CN115935193A - 设备状态检测方法、计算机设备及存储介质 - Google Patents
设备状态检测方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115935193A CN115935193A CN202211229335.1A CN202211229335A CN115935193A CN 115935193 A CN115935193 A CN 115935193A CN 202211229335 A CN202211229335 A CN 202211229335A CN 115935193 A CN115935193 A CN 115935193A
- Authority
- CN
- China
- Prior art keywords
- equipment
- state detection
- sensor
- feature
- sound data
- 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
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供一种设备状态检测方法、计算机设备及存储介质,该方法包括:获取设备的传感器采集到的传感器参数,并获取设备运行过程中记录的声音数据;根据传感器参数和声音数据,确定用于表征设备性能变化的偏差信息;根据偏差信息,确定设备的运行状态。本申请旨在提高设备状态的检测准确性。
Description
技术领域
本申请涉及人工智能的技术领域,尤其涉及一种设备状态检测方法、计算机设备及存储介质。
背景技术
在电子设备、机械设备的使用过程中,不可避免的会经历一系列的功能退化。一些功能退化不会引起设备的故障,但一些功能退化会使得设备发生故障,从而极大降低设备的生产效率,并且造成经济损失或发生安全事故。因此,如何准确的检测设备状态,避免设备整体出现失效或者故障,成为了可靠性领域值得研究和讨论的问题。
发明内容
本申请的主要目的在于提供一种设备状态检测方法、计算机设备及存储介质,旨在提高设备状态的检测准确性。
第一方面,本申请提供一种设备状态检测方法,包括:
获取设备的传感器采集到的传感器参数,并获取所述设备运行过程中记录的声音数据;
根据所述传感器参数和所述声音数据,确定用于表征所述设备性能变化的偏差信息;
根据所述偏差信息,确定所述设备的运行状态。
第二方面,本申请还提供一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上所述的设备状态检测方法的步骤。
第三方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如上所述的设备状态检测方法的步骤。
本申请提供一种设备状态检测方法、计算机设备及存储介质,本申请通过获取设备的传感器采集到的传感器参数,并获取设备运行过程中记录的声音数据;根据传感器参数和声音数据,确定用于表征设备性能变化的偏差信息;根据偏差信息,确定设备的运行状态。本申请实施例通过传感器参数和声音数据能够准确的检测设备性能变化,从而确定设备的运行状态,由此能够提高对设备状态进行检测的准确性。此外,在设备发生故障前可以识别出设备的运行状态,从而能够根据设备的运行状态进行事前防范,避免设备整体出现失效或者故障。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请实施例提供的一种设备状态检测方法的步骤流程示意图;
图2为本申请实施例提供的另一种设备状态检测方法的步骤流程示意图;
图3为本申请实施例提供的又一种设备状态检测方法的步骤流程示意图;
图4为本申请实施例提供的设备状态检测模型的结构示意图;
图5为实施本实施例提供的设备状态检测方法的一场景示意图;
图6为本申请实施例提供的一种计算机设备的结构示意性框图。
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
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种设备状态检测方法、计算机设备及存储介质。其中,该设备状态检测方法可应用于终端设备或服务器中,该终端设备可以为手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备;该服务器可以为单台的服务器,也可以为由多台服务器组成的服务器集群。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请实施例提供的一种设备状态检测方法的步骤流程示意图。
如图1所示,该设备状态检测方法包括步骤S101至步骤S103。
步骤S101、获取设备的传感器采集到的传感器参数,并获取设备运行过程中记录的声音数据。
本步骤中,设备包括电子设备和机械设备等。例如,设备可以是手机、平板电脑、笔记本电脑、翻译机、台式电脑、学习机、个人数字助理和穿戴式设备等电子设备,或者该设备也可以是机器人、工程机械设备、农业机械设备、仪器仪表、电工机械设备等机械设备。
