设备运行状态检测方法、装置、存储介质及计算机设备与流程

本申请涉及信号处理技术领域，特别是涉及一种设备运行状态检测方法、装置、存储介质及计算机设备。

背景技术：

随着科学技术的发展，设备类型的种类也越来越多，对于设备的运行状态的检测具有重要意义。

现有技术中，通常根据设备运行过程中产生的信号进行设备状态的检测，比较常用的检测手段是通过提取信号的时域特征(如时域的均值、均方根值、峰值、峭度值，)、频域特征(如频域的均方频率、均方根频率、频率方差)或者时频域特征(如时频域的小波包能量)等来确定设备是否出现运行故障。然而，上述检测手段仅依靠提取到的部分特征来进行设备状态检测，检测结果的精度较低。

技术实现要素：

基于此，有必要针对现有技术存在的问题，提供一种有利于提高设备状态检测精度的设备运行状态检测方法、装置、存储介质及计算机设备。

一种设备运行状态检测方法，包括：

获取待检测的目标设备在运行过程中产生的原始信号序列，所述原始信号序列包含多个原始信号值；

基于所述原始信号序列生成信号矩阵，其中，所述信号矩阵中的每个元素包括单个原始信号值与预设范围内的随机数的和；

对所述信号矩阵进行奇异值分解，得到多个奇异值；

基于奇异值与运行状态的对应关系，对所述多个奇异值进行状态分类，得到所述目标设备的运行状态信息。

一种设备运行状态检测装置，包括：

信号获取模块，用于获取待检测的目标设备在运行过程中产生的原始信号序列，所述原始信号序列包含多个原始信号值；

矩阵生成模块，用于基于所述原始信号序列生成信号矩阵，其中，所述信号矩阵中的每个元素为单个原始信号值与预设范围内的随机数的和；

奇异值分解模块，用于对所述信号矩阵进行奇异值分解，得到多个奇异值；

状态分类模块，用于基于奇异值与运行状态的对应关系，对所述多个奇异值进行状态分类，得到所述目标设备的运行状态信息。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

上述设备运行状态检测方法、装置、存储介质及计算机设备，一方面，本申请实施例基于目标设备的原始信号序列的所有原始信号值得到信号矩阵，然后基于奇异值与运行状态的对应关系，根据由信号矩阵得到的奇异值来确定对应的运行状态，即本申请是考虑到了设备运行过程中的所有特征来确定设备的运行状态，从而可以得到更全面的设备运行状态信息；另一方面，本申请通过在原始信号值的基础上添加随机数，可以防止生成的信号矩阵高度相关，从而防止奇异值分解过程中出现病态方程组，保证得到的奇异值不趋近0，即得到的奇异值都具备参考意义，在根据得到的奇异值确定对应的运行状态时，可以有效提高运行状态确定结果的准确性。

附图说明

图1为一个实施例中设备运行状态检测方法的流程示意图；

图2(a)为长度为2000的原始信号序列的波形图；

图2(b)为根据图2(a)中的原始信号序列生成1001*1000大小(1001行，1000列)的信号矩阵中第一行数据图；

图2(c)为根据图2(a)中的原始信号序列生成1001*1000大小(1001行，1000列)的信号矩阵中第二行的数据图；

图2(d)为根据信号矩阵得到的奇异值曲线图；

图3为一个实施例中基于原始信号序列生成信号矩阵的流程示意图；

图4为另一个实施例中基于原始信号序列生成信号矩阵的流程示意图；

图5为一个实施例中基于奇异值与运行状态的对应关系，对多个奇异值进行状态分类，得到待检测设备的运行状态信息的流程示意图；

图6为另一个实施例中设备运行状态检测方法的流程示意图；

图7为一个实施例中设备运行状态检测装置的结构示意图；

图8为另一个实施例中设备运行状态检测装置的结构示意图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处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。

