CN115629930A - 基于dsp系统的故障检测方法、装置、设备及存储介质 - Google Patents
基于dsp系统的故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115629930A CN115629930A CN202211660506.6A CN202211660506A CN115629930A CN 115629930 A CN115629930 A CN 115629930A CN 202211660506 A CN202211660506 A CN 202211660506A CN 115629930 A CN115629930 A CN 115629930A
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- fault signal
- signal sample
- signal
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 157
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 21
- 238000003745 diagnosis Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
- G06F11/2236—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test CPU or processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- 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
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本申请公开了一种基于DSP系统的故障检测方法、装置、设备及存储介质,所述基于DSP系统的故障检测方法包括:获取故障信号;将故障信号输入至预设的故障检测模型,基于故障检测模型,对故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息;其中,故障检测模型是基于故障信号样本、故障信号样本的类别权值信息和故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的。本申请基于预训练的故障检测模型,对DSP处理器的信号处理系统中出现的故障信号进行分类以及故障信息诊断,快速准确地输出故障信息,无需开发人员或者使用人员对于大批量的问题定位进行手动调试,提高了DSP系统故障检测的效率。
Description
技术领域
本申请涉及故障诊断的技术领域,尤其涉及一种基于DSP系统的故障检测方法、装置、设备及存储介质。
背景技术
在基于DSP处理器的信号处理系统中,开发人员或者使用人员遇到DSP硬件或者软件的故障问题时,通常都是通过仿真器加载源程序代码,根据代码进行调试确认故障问题。该方法在遇到软件驱动或者硬件故障排查场景时会显得耗时耗力,而且对于个人能力要求较高。另外对于同样问题点不同表现现象或者大批量同类产品的问题定位上,该方法会产生大量的重复性工作,导致DSP系统的故障检测效率低。
发明内容
本申请的主要目的在于提供一种基于DSP系统的故障检测方法、装置、设备及存储介质,旨在解决现有技术中DSP系统的故障检测效率低的技术问题。
为实现以上目的,本申请提供一种基于DSP系统的故障检测方法,所述基于DSP系统的故障检测方法包括:
获取故障信号;
将所述故障信号输入至预设的故障检测模型,基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息;
其中,所述故障检测模型是基于故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的。
可选地,所述基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息的步骤,包括:
确定各所述故障信号的类别标签;
基于所述故障检测模型和所述类别标签,对所述故障信号进行分类处理,得到分类后的故障信号;
确定所述分类后的故障信号的极值分布;
基于所述极值分布,对分类后的故障信号进行故障信息诊断处理,得到故障信息。
可选地,所述确定所述分类后的故障信号的极值分布的步骤,包括:
提取所述分类后的故障信号的特征信息,得到特征数据;
对所述特征数据进行最大池化操作和最小池化操作,得到所述特征数据的极值分布。
可选地,所述获取故障信号的步骤之前,所述方法包括以下步骤:
获取故障信号样本、所述故障信号样本的类别标签和所述故障信号样本的故障信息标签;
基于所述故障信号样本的类别标签,确定所述故障信号样本的类别权值信息;
基于所述故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的故障检测模型。
可选地,所述基于所述故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的故障检测模型的步骤,包括:
将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息;
将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到具有满足精度条件的故障检测模型。
可选地,所述获取故障信号的步骤,包括:
获取各模块的运行信号;
对所述运行信号进行故障信号检测,得到故障信号。
