用的“终端”可以是手机、电脑、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、MID(Mobile Internet Device，移动互联网设备)等；“服务器”可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
请参阅图1，本申请实施例中提供了一种机械故障提示方法，机械故障提示方法可以应用于前述的电子设备，该方法包括：
S101：获取机器运行时的声音对应的声音信息。
本申请中，机器的类型不做限定。本申请中以旋转机械进行说明。旋转机械包括转动轴，旋转机械在工作时，转动轴能转动，以带动其他装置工作。旋转机械在运行时会发出声音，旋转机械处于不同的故障状态，发出的声音不同，如旋转机械无故障时发出的声音，与旋转机械的轴弯曲时发出的声音不同。
电子设备可以包括声音信息采集设备，机器运行时发出声音，电子设备即可通过声音信息采集设备获取机器运行时的声音对应的声音信息。声音信息，可以为声音信息采集设备采集的声音转换的电信号。声音信息，具体可以为声音时域信息。
声音信息采集设备的具体类型不做限定，声音信息采集设备可以为心型指向性信号采集设备。即，获取机器运行时的声音对应的声音信息，可以包括：通过心型指向性信号采集设备获取机器运行时的声音对应的声音信息。
心型指向性信号采集设备适用于拾音距离近的场景，且可以屏蔽一些周边较多的环境噪声。声音信息采集设备可以布置在机器周围的牢固点，以防止声音信息采集设备跟随机器的震动、或周围环境的其他影响而震动，具体地，如声音信息采集设备可以布置在防震支架上。
S102：对声音信息进行处理，以得到声音信息对应的声音特征信息。
声音特征信息，即声音信息对应的梅尔频率倒谱系数。根据声音信息得到声音信息对应的声音特征信息的具体方式不做限定。本申请中，对声音信息进行处理，以得到声音信息对应的声音特征信息，可以包括：
对声音信息依次进行分帧、快速傅里叶变换、滤波以及声学特征提取，以得到声音信息对应的声音特征信息。
请参阅图2，具体地，对声音信息依次进行分帧、快速傅里叶变换、滤波以及声学特征提取，以得到声音信息对应的声音特征信息，可以包括：
S201：对声音信息进行分帧，以得到声音信息对应的多个音频帧。
分帧是指将整段的声音信息切分成若干段的语音处理技术，每个音频帧的帧长在10-30ms的范围内，以大概1/2帧长作为帧移。帧长是指每帧的大小，帧移是指相邻两帧间的重叠区域，能够避免相邻两帧变化过大的问题。具体地，帧长可以为25ms，帧移为10ms，相邻的两个帧重叠的15ms避免了相邻两帧的变化过大。
对声音信息进行分帧处理，能够将声音信息分成若干段的音频帧，可以细分声音信息，便于声音信息的特征的提取。
作为一种选择，还可以对每个音频帧进行加窗处理，在进行后续的快速傅里叶变换时，对加窗处理后的音频帧进行快速傅里叶变换。
加窗的窗函数不做限定，如可以为矩形窗、汉明窗、平顶窗、凯塞窗、布莱克曼窗等。加窗处理为现有技术，本申请中不在进行详细说明。
S202：分别对每个音频帧进行快速傅里叶变换，并对每个进行快速傅里叶变换后的音频帧进行计算，以得到声音信息对应的功率谱。
快速傅里叶变换(Fast Fourier Transformation，FFT)，为利用计算机计算离散傅里叶变换的高效、快速计算方法的统称。快速傅里叶变换能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数越多，FFT算法计算量的节省就越显著。
本申请中，对声音信息的每个音频帧进行快速傅里叶变换，可以将声音信息从时域上的信号幅度转换为在频域上的信号幅度，即频谱。在获取声音信息的频谱后，可以根据该频谱直接求得声音信息的功率谱。进行快速傅里叶变换和求取功率谱为现有技术，本申请不再详细说明。
通过将声音信息从时域上的信号幅度转换为频域上的信号幅度，再根据该频域上的信号幅度获取声音信息的功率谱，为从声音信息的功率谱中提取声音信息的特征提供重要的技术基础。
S203：采用梅尔滤波器处理功率谱，获取声音信息对应的梅尔功率谱。
采用梅尔滤波器处理声音信息的功率谱是对功率谱进行的梅尔频率分析，梅尔频率分析是基于人类听觉感知的分析。
本申请中，采用梅尔滤波器处理声音信息的功率谱，获取声音信息的梅尔功率谱，通过采用梅尔滤波器对频域信号进行切分，使得最后每个频率段对应一个数值，若滤波器的个数为20，则可以得到声音信息的梅尔功率谱对应的20个能量值。通过对声音信息的功率谱进行梅尔频率分析，使得其分析后获取的梅尔功率谱保留着与人耳特性密切相关的频率部分，该频率部分能够很好地反映出声音信息的特征，即声音特征信息。
S204：在梅尔功率谱上进行倒谱分析，获取声音信息的梅尔频率倒谱系数，并将梅尔频率倒谱系数作为声音特征信息。
倒谱(cepstrum)是指一种信号的傅里叶变换谱经对数运算后再进行的傅里叶反变换，由于一般傅里叶谱是复数谱，因而倒谱又称复倒谱。