在一个实施例中，如图1所示，提供一种设备运行状态检测方法，以该方法应用于可以进行设备运行状态检测的处理器为例进行解释说明，该方法主要包括以下步骤：

步骤s100，获取待检测的目标设备对应的原始信号序列，原始信号序列包含多个原始信号值。

其中，原始信号序列为在目标设备处于运行状态时，通过信号采集装置(具体可以是各种传感器，例如速度信号传感器等)所采集到的信号序列，该原始信号序列中包含有多个目标在运行过程中所产生的原始信号值。

处理器在进行设备运行状态检测时，可以是进行实时的状态检测，即通过信号采集装置实时采集目标设备在运行时的原始信号序列，并实时发送至处理器，处理器实时接收信号采集装置发送的原始信号序列并进行后续处理，从而实现实时监控。当然，原始信号序列也可以预先采集好，存储在存储器中，当处理器需要对目标设备进行运行状态检测时，直接从存储器中读取该目标设备对应的原始信号序列。当然，处理器也可以从外部设备中获取原始信号序列。比如，将目标设备的原始信号序列存储在云端，当处理器需要对目标设备进行运行状态检测时，直接从云端获取该目标设备对应的原始信号序列。此外，外部设备也可以是外部的存储介质等，本实施例对处理器获取目标设备对应的原始信号序列的方式不做限定。

步骤s200，基于原始信号序列生成信号矩阵，其中，信号矩阵中的每个元素包括单个原始信号值与预设范围内的随机数的和。

处理器在得到原始信号序列后，基于该原始信号序列生成信号矩阵。现有技术中，在基于原始信号序列生成信号矩阵时，通常是直接将原始信号序列内的原始信号值作为信号矩阵内的各个元素，然而，通过现有技术生成的信号矩阵每两行之间只相差一个元素，使得该信号矩阵很有可能高度相关，从而导致在求解奇异值时会出现病态方程组的问题，而病态方程组会导致得到的部分奇异值趋近于0，趋近于0的部分奇异值并不属于具有参考意义的奇异值，从而会丢失部分有用信息，导致检测结果不准确。

具体地，如图2(a)至图2(d)所示，为通过现有技术得到奇异值的具体实例。其中，图2(a)为长度为2000的原始信号序列的波形图；图2(b)、图2(c)分别为根据该原始信号序列生成1001*1000大小(1001行，1000列)的信号矩阵中，第一行和第二行的数据图；图2(d)为根据信号矩阵得到的奇异值曲线图。

参考图2(b)、图2(c)，可以看出第一行和第二行的数据只错开一个数据点，事实上所有的1001行中相邻的两行都是只相差一个数据点，这样会导致对这个1001*1000的矩阵进行奇异值分解时，会遇到解病态方程组的问题，造成的后果就是有很大一部分奇异值十分接近于0，即出现如图2(d)所示的奇异值曲线。

而本申请与现有技术的不同之处在于，本申请生成的信号矩阵中的每个元素并不是单个原始信号值本身，而是将单个原始信号值与预设范围内的随机数的和作为信号矩阵中的元素。本申请添加随机数的目的，是为了在原始信号值的基础上添加一个微小的扰动，从而防止信号矩阵出现高度相关的情况，即防止信号矩阵每两行之间只相差一个元素、从而导致出现病态方程组的问题(病态方程组会导致得到的部分奇异值趋近于0)，使得求解得到的奇异值都为具有参考意义的奇异值。

另外，本申请在原始信号值的基础上添加随机数时，所添加的随机数为在一个较小的预设范围内，以保证添加的随机数不影响原始信号值的整体趋势，即添加的随机数不能淹没原始信号值。例如，添加的随机数可以是小于原始信号幅值的1/2。另外，对于每一个原始信号值，所添加的随机数都不同(除非由于巧合导致生成的随机数相同)，从而防止在奇异值分解过程中出现病态方程组的问题。

步骤s300，对信号矩阵进行奇异值分解，得到多个奇异值。

处理器在得到信号矩阵之后，通过进行奇异值分解，即可得到该信号矩阵对应的多个奇异值。本步骤中，处理器进行奇异值分解的过程可以是通过现有的奇异值分解方法实现，在此不作限定。