可选地,所述对所述运行信号进行故障信号检测,得到故障信号的步骤,包括:
每间隔预设时间检测所述运行信号是否存在异常波动;
若存在异常波动,则将各模块中存在异常波动的运行信号确定为故障信号。
本申请还提供一种基于DSP系统的故障检测设备,所述基于DSP系统的故障检测设备包括:存储器、处理器以及存储在存储器上的用于实现所述基于DSP系统的故障检测方法的程序,
所述存储器用于存储实现基于DSP系统的故障检测方法的程序;
所述处理器用于执行实现所述基于DSP系统的故障检测方法的程序,以实现所述基于DSP系统的故障检测方法的步骤。
本申请还提供一种存储介质,所述存储介质上存储有实现基于DSP系统的故障检测方法的程序,所述实现基于DSP系统的故障检测方法的程序被处理器执行以实现所述基于DSP系统的故障检测方法的步骤。
本申请提供的一种基于DSP系统的故障检测方法、装置、设备及存储介质,与现有技术中DSP系统的故障检测效率低相比,在本申请中,获取故障信号;将所述故障信号输入至预设的故障检测模型,基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息;其中,所述故障检测模型是基于故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的。即在本申请中,基于预训练的故障检测模型,对DSP处理器的信号处理系统中出现的故障信号进行分类以及故障信息诊断,快速准确地输出故障信息,无需开发人员或者使用人员对于大批量的问题定位进行手动调试,提高了DSP系统故障检测的效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本申请基于DSP系统的故障检测方法第一实施例的流程示意图;
图3为本申请基于DSP系统的故障检测装置的模块示意图;
图4为本申请基于DSP系统的故障检测系统的硬件模块示意图;
图5为本申请基于DSP系统的故障检测系统的软件模块示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。
本申请实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及基于DSP系统的故障检测程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的基于DSP系统的故障检测程序。
参照图2,本申请实施例提供一种基于DSP系统的故障检测方法,所述基于DSP系统的故障检测方法包括:
步骤S100,获取故障信号;
步骤S200,将所述故障信号输入至预设的故障检测模型,基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息;
其中,所述故障检测模型是基于故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的。
在本实施例中,具体的应用场景可以是:
在基于DSP处理器的信号处理系统中,开发人员或者使用人员遇到DSP硬件或者软件的故障问题时,通常都是通过仿真器加载源程序代码,根据代码进行调试确认故障问题。该方法在遇到软件驱动或者硬件故障排查场景时会显得耗时耗力,而且对于个人能力要求较高。另外对于同样问题点不同表现现象或者大批量同类产品的问题定位上,该方法会产生大量的重复性工作,导致DSP系统的故障检测效率低。
具体步骤如下:
步骤S100,获取故障信号;
在本实施例中,所述基于DSP系统的故障检测方法应用于基于DSP系统的故障检测装置。
在本实施例中,所述故障信号为基于DSP处理器的信号处理系统中硬件或者软件模块在产生故障时所产生的信号,参照图4,信号处理系统中DSP处理器连接包括但不限于双倍速率同步动态随机存储器DDR、非易失闪存模块NorFlash、FGPA处理器等模块,装置收集信号处理系统运行过程中上述模块所产生的的故障信号。
在本实施例中,装置获取故障信号的方式可以是实时检测各模块的运行信号,收集所述运行信号中的故障信号;也可以是用户解析得到故障信号后,将所述故障信号发送至装置所得到的。
具体地,所述步骤S100,包括以下步骤S110-S120:
步骤S110,获取各模块的运行信号;
在本实施例中,所述各模块为基于DSP处理器的信号处理系统中DSP处理器连接的硬件或者软件模块,包括但不限于DDR、NorFlash、FGPA处理器等模块,运行信号为上述模块在信号处理系统的运行过程中所产生的信号,装置获取各模块的运行信号的方式可以是利用信号采集模块(例如示波器)实时采集各模块的运行信号,也可以是利用信号采集模块每间隔预设时间采集各模块的运行信号。
步骤S120,对所述运行信号进行故障信号检测,得到故障信号。
在本实施例中,装置对所述运行信号进行故障信号检测,得到故障信号,其中,故障信号检测的方法包括:
方法一:装置获取各模块正常运行时运行信号的波动范围,装置判断所述运行信号是否在各模块正常运行时运行信号的波动范围,若所述运行信号不在各模块正常运行时运行信号的波动范围,则确定为故障信号。
方法二:装置基于各模块历史运行时运行信号数据以及各模块历史运行时运行信号数据的运行状态标签进行模型训练,得到运行状态判断模型,其中,所述运行状态标签包括当前运行信号数据是正常运行(即正常运行信号)以及当前运行信号数据是异常运行(即故障信号),装置基于运行状态判断模型,准确得到所述运行信号的判断结果,若所述运行信号的判断结果为异常信号,则将当前的运行信号确定为故障信号。
具体地,所述步骤S120,包括以下步骤S121-S122:
步骤S121,每间隔预设时间检测所述运行信号是否存在异常波动;