本申请中，对梅尔功率谱进行倒谱分析，根据倒谱的结果，分析并获取声音信息的梅尔频率倒谱系数。通过该倒谱分析，可以将原本特征维数过高，难以直接使用的声音信息的梅尔功率谱中包含的特征，通过在梅尔功率谱上进行倒谱分析，转换成易于使用的特征，即用来进行训练或识别的梅尔频率倒谱系数特征向量。该梅尔频率倒谱系数能够作为声音信息特征对不同语音进行区分的系数，该声音信息特征可以反映语音之间的区别，可以用来识别和区分声音信息。
在一实施例中，在梅尔功率谱上进行倒谱分析，获取声音信息的梅尔频率倒谱系数，可以包括：取梅尔功率谱的对数值，获取待变换梅尔功率谱；对待变换梅尔功率谱作离散余弦变换，获取声音信息的梅尔频率倒谱系数。
得到的声音信息的梅尔频率倒谱系数，即为声音特征信息。
根据声音信息的梅尔功率谱，获取声音信息的梅尔频率倒谱系数为现有技术，本申请不再具体说明。
S103：将声音特征信息输入预设的故障预测模型中，以确定声音特征信息对应的故障类型；其中，故障预测模型为根据各个声音特征信息和与声音特征信息对应的故障类型进行训练而获得的；故障类型包括无故障类型、第一故障类型和第二故障类型。
每个声音特征信息都对应有故障类型。声音特征信息的故障类型为预先设定的。如机器发生第一故障类型对应的故障时，机器发出的声音对应的声音信息对应第一故障类型，该声音信息对应的声音特征信息也对应第一故障类型。
故障预测模型为预先训练好的。根据各个声音特征信息和与声音特征信息对应的故障类型进行训练，即可获得故障预测模型。可以理解，训练生成故障预测模型时，继续训练的样本，即声音特征信息的数量可以尽可能的多。
其中，无故障类型，即机器没有发生故障。进行训练获得故障预测模型时，声音特征信息包括机器无故障发出的声音对应的声音特征信息。故障类型包括的具体的种类不做限定，即故障类型还可以包括第三故障类型、第四故障类型等。本申请中，第一故障类型为轴弯曲类型，第二故障类型为轴裂纹类型，故障类型还可以包括轴瓦破裂类型等。轴弯曲类型，可以为旋转机械的旋转轴发生了弯曲；轴裂纹类型，可以为旋转机械的旋转轴上出现了裂纹。
请参阅图3A，图3A为轴弯曲类型对应的声音信息，图3B为周裂纹类型对应的声音信息；图3C为轴瓦破裂类型对应的声音信息。
将声音特征信息输入故障预测模型中，即可确定声音特征信息对应的故障类型。
S104：若故障类型为无故障类型之外的故障类型，生成用于提示声音信息对应的机器出现的故障类型的提示信息，并输出提示信息。
若故障类型为无故障类型，则不进行提示或其他动作。若故障类型为无故障类型之外的故障类型，则生成用于提示声音信息对应的机器出现的故障类型的提示信息，并输出提示信息。
如获取的是机器A的声音信息，在确定该声音信息对应的故障类型为第一故障类型时，则生成并输出用于提示机器A出现第一故障类型的提示信息，以使用户快速对机器A的故障进行处理。
本申请的实施例提供的机械故障提示方法，通过获取机器运行时的声音对应的声音特征信息；并将声音特征信息输入预设的故障预测模型中，即可确定声音特征信息对应的故障类型；故障类型包括无故障类型、第一故障类型和第二故障类型；若故障类型为无故障类型之外的故障类型，生成用于提示声音信息对应的机器出现的故障类型的提示信息，并输出提示信息，使得机器故障的类型的确定可以实现自动化，省去了人工对信号分析的过程，确定机器故障的类型的准确率高，确定速度快，减小机器故障发生后的运行时间。
请参阅图4，本申请实施例还提供了一种可能的实现方式，将声音特征信息输入预设的故障预测模型中，以确定声音特征信息对应的故障类型之前，机械故障提示方法还包括：
S401：获取机器无故障运行时的声音对应的多个第一时域声音信息、每个第一时域声音信息对应的故障类型、机器发生故障运行时的声音对应的多个第二时域声音信息以及每个第二时域声音信息对应的故障类型。
机器无故障运行时的声音对应的多个第一时域声音信息、每个第一时域声音信息对应的故障类型、机器发生故障运行时的声音对应的多个第二时域声音信息以及每个第二时域声音信息对应的故障类型为样本数据。样本数据可以与预先采集好的。将样本数据输入到电子设备中，电子设备即可获取到机器无故障运行时的声音对应的多个第一时域声音信息、每个第一时域声音信息对应的故障类型、机器发生故障运行时的声音对应的多个第二时域声音信息以及每个第二时域声音信息对应的故障类型。
机器发生故障的故障类型的类型多少不做限定。
S402：分别对每个第一时域声音信息、每个第二时域声音信息进行处理，以得到每个第一时域声音信息对应的第一特征信息，及每个第二时域声音信息对应的第二特征信息。
对每个第一时域声音信息进行处理，以及对每个第二时域声音信息进行处理的过程，与S102中对声音信息进行处理的过程相同，本申请中不再详细说明。
S403：根据每个第一特征信息、与每个第一特征信息对应的故障类型、每个第二特征信息及与每个第二特征信息对应的故障类型对初始模型进行训练，以获得故障预测模型。
