CN116895286A - 一种打印机故障监控方法以及相关装置 - Google Patents
一种打印机故障监控方法以及相关装置 Download PDFInfo
- Publication number
- CN116895286A CN116895286A CN202311162883.1A CN202311162883A CN116895286A CN 116895286 A CN116895286 A CN 116895286A CN 202311162883 A CN202311162883 A CN 202311162883A CN 116895286 A CN116895286 A CN 116895286A
- Authority
- CN
- China
- Prior art keywords
- audio
- probability value
- target
- preset
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 230000005236 sound signal Effects 0.000 claims abstract description 159
- 239000013598 vector Substances 0.000 claims description 78
- 238000012545 processing Methods 0.000 claims description 31
- 230000010354 integration Effects 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000009432 framing Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000007639 printing Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- 238000010606 normalization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J29/00—Details of, or accessories for, typewriters or selective printing mechanisms not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/121—Facilitating exception or error detection and recovery, e.g. fault, media or consumables depleted
-
- 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
-
- 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请适用于打印机监控技术领域,提供了一种打印机故障监控方法以及相关装置,该方法包括:实时检测目标对象在工作状态时的待处理音频信号;其中,目标对象为热敏打印机;确定出待处理音频信号中的目标音频信号;获得目标音频信号对应的频率特征和振幅特征将目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型。可见,本申请不需要设置大量的传感器对打印机故障进行监控,仅通过设置音频采集装置就可以低成本对打印机故障进行实时监控。
Description
技术领域
本申请属于打印机监控技术领域,尤其涉及一种打印机故障监控方法以及相关装置。
背景技术
随着热敏打印机、标签打印机、票据打印机、便携式打印机等打印设备在办公和家庭环境中的广泛应用,打印机的稳定性和可靠性成为用户关注的重要问题。故障的及时监测和准确识别对于打印机的正常运行和维护至关重要。目前,打印机故障监控方法主要通过检测打印机本身的硬件状态等方式来实现,但是这些方式通常需要设置大量的传感器,增加了硬件成本。
发明内容
本申请实施例提供了一种打印机故障监控方法以及相关装置,可以解决现有技术中需要设置大量的传感器来进行打印机故障监控的问题。
第一方面,本申请实施例提供了一种打印机故障监控方法,包括:
实时检测目标对象在工作状态时的待处理音频信号;其中,所述目标对象为热敏打印机;
确定出待处理音频信号中的目标音频信号;
获得所述目标音频信号对应的频率特征和振幅特征;
将所述目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型。
在第一方面的一种可能的实现方式中,确定出所述待处理音频信号中的目标音频信号,包括:
对所述待处理音频信号进行预处理;
剔除所述预处理后的待处理音频信号中的非目标音频信号,得到待处理音频信号;
对所述待处理音频信号进行预处理,包括:
对所述待处理音频信号进行采样处理;
根据预设滤波函数对采样处理后的所述待处理音频信号进行预加重处理;
根据预设长度窗口对预加重处理后的所述待处理音频信号进行分帧处理;
根据预设加窗函数对分帧处理后的所述待处理音频信号进行加窗处理;
所述非目标音频信号包括环境噪音信号和干扰声源信号;
剔除所述预处理后的待处理音频信号中的非目标音频信号,得到待处理音频信号,包括:
根据预设小波变换算法剔除所述预处理后的待处理音频信号中的环境噪音信号;
根据ICA分离算法剔除所述预处理后的待处理音频信号中的干扰声源信号。
在第一方面的一种可能的实现方式中,预设故障类型识别模型包括预设频率特征识别模型和预设振幅特征识别模型;音频异常标签包括第一音频异常标签、第二音频异常标签以及第三音频异常标签;第一音频异常标签对应的预设故障类型为纸张堵塞、第二音频异常标签对应的预设故障类型为打印头问题、第三音频异常标签对应的预设故障类型为机械部件损坏;
将所述目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型,包括:
将所述目标音频信号对应的频率特征输入至预设频率特征识别模型,得到音频异常标签对应的第一概率值;