在本实施例中,装置每间隔预设时间检测所述运行信号是否存在异常波动,其中,检测方法参照上述步骤S120所描述的方法一,装置设置间隔时间,每间隔预设时间检测所述运行信号是否存在异常波动,无需开发人员或者使用人员在遇到DSP问题时再进行检查,以此提高了DSP系统故障检测的效率以及用户体验,并且相对于实时检测的方案减少了装置的计算量。
步骤S122,若存在异常波动,则将各模块中存在异常波动的运行信号确定为故障信号。
在本实施例中,若存在异常波动,则装置将各模块中存在异常波动的运行信号确定为故障信号,例如,FGPA处理器的运行信号中存在异常波动,则将当前FGPA处理器的运行信号确定为故障信号。
步骤S200,将所述故障信号输入至预设的故障检测模型,基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息;
其中,所述故障检测模型是基于故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的。
在本实施例中,装置将所述故障信号输入至预设的故障检测模型,基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息,其中,对所述故障信号进行分类处理,一方面,对所述故障信号进行分类处理的方法有利于统一定位对于同样问题点不同表现现象或者大批量同类产品的问题,提高DSP系统故障检测的效率,另一方面,本申请中故障信号的不同类别的信号权重不同,有利于准确定位故障信息,提高DSP系统故障检测的准确性。
具体地,所述步骤S200,包括以下步骤S210-S240:
步骤S210,确定各所述故障信号的类别标签;
在本实施例中,装置基于各所述故障信号,确定各所述故障信号的类别标签,其中,类别标签为不同模块类别的标签,参照图5,基于DSP处理器的信号处理系统的检测功能包括但不限于芯片检测功能、DDR检测功能、SRIO检测功能、SPI检测功能以及GMAC检测,例如,FGPA处理器的运行信号中是芯片检测功能类别的标签,DDR的运行信号中是DDR检测功能类别的标签。
步骤S220,基于所述故障检测模型和所述类别标签,对所述故障信号进行分类处理,得到分类后的故障信号;
在本实施例中,装置基于所述故障检测模型和所述类别标签,对所述故障信号进行分类处理,得到分类后的故障信号。
步骤S230,确定所述分类后的故障信号的极值分布;
在本实施例中,装置确定所述分类后的故障信号的极值分布,具体地,装置基于所述信号分类模型,提取所述故障信号的区域极值分布,其中,所述故障信号的区域极值分布为故障信号的尖峰处的区域信号,包括最大值区域信号和最小值区域信号,由于故障信号的极值更能体现信号的形态,因此本申请提取故障信号的区域极值分布,舍弃中间部分的信号分布,以此提高对于DSP系统故障检测的准确性。
在本实施例中,所述区域极值分布为预设数量,所述区域极值分布的数量由卷积采样次数决定,卷积采样次数是由故障检测模型的卷积模块组确定的,卷积模块组是自行设定数量的卷积模块堆积所构成的,其中卷积模块堆积的越多,卷积采样次数越多,即区域极值分布越多。
具体地,所述步骤S230,包括以下步骤S231-S232:
步骤S231,提取所述分类后的故障信号的特征信息,得到特征数据;
在本实施例中,装置提取所述分类后的故障信号的特征信息,得到特征数据,其中,特征提取的方法包括但不限于FFT快速傅里叶变换、短时傅里叶变换、小波变换、加伯变换。
步骤S232,对所述特征数据进行最大池化操作和最小池化操作,得到所述特征数据的极值分布。
在本实施例中,装置对所述特征数据分别在最大池化层进行最大池化操作和在最小池化层进行最小池化操作,确定所述特征数据的最大值分布和最小值分布,其中,池化相当于采样。对于输入的信号进行降维压缩,以加快运算速度,最大池化操作即对所述特征数据进行分块,并选定其中每一块中的最大值,舍弃块中其他值,得到所述最大值分布;同理最小池化操作也对特征数据进行分块,并选定其中每一块中的最小值,舍弃块中其他值,得到最小值分布;将所述最大值分布和所述最小值分布确定为所述故障信号的区域极值分布。
步骤S240,基于所述极值分布,对分类后的故障信号进行故障信息诊断处理,得到故障信息。
在本实施例中,装置基于所述极值分布,对分类后的故障信号进行故障信息诊断处理,得到故障信息,具体地,所述故障信息诊断处理的步骤,包括以下步骤A100-A300:
步骤A100,装置将预设数量的所述区域极值分布进行全局平均池化处理,确定信号平均值,其中,全局平均池化是对于输出的每一个通道的信号的所有极值计算一个平均值,经过全局平均池化之后就得到一个维度类别数的特征向量,以此可以更好的将类别与最后一个卷积层的特征图对应起来,并降低参数量,整合了全局空间信息,增强鲁棒性;
步骤A200,将所述信号平均值与相应的信号权重组相乘积,得到最终的故障预测标签,其中,故障预测标签即故障预测结果;
步骤A300,装置基于所述故障预测标签,确定所述故障信息,由于所述信号分类模型是训练好的神经网络模型,已将所有故障预测标签与故障信息对应,即可得到所述相应的故障信息。
在步骤S100,所述获取故障信号的步骤之前,所述方法包括以下步骤B100-B300:
步骤B100,获取故障信号样本、所述故障信号样本的类别标签和所述故障信号样本的故障信息标签;
在本实施例中,装置获取故障信号样本、所述故障信号样本的类别标签和所述故障信号样本的故障信息标签,其中,故障信号样本为用于训练模型的故障信号集合,为历史数据;所述类别标签为不同模块类别的标签;所述故障信号样本的故障信息标签为对应所述故障信号样本的故障信息的标签,即故障信号所对应包含的故障信息,例如,故障信号样本1为DDR故障信号,所述故障信号样本1的类别标签为DDR检测,对应的故障信息标签为DDR存储发生故障,皆为已知的故障信息。