本步骤中,传感器可以为一个或多个。例如,传感器包括温度传感器、湿度传感器、电压计、电流计、压力传感器、速度传感器、加速度传感器、射线辐射传感器、位置传感器等中的至少一种。
本步骤中,传感器参数可以是一个传感器在多个采样时刻采集到的数据序列,或者传感器参数也可以是多个传感器在多个采样时刻采集到的数据集合。传感器参数可以包括设备的运行参数和周边环境数据等。例如,传感器参数包括温度、湿度、电流、电压、压力、速度、加速度、辐射值、位置等参数中的至少一种。
本步骤中,声音数据是设备运行过程中所产生并记录得到的音频数据,该声音数据可以是由麦克风等装置所采集得到的。需要说明的是,设备运行过程中会发出一定音量的噪声,由此记录的声音数据可以表征设备的运行状态。
本步骤中,传感器参数和声音数据可以是在相同工况下采集得到的,例如均是在设备正转或设备反转时采集得到的。传感器参数和声音数据的采集时段可以是相同的,例如在通过各传感器采集传感器参数时,同时采集该设备运行过程中发出的声音,得到时间维度相对齐的传感器参数和声音数据。
步骤S102、根据传感器参数和声音数据,确定用于表征设备性能变化的偏差信息。
需要指出的是,设备最初开始出现异常到完全失效或者故障,会经历一系列的劣化过程。因此如果设备的退化状态可以被很好的检测出来,就可以被维护人员进行进一步的检测和维护,从而避免这个设备或者整个系统出现失效或者故障的情况。因此,设备的故障是经过一个长期的劣化过程之后,达到某个劣化程度后才会由可能出现的。对于一个由多个组件组成的设备,一部分组件发生故障并不代表整个设备立刻发生故障。
本步骤中,由于设备随使用过程等而出现功能退化或者劣化,或者随保养等工作的进行而出现功能优化或者改善,从而导致设备性能出现变化。本步骤中,通过传感器参数和声音数据能够准确的检测设备性能变化,从而确定设备的运行状态,由此能够提高对设备状态进行检测的准确性。
本步骤中,偏差信息用于表征设备性能变化。该设备性能变化是指由传感器参数和声音数据确定的设备当前性能与预设性能之间的变化,预设性能例如为设备出厂时的设备性能,也可以为经过调试后的设备性能,本实施例对此不做具体限定。
本步骤中,偏差信息可以是根据传感器参数、声音数据与预设性能对应的传感器参数、声音数据而确定的,当然也可以根据其他方式来确定,例如通过设备状态检测模型对传感器参数、声音数据进行处理后输出得到,本实施例对此不做具体限定。
步骤S103、根据偏差信息,确定设备的运行状态。
本步骤中,确定用于表征设备性能变化的偏差信息之后,能够准确的根据偏差信息,确定设备的运行状态。本步骤中,在设备发生故障前可以识别出设备的运行状态,从而能够根据设备的运行状态进行事前防范,避免设备整体出现失效或者故障。
本步骤中,设备的运行状态包括正常状态和异常状态,正常状态是指设备的运行过程中未出现异常,异常状态是指设备的运行过程中出现异常。本步骤中,设备的异常状态可以包括组件异常状态、数据异常状态、环境异常状态等,其中,组件异常状态是指设备的一个组件或多个组件出现异常,数据异常状态是指设备运行过程中传感器采集的运行参数出现异常,环境异常状态是指设备运行过程中传感器采集的周边环境数据出现异常。
上述实施例提供的设备状态检测方法,通过获取设备的传感器采集到的传感器参数,并获取设备运行过程中记录的声音数据;根据传感器参数和声音数据,确定用于表征设备性能变化的偏差信息;根据偏差信息,确定设备的运行状态。通过传感器参数和声音数据能够准确的检测设备性能变化,从而确定设备的运行状态,由此能够极大的提高对设备状态进行检测的准确性。此外,在设备发生故障前可以识别出设备的运行状态,从而能够根据设备的运行状态进行事前防范,避免设备整体出现失效或者故障。
请参照图2,图2为本申请实施例提供的另一种设备状态检测方法的步骤流程示意图。
如图2所示,该设备状态检测方法包括步骤S201至S205。
步骤S201、获取设备的传感器采集到的传感器参数,并获取设备运行过程中记录的声音数据。
在一实施例中,接收设备发送的传感器参数和声音数据,该传感器参数和声音数据可以是由设备中的各传感器和麦克风等装置采集到的。
在一实施例中,从数据库中获取传感器参数和声音数据,该传感器参数和声音数据可以是预先存储的。数据库包括云端数据库和本地数据库,本实施例对此不做具体限定。
步骤S202、确定传感器参数与预设传感器参数的第一匹配度。
其中,预设传感器参数可以为一个或多个,第一匹配度可以为相似度或方差等参数。例如,预设传感器参数可以为设备出厂时调试好的传感器参数,或者预设传感器参数可以包括设备不同性能对应的传感器参数,本实施例对此不做具体限定。
在一实施例中,预设传感器参数为一个,该预设传感器参数用于表征设备在正常状态或异常状态下对应的传感器参数。求取传感器参数与该预设传感器参数之间的相似度作为第一匹配度。
在一实施例中,预设传感器参数为多个,该多个预设传感器参数用于表征设备不同性能对应的传感器参数。将传感器参数与多个预设传感器参数之间的相似度,得到多个相似度;将多个相似度确定为第一匹配度。或者,计算传感器参数与多个预设传感器参数之间的方差,并将该方差确定为第一匹配度。