根据每个第一特征信息、与每个第一特征信息对应的故障类型、每个第二特征信息及与每个第二特征信息对应的故障类型对初始模型进行训练，即可获得故障预测模型。获得的故障预测模型可以作为预设的故障预设模型使用。
请参阅图5，本申请实施例还提供了一种可能的实现方式，机械故障提示方法，还可以包括：
S501：将故障预测模型发送给服务器，以使服务器通过联邦机器学习，对历史模型及接收到的故障预测模型进行聚合，得到中间预测模型。
故障预测模型可以为根据每个第一特征信息、与每个第一特征信息对应的故障类型、每个第二特征信息及与每个第二特征信息对应的故障类型对初始模型进行训练，获得的故障预测模型。
联邦机器学习，又名联邦学习，联合学习，联盟学习。联邦机器学习能够有效的帮助多个机构在满足隐私保护、数据安全和政府法规的要求下进行数据使用和机器学习建模。联邦学习能够有效的解决数据孤岛的问题，让参与联邦学习的各机构在不共享数据的基础上联合建模，并应用到各自的生产中，使机构可以在保证数据安全的前提下实现共赢，最大化发挥机器学习的能力。
本申请中，服务器可以获取到多个电子设备发送的故障预测模型。历史模型，可以为历史接收到的故障估测模型，也可以为历史生成的中间预测模型。服务器接收到电子设备发送的故障预测模型后，即可对历史模型及接收到的故障预测模型进行聚合，得到中间预测模型。对模型进行聚合的过程为现有技术，本申请不再进行说明。服务器接收到故障预测模型后，可将中间预测模型发送给电子设备。可以理解，服务器可以将中间预测模型发送给所有与服务器通信的电子设备。如电子设备A、电子设备B和电子设备C都发送故障预测模型给服务器，在服务器生成中间预测模型后，服务器可将中间预测模型分别发送给电子设备A、电子设备B和电子设备C。
S502：接收服务器发送的中间预测模型，并将中间预测模型作为更新后的故障预测模型。
电子设备接收到中间预测模型后，将中间预测模型作为更新后的故障预测模型。本申请的技术方案，采用联邦机器学习技术打破了数据孤岛，电子设备共享不同的故障预测模型聚合得到的中间预测模型，提升了机器故障类型确定的准确率，能使故障发生时及时进行提示。
请参阅图6，本申请实施例提供了一种机械故障提示装置600，该机械故障提示装置600可以包括：
声音获取模块601，用于获取机器运行时的声音对应的声音信息；
声音处理模块602，用于对所述声音信息进行处理，以得到所述声音信息对应的声音特征信息；
预测模块603，用于将所述声音特征信息输入预设的故障预测模型中，以确定所述声音特征信息对应的故障类型；其中，所述故障预测模型为根据各个声音特征信息和与所述声音特征信息对应的故障类型进行训练而获得的；所述故障类型包括无故障类型、第一故障类型和第二故障类型；
提示模块604，用于若所述故障类型为所述无故障类型之外的故障类型，生成用于提示所述声音信息对应的机器出现的故障类型的提示信息，并输出所述提示信息。
本申请的实施例提供的机械故障提示装置，通过获取机器运行时的声音对应的声音特征信息；并将声音特征信息输入预设的故障预测模型中，即可确定声音特征信息对应的故障类型；故障类型包括无故障类型、第一故障类型和第二故障类型；若故障类型为无故障类型之外的故障类型，生成用于提示声音信息对应的机器出现的故障类型的提示信息，并输出提示信息，使得机器故障的类型的确定可以实现自动化，省去了人工对信号分析的过程，确定机器故障的类型的准确率高，确定速度快，减小机器故障发生后的运行时间。
其中，机械故障提示装置600还可以包括：
样本获取模块，用于获取所述机器无故障运行时的声音对应的多个第一时域声音信息、每个所述第一时域声音信息对应的故障类型、所述机器发生故障运行时的声音对应的多个第二时域声音信息以及每个所述第二时域声音信息对应的故障类型；
样本处理模块，用于分别对每个所述第一时域声音信息、每个所述第二时域声音信息进行处理，以得到每个所述第一时域声音信息对应的第一特征信息，及每个所述第二时域声音信息对应的第二特征信息；
模型生成模块，用于根据每个第一特征信息、每个第一特征信息对应的故障类型、与每个第二特征信息及与每个第二特征信息对应的故障类型对初始模型进行训练，以获得故障预测模型。
其中，机械故障提示装置600还可以包括：
模型发送模块，用于将所述故障预测模型发送给服务器，以使所述服务器通过联邦机器学习，对历史模型及接收到的故障预测模型进行聚合，得到中间预测模型；
模型更新模块，用于接收所述服务器发送的中间预测模型，并将所述中间预测模型作为更新后的故障预测模型。
其中，声音获取模块601，具体用于通过心型指向性信号采集设备获取机器运行时的声音对应的声音信息。
其中，声音处理模块602，具体用于对所述声音信息依次进行分帧、傅里叶变换、滤波以及声学特征提取，以得到所述声音信息对应的声音特征信息。
其中，声音处理模块602，可以包括：