步骤B200,基于所述故障信号样本的类别标签,确定所述故障信号样本的类别权值信息;
在本实施例中,装置基于所述故障信号样本的类别标签,确定所述故障信号样本的类别权值信息,例如,DDR检测功能类别的权值为0.7,芯片功能类别的权值为0.5,故障信号样本1为DDR故障信号,即所述故障信号样本1的类别权值信息为0.7。
步骤B300,基于所述故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的故障检测模型。
在本实施例中,装置基于所述故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的故障检测模型,基于预训练的故障检测模型,对DSP处理器的信号处理系统中出现的故障信号进行分类以及故障信息诊断,快速准确地输出故障信息,无需开发人员或者使用人员对于大批量的问题定位进行手动调试,提高了DSP系统故障检测的效率。
具体地,所述步骤B300,包括以下步骤B310-B340:
步骤B310,将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息;
在本实施例中,装置将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息,其中,预测故障信息为待训练模型处理所述故障信号样本后所得到的预测故障信息,若故障信息与所述故障信号样本的故障信息标签相符合,则说明预测的故障信息正确。
步骤B320,将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果;
在本实施例中,装置将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果,也可以是通过损失函数收敛得到误差结果。
步骤B330,基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
在本实施例中,装置基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准,其中,所述预设误差阈值包括预设均方误差阈值,本领域技术人员知晓的是,均方误差阈值越小,则代表模型越精准,所述判断所述训练误差结果是否满足预设误差阈值指示的误差标准包括:判断所述均方误差结果是否小于预设均方误差阈值。
步骤B340,若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到具有满足精度条件的故障检测模型。
在本实施例中,若所述误差结果未满足所述预设误差阈值范围指示的误差标准,则说明当前训练模型预测不够准确,需要进行进一步训练,则装置返回将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到具有满足精度条件的故障检测模型,即在本实施例中,通过迭代训练,对待训练模型进行收敛,直到训练误差结果满足预设误差阈值范围指示的误差标准,完成迭代训练。
本申请提供的一种基于DSP系统的故障检测方法,与现有技术中DSP系统的故障检测效率低相比,在本申请中,获取故障信号;将所述故障信号输入至预设的故障检测模型,基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息;其中,所述故障检测模型是基于故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的。即在本申请中,基于预训练的故障检测模型,对DSP处理器的信号处理系统中出现的故障信号进行分类以及故障信息诊断,快速准确地输出故障信息,无需开发人员或者使用人员对于大批量的问题定位进行手动调试,提高了DSP系统故障检测的效率。
本申请还提供一种基于DSP系统的故障检测装置,所述基于DSP系统的故障检测装置包括:
获取模块10,用于获取故障信号;
诊断模块20,用于将所述故障信号输入至预设的故障检测模型,基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息;
其中,所述故障检测模型是基于故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的。
可选地,所述诊断模块20,包括:
类别确定模块,用于确定各所述故障信号的类别标签;
分类模块,用于基于所述故障检测模型和所述类别标签,对所述故障信号进行分类处理,得到分类后的故障信号;
极值分布确定模块,用于确定所述分类后的故障信号的极值分布;
故障诊断模块,用于基于所述极值分布,对分类后的故障信号进行故障信息诊断处理,得到故障信息。
可选地,所述极值分布确定模块,包括:
提取模块,用于提取所述分类后的故障信号的特征信息,得到特征数据;
池化操作模块,用于对所述特征数据进行最大池化操作和最小池化操作,得到所述特征数据的极值分布。
可选地,所述基于DSP系统的故障检测装置还包括:
样本获取模块,用于获取故障信号样本、所述故障信号样本的类别标签和所述故障信号样本的故障信息标签;
类别权值信息确定模块,用于基于所述故障信号样本的类别标签,确定所述故障信号样本的类别权值信息;
训练模块,用于基于所述故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的故障检测模型。
可选地,所述训练模块,包括:
输入模块,用于将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息;
差异计算模块,用于将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果;