将所述目标音频信号对应的振幅特征输入至预设振幅特征识别模型,得到音频异常标签对应的第二概率值;
根据下式对所述第一概率值和所述第二概率值进行综合计算,得到音频异常标签的目标概率值:
,
其中,表示音频异常标签的目标概率值,/>表示第一概率值,/>表示第一概率值对应的第一权重,/>表示表示第二概率值,/>表示第二概率值对应的第二权重,/>表示第一概率值与第二概率值之间的差值,/>表示差值对应的第三权重;
将目标概率值大于概率阈值的音频异常标签对应的预设故障类型作为所述故障类型。
在第一方面的一种可能的实现方式中,预设频率特征识别模型包括卷积网络、上下文整合网络、注意力网络、全连接层以及分类器;
将所述目标音频信号对应的频率特征输入至预设频率特征识别模型,得到音频异常标签对应的第一概率值,包括:
根据所述卷积网络提取所述频率特征中的特征图;
根据所述上下文整合网络对所述特征图进行上下文整合,得到特征序列;
根据所述注意力网络对上下文整合后的特征序列进行加权求和,得到目标序列;
根据所述全连接层对所述目标序列进行归一化处理,得到归一化向量;
根据所述分类器对归一化向量进行分类,得到音频异常标签对应的第一概率值。
在第一方面的一种可能的实现方式中,根据所述注意力网络对上下文整合后的特征序列进行加权求和,得到目标序列,包括:
根据下式对上下文整合后的特征序列进行加权求和,得到目标序列:
,
其中,为目标序列,/>为注意力权重,/>为特征序列中第/>个向量;
根据下式计算注意力权重:
,
其中,为注意力权重,/>是模型中可训练的参数,/>为特征序列中第/>个向量,表示指数函数。
在第一方面的一种可能的实现方式中,根据所述分类器对归一化向量进行分类,得到音频异常标签对应的第一概率值,包括:
根据下式计算归一化向量对应的音频异常标签的第一概率值:
,
其中,表示归一化向量对应的音频异常标签/>的第一概率值,/>表示激活函数,/>表示音频异常标签/>对应的权重向量,/>表示音频异常标签/>对应的偏置。
在第一方面的一种可能的实现方式中,预设振幅特征识别模型为SVM支持向量机模型;
将所述目标音频信号对应的振幅特征输入至预设振幅特征识别模型,得到音频异常标签对应的第二概率值,包括:
对所述振幅特征进行向量化处理,得到特征向量;
基于SVM支持向量机模型,根据下式对特征向量进行计算,得到音频异常标签对应的第二概率值:
,
其中,表示音频异常标签对应的第二概率值,/>表示第/>个支持向量对应的拉格朗日乘子,/>表示第/>个支持向量对应的音频异常标签,/>表示支持向量,/>表示特征向量,/>表示核函数,/>表示分类函数,/>表示偏置项。
第二方面,本申请实施例提供了一种打印机故障监测装置装置,包括:
实时检测模块,用于实时检测目标对象在工作状态时的待处理音频信号;其中,所述目标对象为热敏打印机;
确定模块,用于确定出待处理音频信号中的目标音频信号;
获得模块,用于获得所述目标音频信号对应的频率特征和振幅特征;
故障识别模块,用于将所述目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型。
在第二方面的一种可能的实现方式中,所述确定模块,包括:
预处理子模块,用于对所述待处理音频信号进行预处理;
剔除子模块,用于剔除所述预处理后的待处理音频信号中的非目标音频信号,得到待处理音频信号;
所述预处理子模块,包括:
采样单元,用于对所述待处理音频信号进行采样处理;
预加重单元,用于根据预设滤波函数对采样处理后的所述待处理音频信号进行预加重处理;
分帧单元,用于根据预设长度窗口对预加重处理后的所述待处理音频信号进行分帧处理;
加窗单元,用于根据预设加窗函数对分帧处理后的所述待处理音频信号进行加窗处理;
所述非目标音频信号包括环境噪音信号和干扰声源信号;
所述剔除子模块包括:
噪音剔除单元,用于根据预设小波变换算法剔除所述预处理后的待处理音频信号中的环境噪音信号;
干扰剔除单元,用于根据ICA分离算法剔除所述预处理后的待处理音频信号中的干扰声源信号。
在第二方面的一种可能的实现方式中,预设故障类型识别模型包括预设频率特征识别模型和预设振幅特征识别模型;音频异常标签包括第一音频异常标签、第二音频异常标签以及第三音频异常标签;第一音频异常标签对应的预设故障类型为纸张堵塞、第二音频异常标签对应的预设故障类型为打印头问题、第三音频异常标签对应的预设故障类型为机械部件损坏;
所述故障识别模块,包括:
第一概率值计算子模块,用于将所述目标音频信号对应的频率特征输入至预设频率特征识别模型,得到音频异常标签对应的第一概率值;
第二概率值计算子模块,用于将所述目标音频信号对应的振幅特征输入至预设振幅特征识别模型,得到音频异常标签对应的第二概率值;
目标概率值计算子模块,用于根据下式对所述第一概率值和所述第二概率值进行综合计算,得到音频异常标签的目标概率值:
,
其中,表示音频异常标签的目标概率值,/>表示第一概率值,/>表示第一概率值对应的第一权重,/>表示表示第二概率值,/>表示第二概率值对应的第二权重,/>表示第一概率值与第二概率值之间的差值,/>表示差值对应的第三权重;
故障类型确定子模块,用于将目标概率值大于概率阈值的音频异常标签对应的预设故障类型作为所述故障类型。
在第二方面的一种可能的实现方式中,预设频率特征识别模型包括卷积网络、上下文整合网络、注意力网络、全连接层以及分类器;
所述第一概率值计算子模块,包括:
提取单元,用于根据所述卷积网络提取所述频率特征中的特征图;
上下文整合单元,用于根据所述上下文整合网络对所述特征图进行上下文整合,得到特征序列;
加权求和单元,用于根据所述注意力网络对上下文整合后的特征序列进行加权求和,得到目标序列;
归一化单元,用于根据所述全连接层对所述目标序列进行归一化处理,得到归一化向量;
分类单元,用于根据所述分类器对归一化向量进行分类,得到音频异常标签对应的第一概率值。
在第二方面的一种可能的实现方式中,所述加权求和单元,包括:
加权求和子单元,用于根据下式对上下文整合后的特征序列进行加权求和,得到目标序列:
,
其中,为目标序列,/>为注意力权重,/>为特征序列中第/>个向量;
根据下式计算注意力权重:
,
其中,为注意力权重,/>是模型中可训练的参数,/>为特征序列中第/>个向量,表示指数函数。
在第二方面的一种可能的实现方式中,所述分类单元,包括:
分类子单元,用于根据下式计算归一化向量对应的音频异常标签的第一概率值:
,
其中,表示归一化向量对应的音频异常标签/>的第一概率值,/>表示激活函数,/>表示音频异常标签/>对应的权重向量,/>表示音频异常标签/>对应的偏置。
在第二方面的一种可能的实现方式中,预设振幅特征识别模型为SVM支持向量机模型;第二概率值计算子模块,包括:
向量化处理单元,用于对所述振幅特征进行向量化处理,得到特征向量;
特征向量计算单元,用于基于SVM支持向量机模型,根据下式对特征向量进行计算,得到音频异常标签对应的第二概率值:
,
其中,表示音频异常标签对应的第二概率值,/>表示第/>个支持向量对应的拉格朗日乘子,/>表示第/>个支持向量对应的音频异常标签,/>表示支持向量,/>表示特征向量,/>表示核函数,/>表示分类函数,/>表示偏置项。
第三方面,本申请实施例提供了一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例中,通过实时检测目标对象在工作状态时的待处理音频信号;其中,所述目标对象为热敏打印机;确定出待处理音频信号中的目标音频信号;获得所述目标音频信号对应的频率特征和振幅特征将所述目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型。可见,本申请实施例不需要设置大量的传感器对打印机故障进行监控,仅通过设置音频采集装置就可以低成本对打印机故障进行实时监控。
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是本申请实施例提供的一种打印机故障监控方法的示意性流程图;
图2是本申请实施例提供的一种打印机故障监测装置的结构框图;
图3是本申请实施例提供的服务器的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
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。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
下面对本申请实施例的技术方案进行介绍。
参见图1,为本申请实施例提供的一种打印机故障监控方法的示意性流程图,作为示例而非限定,该方法可以应用于服务器,该方法包括以下步骤:
步骤S101,实时检测目标对象在工作状态时的待处理音频信号。
其中,目标对象为热敏打印机。
示例性地,通过音频采集装置(例如麦克风)在热敏打印机工作状态时的每间隔预设时间(例如2秒)实时采集热敏打印机产生的待处理音频信号,并将待处理音频信号发送至服务器。可选的,音频采集装置可以设置在热敏打印机的内部,具体位置不作限定。
步骤S102,确定出待处理音频信号中的目标音频信号。
具体应用中,确定出待处理音频信号中的目标音频信号,包括:
步骤S201,对待处理音频信号进行预处理。
可以理解的是,通过对采集到的待处理音频信号一些预处理操作,以提高后续分析的准确性和稳定性。
示例性地,对待处理音频信号进行预处理,包括:
步骤S301,对待处理音频信号进行采样处理。
可以理解的是,采样处理是将连续的模拟信号转换为离散的数字信号的过程。在这个步骤中,按照一定的时间间隔,对待处理音频信号进行采样,获取离散的样本点。
步骤S302,根据预设滤波函数对采样处理后的待处理音频信号进行预加重处理。
可以理解的是,预加重处理是为了增强高频信号在后续分析中的重要性而进行的一种滤波处理。它通过对信号的高频部分进行加权,减少低频部分的影响。一般可以使用一阶滤波器来实现预加重。
步骤S303,根据预设长度窗口对预加重处理后的待处理音频信号进行分帧处理。
可以理解的是,分帧处理是将连续的信号分割为短时间窗口内的帧的过程,将音频信号分割成较短的时间段。
步骤S304,根据预设加窗函数对分帧处理后的待处理音频信号进行加窗处理。
其中,加窗函数是一种根据时间轴权衡频率分辨率和频域泄漏的函数,用于减少由于分帧引起的信号边界不连续性。
可以理解的是,加窗处理是对每个帧进行加窗函数处理的过程。
步骤S202,剔除预处理后的待处理音频信号中的非目标音频信号,得到待处理音频信号。
示例性地,非目标音频信号包括环境噪音信号和干扰声源信号。
剔除预处理后的待处理音频信号中的非目标音频信号,得到待处理音频信号,包括:
步骤S401,根据预设小波变换算法剔除预处理后的待处理音频信号中的环境噪音信号。
步骤S402,根据ICA分离算法剔除预处理后的待处理音频信号中的干扰声源信号。
可以理解的是,在打印机工作状态时,除了打印机本身发出的声响外,还存在环境噪音和其他干扰声音,因此本申请实施例先通过小波变换去除环境噪声,然后使用ICA将目标变压器声信号和干扰声源信号分离开来,从而达到去噪的效果,并提取出纯净的目标信号供后续分析和处理使用。
步骤S103,获得目标音频信号对应的频率特征和振幅特征。
具体应用中,获得目标音频信号对应的频率特征和振幅特征,包括:
示例性地,根据预设快速傅里叶变换算法对目标音频信号中每一帧进行变换,形成目标音频信号对应的频率特征;根据预设时域统计算法(例如时域统计平均值、或者时域统计标准差)计算出目标音频信号对应的振幅特征。
步骤S104,将目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型。
其中,预设故障类型识别模型包括预设频率特征识别模型和预设振幅特征识别模型;音频异常标签包括第一音频异常标签、第二音频异常标签以及第三音频异常标签;第一音频异常标签对应的预设故障类型为纸张堵塞、第二音频异常标签对应的预设故障类型为打印头问题、第三音频异常标签对应的预设故障类型为机械部件损坏。
进一步的,第一音频异常标签为纸张在打印过程中堵塞时,热敏打印机产生的刮擦或咯吱声对应的异常音频信号;第二音频异常标签为热敏打印头出现故障或损坏时,热敏打印机产生的嘶嘶声对应的异常音频信号;第三音频异常标签为热敏打印机的机械部件(如滚轮、传动带等)在长时间使用或物理损坏后,热敏打印机产生的摩擦声对应的异常音频信号。
可以理解的是,本申请实施例通过预设故障类型识别模型从频率特征和振幅特征这两个维度识别出目标音频信号对应的音频异常标签,从而确定出热敏打印机的故障类型。
将目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型,包括:
步骤S501,将目标音频信号对应的频率特征输入至预设频率特征识别模型,得到音频异常标签对应的第一概率值。
其中,预设频率特征识别模型包括卷积网络、上下文整合网络、注意力网络、全连接层以及分类器。
可以理解的是,预设频率特征识别模型是提前基于L2正则化交叉熵损失函数,使用梯度下降法进行参数优化,根据样本数据训练得到的。
将目标音频信号对应的频率特征输入至预设频率特征识别模型,得到音频异常标签对应的第一概率值,包括:
步骤S601,根据卷积网络提取频率特征中的特征图。
示例性地,卷积网络包括3层卷积层,第一层卷积层和第二层卷积层使用大小为 1×6的卷积核沿时间轴滑动进行卷积操作,卷积窗的滑动步长为 1,每层输出 64个特征映射,特征映射的输出使用 ReLU激活函数,在第一层卷积层和第二层卷积层的输出上上执行1 ×4的最大池化, 用于捕获最重要的局部特征并减少网络的参数数量;第三层卷积层分别使用尺寸为 64×1 、64×2 、64×3 的卷积核在整个频率上执行卷积操作,不同尺寸的卷积核有利于覆盖谱图的不同区域,以捕获彼此互补的特征,卷积窗的滑动步长为 1,输出128 个特征图,分别使用ReLU 和 1 ×6 的最大池化,从而提取出频率特征中不同区域的特征,形成特征图。
步骤S602,根据上下文整合网络对特征图进行上下文整合,得到特征序列。
示例性地,上下文整合网络为3个BLSTM 网络,每个BLSTM网络由两个单个 LSTM组成,每个输入方向上有 64 个单元,输出单元个数为 128,每个BLSTM 网络对第三层卷积层的3个卷积核输出的特征图进行处理,从而整合音频信号在上下文的信息。
步骤S603,根据注意力网络对上下文整合后的特征序列进行加权求和,得到目标序列。
示例性地,根据注意力网络对上下文整合后的特征序列进行加权求和,得到目标序列,包括:
根据下式对上下文整合后的特征序列进行加权求和,得到目标序列:
,
其中,为目标序列,/>为注意力权重,/>为特征序列中第/>个向量;
根据下式计算注意力权重:
,
其中,为注意力权重,/>是模型中可训练的参数,/>为特征序列中第/>个向量,表示指数函数。需说明的是,模型中可训练的参数可以根据训练数据进行优化,以使得模型能够自动学习和调整注意力的权重分配,从而更好地捕捉序列中有用的信息。
步骤S604,根据全连接层对目标序列进行归一化处理,得到归一化向量。
步骤S605,根据分类器对归一化向量进行分类,得到音频异常标签对应的第一概率值。
根据分类器对归一化向量进行分类,得到音频异常标签对应的第一概率值,包括:
根据下式计算归一化向量对应的音频异常标签的第一概率值:
,
其中,表示归一化向量对应的音频异常标签/>的第一概率值,/>表示激活函数,/>表示音频异常标签/>对应的权重向量,/>表示音频异常标签/>对应的偏置。
步骤S502,将目标音频信号对应的振幅特征输入至预设振幅特征识别模型,得到音频异常标签对应的第二概率值。
其中,预设振幅特征识别模型为SVM支持向量机模型。
将目标音频信号对应的振幅特征输入至预设振幅特征识别模型,得到音频异常标签对应的第二概率值,包括:
步骤S701,振幅特征进行向量化处理,得到特征向量。
示例性地,对振幅特征进行最大最小值归一化处理,形成特征向量。
步骤S702,基于SVM支持向量机模型,根据下式对特征向量进行计算,得到音频异常标签对应的第二概率值:
,
其中,表示音频异常标签对应的第二概率值,/>表示第/>个支持向量对应的拉格朗日乘子,/>表示第/>个支持向量对应的音频异常标签,/>表示支持向量,/>表示特征向量,/>表示核函数,/>表示分类函数,/>表示偏置项。需说明的是,核函数用于计算支持向量与特征向量之间的相似度,支持向量是指在支持向量机算法中对模型决策边界有重要作用的一组训练数据点,这些数据点位于类别之间的边界区域上,可以被认为是代表整个数据集的关键样本。
步骤S503,根据下式对第一概率值和第二概率值进行综合计算,得到音频异常标签的目标概率值:
,
其中,表示音频异常标签的目标概率值,/>表示第一概率值,/>表示第一概率值对应的第一权重,/>表示表示第二概率值,/>表示第二概率值对应的第二权重,/>表示第一概率值与第二概率值之间的差值,/>表示差值对应的第三权重。需说明的是,第一权重值、第二权重值以及第三权重值是预先设定的,后续可以根据识别准确率进行动态调整。
步骤S504,将目标概率值大于概率阈值的音频异常标签对应的预设故障类型作为故障类型。
示例性地,若第一音频异常标签的目标概率值大于概率阈值,则故障类型为纸张堵塞;若第二音频异常标签的目标概率值大于概率阈值,则故障类型为打印头问题;若第三音频异常标签的目标概率值大于概率阈值,则故障类型为机械部件损坏。
可选的,服务器在确热敏打印机的故障类型之后,生成报警信息并将报警信息推送至用户终端,以提醒用户热敏打印机发生故障,进行及时维修。
本申请实施例中,通过实时检测目标对象在工作状态时的待处理音频信号;其中,目标对象为热敏打印机;确定出待处理音频信号中的目标音频信号;获得目标音频信号对应的频率特征和振幅特征将目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型。可见,本申请实施例不需要设置大量的传感器来进行打印机故障监控,仅通过设置音频采集装置就可以低成本实现对打印机故障进行实时监控。
另外,本申请实施例具备以下技术优点:
(1)通过实时检测打印机工作状态产生的待处理音频信号,并确定目标音频信号,结合频率特征和振幅特征,将其输入预设故障类型识别模型并得到音频异常标签对应的目标概率值。这种综合分析和识别的方式可以显著提高故障监控准确率,确保对打印机故障的高效识别和处理。
(2)通过预处理待处理音频信号,包括采样处理、预加重处理、分帧处理和加窗处理,剔除非目标音频信号(如环境噪音信号和干扰声源信号)。这种去除环境干扰的方法使得故障监控系统更加鲁棒,能够有效应对复杂的环境干扰情况,增强环境干扰抵抗能力。
(3)预设故障类型识别模型包括预设频率特征识别模型和预设振幅特征识别模型。预设频率特征识别模型采用卷积网络、上下文整合网络和注意力网络等结构,能够有效学习和提取频率特征并进行分类。预设振幅特征识别模型采用SVM支持向量机模型进行高效分类。通过多模型融合,综合利用频率特征和振幅特征的优势,能够有效提高故障识别的性能,增强对不同故障类型的准确判定能力。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的打印机故障监控方法,图2示出了本申请实施例提供的一种打印机故障监测装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,该装置包括:
实时检测模块21,用于实时检测目标对象在工作状态时的待处理音频信号;其中,所述目标对象为热敏打印机;
确定模块22,用于确定出待处理音频信号中的目标音频信号;
获得模块23,用于获得所述目标音频信号对应的频率特征和振幅特征;
故障识别模块24,用于将所述目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型。
在一种可能的实现方式中,所述确定模块,包括:
预处理子模块,用于对所述待处理音频信号进行预处理;
剔除子模块,用于剔除所述预处理后的待处理音频信号中的非目标音频信号,得到待处理音频信号;
所述预处理子模块,包括:
采样单元,用于对所述待处理音频信号进行采样处理;
预加重单元,用于根据预设滤波函数对采样处理后的所述待处理音频信号进行预加重处理;
分帧单元,用于根据预设长度窗口对预加重处理后的所述待处理音频信号进行分帧处理;
加窗单元,用于根据预设加窗函数对分帧处理后的所述待处理音频信号进行加窗处理;
所述非目标音频信号包括环境噪音信号和干扰声源信号;
所述剔除子模块包括:
噪音剔除单元,用于根据预设小波变换算法剔除所述预处理后的待处理音频信号中的环境噪音信号;
干扰剔除单元,用于根据ICA分离算法剔除所述预处理后的待处理音频信号中的干扰声源信号。
在一种可能的实现方式中,预设故障类型识别模型包括预设频率特征识别模型和预设振幅特征识别模型;音频异常标签包括第一音频异常标签、第二音频异常标签以及第三音频异常标签;第一音频异常标签对应的预设故障类型为纸张堵塞、第二音频异常标签对应的预设故障类型为打印头问题、第三音频异常标签对应的预设故障类型为机械部件损坏;
所述故障识别模块,包括:
第一概率值计算子模块,用于将所述目标音频信号对应的频率特征输入至预设频率特征识别模型,得到音频异常标签对应的第一概率值;
第二概率值计算子模块,用于将所述目标音频信号对应的振幅特征输入至预设振幅特征识别模型,得到音频异常标签对应的第二概率值;
目标概率值计算子模块,用于根据下式对所述第一概率值和所述第二概率值进行综合计算,得到音频异常标签的目标概率值:
,
其中,表示音频异常标签的目标概率值,/>表示第一概率值,/>表示第一概率值对应的第一权重,/>表示表示第二概率值,/>表示第二概率值对应的第二权重,/>表示第一概率值与第二概率值之间的差值,/>表示差值对应的第三权重,
其中,表示音频异常标签的目标概率值,表示第一概率值,表示第一概率值对应的第一权重,表示表示第二概率值,表示第二概率值对应的第二权重,表示第一概率值与第二概率值之间的差值,表示差值对应的第三权重;
故障类型确定子模块,用于将目标概率值大于概率阈值的音频异常标签对应的预设故障类型作为所述故障类型。
在一种可能的实现方式中,预设频率特征识别模型包括卷积网络、上下文整合网络、注意力网络、全连接层以及分类器;
所述第一概率值计算子模块,包括:
提取单元,用于根据所述卷积网络提取所述频率特征中的特征图;
上下文整合单元,用于根据所述上下文整合网络对所述特征图进行上下文整合,得到特征序列;
加权求和单元,用于根据所述注意力网络对上下文整合后的特征序列进行加权求和,得到目标序列;
归一化单元,用于根据所述全连接层对所述目标序列进行归一化处理,得到归一化向量;
分类单元,用于根据所述分类器对归一化向量进行分类,得到音频异常标签对应的第一概率值。
在一种可能的实现方式中,所述加权求和单元,包括:
加权求和子单元,用于根据下式对上下文整合后的特征序列进行加权求和,得到目标序列:
,
其中,为目标序列,/>为注意力权重,/>为特征序列中第/>个向量;
根据下式计算注意力权重:
,
其中,为注意力权重,/>是模型中可训练的参数,/>为特征序列中第/>个向量,表示指数函数。
在一种可能的实现方式中,所述分类单元,包括:
分类子单元,用于根据下式计算归一化向量对应的音频异常标签的第一概率值:
,
其中,表示归一化向量对应的音频异常标签/>的第一概率值,/>表示激活函数,/>表示音频异常标签/>对应的权重向量,/>表示音频异常标签/>对应的偏置。
在一种可能的实现方式中,预设振幅特征识别模型为SVM支持向量机模型;第二概率值计算子模块,包括:
向量化处理单元,用于对所述振幅特征进行向量化处理,得到特征向量;
特征向量计算单元,用于基于SVM支持向量机模型,根据下式对特征向量进行计算,得到音频异常标签对应的第二概率值:
,
其中,表示音频异常标签对应的第二概率值,/>表示第/>个支持向量对应的拉格朗日乘子,/>表示第/>个支持向量对应的音频异常标签,/>表示支持向量,/>表示特征向量,/>表示核函数,/>表示分类函数,/>表示偏置项。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图3为本申请实施例提供的服务器的结构示意图。如图3所示,该实施例的服务器3包括:至少一个处理器30、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32,所述处理器30执行所述计算机程序32时实现上述任意各个方法实施例中的步骤。
所述服务器3可以是云端服务器等计算设备。该服务器可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是服务器3的举例,并不构成对服务器3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,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30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)、现成可编程门阵列(Field-Programmable Gate Array,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。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。
所述存储器31在一些实施例中可以是所述服务器3的内部存储单元,例如服务器3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述服务器3的外部存储设备,例如所述服务器3上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述服务器3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述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了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到服务器的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的服务器和方法,可以通过其它的方式实现。例如,以上所描述的服务器实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
本技术方案可用于热敏打印机、标签打印机、票据打印机、便携式打印机等打印设备。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种打印机故障监控方法,其特征在于,包括:
实时检测目标对象在工作状态时的待处理音频信号;其中,所述目标对象为热敏打印机;
确定出待处理音频信号中的目标音频信号;
获得所述目标音频信号对应的频率特征和振幅特征;
将所述目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型;
预设故障类型识别模型包括预设频率特征识别模型和预设振幅特征识别模型;音频异常标签包括第一音频异常标签、第二音频异常标签以及第三音频异常标签;第一音频异常标签对应的预设故障类型为纸张堵塞、第二音频异常标签对应的预设故障类型为打印头问题、第三音频异常标签对应的预设故障类型为机械部件损坏;
将所述目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型,包括:
将所述目标音频信号对应的频率特征输入至预设频率特征识别模型,得到音频异常标签对应的第一概率值;
将所述目标音频信号对应的振幅特征输入至预设振幅特征识别模型,得到音频异常标签对应的第二概率值;
根据下式对所述第一概率值和所述第二概率值进行综合计算,得到音频异常标签的目标概率值:
,
其中,表示音频异常标签的目标概率值,/>表示第一概率值,/>表示第一概率值对应的第一权重,/>表示表示第二概率值,/>表示第二概率值对应的第二权重,/>表示第一概率值与第二概率值之间的差值,/>表示差值对应的第三权重;
将目标概率值大于概率阈值的音频异常标签对应的预设故障类型作为所述故障类型。
2.如权利要求1所述的打印机故障监控方法,其特征在于,确定出所述待处理音频信号中的目标音频信号,包括:
对所述待处理音频信号进行预处理;
剔除所述预处理后的待处理音频信号中的非目标音频信号,得到待处理音频信号;
对所述待处理音频信号进行预处理,包括:
对所述待处理音频信号进行采样处理;
根据预设滤波函数对采样处理后的所述待处理音频信号进行预加重处理;
根据预设长度窗口对预加重处理后的所述待处理音频信号进行分帧处理;
根据预设加窗函数对分帧处理后的所述待处理音频信号进行加窗处理;
所述非目标音频信号包括环境噪音信号和干扰声源信号;
剔除所述预处理后的待处理音频信号中的非目标音频信号,得到待处理音频信号,包括:
根据预设小波变换算法剔除所述预处理后的待处理音频信号中的环境噪音信号;
根据ICA分离算法剔除所述预处理后的待处理音频信号中的干扰声源信号。
3.如权利要求1所述的打印机故障监控方法,其特征在于,预设频率特征识别模型包括卷积网络、上下文整合网络、注意力网络、全连接层以及分类器;
将所述目标音频信号对应的频率特征输入至预设频率特征识别模型,得到音频异常标签对应的第一概率值,包括:
根据所述卷积网络提取所述频率特征中的特征图;
根据所述上下文整合网络对所述特征图进行上下文整合,得到特征序列;
根据所述注意力网络对上下文整合后的特征序列进行加权求和,得到目标序列;
根据所述全连接层对所述目标序列进行归一化处理,得到归一化向量;
根据所述分类器对归一化向量进行分类,得到音频异常标签对应的第一概率值。
4.如权利要求3所述的打印机故障监控方法,其特征在于,根据所述注意力网络对上下文整合后的特征序列进行加权求和,得到目标序列,包括:
根据下式对上下文整合后的特征序列进行加权求和,得到目标序列:
,
其中,为目标序列,/>为注意力权重,/>为特征序列中第/>个向量;
根据下式计算注意力权重:
,
其中,为注意力权重,/>是模型中可训练的参数,/>为特征序列中第/>个向量,/>表示指数函数。
5.如权利要求3所述的打印机故障监控方法,其特征在于,根据所述分类器对归一化向量进行分类,得到音频异常标签对应的第一概率值,包括:
根据下式计算归一化向量对应的音频异常标签的第一概率值:
,
其中,表示归一化向量对应的音频异常标签/>的第一概率值,/>表示激活函数,表示音频异常标签/>对应的权重向量,/>表示音频异常标签/>对应的偏置。
6.如权利要求1所述的打印机故障监控方法,其特征在于,预设振幅特征识别模型为SVM支持向量机模型;
将所述目标音频信号对应的振幅特征输入至预设振幅特征识别模型,得到音频异常标签对应的第二概率值,包括:
对所述振幅特征进行向量化处理,得到特征向量;
基于SVM支持向量机模型,根据下式对特征向量进行计算,得到音频异常标签对应的第二概率值:
,
其中,表示音频异常标签对应的第二概率值,/>表示第/>个支持向量对应的拉格朗日乘子,/>表示第/>个支持向量对应的音频异常标签,/>表示支持向量,/>表示特征向量,表示核函数,/>表示分类函数,/>表示偏置项。
7.一种打印机故障监控装置,其特征在于,包括:
实时检测模块,用于实时检测目标对象在工作状态时的待处理音频信号;其中,所述目标对象为热敏打印机;
确定模块,用于确定出待处理音频信号中的目标音频信号;
获得模块,用于获得所述目标音频信号对应的频率特征和振幅特征;
故障识别模块,用于将所述目标音频信号对应的频率特征和振幅特征输入至预设故障类型识别模型中得到音频异常标签对应的目标概率值,根据音频异常标签对应的目标概率值确定出故障类型;
预设故障类型识别模型包括预设频率特征识别模型和预设振幅特征识别模型;音频异常标签包括第一音频异常标签、第二音频异常标签以及第三音频异常标签;第一音频异常标签对应的预设故障类型为纸张堵塞、第二音频异常标签对应的预设故障类型为打印头问题、第三音频异常标签对应的预设故障类型为机械部件损坏;
所述故障识别模块,包括:
第一概率值计算子模块,用于将所述目标音频信号对应的频率特征输入至预设频率特征识别模型,得到音频异常标签对应的第一概率值;
第二概率值计算子模块,用于将所述目标音频信号对应的振幅特征输入至预设振幅特征识别模型,得到音频异常标签对应的第二概率值;
目标概率值计算子模块,用于根据下式对所述第一概率值和所述第二概率值进行综合计算,得到音频异常标签的目标概率值:
,
其中,表示音频异常标签的目标概率值,/>表示第一概率值,/>表示第一概率值对应的第一权重,/>表示表示第二概率值,/>表示第二概率值对应的第二权重,/>表示第一概率值与第二概率值之间的差值,/>表示差值对应的第三权重;
故障类型确定子模块,用于将目标概率值大于概率阈值的音频异常标签对应的预设故障类型作为所述故障类型。
8.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162883.1A CN116895286B (zh) | 2023-09-11 | 2023-09-11 | 一种打印机故障监控方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162883.1A CN116895286B (zh) | 2023-09-11 | 2023-09-11 | 一种打印机故障监控方法以及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116895286A true CN116895286A (zh) | 2023-10-17 |
CN116895286B CN116895286B (zh) | 2023-12-15 |
Family
ID=88311147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311162883.1A Active CN116895286B (zh) | 2023-09-11 | 2023-09-11 | 一种打印机故障监控方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116895286B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120092762A (ko) * | 2011-01-10 | 2012-08-22 | 고려대학교 산학협력단 | 카메라 환경에서의 비정상 소리 탐지 및 식별 시스템 |
CN103730109A (zh) * | 2014-01-14 | 2014-04-16 | 重庆大学 | 一种公共场所异常声音特征提取方法 |
CN104392716A (zh) * | 2014-11-12 | 2015-03-04 | 百度在线网络技术(北京)有限公司 | 高表现力的语音合成方法和装置 |
CN106951197A (zh) * | 2017-01-19 | 2017-07-14 | 北京印刷学院 | 一种基于信号测试的印刷设备远程故障诊断方法及系统 |
US20180081571A1 (en) * | 2016-09-16 | 2018-03-22 | Netscout Systems Texas, Llc | System and method for predicting disk failure |
CN113094218A (zh) * | 2021-03-30 | 2021-07-09 | 上海汉图科技有限公司 | 一种识别打印机故障的方法、装置和设备 |
CN114203164A (zh) * | 2021-11-25 | 2022-03-18 | 深圳万物传感科技有限公司 | 模型训练方法、异常声音识别方法、装置、设备及介质 |
CN114937462A (zh) * | 2022-05-17 | 2022-08-23 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于声纹智能诊断高压断路器故障检测方法 |
CN115512688A (zh) * | 2022-09-02 | 2022-12-23 | 广东美云智数科技有限公司 | 异音检测方法及装置 |
US20230030911A1 (en) * | 2021-07-13 | 2023-02-02 | Wistron Corporation | Abnormal sound detection method and apparatus |
-
2023
- 2023-09-11 CN CN202311162883.1A patent/CN116895286B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120092762A (ko) * | 2011-01-10 | 2012-08-22 | 고려대학교 산학협력단 | 카메라 환경에서의 비정상 소리 탐지 및 식별 시스템 |
CN103730109A (zh) * | 2014-01-14 | 2014-04-16 | 重庆大学 | 一种公共场所异常声音特征提取方法 |
CN104392716A (zh) * | 2014-11-12 | 2015-03-04 | 百度在线网络技术(北京)有限公司 | 高表现力的语音合成方法和装置 |
US20180081571A1 (en) * | 2016-09-16 | 2018-03-22 | Netscout Systems Texas, Llc | System and method for predicting disk failure |
CN106951197A (zh) * | 2017-01-19 | 2017-07-14 | 北京印刷学院 | 一种基于信号测试的印刷设备远程故障诊断方法及系统 |
CN113094218A (zh) * | 2021-03-30 | 2021-07-09 | 上海汉图科技有限公司 | 一种识别打印机故障的方法、装置和设备 |
US20230030911A1 (en) * | 2021-07-13 | 2023-02-02 | Wistron Corporation | Abnormal sound detection method and apparatus |
CN114203164A (zh) * | 2021-11-25 | 2022-03-18 | 深圳万物传感科技有限公司 | 模型训练方法、异常声音识别方法、装置、设备及介质 |
CN114937462A (zh) * | 2022-05-17 | 2022-08-23 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于声纹智能诊断高压断路器故障检测方法 |
CN115512688A (zh) * | 2022-09-02 | 2022-12-23 | 广东美云智数科技有限公司 | 异音检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116895286B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345827B (zh) | 识别文档方向的方法、系统和神经网络 | |
CN113470695B (zh) | 声音异常检测方法、装置、计算机设备及存储介质 | |
Raghavendra et al. | Transferable deep convolutional neural network features for fingervein presentation attack detection | |
WO2015188556A1 (zh) | 一种基于多线索融合的票据定位识别方法及系统 | |
Raghavendra et al. | Presentation attack detection algorithms for finger vein biometrics: A comprehensive study | |
CN112235314A (zh) | 网络流量检测方法和装置及设备 | |
CN105138886B (zh) | 机器人生物体征识别系统 | |
CN115861210A (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
CN112560629B (zh) | 一种基于1d-cnn的智能手机按键检测方法 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN116895286B (zh) | 一种打印机故障监控方法以及相关装置 | |
CN112633281A (zh) | 一种基于Hash算法车辆身份认证方法及系统 | |
CN114168788A (zh) | 音频审核的处理方法、装置、设备及存储介质 | |
CN108537105B (zh) | 一种家庭环境下的危险行为识别方法 | |
CN108932788B (zh) | 一种纸币厚度异常等级的检测方法、装置及设备 | |
Masmoudi et al. | Implementation of a fingerprint recognition system using LBP descriptor | |
CN115588439A (zh) | 一种基于深度学习的声纹采集装置的故障检测方法及装置 | |
CN111178340B (zh) | 图像识别方法及图像识别模型的训练方法 | |
CN113139561B (zh) | 一种垃圾分类方法、装置、终端设备及存储介质 | |
CN114373212A (zh) | 人脸识别模型构建方法、人脸识别方法及相关设备 | |
Chen et al. | Identification of image global processing operator chain based on feature decoupling | |
Kundu et al. | A modified RBFN based on heuristic based clustering for location invariant fingerprint recognition and localization with and without occlusion | |
CN113496172A (zh) | 指纹异物检测的方法、装置、电子设备及存储介质 | |
Yalniz et al. | Efficient exploration of text regions in natural scene images using adaptive image sampling | |
CN115996133B (zh) | 一种工业控制网络行为检测方法以及相关装置 |
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 |