分帧单元，用于对所述声音信息进行分帧，以得到所述声音信息对应的多个音频帧；
变换单元，用于分别对每个音频帧进行傅里叶变换，并对每个进行傅里叶变换后的音频帧进行计算，以得到所述声音信息对应的功率谱；
滤波单元，用于采用梅尔滤波器处理所述功率谱，获取所述声音信息对应的梅尔功率谱；
特征提取单元，用于在梅尔功率谱上进行倒谱分析，获取所述声音信息的梅尔频率倒谱系数，并将所述梅尔频率倒谱系数作为声音特征信息。
请参阅图7，在一个可选实施例中提供了一种电子设备，电子设备7000包括：处理器7001和存储器7003。其中，处理器7001和存储器7003相连，如通过总线7002相连。可选地，电子设备7000还可以包括收发器7004。需要说明的是，实际应用中收发器7004不限于一个，该电子设备7000的结构并不构成对本申请实施例的限定。
处理器7001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器7001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线7002可包括一通路，在上述组件之间传送信息。总线7002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线7002可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器7003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器7003用于存储执行本申请方案的应用程序代码，并由处理器7001来控制执行。处理器7001用于执行存储器7003中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：终端和服务器。
本申请实施例中提供了一种电子设备，该电子设备包括：存储器和处理器；至少一个程序，存储于存储器中，用于被处理器执行时，实现前述方法实施例中相应内容，与现有技术相比可实现：通过获取机器运行时的声音对应的声音特征信息；并将声音特征信息输入预设的故障预测模型中，即可确定声音特征信息对应的故障类型；故障类型包括无故障类型、第一故障类型和第二故障类型；若故障类型为无故障类型之外的故障类型，生成用于提示声音信息对应的机器出现的故障类型的提示信息，并输出提示信息，使得机器故障的类型的确定可以实现自动化，省去了人工对信号分析的过程，确定机器故障的类型的准确率高，确定速度快，减小机器故障发生后的运行时间。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与现有技术相比，通过获取机器运行时的声音对应的声音特征信息；并将声音特征信息输入预设的故障预测模型中，即可确定声音特征信息对应的故障类型；故障类型包括无故障类型、第一故障类型和第二故障类型；若故障类型为无故障类型之外的故障类型，生成用于提示声音信息对应的机器出现的故障类型的提示信息，并输出提示信息，使得机器故障的类型的确定可以实现自动化，省去了人工对信号分析的过程，确定机器故障的类型的准确率高，确定速度快，减小机器故障发生后的运行时间。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本发明的部分实施方式，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，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种机械故障提示方法，其特征在于，所述方法包括：
获取机器运行时的声音对应的声音信息；
对所述声音信息进行处理，以得到所述声音信息对应的声音特征信息；
将所述声音特征信息输入预设的故障预测模型中，以确定所述声音特征信息对应的故障类型；其中，所述故障预测模型为根据各个声音特征信息和与所述声音特征信息对应的故障类型进行训练而获得的；所述故障类型包括无故障类型、第一故障类型和第二故障类型；
若所述故障类型为所述无故障类型之外的故障类型，生成用于提示所述声音信息对应的机器出现的故障类型的提示信息，并输出所述提示信息。
2.根据权利要求1所述的机械故障提示方法，其特征在于，所述将所述声音特征信息输入预设的故障预测模型中，以确定所述声音特征信息对应的故障类型之前，所述方法还包括：
获取所述机器无故障运行时的声音对应的多个第一时域声音信息、每个所述第一时域声音信息对应的故障类型、所述机器发生故障运行时的声音对应的多个第二时域声音信息以及每个所述第二时域声音信息对应的故障类型；
分别对每个所述第一时域声音信息、每个所述第二时域声音信息进行处理，以得到每个所述第一时域声音信息对应的第一特征信息，及每个所述第二时域声音信息对应的第二特征信息；