步骤s400，基于奇异值与运行状态的对应关系，对多个奇异值进行状态分类，得到目标设备的运行状态信息。

处理器在得到多个奇异值之后，可以根据预先建立好的奇异值与运行状态的对应关系，对目标对象的信号矩阵对应的多个奇异值进行状态分类，得到该目标设备的运行状态信息，运行状态信息具有可以包括运行正常以及运行异常等。

另外，在预先建立好的奇异值与运行状态的对应关系中，可以是包含不同的异常状态与奇异值的对应关系，从而，处理器在确定目标设备处于运行异常时，还可以进一步确定目标设备具体属于何种异常，从而使得目标设备的运行状态检测结果更加详细全面。例如，可以根据预先建立好的奇异值与运行状态的对应关系，提取不同的异常类型所对应的奇异值的特征，并建立异常类型与奇异值特征的对应关系。在获得目标设备对应的奇异值之后，对获取的奇异值进行特征提取，然后根据异常类型与奇异值特征的对应关系，确定目标设备对应的奇异值所对应的具体异常类型。

本实施例提供一种设备运行状态检测方法，一方面，本申请基于目标设备的原始信号序列的所有原始信号值得到信号矩阵，然后基于奇异值与运行状态的对应关系，根据由信号矩阵得到的奇异值来确定对应的运行状态，即本申请是考虑到了设备运行过程中的所有特征来确定设备的运行状态，从而可以得到更全面的设备运行状态信息；另一方面，本申请通过在原始信号值的基础上添加随机数，可以防止生成的信号矩阵高度相关，从而防止奇异值分解过程中出现病态方程组，保证得到的奇异值不趋近0，即得到的奇异值都具备参考意义，在根据得到的奇异值确定对应的运行状态时，可以有效提高运行状态确定结果的准确性。

在一个实施例中，信号矩阵中每一条逆对角线上的元素对应的原始信号值相等，信号矩阵具体可以是汉克尔矩阵(hankelmatrix)。

具体地，若原始信号序列x(t)为长度为n的一维时间序列，即x(t)＝{x1,x2,…xn}，则可以构造如下所示的p×q阶的hankel矩阵hp*q：

其中，εi,j为添加的随机数，然后对矩阵hp*q进行奇异值分解，得到min{p,q}个大于零的奇异值作为原始信号序列x(t)的特征。

可选地，为了获得足够多的特征，p、q的取值可以通过以下公式确定：

q＝n+1-p

例如，当信号长度n为2000时，p＝1000，q＝1001，从而可以得到1000个大于0的奇异值作为原始信号序列的特征。

本实施例中，通过基于一维的原始信号序列构造hankel矩阵，然后对所构造的矩阵进行奇异值分解，将所获得的奇异值作为原始信号序列的特征，由于矩阵为结合随机数得到的矩阵，从而可以更准确地确定原始信号序列对应的运行状态。

在一个实施例中，如图3所示，步骤s200基于原始信号序列生成信号矩阵，包括步骤s212至步骤s214。

步骤s212，将原始信号序列中的各原始信号值作为初始元素，生成初始矩阵；

步骤s214，将各初始元素与随机数的和作为新的元素，并使用新的元素替换初始矩阵中对应位置的初始元素，得到信号矩阵。

具体地，以原始信号序列包含2000个原始信号值为例，对处理器生成信号矩阵的过程进行解释说明。处理器获取的原始信号序列的信号长度n＝2000，即包括(x1,x2,…x2000)共2000个原始信号值。然后，处理器将这2000个原始信号值作为初始元素，生成如下初始矩阵：

然后，将各初始元素xm与随机数εi,j的和xm+εi,j作为新的元素，替换对应位置的初始元素，得到如下信号矩阵：

本实施例中，通过在原始信号值的基础上添加随机数，可以防止生成的信号矩阵高度相关，从而防止奇异值分解过程中出现病态方程组，保证得到的奇异值不趋近0，即得到的奇异值都具备参考意义，在根据得到的奇异值确定对应的运行状态时，可以有效提高运行状态确定结果的准确性。

在一个实施例中，如图4所示，步骤s200基于原始信号序列生成信号矩阵，包括步骤s222至步骤s224。

步骤s222，将各原始信号值与随机数的和作为新的信号值，并将新的信号值替换原始信号序列中对应位置的原始信号值，得到新的信号序列；

步骤s224，将新的信号序列中的各新的信号值作为元素，生成信号矩阵。

具体地，以原始信号序列包含2000个原始信号值为例，对处理器生成信号矩阵的过程进行解释说明。处理器获取的原始信号序列的信号长度n＝2000，即包括(x1,x2,…x2000)共2000个原始信号值。然后，处理器将各初始元素xm与随机数εi,j的和xm+εi,j作为新的信号值，并替换对应位置的原始信号值，得到新的信号序列(x1+ε1，1,x2+ε1，2,…x2000+ε1000,1001)，然后处理器将新的信号序列中的各新的信号值作为元素，生成如下信号矩阵：

本实施例中，通过在原始信号值的基础上添加随机数，可以防止生成的信号矩阵高度相关，从而防止奇异值分解过程中出现病态方程组，保证得到的奇异值不趋近0，即得到的奇异值都具备参考意义，在根据得到的奇异值确定对应的运行状态时，可以有效提高运行状态确定结果的准确性。

在一个实施例中，在基于原始信号序列构造信号矩阵时，也可以是先对原始信号序列进行间隔采样，然后再生成信号矩阵。

具体地，以间隔为一个原始信号值为例进行解释说明，处理器获取的原始信号序列的信号长度n＝2000，即包括(x1,x2,…x2000)共2000个原始信号值。处理器首先对原始信号序列进行间隔为1的间隔采样，得到包含1000个原始信号值的信号序列(x1,x3,…x1999)，然后根据信号序列(x1,x3,…x1999)生成如下信号矩阵：

本实施例中，处理器在得到原始信号序列后，通过首先进行间隔采样，得到数量少于原始信号序列的新序列，然后基于新序列生成信号矩阵，从而可以有效减少数据量，提高数据处理效率。

在一个实施例中，提供基于信号矩阵进行奇异值分解的具体实例。

处理器获取的原始信号序列的信号长度n＝9，包括(1,2,3,…8,9)共9个原始信号值。在未添加随机数的情况下，根据原始信号序列得到的hankel矩阵为：

在对矩阵a进行奇异值分解后得到5个奇异值，按从大到小的顺序排列依次为：26.9,1.86，8.37e-16,5.83e-16,4.43e-17。可以看出，后面3个奇异值都非常趋近于0，因此只有前两个奇异值属于具备参考意义的有效奇异值。

本申请中，在矩阵a的基础上，对矩阵a中的每个元素都分别加上一个预设范围内的随机数作为噪声来抵抗矩阵的高度相关性，然后对加噪后的矩阵进行奇异值分解。例如，以预设范围为[-1,1]为例，在矩阵a的基础上，对每个元素加上一个分布在[-1,1]之间的随机数后，得到的一种奇异值分解结果(由于随机数的不确定性，在此未示出具体添加的随机数)为：27.590,1.713，1.514,0.502，0.103(保留3位小数)。可以看出，在添加随机数后得到的奇异值均属于具备参考意义的有效奇异值。

因此，相对于未添加随机数的信号矩阵，本申请通过对信号矩阵中的每个元素添加预设范围内的随机数，在不改变原始信号序列的主要特征的前提下，可以提取到更多具备参考意义的有效奇异值。

在一个实施例中，如图5所示，步骤s400基于奇异值与运行状态的对应关系，对多个奇异值进行状态分类，得到待检测设备的运行状态信息包括步骤s420至步骤s460。

步骤s420，获取奇异值样本数据以及对应的状态类别，奇异值样本数据包括不同状态类别对应的奇异值；

步骤s440，基于奇异值样本数据以及对应的状态类别进行模型训练，得到训练后的状态分类模型；

步骤s460，通过状态分类模型对多个奇异值进行状态分类，得到待检测设备的运行状态信息。

具体地，可以通过传感器采集足够长度的、不同运行状态(正常状态和异常状态)下的信号序列，对于每一种运行状态下的信号序列，截取至少2个周期以上的数据长度作为样本信号并设置相应的状态类别标签。然后，按照本申请之前实施例的方法流程，基于样本信号生成对应的信号矩阵，并对生成的信号矩阵进行奇异值分解，得到样本信号对应的奇异值，并将样本信号对应的状态类别标签作为根据该样本数据得到的奇异值的状态类别标签。

在得到奇异值样本数据以及对应的状态类别标签之后，对初始模型进行训练，具体可以是将奇异值样本数据输入初始模型，然后根据初始模型输出的状态预测结果以及对应的状态类别标签计算损失值，然后根据损失值对初始模型进行优化训练，从而得到训练后的状态分类模型。状态分类模型包括神经网络，如dnn(deepneuralnetworks，深度神经网络)、cnn(convolutionalneuralnetworks，卷积神经网络)或rnn(recurrentneuralnetwork，循环神经网络)等。在得到训练后的状态分类模型之后，即可通过状态分类模型自动对奇异值进行状态分类。

可以理解，本实施例中所采用的状态分类模型，也可以是预先训练好，在需要对奇异值进行状态分类时，直接调用训练后的状态分类模型即可，即本申请中进行模型训练的步骤并不是必需的。

本实施例中通过训练后的状态分类模型对奇异值进行状态分类，从而可以提高分类效率以及分类结果的准确性。

在一个实施例中，如图6所示，设备运行状态检测方法还包括：步骤s500，当目标设备的运行状态信息包含异常运行状态时，输出对应的提示信息。

具体地，处理器在检测出目标设备的运行状态存在异常时，可以是通过显示界面向用户显示相应的提示信息，例如“xx设备出现xx故障，请注意！”等，从而便于用户了解相关异常情况并解决问题。

另外，处理器也可以是向报警设备发送报警指令，从而报警设备在接收到处理器发送的报警指令后发出相应的报警信息，报警设备具体可以是声光报警设备等，从而可以在检测到设备运行异常时立即对用户进行提醒。

在一个实施例中，本申请所提出的设备运行状态检测方法，具体可以应用于ct球管、轴承、齿轮、齿轮箱、电动机、发动机、风机、风扇、泵、钻头、车床等设备，从而可以提高上述设备的运行状态检测结果的准确性。

在合理条件下应当理解，虽然前文各实施例涉及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，这些步骤可以以其它的顺序执行。而且，各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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。

在一个实施例中，如图7所示，提供一种设备运行状态检测装置，该装置主要包括以下模块：

信号获取模块100，用于获取待检测的目标设备在运行过程中产生的原始信号序列，原始信号序列包含多个原始信号值；

矩阵生成模块200，用于基于原始信号序列生成信号矩阵，其中，信号矩阵中的每个元素为单个原始信号值与预设范围内的随机数的和；

奇异值分解模块300，用于对信号矩阵进行奇异值分解，得到多个奇异值；

状态分类模块400，用于基于奇异值与运行状态的对应关系，对多个奇异值进行状态分类，得到目标设备的运行状态信息。

本实施例提供一种设备运行状态检测装置，一方面，本申请基于目标设备的原始信号序列的所有原始信号值得到信号矩阵，然后基于奇异值与运行状态的对应关系，根据由信号矩阵得到的奇异值来确定对应的运行状态，即本申请是考虑到了设备运行过程中的所有特征来确定设备的运行状态，从而可以得到更全面的设备运行状态信息；另一方面，本申请通过在原始信号值的基础上添加随机数，可以防止生成的信号矩阵高度相关，从而防止奇异值分解过程中出现病态方程组，保证得到的奇异值不趋近0，即得到的奇异值都具备参考意义，在根据得到的奇异值确定对应的运行状态时，可以有效提高运行状态确定结果的准确性。

在一个实施例中，矩阵生成模块200还用于：将原始信号序列中的各原始信号值作为初始元素，生成初始矩阵；将各初始元素与随机数的和作为新的元素，并使用新的元素替换初始矩阵中对应位置的初始元素，得到信号矩阵。

在一个实施例中，矩阵生成模块200还用于：将各原始信号值与随机数的和作为新的信号值，并将新的信号值替换原始信号序列中对应位置的原始信号值，得到新的信号序列；将新的信号序列中的各新的信号值作为元素，生成信号矩阵。

在一个实施例中，状态分类模块400还用于：获取奇异值样本数据以及对应的状态类别，奇异值样本数据包括不同状态类别对应的奇异值；基于奇异值样本数据以及对应的状态类别进行模型训练，得到训练好的状态分类模型；通过状态分类模型对多个奇异值进行状态分类，得到待检测设备的运行状态信息。

在一个实施例中，如图8所示，设备运行状态检测装置还包括：异常提示模块500，用于当目标设备的运行状态信息包含异常运行状态时，输出对应的提示信息。

关于设备运行状态检测装置的具体限定可以参见上文中对于设备运行状态检测方法的限定，在此不再赘述。上述设备运行状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待检测的目标设备对应的原始信号序列，原始信号序列包含多个原始信号值；基于原始信号序列生成信号矩阵，其中，信号矩阵中的每个元素包括单个原始信号值与预设范围内的随机数的和；对信号矩阵进行奇异值分解，得到多个奇异值；基于奇异值与运行状态的对应关系，对多个奇异值进行状态分类，得到目标设备的运行状态信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将原始信号序列中的各原始信号值作为初始元素，生成初始矩阵；将各初始元素与随机数的和作为新的元素，并使用新的元素替换初始矩阵中对应位置的初始元素，得到信号矩阵。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将各原始信号值与随机数的和作为新的信号值，并将新的信号值替换原始信号序列中对应位置的原始信号值，得到新的信号序列；将新的信号序列中的各新的信号值作为元素，生成信号矩阵。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取奇异值样本数据以及对应的状态类别，奇异值样本数据包括不同状态类别对应的奇异值；基于奇异值样本数据以及对应的状态类别进行模型训练，得到训练好的状态分类模型；通过状态分类模型对多个奇异值进行状态分类，得到待检测设备的运行状态信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：当目标设备的运行状态信息包含异常运行状态时，输出对应的提示信息。

图9为一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图9所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现设备运行状态检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行设备运行状态检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9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的限定，具体的计算机设备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。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待检测的目标设备对应的原始信号序列，原始信号序列包含多个原始信号值；基于原始信号序列生成信号矩阵，其中，信号矩阵中的每个元素包括单个原始信号值与预设范围内的随机数的和；对信号矩阵进行奇异值分解，得到多个奇异值；基于奇异值与运行状态的对应关系，对多个奇异值进行状态分类，得到目标设备的运行状态信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将原始信号序列中的各原始信号值作为初始元素，生成初始矩阵；将各初始元素与随机数的和作为新的元素，并使用新的元素替换初始矩阵中对应位置的初始元素，得到信号矩阵。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将各原始信号值与随机数的和作为新的信号值，并将新的信号值替换原始信号序列中对应位置的原始信号值，得到新的信号序列；将新的信号序列中的各新的信号值作为元素，生成信号矩阵。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取奇异值样本数据以及对应的状态类别，奇异值样本数据包括不同状态类别对应的奇异值；基于奇异值样本数据以及对应的状态类别进行模型训练，得到训练好的状态分类模型；通过状态分类模型对多个奇异值进行状态分类，得到待检测设备的运行状态信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当目标设备的运行状态信息包含异常运行状态时，输出对应的提示信息。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。