步骤S203、确定声音数据与预设声音数据的第二匹配度。
其中,预设声音数据可以为一个或多个,第二匹配度可以为相似度或方差等参数。例如,预设声音数据可以为设备出厂时调试好的声音数据,或者预设声音数据可以包括设备不同性能所对应的声音数据,本实施例对此不做具体限定。
在一实施例中,预设声音数据为一个,该预设声音数据用于表征设备在正常状态或异常状态下对应的声音数据。求取声音数据与该预设声音数据之间的相似度作为第二匹配度。
在一实施例中,预设声音数据为多个,该多个预设声音数据用于表征设备不同性能对应的声音数据。求取声音数据与多个预设声音数据之间的相似度,得到多个相似度;将多个相似度确定为第二匹配度。或者,计算声音数据与多个预设声音数据之间的方差,并将该方差确定为第二匹配度。
步骤S204、根据第一匹配度和第二匹配度确定用于表征设备性能变化的偏差信息。
需要说明的是,根据第一匹配度和第二匹配度能够分别确定传感器参数与预设传感器参数之间的偏离程度,以及声音数据与预设声音数据之间的偏离程度,而预设传感器参数和预设声音数据能够表征设备运行性能,因此根据第一匹配度和第二匹配度能够准确的确定偏差信息。
在一实施例中,根据第一匹配度和第二匹配度确定目标匹配度;通过该目标匹配度确定用于表征设备性能变化的偏差信息。其中,第一匹配度和第二匹配度为相似度或方差等数据,可以通过平均值法、加权平均值法等方式确定目标匹配度,目标匹配度与用于表征设备性能变化的偏差信息之间存在对应关系,或者将目标匹配度与预设匹配度之间的差值作为偏差信息,因此能够根据目标匹配度准确的确定偏差信息。
示例性的,第一匹配度和第二匹配度均用于表征设备的当前运行状态与异常状态的相似度。求取第一匹配度和第二匹配度的平均值,得到目标匹配度;计算该目标匹配度与预设匹配度之间的差值,得到用于表征设备性能变化的偏差信息。其中,该预设匹配度可以根据实际情况进行设置,例如预设匹配度为表征设备的当前运行状态处于正常状态与异常状态之间所对应的相似度。
在一实施例中,计算第一匹配度与第一预设匹配度之间的第一差值,并计算第二匹配度与第二预设匹配度之间的第二差值;通过该第一差值和第二差值确定用于表征设备性能变化的偏差信息。其中,第一预设匹配度和第二预设匹配度可以根据实际情况进行设置,通过偏差信息中的第一差值和第二差值可以有效区分设备的运行状态为异常状态时,该异常状态的具体种类,从而提高对设备异常状态进行检测的准确性。
步骤S205、根据偏差信息,确定设备的运行状态。
其中,设备的运行状态包括正常状态和异常状态。设备的异常状态可以包括组件异常状态、数据异常状态、环境异常状态等。需要说明的是,根据偏差信息能够准确的确定设备运行状态,因此,在设备发生故障前可以识别出设备的运行状态,从而能够根据设备的运行状态进行事前防范,避免设备整体出现失效或者故障,提高设备安全性。
示例性的,前述的第一匹配度和第二匹配度均用于表征设备的当前运行状态与异常状态的相似度或方差,偏差信息为目标匹配度与预设匹配度之间的差值;若该差值大于或等于预设差值,则确定设备的运行状态为异常状态;若该差值小于预设差值,则确定设备的运行状态为正常状态。
示例性的,该偏差信息包括前述的第一差值和第二差值,若第一差值大于或等于第一预设差值,或第二差值大于或等于第二预设差值,则确定设备的运行状态为异常状态;若该差值小于第一预设差值且第二差值小于第二预设差值,则确定设备的运行状态为正常状态。在一些示例中,若设备的运行状态为异常状态,则可以根据第一差值和第二差值,确定异常状态的具体种类如组件异常状态、数据异常状态、环境异常状态等,从而提高对设备异常状态进行检测的准确性。
上述实施例提供的设备状态检测方法,通过确定传感器参数与预设传感器参数的第一匹配度,并确定声音数据与预设声音数据的第二匹配度,从而能够根据第一匹配度和第二匹配度确定用于表征设备性能变化的偏差信息,并利用偏差信息确定设备的运行状态,提高了对设备状态进行检测的准确性,有利于及时的根据设备状态对设备进行合理处置,避免设备失效或者故障,极大的提高设备可靠性。
请参照图3,图3为本申请实施例提供的又一种设备状态检测方法的步骤流程示意图。
如图3所示,该设备状态检测方法包括步骤S301至S304。
步骤S301、获取设备的传感器采集到的传感器参数,并获取设备运行过程中记录的声音数据。
其中,传感器参数和声音数据可以是在相同工况下采集得到的,例如均是在设备正转或设备反转时采集得到的,保证后续数据处理过程的计算准确性。
其中,传感器参数和声音数据的采集时段可以是相同的,例如在通过各传感器采集传感器参数时,同时采集该设备运行过程中发出的声音,得到采集时段相同的传感器参数和声音数据。利用采集时段相同的传感器参数和声音数据进行后续数据处理,有助于提高对设备状态进行检测的准确性。
步骤S302、将传感器参数和声音数据输入至训练好的设备状态检测模型进行处理,得到重构误差。
其中,训练好的设备状态检测模型可以为卷积神经网络、循环神经网络或卷积循环神经网络构成的模型。重构误差是指模型输出值与原始输入之间的均方误差。将传感器参数和声音数据输入至训练好的设备状态检测模型进行处理得到重构误差,从而实现多模态的进行设备状态检测,从而能够提升设备状态的检测效果。