根据每个第一特征信息、与每个第一特征信息对应的故障类型、每个第二特征信息及与每个第二特征信息对应的故障类型对初始模型进行训练，以获得故障预测模型。
3.根据权利要求2所述的机械故障提示方法，其特征在于，所述方法还包括：
将所述故障预测模型发送给服务器，以使所述服务器通过联邦机器学习，对历史模型及接收到的故障预测模型进行聚合，得到中间预测模型；
接收所述服务器发送的中间预测模型，并将所述中间预测模型作为更新后的故障预测模型。
4.根据权利要求1所述的机械故障提示方法，其特征在于，所述获取机器运行时的声音对应的声音信息，包括：
通过心型指向性信号采集设备获取机器运行时的声音对应的声音信息。
5.根据权利要求1所述的机械故障提示方法，其特征在于，所述对所述声音信息进行处理，以得到所述声音信息对应的声音特征信息，包括：
对所述声音信息依次进行分帧、快速傅里叶变换、滤波以及声学特征提取，以得到所述声音信息对应的声音特征信息。
6.根据权利要求5所述的机械故障提示方法，其特征在于，所述对所述声音信息依次进行分帧、快速傅里叶变换、滤波以及声学特征提取，以得到所述声音信息对应的声音特征信息，包括：
对所述声音信息进行分帧，以得到所述声音信息对应的多个音频帧；
分别对每个音频帧进行快速傅里叶变换，并对每个进行快速傅里叶变换后的音频帧进行计算，以得到所述声音信息对应的功率谱；
采用梅尔滤波器处理所述功率谱，获取所述声音信息对应的梅尔功率谱；
在梅尔功率谱上进行倒谱分析，获取所述声音信息的梅尔频率倒谱系数，并将所述梅尔频率倒谱系数作为声音特征信息。
7.根据权利要求1所述的机械故障提示方法，其特征在于，所述第一故障类型为轴弯曲类型，所述第二故障类型为轴裂纹类型，所述故障类型还包括轴瓦破裂类型。
8.一种机械故障提示装置，其特征在于，包括：
声音获取模块，用于获取机器运行时的声音对应的声音信息；
声音处理模块，用于对所述声音信息进行处理，以得到所述声音信息对应的声音特征信息；
预测模块，用于将所述声音特征信息输入预设的故障预测模型中，以确定所述声音特征信息对应的故障类型；其中，所述故障预测模型为根据各个声音特征信息和与所述声音特征信息对应的故障类型进行训练而获得的；所述故障类型包括无故障类型、第一故障类型和第二故障类型；
提示模块，用于若所述故障类型为所述无故障类型之外的故障类型，生成用于提示所述声音信息对应的机器出现的故障类型的提示信息，并输出所述提示信息。
9.一种电子设备，其特征在于，其包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1～7任一项所述的机械故障提示方法。
10.一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，该程序被处理器执行时实现权利要求1～7任一项所述的机械故障提示方法。
CN202011553539.1A 2020-12-24 2020-12-24 机械故障提示方法、装置、电子设备及存储介质 Pending CN114639391A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011553539.1A CN114639391A (zh) 2020-12-24 2020-12-24 机械故障提示方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011553539.1A CN114639391A (zh) 2020-12-24 2020-12-24 机械故障提示方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114639391A true CN114639391A (zh) 2022-06-17

Family

ID=81945525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011553539.1A Pending CN114639391A (zh) 2020-12-24 2020-12-24 机械故障提示方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114639391A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116403605A (zh) * 2023-06-08 2023-07-07 宁德时代新能源科技股份有限公司 设备故障预测方法、堆垛机故障预测方法及相关装置
CN117409816A (zh) * 2023-12-14 2024-01-16 湖南华夏特变股份有限公司 一种基于声音信号的设备故障检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116403605A (zh) * 2023-06-08 2023-07-07 宁德时代新能源科技股份有限公司 设备故障预测方法、堆垛机故障预测方法及相关装置
