一种设备故障检测方法、装置、电子设备及存储介质与流程

本公开涉及工业设备故障检测，具体而言，涉及一种设备故障检测方法、装置、电子设备及存储介质。

背景技术：

1、在现代工业和制造业中，设备的稳定运行对于确保生产效率和安全至关重要。然而，设备在运行过程中常常会受到各种因素的影响，例如机械磨损、电气故障、环境噪声等，这些问题可能导致设备性能下降甚至发生严重故障。因此，实时监测设备状态并及时检测出潜在故障成为了工业设备管理中的重要任务。

2、传统的故障检测方法主要依赖于定期的人工检查和经验判断。这种方式不仅费时费力，还可能因人为因素导致误判或延误检测，无法满足现代工业对设备实时监控和高效维护的要求。此外，随着设备结构的日益复杂，传统方法在识别多种类型的故障时往往力不从心，难以准确捕捉故障信号的特征。因此，现有技术存在无法实时监控设备状态，容易错过故障前兆、突发故障难以预防，容易导致长时间停机，以及需要安装大量振动传感器，投入较高，振动传感器易损坏导致数据不稳定的问题。

技术实现思路

1、本公开实施例至少提供一种设备故障检测方法、装置、电子设备及存储介质，可以基于机器学习对设备噪音进行采信分析，自动提取故障特征，预测精度高，并且实时监控设备状态，及时发现故障前兆。

2、本公开实施例提供了一种设备故障检测方法，包括：

3、采集待检测区域内设备的音频信号，并将所述音频信号输入至预先训练好的故障检测模型；

4、在所述故障检测模型中，提取所述音频信号对应的fbank特征，并将所述fbank特征嵌入至高维空间中生成目标嵌入向量；

5、在所述目标嵌入向量中添加位置编码，所述位置编码用于保留所述音频信号的时间序列信息，并将添加了所述位置编码的所述目标嵌入向量标记为正常状态或故障状态；

6、针对标记为所述故障状态的所述音频信号，确定该音频信号对应的故障类型，并向用户发送对应所述故障类型的告警信息。

7、一种可选的实施方式中，基于以下步骤提取所述fbank特征：

8、通过一阶差分针对所述音频信号进行预加重，并将预加重后的所述音频信号分割为短时帧；

9、针对每个所述短时帧进行加窗，并在加窗后进行快速傅里叶变换确定对应的频谱；

10、确定所述频谱对应的功率谱，将所述功率谱通过梅尔滤波器组处理，对每个梅尔滤波器的输出进行对数变换，并组织为所述fbank特征。

11、一种可选的实施方式中，所述故障检测模型包括多头自注意力机制、前馈神经网络、残差连接与层归一化，以及多个堆叠的编码器层；

12、多个堆叠的所述编码器层形成深度模型；

13、在每个所述编码器层中，通过所述前馈神经网络对经过自注意力处理后的特征进行非线性变换；

14、在每个所述编码器层中，通过残差连接将输入特征与经过自注意力和所述前馈神经网络后的输出相加，并进行层归一化处理。

15、一种可选的实施方式中，基于以下步骤训练所述故障检测模型：

16、采集训练音频信号，并为所述训练音频信号配置对应的数据标签，所述数据标签包括正常音频信号以及异常音频信号；

17、将所述训练音频信号划分为训练集与验证集，将所述训练集与对应的所述数据标签输入至所述故障检测模型；

18、采用交叉熵损失作为所述正常状态与所述故障状态的分类任务的损失函数，使用adam优化算法训练所述故障检测模型，并通过反向传播调整所述故障检测模型的模型参数；

19、在所述故障检测模型训练完成后，将所述验证集输入至所述故障检测模型，根据预设评估指标确定所述故障检测模型的预测准确性，所述预设评估指标至少包括准确率与损失值。

20、一种可选的实施方式中，在使用adam优化算法训练所述故障检测模型，并通过反向传播调整所述故障检测模型的模型参数之后，所述方法还包括：

21、根据所述故障检测模型的评估结果，调整所述故障检测模型对应的超参数；

22、所述超参数至少包括模型维度、注意力头数、编码器层数、前馈网络维度、学习率以及批量大小。

23、本公开实施例还提供一种设备故障检测装置，包括：

24、音频采集模块，用于采集待检测区域内设备的音频信号，并将所述音频信号输入至预先训练好的故障检测模型；

25、特征提取模块，用于在所述故障检测模型中，提取所述音频信号对应的fbank特征，并将所述fbank特征嵌入至高维空间中生成目标嵌入向量；

26、故障预测模块，用于在所述目标嵌入向量中添加位置编码，所述位置编码用于保留所述音频信号的时间序列信息，并将添加了所述位置编码的所述目标嵌入向量标记为正常状态或故障状态；

27、告警模块，用于针对标记为所述故障状态的所述音频信号，确定该音频信号对应的故障类型，并向用户发送对应所述故障类型的告警信息。

28、一种可选的实施方式中，所述特征提取模块具体用于：

29、通过一阶差分针对所述音频信号进行预加重，并将预加重后的所述音频信号分割为短时帧；

30、针对每个所述短时帧进行加窗，并在加窗后进行快速傅里叶变换确定对应的频谱；

31、确定所述频谱对应的功率谱，将所述功率谱通过梅尔滤波器组处理，对每个梅尔滤波器的输出进行对数变换，并组织为所述fbank特征。

32、一种可选的实施方式中，所述装置还包括模型训练模块，所述模型训练模块具体用于：

33、采集训练音频信号，并为所述训练音频信号配置对应的数据标签，所述数据标签包括正常音频信号以及异常音频信号；

34、将所述训练音频信号划分为训练集与验证集，将所述训练集与对应的所述数据标签输入至所述故障检测模型；

35、采用交叉熵损失作为所述正常状态与所述故障状态的分类任务的损失函数，使用adam优化算法训练所述故障检测模型，并通过反向传播调整所述故障检测模型的模型参数；

36、在所述故障检测模型训练完成后，将所述验证集输入至所述故障检测模型，根据预设评估指标确定所述故障检测模型的预测准确性，所述预设评估指标至少包括准确率与损失值。

37、本公开实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述设备故障检测方法，或上述设备故障检测方法中任一种可能的实施方式中的步骤。

38、本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述设备故障检测方法，或上述设备故障检测方法中任一种可能的实施方式中的步骤。

39、本公开实施例还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序、指令被处理器执行时实现上述设备故障检测方法，或上述设备故障检测方法中任一种可能的实施方式中的步骤。

40、本公开实施例提供的一种设备故障检测方法、装置、电子设备及存储介质，通过采集待检测区域内设备的音频信号，并将所述音频信号输入至预先训练好的故障检测模型；在所述故障检测模型中，提取所述音频信号对应的fbank特征，并将所述fbank特征嵌入至高维空间中生成目标嵌入向量；在所述目标嵌入向量中添加位置编码，所述位置编码用于保留所述音频信号的时间序列信息，并将添加了所述位置编码的所述目标嵌入向量标记为正常状态或故障状态；针对标记为所述故障状态的所述音频信号，确定该音频信号对应的故障类型，并向用户发送对应所述故障类型的告警信息。可以基于机器学习对设备噪音进行采信分析，自动提取故障特征，预测精度高，并且实时监控设备状态，及时发现故障前兆。

41、为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。