在一实施例中,训练好的设备状态检测模型的训练过程,包括:获取多个训练样本,训练样本包括样本传感器参数和样本声音数据;通过多个训练样本,对设备状态检测模型进行迭代训练,直至设备状态检测模型收敛,得到训练好的设备状态检测模型。其中,设备状态检测模型的收敛条件可以根据实际情况进行设置,例如迭代次数达到预设次数、迭代时长大于预设时长,模型损失值小于预设损失值等。
在一实施例中,获取多个训练样本,包括:对多个传感器各自采集到的传感器参数集进行数据清洗;对经过数据清洗的多个传感器参数集进行无量纲化处理;生成经过无量纲化处理的多个传感器参数集的相关系数矩阵;根据相关系数矩阵中的多个相关系数,从经过数据清洗的多个传感器参数集中筛选出目标传感器参数集,目标传感器参数集中的传感器参数确定为样本传感器参数;以及,对设备运行过程中记录的声音数据进行高通滤波,得到样本声音数据。
其中,每个训练样本中的样本传感器参数可以是一个或多个传感器采集到的多个传感器参数,传感器参数的采集时段可以是与设备运行过程中记录的声音数据相匹配的。需要说明的是,多个训练样本是经过预处理得到的,包括传感器数据清洗和传感器特征降维和声音频带选取。传感器特征降维是将相关系数大于预设系数的传感器参数集对进行删减,从而去除相关性较强的关联传感器参数,其中预设系数例如为0.9。声音频带选取是挑选重要信息较多的高频段,删减无关噪声信息较多的低频段。实验发现,设备运行产生的声音中,大部分重要信息集中在高频部分,低频部分的无关噪声较多。因可以将原始声音数据经过一个高通滤波器,保留高频部分的样本声音数据。以上预处理方法,去除了特征中的冗余维度,保留重要特征,使后续建模表达数据分布更加精确,在设备的状态检测任务上达到更好效果。
在一实施例中,对多个传感器各自采集到的传感器参数集进行数据清洗,包括:计算各传感器参数集中相邻的每两个传感器参数之间的相对变化幅度,根据相邻的每两个传感器参数之间的相对变化幅度,从传感器参数集中确定目标传感器参数,该目标传感器参数对应的相对变化幅度大于或等于预设变化幅度;去除传感器参数集中的目标传感器参数,得到经过数据清洗的传感器参数集。其中,相对变化幅度例如为20%。通过去除相对变化幅度超过预设变化幅度的坏点,减少各传感器参数集中的传感器参数的短时剧烈波动,能够保证传感器参数变化的短时平稳性,有利于提高设备状态检测模型的鲁棒性和可靠性。
在一实施例中,设备状态检测模型包括特征处理模块、异常修正模块和误差计算模块;通过多个训练样本,对设备状态检测模型进行迭代训练,包括:将包括样本传感器参数和样本声音数据的训练样本输入至特征处理模块进行特征提取和拼接,得到拼接向量;将拼接向量输入至异常修正模块进行重构处理,得到重构向量;将拼接向量和重构向量输入至误差计算模块进行误差分析,得到拼接向量和重构向量之间的均方误差;根据均方误差确定设备状态检测模型的模型参数,并根据模型参数对设备状态检测模型进行迭代训练。
示例性的,设备状态检测模型的输入为训练样本,训练样本包括样本传感器参数和样本声音数据。如通过特征处理模块,将训练样本中的样本传感器参数和样本声音数据分别进行特征提取,得到对应的传感器特征参数和声学特征参数,并将传感器特征参数和声学特征参数进行拼接。其中该声学特征参数例如为经过filter bank处理得到的声学特征,特征处理模块可以是由长短时记忆网络LSTM组成,例如特征处理模块包括两层LSTM。假设传感器特征参数为T*F1维,声学特征参数的时间维度保持与传感器特征参数对齐,则声学特征参数为T*F2维,拼接后得T*(F1+F2)维的拼接向量。
在一实施例中,异常修正模块包括特征重构层,特征重构层填充有多个正例样本,正例样本为标注正确的训练样本;在对设备状态检测模型进行每轮迭代训练之前,方法还包括:清除特征重构层中的多个第一正例样本;获取多个第二正例样本,并将多个第二正例样本填充至特征重构层。
示例性的,特征重构层是一个N*T*F维矩阵M,N代表包含的正例样本数,T代表时间维度,F代表节点数。训练中每一轮迭代开始时特征重构层中的正例样本进行清空,然后进行新一轮正例样本的填充,例如将N个正常的训练样本(标注准确),当作input依次经特征处理模块中的LSTM1和LSTM2得到T*F维的向量(第二正例样本),并填充进特征重构层的矩阵M中,直到填充完成,从而能够使特征重构层中的表征更加精确。
需要说明的是,通过在设备状态检测模型中增加特征重构层,并在训练迭代过程中周期性清空和更新特征重构层中的正例样本,以其记录标注准确的训练样本的元素信息,并通过不断的更新使元素更加准确。
在一实施例中,异常修正模块包括特征重构层和注意力层。将拼接向量输入至注意力层进行注意力系数的计算,得到拼接向量对应的注意力系数;将拼接向量以及拼接向量对应的注意力系数输入至特征重构层进行特征向量的重构,得到重构向量。
需要说明的是,通过注意力层计算的注意力系数,以特征重构层中的正例样本来重构拼接向量,若输入的训练样本是误标为正常的异常样本,则会根据正例样本重建出接近正常样本的重构特征。这样训练得出的设备状态检测模型,给定一个测试样本(传感器参数和声音数据),仅会使用特征重构层中记录的有限数量的正例样本对测试样本进行重构。结果是网络重构会更接近正常样本,在测试时正常样本的重构误差小,异常样本的重构误差大,从而能够将重构误差作为检测设备状态是否异常的标准。