CN117409816A (zh) * 2023-12-14 2024-01-16 湖南华夏特变股份有限公司 一种基于声音信号的设备故障检测方法及系统
CN117409816B (zh) * 2023-12-14 2024-03-26 湖南华夏特变股份有限公司 一种基于声音信号的设备故障检测方法及系统

Similar Documents

Publication Publication Date Title
Ocak et al. HMM-based fault detection and diagnosis scheme for rolling element bearings
CN108335694B (zh) 远场环境噪声处理方法、装置、设备和存储介质
CN114639391A (zh) 机械故障提示方法、装置、电子设备及存储介质
EP3364413B1 (en) Method of determining noise signal and apparatus thereof
CN113125135A (zh) 旋转机械的故障诊断方法、存储介质及电子设备
CN109765055A (zh) 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统
Zhao et al. Rolling bearing fault diagnosis based on CEEMD and time series modeling
KR100254121B1 (ko) 시계열 데이타 식별 장치 및 방법
CN113654798A (zh) 故障诊断方法、装置及电子设备
Rabah et al. Rolling bearing fault diagnosis based on improved complete ensemble empirical mode of decomposition with adaptive noise combined with minimum entropy deconvolution
CN115931319A (zh) 故障诊断方法、装置、电子设备及存储介质
CN112446389A (zh) 一种故障判别方法及装置
WO2023185801A1 (zh) 振动信号的识别方法及装置
Van et al. Rolling element bearing fault diagnosis using integrated nonlocal means denoising with modified morphology filter operators
CN110646229B (zh) 空气预热器故障诊断方法、装置及电子设备、存储介质
Wang et al. Fast Spectral Correlation Based on Sparse Representation Self‐Learning Dictionary and Its Application in Fault Diagnosis of Rotating Machinery
CN116886225A (zh) 应急广播终端工作状态的判定方法、装置、设备和介质
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
US20230116052A1 (en) Array geometry agnostic multi-channel personalized speech enhancement
CN113555031B (zh) 语音增强模型的训练方法及装置、语音增强方法及装置
Lu et al. Signal Denoising Method Based on Adaptive Redundant Second‐Generation Wavelet for Rotating Machinery Fault Diagnosis
CN113744756A (zh) 设备质检及音频数据扩充方法和相关装置、设备、介质
Chang et al. Fault diagnosis of rotating machinery based on time-frequency decomposition and envelope spectrum analysis
CN112287775A (zh) 一种电机故障诊断方法、装置及相关组件
Azergui et al. A Teager–Kaiser energy operator and wavelet packet transform for bearing fault detection

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