判断模块,用于基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
迭代训练模块,用于若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到具有满足精度条件的故障检测模型。
可选地,所述获取模块10,包括:
运行信号获取模块,用于获取各模块的运行信号;
检测模块,用于对所述运行信号进行故障信号检测,得到故障信号。
可选地,所述检测模块,包括:
间隔检测模块,用于每间隔预设时间检测所述运行信号是否存在异常波动;
故障信号确定模块,若存在异常波动,则将各模块中存在异常波动的运行信号确定为故障信号。
本申请基于DSP系统的故障检测装置具体实施方式与上述基于DSP系统的故障检测方法各实施例基本相同,在此不再赘述。
参照图1,图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,该基于DSP系统的故障检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图1中示出的基于DSP系统的故障检测设备结构并不构成对基于DSP系统的故障检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于DSP系统的故障检测程序。操作系统是管理和控制基于DSP系统的故障检测设备硬件和软件资源的程序,支持基于DSP系统的故障检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与基于DSP系统的故障检测系统中其它硬件和软件之间通信。
在图1所示的基于DSP系统的故障检测设备中,处理器1001用于执行存储器1005中存储的基于DSP系统的故障检测程序,实现上述任一项所述的基于DSP系统的故障检测方法的步骤。
本申请基于DSP系统的故障检测设备具体实施方式与上述基于DSP系统的故障检测方法各实施例基本相同,在此不再赘述。
本申请还提供一种存储介质,所述存储介质上存储有实现基于DSP系统的故障检测方法的程序,所述实现基于DSP系统的故障检测方法的程序被处理器执行以实现如下所述基于DSP系统的故障检测方法:
获取故障信号;
将所述故障信号输入至预设的故障检测模型,基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息;
其中,所述故障检测模型是基于故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的。
可选地,所述基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息的步骤,包括:
确定各所述故障信号的类别标签;
基于所述故障检测模型和所述类别标签,对所述故障信号进行分类处理,得到分类后的故障信号;
确定所述分类后的故障信号的极值分布;
基于所述极值分布,对分类后的故障信号进行故障信息诊断处理,得到故障信息。
可选地,所述确定所述分类后的故障信号的极值分布的步骤,包括:
提取所述分类后的故障信号的特征信息,得到特征数据;
对所述特征数据进行最大池化操作和最小池化操作,得到所述特征数据的极值分布。
可选地,所述获取故障信号的步骤之前,所述方法包括以下步骤:
获取故障信号样本、所述故障信号样本的类别标签和所述故障信号样本的故障信息标签;
基于所述故障信号样本的类别标签,确定所述故障信号样本的类别权值信息;
基于所述故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的故障检测模型。
可选地,所述基于所述故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的故障检测模型的步骤,包括:
将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息;
将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到具有满足精度条件的故障检测模型。
可选地,所述获取故障信号的步骤,包括:
获取各模块的运行信号;
对所述运行信号进行故障信号检测,得到故障信号。
可选地,所述对所述运行信号进行故障信号检测,得到故障信号的步骤,包括:
每间隔预设时间检测所述运行信号是否存在异常波动;
若存在异常波动,则将各模块中存在异常波动的运行信号确定为故障信号。
本申请存储介质具体实施方式与上述基于DSP系统的故障检测方法各实施例基本相同,在此不再赘述。
本申请还提供一种计算机程序产品、包括计算机程序,该计算机程序被处理器执行时实现上述的基于DSP系统的故障检测方法的步骤。
本申请计算机程序产品的具体实施方式与上述基于DSP系统的故障检测方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于DSP系统的故障检测方法,其特征在于,所述基于DSP系统的故障检测方法包括:
获取故障信号;
将所述故障信号输入至预设的故障检测模型,基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息;
其中,所述故障检测模型是基于故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的。
2.如权利要求1所述的基于DSP系统的故障检测方法,其特征在于,所述基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息的步骤,包括:
确定各所述故障信号的类别标签;
基于所述故障检测模型和所述类别标签,对所述故障信号进行分类处理,得到分类后的故障信号;
确定所述分类后的故障信号的极值分布;
基于所述极值分布,对分类后的故障信号进行故障信息诊断处理,得到故障信息。
3.如权利要求2所述的基于DSP系统的故障检测方法,其特征在于,所述确定所述分类后的故障信号的极值分布的步骤,包括:
提取所述分类后的故障信号的特征信息,得到特征数据;
对所述特征数据进行最大池化操作和最小池化操作,得到所述特征数据的极值分布。
4.如权利要求1所述的基于DSP系统的故障检测方法,其特征在于,所述获取故障信号的步骤之前,所述方法包括以下步骤:
获取故障信号样本、所述故障信号样本的类别标签和所述故障信号样本的故障信息标签;
基于所述故障信号样本的类别标签,确定所述故障信号样本的类别权值信息;
基于所述故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的故障检测模型。
5.如权利要求4所述的基于DSP系统的故障检测方法,其特征在于,所述基于所述故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的故障检测模型的步骤,包括:
将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息;
将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述故障信号样本和所述故障信号样本的类别权值信息输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到具有满足精度条件的故障检测模型。
6.如权利要求1所述的基于DSP系统的故障检测方法,其特征在于,所述获取故障信号的步骤,包括:
获取各模块的运行信号;
对所述运行信号进行故障信号检测,得到故障信号。
7.如权利要求6所述的基于DSP系统的故障检测方法,其特征在于,所述对所述运行信号进行故障信号检测,得到故障信号的步骤,包括:
每间隔预设时间检测所述运行信号是否存在异常波动;
若存在异常波动,则将各模块中存在异常波动的运行信号确定为故障信号。
8.一种基于DSP系统的故障检测装置,其特征在于,所述基于DSP系统的故障检测装置包括:
获取模块,用于获取故障信号;
诊断模块,用于将所述故障信号输入至预设的故障检测模型,基于所述故障检测模型,对所述故障信号进行分类处理,并对分类后的故障信号进行故障信息诊断处理,得到故障信息;
其中,所述故障检测模型是基于故障信号样本、所述故障信号样本的类别权值信息和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的。
9.一种基于DSP系统的故障检测设备,其特征在于,所述基于DSP系统的故障检测设备包括:存储器、处理器以及存储在存储器上的用于实现所述基于DSP系统的故障检测方法的程序,
所述存储器用于存储实现基于DSP系统的故障检测方法的程序;
所述处理器用于执行实现所述基于DSP系统的故障检测方法的程序,以实现如权利要求1至7中任一项所述基于DSP系统的故障检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有实现基于DSP系统的故障检测方法的程序,所述实现基于DSP系统的故障检测方法的程序被处理器执行以实现如权利要求1至7中任一项所述基于DSP系统的故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660506.6A CN115629930B (zh) | 2022-12-23 | 2022-12-23 | 基于dsp系统的故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660506.6A CN115629930B (zh) | 2022-12-23 | 2022-12-23 | 基于dsp系统的故障检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115629930A true CN115629930A (zh) | 2023-01-20 |
CN115629930B CN115629930B (zh) | 2023-08-08 |
Family
ID=84909713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211660506.6A Active CN115629930B (zh) | 2022-12-23 | 2022-12-23 | 基于dsp系统的故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115629930B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958122A (zh) * | 2023-08-24 | 2023-10-27 | 北京东远润兴科技有限公司 | Sar图像评估方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
CN111397896A (zh) * | 2020-03-08 | 2020-07-10 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
WO2021077567A1 (zh) * | 2019-10-24 | 2021-04-29 | 广东美的白色家电技术创新中心有限公司 | 设备故障检测方法、设备故障检测装置及计算机存储介质 |
