本公開涉及工業(yè)設(shè)備故障檢測，具體而言，涉及一種設(shè)備故障檢測方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、在現(xiàn)代工業(yè)和制造業(yè)中，設(shè)備的穩(wěn)定運行對于確保生產(chǎn)效率和安全至關(guān)重要。然而，設(shè)備在運行過程中常常會受到各種因素的影響，例如機械磨損、電氣故障、環(huán)境噪聲等，這些問題可能導(dǎo)致設(shè)備性能下降甚至發(fā)生嚴(yán)重故障。因此，實時監(jiān)測設(shè)備狀態(tài)并及時檢測出潛在故障成為了工業(yè)設(shè)備管理中的重要任務(wù)。

2、傳統(tǒng)的故障檢測方法主要依賴于定期的人工檢查和經(jīng)驗判斷。這種方式不僅費時費力，還可能因人為因素導(dǎo)致誤判或延誤檢測，無法滿足現(xiàn)代工業(yè)對設(shè)備實時監(jiān)控和高效維護的要求。此外，隨著設(shè)備結(jié)構(gòu)的日益復(fù)雜，傳統(tǒng)方法在識別多種類型的故障時往往力不從心，難以準(zhǔn)確捕捉故障信號的特征。因此，現(xiàn)有技術(shù)存在無法實時監(jiān)控設(shè)備狀態(tài)，容易錯過故障前兆、突發(fā)故障難以預(yù)防，容易導(dǎo)致長時間停機，以及需要安裝大量振動傳感器，投入較高，振動傳感器易損壞導(dǎo)致數(shù)據(jù)不穩(wěn)定的問題。

技術(shù)實現(xiàn)思路

1、本公開實施例至少提供一種設(shè)備故障檢測方法、裝置、電子設(shè)備及存儲介質(zhì)，可以基于機器學(xué)習(xí)對設(shè)備噪音進(jìn)行采信分析，自動提取故障特征，預(yù)測精度高，并且實時監(jiān)控設(shè)備狀態(tài)，及時發(fā)現(xiàn)故障前兆。

2、本公開實施例提供了一種設(shè)備故障檢測方法，包括：

3、采集待檢測區(qū)域內(nèi)設(shè)備的音頻信號，并將所述音頻信號輸入至預(yù)先訓(xùn)練好的故障檢測模型；

4、在所述故障檢測模型中，提取所述音頻信號對應(yīng)的fbank特征，并將所述fbank特征嵌入至高維空間中生成目標(biāo)嵌入向量；

5、在所述目標(biāo)嵌入向量中添加位置編碼，所述位置編碼用于保留所述音頻信號的時間序列信息，并將添加了所述位置編碼的所述目標(biāo)嵌入向量標(biāo)記為正常狀態(tài)或故障狀態(tài)；

6、針對標(biāo)記為所述故障狀態(tài)的所述音頻信號，確定該音頻信號對應(yīng)的故障類型，并向用戶發(fā)送對應(yīng)所述故障類型的告警信息。

7、一種可選的實施方式中，基于以下步驟提取所述fbank特征：

8、通過一階差分針對所述音頻信號進(jìn)行預(yù)加重，并將預(yù)加重后的所述音頻信號分割為短時幀；

9、針對每個所述短時幀進(jìn)行加窗，并在加窗后進(jìn)行快速傅里葉變換確定對應(yīng)的頻譜；

10、確定所述頻譜對應(yīng)的功率譜，將所述功率譜通過梅爾濾波器組處理，對每個梅爾濾波器的輸出進(jìn)行對數(shù)變換，并組織為所述fbank特征。

11、一種可選的實施方式中，所述故障檢測模型包括多頭自注意力機制、前饋神經(jīng)網(wǎng)絡(luò)、殘差連接與層歸一化，以及多個堆疊的編碼器層；

12、多個堆疊的所述編碼器層形成深度模型；

13、在每個所述編碼器層中，通過所述前饋神經(jīng)網(wǎng)絡(luò)對經(jīng)過自注意力處理后的特征進(jìn)行非線性變換；

14、在每個所述編碼器層中，通過殘差連接將輸入特征與經(jīng)過自注意力和所述前饋神經(jīng)網(wǎng)絡(luò)后的輸出相加，并進(jìn)行層歸一化處理。

15、一種可選的實施方式中，基于以下步驟訓(xùn)練所述故障檢測模型：

16、采集訓(xùn)練音頻信號，并為所述訓(xùn)練音頻信號配置對應(yīng)的數(shù)據(jù)標(biāo)簽，所述數(shù)據(jù)標(biāo)簽包括正常音頻信號以及異常音頻信號；

17、將所述訓(xùn)練音頻信號劃分為訓(xùn)練集與驗證集，將所述訓(xùn)練集與對應(yīng)的所述數(shù)據(jù)標(biāo)簽輸入至所述故障檢測模型；

18、采用交叉熵?fù)p失作為所述正常狀態(tài)與所述故障狀態(tài)的分類任務(wù)的損失函數(shù)，使用adam優(yōu)化算法訓(xùn)練所述故障檢測模型，并通過反向傳播調(diào)整所述故障檢測模型的模型參數(shù)；

19、在所述故障檢測模型訓(xùn)練完成后，將所述驗證集輸入至所述故障檢測模型，根據(jù)預(yù)設(shè)評估指標(biāo)確定所述故障檢測模型的預(yù)測準(zhǔn)確性，所述預(yù)設(shè)評估指標(biāo)至少包括準(zhǔn)確率與損失值。

20、一種可選的實施方式中，在使用adam優(yōu)化算法訓(xùn)練所述故障檢測模型，并通過反向傳播調(diào)整所述故障檢測模型的模型參數(shù)之后，所述方法還包括：

21、根據(jù)所述故障檢測模型的評估結(jié)果，調(diào)整所述故障檢測模型對應(yīng)的超參數(shù)；

22、所述超參數(shù)至少包括模型維度、注意力頭數(shù)、編碼器層數(shù)、前饋網(wǎng)絡(luò)維度、學(xué)習(xí)率以及批量大小。

23、本公開實施例還提供一種設(shè)備故障檢測裝置，包括：

24、音頻采集模塊，用于采集待檢測區(qū)域內(nèi)設(shè)備的音頻信號，并將所述音頻信號輸入至預(yù)先訓(xùn)練好的故障檢測模型；

25、特征提取模塊，用于在所述故障檢測模型中，提取所述音頻信號對應(yīng)的fbank特征，并將所述fbank特征嵌入至高維空間中生成目標(biāo)嵌入向量；

26、故障預(yù)測模塊，用于在所述目標(biāo)嵌入向量中添加位置編碼，所述位置編碼用于保留所述音頻信號的時間序列信息，并將添加了所述位置編碼的所述目標(biāo)嵌入向量標(biāo)記為正常狀態(tài)或故障狀態(tài)；

27、告警模塊，用于針對標(biāo)記為所述故障狀態(tài)的所述音頻信號，確定該音頻信號對應(yīng)的故障類型，并向用戶發(fā)送對應(yīng)所述故障類型的告警信息。

28、一種可選的實施方式中，所述特征提取模塊具體用于：

29、通過一階差分針對所述音頻信號進(jìn)行預(yù)加重，并將預(yù)加重后的所述音頻信號分割為短時幀；

30、針對每個所述短時幀進(jìn)行加窗，并在加窗后進(jìn)行快速傅里葉變換確定對應(yīng)的頻譜；

31、確定所述頻譜對應(yīng)的功率譜，將所述功率譜通過梅爾濾波器組處理，對每個梅爾濾波器的輸出進(jìn)行對數(shù)變換，并組織為所述fbank特征。

32、一種可選的實施方式中，所述裝置還包括模型訓(xùn)練模塊，所述模型訓(xùn)練模塊具體用于：

33、采集訓(xùn)練音頻信號，并為所述訓(xùn)練音頻信號配置對應(yīng)的數(shù)據(jù)標(biāo)簽，所述數(shù)據(jù)標(biāo)簽包括正常音頻信號以及異常音頻信號；

34、將所述訓(xùn)練音頻信號劃分為訓(xùn)練集與驗證集，將所述訓(xùn)練集與對應(yīng)的所述數(shù)據(jù)標(biāo)簽輸入至所述故障檢測模型；

35、采用交叉熵?fù)p失作為所述正常狀態(tài)與所述故障狀態(tài)的分類任務(wù)的損失函數(shù)，使用adam優(yōu)化算法訓(xùn)練所述故障檢測模型，并通過反向傳播調(diào)整所述故障檢測模型的模型參數(shù)；

36、在所述故障檢測模型訓(xùn)練完成后，將所述驗證集輸入至所述故障檢測模型，根據(jù)預(yù)設(shè)評估指標(biāo)確定所述故障檢測模型的預(yù)測準(zhǔn)確性，所述預(yù)設(shè)評估指標(biāo)至少包括準(zhǔn)確率與損失值。

37、本公開實施例還提供一種電子設(shè)備，包括：處理器、存儲器和總線，所述存儲器存儲有所述處理器可執(zhí)行的機器可讀指令，當(dāng)電子設(shè)備運行時，所述處理器與所述存儲器之間通過總線通信，所述機器可讀指令被所述處理器執(zhí)行時執(zhí)行上述設(shè)備故障檢測方法，或上述設(shè)備故障檢測方法中任一種可能的實施方式中的步驟。

38、本公開實施例還提供一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)上存儲有計算機程序，該計算機程序被處理器運行時執(zhí)行上述設(shè)備故障檢測方法，或上述設(shè)備故障檢測方法中任一種可能的實施方式中的步驟。

39、本公開實施例還提供一種計算機程序產(chǎn)品，包括計算機程序/指令，該計算機程序、指令被處理器執(zhí)行時實現(xiàn)上述設(shè)備故障檢測方法，或上述設(shè)備故障檢測方法中任一種可能的實施方式中的步驟。

40、本公開實施例提供的一種設(shè)備故障檢測方法、裝置、電子設(shè)備及存儲介質(zhì)，通過采集待檢測區(qū)域內(nèi)設(shè)備的音頻信號，并將所述音頻信號輸入至預(yù)先訓(xùn)練好的故障檢測模型；在所述故障檢測模型中，提取所述音頻信號對應(yīng)的fbank特征，并將所述fbank特征嵌入至高維空間中生成目標(biāo)嵌入向量；在所述目標(biāo)嵌入向量中添加位置編碼，所述位置編碼用于保留所述音頻信號的時間序列信息，并將添加了所述位置編碼的所述目標(biāo)嵌入向量標(biāo)記為正常狀態(tài)或故障狀態(tài)；針對標(biāo)記為所述故障狀態(tài)的所述音頻信號，確定該音頻信號對應(yīng)的故障類型，并向用戶發(fā)送對應(yīng)所述故障類型的告警信息。可以基于機器學(xué)習(xí)對設(shè)備噪音進(jìn)行采信分析，自動提取故障特征，預(yù)測精度高，并且實時監(jiān)控設(shè)備狀態(tài)，及時發(fā)現(xiàn)故障前兆。

41、為使本公開的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細(xì)說明如下。