示例性的,注意力系数的计算公式为:其中,d为余弦距离,Z表示拼接向量,Zt表示第t个采样时间点的拼接向量,mit代表第i个特征重构层中的第t个采样时间点的训练样本,N代表特征重构层中的训练样本的数量。
示例性的,特征向量的重构公式为:其中,Zt为重构向量。需要说明的是,拼接向量Z距离特征重构层中的训练样本越相似,则该拼接向量对应的注意力系数wit越大,注意力系数wit的取值范围为0至1,因此重构向量与拼接向量越接近。
示例性的,得到拼接向量和重构向量之间的均方误差的计算公式为:其中,MSELoss代表均方误差。将拼接向量和重构向量输入至误差计算模块进行误差分析,即Z′T与ZT进行MSE距离的计算,并以其作为损失函数来更新设备状态检测模型的模型参数。
在一实施例中,训练好的设备状态检测模型包括特征处理模块、异常修正模块和误差计算模块;将传感器参数和声音数据输入特征处理模块进行特征提取和拼接,得到第一特征向量;将第一特征向量输入至异常修正模块进行重构处理,得到第二特征向量。
其中,异常修正模块包括注意力层和特征重构层;将第一特征向量输入至注意力层进行注意力系数的计算,得到第一特征向量对应的注意力系数;将第一特征向量以及第一特征向量对应的注意力系数输入至特征重构层进行特征向量的重构,得到第二特征向量;将第一特征向量和第二特征向量输入至误差计算模块进行误差分析,得到重构误差。
需要说明的是,第一特征向量和第二特征向量的获取方式可参考前述的拼接向量和重构向量的对应实施例。将第一特征向量和第二特征向量输入至误差计算模块进行误差分析,得到重构误差的实施方式,可参考前述的计算拼接向量和重构向量之间的均方误差的对应实施例,本实施例在此不再赘述。
示例性的,如图4所示,设备状态检测模型包括特征处理模块10、异常修正模块20和误差计算模块30。特征处理模块10和误差计算模块30均包括两层LSTM,异常修正模块20包括注意力层和特征重构层。模型输入input为传感器参数和声音数据,模型输出output为重构误差。通过特征处理模块10、异常修正模块20和误差计算模块30能够准确的输出第一特征向量和第二特征向量的重构误差。
步骤S303、将重构误差作为用于表征设备性能变化的偏差信息。
步骤S304、根据偏差信息,确定设备的运行状态。
其中,设备的运行状态包括正常状态和异常状态。设备的异常状态可以包括组件异常状态、数据异常状态、环境异常状态等。
在一实施例中,偏差信息例如为第一特征向量和第二特征向量的重构误差。如果重构误差大于或等于预设误差阈值thresh,则认为输入的测试样本(传感器参数和声音数据)是异常,即设备的运行状态为异常状态;反之,如果重构误差小于预设误差阈值thresh,则认为设备的运行状态为正常状态。异常的测试样本经过异常修正模块后,只能根据正例样本重构出接近正常样本的特征,最终MSE距离会较大,也更好被检出。
请参照图5,图5为实施本实施例提供的设备状态检测方法的一场景示意图。
如图5所示,设备100中的各传感器采集得到传感器参数,并由设备100采集该设备100运行过程中记录的声音数据,设备100将采集到的传感器参数和声音数据发送至服务器200,服务器200存储有训练好的设备状态检测模型,服务器200通过将传感器参数和声音数据输入至训练好的设备状态检测模型进行处理,得到重构误差,并由服务器200将重构误差作为用于表征设备性能变化的偏差信息,并利用偏差信息确定设备100的运行状态。
需要说明的是,当前的设备状态检测模型主要为线性建模,因此对数据分布的表达能力有限,在一些复杂业务场景无法很好对设备状态进行精确检测。并且,当前的设备状态检测模型依赖于训练数据的标注准确性,如果训练数据中混入少量异常数据,则模型可能错误地适应异常数据,将类似的异常数据也当成正常数据,导致对于异常数据的敏感性大大降低,实际使用系统时会出现异常的漏警。
上述实施例提供的设备状态检测方法,通过将传感器参数和声音数据输入至训练好的设备状态检测模型进行处理,得到重构误差;将重构误差作为用于表征设备性能变化的偏差信息,并利用偏差信息确定设备的运行状态,提高了对设备状态进行检测的准确性,有利于及时的根据设备状态对设备进行合理处置,避免设备失效或者故障,极大的提高设备可靠性。
此外,上述实施例提供的设备状态检测方法,利用设备状态检测模型中的异常修正模块的特性,较好的排除了少量标注错误数据对模型带来的不良影响,避免模型过度拟合异常数据,例如多模态的传感器参数特征以及声音特征进行设备异常的检测,极大提升检测效果。
请参阅图6,图6为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器或终端设备。
如图6所示,该计算机设备400包括通过系统总线401连接的处理器402和存储器403,其中,存储器403可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器402执行任意一种设备状态检测方法。
处理器402用于提供计算和控制能力,支撑整个计算机设备400的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器402执行时,可使得处理器402执行任意一种设备状态检测方法。
计算机设备400还可以包括网络接口,该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备400的限定,具体的计算机设备400可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器402可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑组件、分立门或者晶体管逻辑组件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取设备的传感器采集到的传感器参数,并获取所述设备运行过程中记录的声音数据;
根据所述传感器参数和所述声音数据,确定用于表征所述设备性能变化的偏差信息;
根据所述偏差信息,确定所述设备的运行状态。
在一个实施例中,所述处理器在实现根据所述传感器参数和所述声音数据,确定用于表征所述设备性能变化的偏差信息时,用于实现:
确定所述传感器参数与预设传感器参数的第一匹配度;
确定所述声音数据与预设声音数据的第二匹配度;
根据所述第一匹配度和所述第二匹配度确定所述偏差信息。
在一个实施例中,所述处理器在实现所述根据所述传感器参数和所述声音数据,确定用于表征所述设备性能变化的偏差信息时,用于实现:
将所述传感器参数和所述声音数据输入至训练好的设备状态检测模型进行处理,得到重构误差;
将所述重构误差作为所述偏差信息。
在一个实施例中,所述训练好的设备状态检测模型包括特征处理模块、异常修正模块和误差计算模块;所述处理器在实现所述将所述传感器参数和所述声音数据输入至训练好的设备状态检测模型进行处理,得到重构误差时,用于实现:
将所述传感器参数和所述声音数据输入所述特征处理模块进行特征提取和拼接,得到第一特征向量;
将所述第一特征向量输入至所述异常修正模块进行重构处理,得到第二特征向量;
将所述第一特征向量和所述第二特征向量输入至所述误差计算模块进行误差分析,得到重构误差。
在一个实施例中,所述处理器在实现所述异常修正模块包括注意力层和特征重构层,所述将所述第一特征向量输入至所述异常修正模块进行重构处理,得到第二特征向量时,用于实现:
将所述第一特征向量输入至所述注意力层进行注意力系数的计算,得到所述第一特征向量对应的注意力系数;
将所述第一特征向量以及所述第一特征向量对应的注意力系数输入至所述特征重构层进行特征向量的重构,得到第二特征向量。
在一个实施例中,所述处理器在实现所述训练好的设备状态检测模型的训练过程时,用于实现:
获取多个训练样本,所述训练样本包括样本传感器参数和样本声音数据;
通过多个所述训练样本,对设备状态检测模型进行迭代训练,直至所述设备状态检测模型收敛,得到训练好的设备状态检测模型。
在一个实施例中,所述处理器在实现所述获取多个训练样本时,用于实现:
对多个传感器各自采集到的传感器参数集进行数据清洗;
对经过数据清洗的多个所述传感器参数集进行无量纲化处理;
生成经过无量纲化处理的多个所述传感器参数集的相关系数矩阵;
根据所述相关系数矩阵中的多个相关系数,从经过数据清洗的多个所述传感器参数集中筛选出目标传感器参数集,所述目标传感器参数集中的传感器参数确定为样本传感器参数;以及
对所述设备运行过程中记录的声音数据进行高通滤波,得到样本声音数据。
在一个实施例中,所述处理器在实现所述设备状态检测模型包括特征处理模块、异常修正模块和误差计算模块;所述通过多个所述训练样本,对设备状态检测模型进行迭代训练时,用于实现:
将包括所述样本传感器参数和样本声音数据的训练样本输入至所述特征处理模块进行特征提取和拼接,得到拼接向量;
将所述拼接向量输入至所述异常修正模块进行重构处理,得到重构向量;
将所述拼接向量和所述重构向量输入至所述误差计算模块进行误差分析,得到所述拼接向量和所述重构向量之间的均方误差;
根据所述均方误差确定所述设备状态检测模型的模型参数,并根据所述模型参数对所述设备状态检测模型进行迭代训练。
在一个实施例中,所述异常修正模块包括特征重构层,所述特征重构层填充有多个正例样本,所述正例样本为标注正确的训练样本;所述处理器在实现在对所述设备状态检测模型进行每轮迭代训练之前,还用于实现:
清除所述特征重构层中的多个第一正例样本;
获取多个第二正例样本,并将所述多个第二正例样本填充至所述特征重构层。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述计算机设备的具体工作过程,可以参考前述设备状态检测方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参照本申请设备状态检测方法的各个实施例。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。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、物品或者系统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。以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种设备状态检测方法,其特征在于,包括:
获取设备的传感器采集到的传感器参数,并获取所述设备运行过程中记录的声音数据;
根据所述传感器参数和所述声音数据,确定用于表征所述设备性能变化的偏差信息;
根据所述偏差信息,确定所述设备的运行状态。
2.如权利要求1所述的设备状态检测方法,其特征在于,所述根据所述传感器参数和所述声音数据,确定用于表征所述设备性能变化的偏差信息,包括:
确定所述传感器参数与预设传感器参数的第一匹配度;
确定所述声音数据与预设声音数据的第二匹配度;
根据所述第一匹配度和所述第二匹配度确定所述偏差信息。
3.如权利要求1所述的设备状态检测方法,其特征在于,所述根据所述传感器参数和所述声音数据,确定用于表征所述设备性能变化的偏差信息,包括:
将所述传感器参数和所述声音数据输入至训练好的设备状态检测模型进行处理,得到重构误差;
将所述重构误差作为所述偏差信息。
4.如权利要求3所述的设备状态检测方法,其特征在于,所述训练好的设备状态检测模型包括特征处理模块、异常修正模块和误差计算模块;所述将所述传感器参数和所述声音数据输入至训练好的设备状态检测模型进行处理,得到重构误差,包括:
将所述传感器参数和所述声音数据输入所述特征处理模块进行特征提取和拼接,得到第一特征向量;
将所述第一特征向量输入至所述异常修正模块进行重构处理,得到第二特征向量;
将所述第一特征向量和所述第二特征向量输入至所述误差计算模块进行误差分析,得到重构误差。
5.如权利要求4所述的设备状态检测方法,其特征在于,所述异常修正模块包括注意力层和特征重构层,所述将所述第一特征向量输入至所述异常修正模块进行重构处理,得到第二特征向量,包括:
将所述第一特征向量输入至所述注意力层进行注意力系数的计算,得到所述第一特征向量对应的注意力系数;
将所述第一特征向量以及所述第一特征向量对应的注意力系数输入至所述特征重构层进行特征向量的重构,得到第二特征向量。
6.如权利要求3所述的设备状态检测方法,其特征在于,所述训练好的设备状态检测模型的训练过程,包括:
获取多个训练样本,所述训练样本包括样本传感器参数和样本声音数据;
通过多个所述训练样本,对设备状态检测模型进行迭代训练,直至所述设备状态检测模型收敛,得到训练好的设备状态检测模型。
7.如权利要求6所述的设备状态检测方法,其特征在于,所述获取多个训练样本,包括:
对多个传感器各自采集到的传感器参数集进行数据清洗;
对经过数据清洗的多个所述传感器参数集进行无量纲化处理;
生成经过无量纲化处理的多个所述传感器参数集的相关系数矩阵;
根据所述相关系数矩阵中的多个相关系数,从经过数据清洗的多个所述传感器参数集中筛选出目标传感器参数集,所述目标传感器参数集中的传感器参数确定为样本传感器参数;以及
对所述设备运行过程中记录的声音数据进行高通滤波,得到样本声音数据。
8.如权利要求7所述的设备状态检测方法,其特征在于,所述设备状态检测模型包括特征处理模块、异常修正模块和误差计算模块;所述通过多个所述训练样本,对设备状态检测模型进行迭代训练,包括:
将包括所述样本传感器参数和样本声音数据的训练样本输入至所述特征处理模块进行特征提取和拼接,得到拼接向量;
将所述拼接向量输入至所述异常修正模块进行重构处理,得到重构向量;
将所述拼接向量和所述重构向量输入至所述误差计算模块进行误差分析,得到所述拼接向量和所述重构向量之间的均方误差;
根据所述均方误差确定所述设备状态检测模型的模型参数,并根据所述模型参数对所述设备状态检测模型进行迭代训练。
9.如权利要求8所述的设备状态检测方法,其特征在于,所述异常修正模块包括特征重构层,所述特征重构层填充有多个正例样本,所述正例样本为标注正确的训练样本;在对所述设备状态检测模型进行每轮迭代训练之前,所述方法还包括:
清除所述特征重构层中的多个第一正例样本;
获取多个第二正例样本,并将所述多个第二正例样本填充至所述特征重构层。
10.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至9中任一项所述的设备状态检测方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至9中任一项所述的设备状态检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211229335.1A CN115935193A (zh) | 2022-10-08 | 2022-10-08 | 设备状态检测方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211229335.1A CN115935193A (zh) | 2022-10-08 | 2022-10-08 | 设备状态检测方法、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115935193A true CN115935193A (zh) | 2023-04-07 |
Family
ID=86554769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211229335.1A Pending CN115935193A (zh) | 2022-10-08 | 2022-10-08 | 设备状态检测方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935193A (zh) |
-
2022
- 2022-10-08 CN CN202211229335.1A patent/CN115935193A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6811276B2 (ja) | 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出 | |
CN107392025B (zh) | 基于深度学习的恶意安卓应用程序检测方法 | |
US7890813B2 (en) | Method and apparatus for identifying a failure mechanism for a component in a computer system | |
JP7149197B2 (ja) | 異常音検知装置および異常音検知方法 | |
CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
US20200169085A1 (en) | Method for recognizing contingencies in a power supply network | |
US20190004490A1 (en) | Method for recognizing contingencies in a power supply network | |
Azzalini et al. | A minimally supervised approach based on variational autoencoders for anomaly detection in autonomous robots | |
US20230085991A1 (en) | Anomaly detection and filtering of time-series data | |
CN113228006A (zh) | 检测连续事件中的异常的装置和方法及其计算机程序产品 | |
US8706451B1 (en) | Method and apparatus for generating a model for an electronic prognostics system | |
Pitakrat et al. | A framework for system event classification and prediction by means of machine learning | |
CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
Yokkampon et al. | Robust unsupervised anomaly detection with variational autoencoder in multivariate time series data | |
CN117829209A (zh) | 工艺设备的非正常工作检测方法、计算装置及计算机程序 | |
CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
CN116578843A (zh) | 离心泵诊断模型训练方法、诊断方法、系统、装置及介质 | |
CN116842520A (zh) | 基于检测模型的异常感知方法、装置、设备及介质 | |
WO2020148904A1 (ja) | 異常検知装置、異常検知システム及び学習装置、並びに、これらの方法及びプログラムが格納された非一時的なコンピュータ可読媒体 | |
KR101955091B1 (ko) | 이상 신호 복원 시스템 및 방법 | |
CN115935193A (zh) | 设备状态检测方法、计算机设备及存储介质 | |
Park et al. | TCAE: temporal convolutional autoencoders for time series anomaly detection | |
CN114861753A (zh) | 一种基于大规模网络的数据分类方法和装置 | |
KR20220028726A (ko) | 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치 |
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 |