CN115184719A (zh) * | 2022-04-21 | 2022-10-14 | 四川思极科技有限公司 | 一种基于k均值的配网故障定位系统及其量测装置 |
CN115358280A (zh) * | 2022-10-19 | 2022-11-18 | 深圳市信润富联数字科技有限公司 | 轴承信号故障诊断方法、装置、设备及存储介质 |
-
2022
- 2022-12-23 CN CN202211660506.6A patent/CN115629930B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
WO2021077567A1 (zh) * | 2019-10-24 | 2021-04-29 | 广东美的白色家电技术创新中心有限公司 | 设备故障检测方法、设备故障检测装置及计算机存储介质 |
CN111397896A (zh) * | 2020-03-08 | 2020-07-10 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
CN115184719A (zh) * | 2022-04-21 | 2022-10-14 | 四川思极科技有限公司 | 一种基于k均值的配网故障定位系统及其量测装置 |
CN115358280A (zh) * | 2022-10-19 | 2022-11-18 | 深圳市信润富联数字科技有限公司 | 轴承信号故障诊断方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958122A (zh) * | 2023-08-24 | 2023-10-27 | 北京东远润兴科技有限公司 | Sar图像评估方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115629930B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019051941A1 (zh) | 车型识别方法、装置、设备及计算机可读存储介质 | |
CN109871315B (zh) | 基于机器学习的系统升级失败的诊断方法及装置 | |
EP4220479A1 (en) | Self-training method, system, apparatus, electronic device, and storage medium | |
CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN112683169A (zh) | 物体尺寸测量方法、装置、设备及存储介质 | |
CN115629930A (zh) | 基于dsp系统的故障检测方法、装置、设备及存储介质 | |
CN116245074A (zh) | 芯片验证方法、设备及存储介质 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN113469151B (zh) | 工业制造中传感器的筛选方法、装置、设备及介质 | |
CN113065634B (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
CN114443483A (zh) | 人工智能系统的测试方法、装置、电子设备及介质 | |
CN112985867B (zh) | 舵机测试方法、装置、设备及存储介质 | |
CN115358280B (zh) | 轴承信号故障诊断方法、装置、设备及存储介质 | |
CN113138916A (zh) | 基于标注样本的图片结构化算法的自动测试方法及系统 | |
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 | |
CN110888036B (zh) | 测试项目确定方法及装置、存储介质和电子设备 | |
CN109829051B (zh) | 一种数据库相似语句筛选的方法和装置 | |
CN115314413B (zh) | 一种can信号测试方法及装置 | |
CN110222652A (zh) | 行人检测方法、装置及电子设备 | |
CN115358914A (zh) | 用于视觉检测的数据处理方法、装置、计算机设备及介质 | |
CN115062571A (zh) | 应用于集成电路器件的数据区域动态选取方法、系统、设备和计算机可读存储介质 | |
CN113836032A (zh) | 安卓接口并发测试方法、装置、设备及存储介质 | |
CN114237182A (zh) | 机器人调度方法及系统 | |
CN114398964A (zh) | 故障诊断方法、装置、电子设备和存储介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Fault detection method, device, equipment and storage medium based on DSP system Granted publication date: 20230808 Pledgee: Beijing Bank Co.,Ltd. North Third Ring Branch Pledgor: BEIJING DONGYUAN RUNXING TECHNOLOGY CO.,LTD. Registration number: Y2024110000292 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |