设备故障检测方法、设备故障检测装置及计算机存储介质

摘要

本申请公开了一种设备故障检测方法，该方法包括：向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束；从检测光束中提取振动信号；将振动信号输入至已训练的故障学习模型，以识别与振动信号相关联的故障类型，从而确定目标设备的故障类型。本申请还公开了对应的设备故障检测装置及计算机存储介质。通过上述方式，一方面采用非接触式振动信号测量方案，无需外置隔音房，高效检测设备故障问题，另一方面在大批量设备质检时，节省时间和人力成本，提高质检效率。

说明书

技术领域

本申请涉及故障检测领域，特别是涉及一种设备故障检测方法、设备故障检测装置及计算机存储介质。

背景技术

设备在运行过程中会发出各种各样的声音，一部分是设备在正常运行状态下发出的声音，一部分是设备在故障等情况下发出的异常声音。当出现异常声音时，通常表示设备出现了故障，需要进行维护。

但是目前检测设备故障的方式很落后，如采用人为听音辨别的方式来判断当时设备是否故障。又例如在设备出厂前进行质量抽检，需要建立独立的隔音房，且需要对大量的设备进行检测，检测效率低，实施成本高。在一些情况下，出厂前需要对设备进行破坏性质量抽检，如对焊点的检测，需要对抽样的样本进行敲击破坏，以检查焊点处质量是否合格，此种方法同样检测效率低且实施成本高。

发明内容

为了解决上述问题，本申请提供一种设备故障检测方法、设备故障检测装置及计算机存储介质，一方面采用非接触式振动信号测量方案，无需外置隔音房，高效检测设备故障问题，另一方面在大批量设备质检时，节省时间和人力成本，提高质检效率。

本申请采用的一种技术方案是提供一种设备故障检测方法，该方法包括：向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束；从检测光束中提取振动信号；将振动信号输入至已训练的故障学习模型，以识别与振动信号相关联的故障类型，从而确定目标设备的故障类型。

其中，已训练的故障学习模型，是基于振动信号样本数据以及预先确定的故障类型标签进行训练后得到的。

其中，将振动信号输入至已训练的故障学习模型，以识别与振动信号相关联的故障类型，包括：将振动信号转化为声音信号；将声音信号输入至已训练的故障学习模型，以识别与声音信号相关联的故障类型，从而确定目标设备的故障类型；其中，已训练的故障学习模型，是基于声音信号样本数据以及预先确定的故障类型标签进行训练后得到的。

其中，将声音信号输入至已训练的故障学习模型，以识别与声音信号相关联的故障类型，从而确定目标设备的故障类型，包括：对声音信号进行预处理；将预处理之后的声音信号输入至已训练的故障学习模型，以识别与声音信号相关联的故障类型，从而确定目标设备的故障类型。

其中，对声音信号进行预处理，包括：对声音信号进行预加重，以对声音信号中的高频分量进行补偿；采用预先设置的窗函数对声音信号进行分帧加窗处理，以得到预处理之后的声音信号。

其中，将振动信号输入至已训练的故障学习模型，以识别与振动信号相关联的故障类型，包括：将振动信号转化为声音信号；对声音信号进行预处理；将预处理之后的声音信号转化为声谱图；将声谱图输入至已训练的故障学习模型，以识别与声谱图相关联的故障类型，从而确定目标设备的故障类型；其中，已训练的故障学习模型，是基于声谱图样本数据以及预先确定的故障类型标签进行训练后得到的。

其中，将声谱图输入至已训练的故障学习模型，以识别与声谱图相关联的故障类型，包括：提取声谱图的时间信息、频率信息和能量信息，以得到待处理特征信息；将待处理特征信息输入至已训练的故障学习模型，以识别与声谱图相关联的故障类型。

其中，将声谱图输入至已训练的故障学习模型，以识别与声谱图相关联的故障类型，包括：将声谱图输入至已训练的故障学习模型；利用故障学习模型对声谱图进行区域分块，并将不同区域分配对应权重，以得到待处理分块声谱图；利用故障学习模型对待处理分块声谱图进行加权处理，以得到加权后的相似度比对结果；响应于加权后的相似度比对结果大于设定阈值，确定声音信号相关联的故障类型为声谱图对应的故障类型。

其中，向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束之前，还包括：将激光束分为测量光束和参考光束；从检测光束中提取振动信号，包括：将检测光束和参考光束进行干涉，以检测得到振动信号。

其中，目标设备包括电机，目标设备由电机工作而产生振动。

其中，向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束之前，还包括：通过外部驱动设备连接目标设备，以驱动目标设备产生振动。

本申请采用的另一种技术方案是提供一种设备故障检测装置，该设备故障检测装置包括：激光发射器，用于向目标设备发射测量光束；激光接收器，用于采集测量光束经由目标设备反射的检测光束；处理器，连接激光接收器，用于从检测光束中提取振动信号，并将振动信号输入至已训练的故障学习模型，以识别与振动信号相关联的故障类型，从而确定目标设备的故障类型；其中，已训练的故障学习模型，是基于振动信号样本数据以及预先确定的故障类型标签进行训练后得到的。

其中，处理器还用于将振动信号转化为声音信号，并将声音信号输入至已训练的故障学习模型，以识别与声音信号相关联的故障类型，从而确定目标设备的故障类型；其中，已训练的故障学习模型，是基于声音信号样本数据以及预先确定的故障类型标签进行训练后得到的。

其中，处理器还用于对声音信号进行预处理，并将预处理之后的声音信号输入至已训练的故障学习模型，以识别与声音信号相关联的故障类型，从而确定目标设备的故障类型。

其中，处理器还用于将振动信号转化为声音信号，对声音信号进行预处理，并将预处理之后的声音信号转化为声谱图，将声谱图输入至已训练的故障学习模型，以识别与声谱图相关联的故障类型；其中，已训练的故障学习模型，是基于声谱图样本数据以及预先确定的故障类型标签进行训练后得到的。

其中，处理器还用于提取声谱图的时间信息、频率信息和能量信息，以得到待处理特征信息；将待处理特征信息输入至已训练的故障学习模型，以识别与声谱图相关联的故障类型。

其中，处理器还用于将声谱图输入至已训练的故障学习模型；利用故障学习模型对声谱图进行区域分块，并将不同区域分配对应权重，以得到待处理分块声谱图；利用故障学习模型对待处理分块声谱图进行加权处理，以得到加权后的相似度比对结果；响应于加权后的相似度比对结果大于设定阈值，确定声音信号相关联的故障类型为声谱图对应的故障类型。

其中，处理器连接激光发射器，用于将激光发射器发射的激光束分为测量光束和参考光束，并将检测光束和参考光束进行干涉，以检测得到振动信号。

本申请采用的另一种技术方案是提供一种计算机存储介质，该计算机存储介质用于存储程序数据，程序数据在被处理器执行时，用于实现如上述方案中提供的任一方法。

本申请的有益效果是：区别于现有技术的情况，本申请的一种设备故障检测方法，该方法包括：向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束；从检测光束中提取振动信号；将振动信号输入至已训练的故障学习模型，以识别与振动信号相关联的故障类型，从而确定目标设备的故障类型。通过上述方式，一方面采用非接触式振动信号测量方案，无需外置隔音房，高效检测设备故障问题，另一方面在大批量设备质检时，节省时间和人力成本，提高质检效率。

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。其中：

图1是本申请提供的设备故障检测方法第一实施例的流程示意图；

图2是本申请提供的设备故障检测装置一实施例的结构示意图；

图3是本申请提供的设备故障检测方法的应用的结构示意图；

图4是本申请提供的设备故障检测方法第二实施例的流程示意图；

图5是本申请提供的设备故障检测方法第三实施例的流程示意图；

图6是本申请提供的设备故障检测方法第四实施例的流程示意图；

图7是本申请提供的设备故障检测方法第五实施例的流程示意图；

图8为本申请提供的设备故障检测方法中加权处理的示意图；

图9为本申请提供的设备故障检测装置一实施例的结构示意图；

图10是本申请提供的设备故障检测装置另一实施例的结构示意图。

图11是本申请提供的计算机存储介质一实施例的结构示意图。

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。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。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。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

参阅图1，图1是本申请提供的设备故障检测方法第一实施例的流程示意图，该方法包括：

步骤11：向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束。

在一些实施例中，由设备故障检测装置中的激光发射器向目标设备发射测量光束，在目标设备上安装有激光反射器，用于接收到测量光束后反射检测光束，检测光束由激光接收器进行接收。

以目标设备为空调为例，当空调的室外机在组装完成时，进行质量检测，给空调室外机上电，以使室外机工作，将激光反射器安装于室外机的预定位置，此位置根据用户需求，可进行不同的位置更改。设备故障检测装置发射测量光束到激光反射器，经激光反射器反射生成检测光束，由设备故障检测装置的激光接收器接收。此时空调室外机已处于工作状态。

在一些实施例中，设备故障检测装置中的激光发射器向目标设备发射测量光束，测量光束由目标设备表面反射，生成检测光束，检测光束由激光接收器进行接收。

在一些实施例中，采用图2的设备故障检测装置进行故障检测，设备故障检测装置20包括激光发射器21、激光接收器22、分束器23、参考光束反射器24、测量光束反射器25。

激光发射器21发射氦氖激光，经由分束器23分为参考光束和测量光束，参考光束经由参考光束反射器24反射再通过分束器23射入激光接收器22中，测量光束经由测量光束反射器25反射得到检测光束，检测光束再通过分束器23射入激光接收器22中。其中，测量光束反射器25安置在被测物体上。激光接收器接收到检测光束后进行步骤12。

在一些实施例中，设备故障检测装置的分束器可以采用分波阵面法、分振幅法、分偏振法进行激光分束。

分波阵面法是将点光源的波阵面分割为两部分，使之分别通过两个光具组，经反射、折射或衍射后交迭起来，在一定区域形成干涉。由于波阵面上任一部分都可看作新光源，而且同一波阵面的各个部分有相同的位相，所以这些被分离出来的部分波阵面可作为初相位相同的光源，不论点光源的位相改变得如何快，这些光源的初相位差却是恒定的。

分振幅法是当一束光投射到两种透明媒质的分界面上，光能一部分反射，另一部分折射的方法。

分偏振法采用偏振分束器，它由一对玻璃棱镜相胶合而成，在其中一块棱镜的胶合面上交替蒸镀氟化镁和硫化锌膜层。入射光以布儒斯特角进入介质层，经多次透射和反射得到高偏振度的S分量反射光和P分量透射光。偏振分束器可以由晶轴正交的偏光棱镜组成，如渥拉斯顿棱镜。

在一些实施例中，设备故障检测装置中的参考光束反射器或测量光束反射器可以是平面反射器、角锥棱镜反射器、直角棱镜反射器、猫眼反射器。

步骤12：从检测光束中提取振动信号。

在一些实施例中，设备故障检测装置包括光路单元、解调单元、信号发生单元。

信号发生单元包括信号发生器，信号发生器的输出信号分为两路，第一路经信号处理器后输出两路正交信号sin(Csin(ωt))和cos(Csin(ωt))，第二路经DA转换器后输出相移驱动信号sin(ωt)；C为正弦系数，ω为光路单元中电光调制器调制的载波引起的移相频率。

光路单元包括激光器和电光调制器，激光器输出的光经分束器分为测量光束和参考光束，参考光束输入电光调制器的信号输入端，测量光束输入第一分光棱镜，信号发生单元输出的相移驱动信号sin(ωt)输入电光调制器的电信号驱动端，电光调制器在相移驱动信号sin(ωt)的作用下输出的相移参考光束输入到第二分光棱镜；通过第一分光棱镜的测量光束在待测目标表面反射后形成的返回测量光束再次进入第一分光棱镜，返回测量光束再反射到第二分光棱镜，返回测量光束与相移参考光束在第二分光棱镜中混合并干涉形成干涉光，干涉光输入光电探测器后经处理器输出干涉信号；ω为电光调制器调制的载波引起的移相频率。

解调单元为在FPGA中通过数字逻辑实现的硬件模块，包括四个乘法器、两个低通滤波器、两个微分器、一个减法器和一个积分器，解调单元的输入端连接来自信号发生单元的两路正交信号sin(Csin(ωt))及cos(Csin(ωt))和来自光路单元的干涉信号，干涉信号经AD转换器后分为两路，其中一路与cos(Csin(ωt))一并送入第一乘法器Ⅰ相乘，另一路与sin(Csin(ωt))一并送入第二乘法器相乘；第一乘法器输出的乘积经一低通滤波器后分为两路，其中一路经一微分器d/dt后送入第三乘法器，另一路直接送入第四乘法器，第二乘法器输出的乘积经另一低通滤波器后分为两路，其中一路经另一微分器d/dt后送入第四乘法器，另一路直接送入第三乘法器；第三乘法器输出的乘积和第四乘法器输出的乘积送入减法器，减法器输出的差送入积分器。

采用正交锁相+DCM解调方法，包括如下步骤：

(1)选择两路正交信号sin(Csin(ωt))及cos(Csin(ωt))和一路模拟干涉信号，模拟干涉信号经AD转换器后分为两路数字干涉信号作为解调输入参数。

(2)其中一路数字干涉信号与cos(Csin(ωt))一并送入第一乘法器相乘，另一路数字干涉信号与sin(Csin(ωt))一并送入第二乘法器相乘；

(3)将第一乘法器输出的乘积经低通滤波器后输出的信号分为两路，其中一路经微分后送入第三乘法器，另一路直接送入第四乘法器；将第二乘法器输出的乘积经低通滤波器后输出的信号分为两路，其中一路经微分后送入第四乘法器，另一路直接送入第三乘法器；

(4)第三乘法器输出的乘积和第四乘法器输出的乘积相减得到差值；

(5)对上述差值进行积分得到积分值，解调出待测目标的振动信号。

通过对检测光束进行解调，提取出振动信号，如振动信号的振幅、频率、相位。

在一些实施例中，通过对参考光束和检测光束进行计算，得到被测量设备的振动速度，然后计算出被测设备的振动频率等。

步骤13：将振动信号输入至已训练的故障学习模型，以识别与振动信号相关联的故障类型，从而确定目标设备的故障类型。

其中，已训练的故障学习模型，是基于振动信号样本数据以及预先确定的故障类型标签进行训练后得到的。

在一些实施例中，将振动信号输入至已训练的故障学习模型，对振动信号进行特征提取，可以采用时频分析处理，提取信号处理的特征参数。其中，时频分析的方法，它的思路是设计时间和频率的联合函数，用它同时描述信号在不同时间和频率的能量密度或强度。利用时频分布来分析信号，能给出各个时刻的瞬时频率及其幅值，并且能够进行时频滤波和时变信号研究。时频分析的方法包括时域波形分析方法、概率密度分析方法、自相关分析方法、趋势分析方法、幅值谱分析方法、功率谱分析方法、倒频谱分析方法、包络谱分析方法、细化谱分析方法、短时傅里叶分析方法、小波分析方法。以上只是举例说明，对于振动特征参数的获得不局限于上述方法，还可以采用其他的手段实现。

将提取到的特征信息进行识别，以识别与振动信号相关联的故障类型，从而确定目标设备的故障类型。

在一些实施例中，上述故障学习模型可以通过机器学习的方式来构建。利用监督式学习的方法，通过人为的输入不同的振动信号样本及根据振动信号样本对应的故障类型对振动信号样本进行标记处理，将振动信号样本输入至待训练的学习模型，以对待训练的学习模型进行训练，形成故障学习模型。相应标记可以是振动信号对应的故障类型。还可以将振动信号进行特征提取，并给这些特征信息设置对应的标记，将这些特征信息及标记作为训练资料，构建故障学习模型。当未知的振动信号输入该故障学习模型，则输出对应的标记，此标记即为振动信号对应的故障类型。

在一些实施例中，可以采用高斯混合模型、隐马尔科夫模型、K近邻、神经网络、支持向量机等进行模型训练，以训练故障学习模型，训练完成后，可采用该模型对未知的振动信号进行识别。

在一些实施例中，将振动信号输入已训练的故障学习模型，在故障学习模型中进行预处理，将预处理的振动信号进行识别，识别出与预处理的振动信号相关联的故障类型，从而反馈用户结果。

在一些实施例中，目标设备包括电机，电机工作产生振动，若目标设备有故障，电机振动所产生的振动信号也并不相同。基于大数据，先收集许多的故障的振动信号，以使振动信号来进行深度学习，以训练深度学习模型，当深度学习模型建立完成后，用于对后续的振动信号进行识别，以判断故障类型。

在一些实施例中，目标设备并不能产生振动，需要连接外部驱动设备，通过外部驱动设备来驱动目标设备产生振动，目标设备可以是一些焊接的部件。参考图3，以在焊接技术中的应用为例，将已焊接的钣金31与外部驱动设备32连接，以使外部驱动设备32振动带动钣金31振动，其中P为焊点，设备故障检测装置33进行振动信号的收集。钣金31焊接时存在常见缺陷有咬边、焊瘤、凹陷及焊接变形等，有时还有表面气孔和表面裂纹。单面焊的根部未焊透等、还有气孔、夹渣、裂纹、未熔合等。另外在焊接完成后，也存在焊点松动等故障。可以理解，每个缺陷均会导致在钣金31后续的应用中不良影响，所以均是不合格的焊接。并且每个缺陷所产生的振动信号均有区别，通过将采集到的振动信号进行特征提取输入已训练的故障学习模型中，以识别出相关联的故障类型。

区别于现有技术的情况，本申请的一种设备故障检测方法，包括：向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束；从检测光束中提取振动信号；将振动信号输入至已训练的故障学习模型，以识别与振动信号相关联的故障类型，从而确定目标设备的故障类型。通过上述方式，一方面采用非接触式振动信号测量方案，无需外置隔音房，高效检测设备故障问题，另一方面在大批量设备质检时，节省时间和人力成本，提高质检效率。

参阅图4，图4是本申请提供的设备故障检测方法第二实施例的流程示意图，该方法包括：

步骤41：向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束。

步骤42：从检测光束中提取振动信号。

步骤41-42与上述实施例有相同或相似的技术方案，这里不做赘述

步骤43：将振动信号转化为声音信号。

步骤44：对声音信号进行预处理。

在一些实施例中，将声音信号进行预加重，其目的为了对语音的高频部分进行加重，增加语音的高频分辨率，以对声音信号中的高频分量进行补偿。通常采用数字滤波器来实现预加重。

进行预加重数字滤波处理后，接下来进行加窗分帧处理。语音信号是一种随时间而变化的信号，主要分为浊音和清音两大类。浊音的基音周期、清浊音信号幅度和声道参数等都随时间而缓慢变化。由于发声器官的惯性运动，可以认为在一小段时间里(一般为10～30ms)语音信号近似不变，即语音信号具有短时平稳性。这样，可以把语音信号分为一些短段(称为分析帧)来进行处理。语音信号的分帧是采用可移动的有限长度窗口进行加权的方法来实现的。一般每秒的帧数为33～100帧，视实际情况而定。分帧可以采用连续分段的方法，也可以采用交叠分段的方法，这是为了使帧与帧之间平滑过渡，保持其连续性，这里采用交叠分段的方法。前一帧和后一帧的交叠部分称为帧移，帧移与帧长的比值一般取0～1/2。这里可以采用矩形窗或者汉明窗来进行加窗处理。

步骤45：将预处理之后的声音信号输入至已训练的故障学习模型，以识别与声音信号相关联的故障类型，从而确定目标设备的故障类型。

其中，已训练的故障学习模型，是基于声音信号样本数据以及预先确定的故障类型标签进行训练后得到的。

在一些实施例中，将预处理之后的声音信号输入已训练的故障学习模型，对于声音信号进行特征提取。提取的特征信息可以包括：时域特征、频域特征、倒谱特征、时频特征等。

其中，时域特征主要有短时能量、短时平均幅度和短时过零率等。短时平均幅度反应一帧语音信号能量的大小。短时过零率表示一帧音频信号中波形穿过横轴的次数。

频域特征是将信号做傅里叶变换转换到频域，然后在频域上计算得到的特征。主要有频谱质心、带宽和频谱滚降系数等。频谱质心反映了每帧能量的均值。带宽反映了采样点能量在均值附近的波动程度。频谱滚降描述的是频谱的倾斜程度。

倒谱是功率谱或能量谱的对数值的逆傅里叶变换。

在一些实施例中，将预处理之后的声音信号输入到深度学习网络，在深度学习网络中进行预处理，将预处理的声音进行识别，识别出与预处理的声音信号相关联的故障类型，从而反馈用户结果。

参阅图5，图5是本申请提供的设备故障检测方法第三实施例的流程示意图，该方法包括：

步骤51：向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束。

步骤52：从检测光束中提取振动信号。

步骤53：将振动信号转化为声音信号。

步骤54：对声音信号进行预处理。

步骤51-54与上述实施例有相同或相似的技术方案，这里不做赘述。

步骤55：将预处理之后的声音信号转化为声谱图。

声谱图是时间和频率的分布图。声谱图不仅体现了声信号的频域和时域特征，还同时展现出时域和频域两者的相互关系，从声谱图上可以观察到频域的一些特征随声音信号的发生而变化的情况；还可以观察到能量随声音过程的变化情况。所以声谱图所承载的声音信号的信息远大于单纯时域信号和单纯频域信号承载的信息。声谱图综合了频谱图和时域波形的特点，明显地显示出了声音频谱随时间的变化情况，或者说声谱图是一种动态的频谱。

在一些实施例中，分帧窗长选用512点，窗函数选用汉明窗，帧叠选0.75倍的窗长，然后通过Matlab(矩阵实验室)第三方工具VoiceBox(语音处理工具箱)调用specgram函数画出声谱图。

步骤56：将声谱图输入至已训练的故障学习模型，以识别与声谱图相关联的故障类型。

其中，已训练的故障学习模型，是基于声谱图样本数据以及预先确定的故障类型标签进行训练后得到的。

在一些实施例中，对转换的声音信号进行预加重，利用特定的高通滤波器对采集到的声音信号的高频部分进行补偿；然后，对预加重后的声音信号进行端点检测，确定该声音信号中有效信号的起始点，一般来说，由于采集到的声音信号中可能存在一段时间的静音或空白，为了提高异常声音的检测效率，本实施例可以通过确定声音信号中的有效声音信息(即，有效信号)的起始点，然后再对有效信号进行异常声音匹配或检测；再然后，对已确定起始点的有效信号在一定范围内的特征参数进行分帧加窗处理，使其满足统计特性平稳。

将预处理之后的声音信号转化为声谱图，声谱图是二维图，其横轴是时间，纵轴是频率。坐标(x，y)对应的点表示在时刻x，频率y上的声音强度，声音强度通过不同的颜色来表现。从声音信号的声谱图中，可以得出整个时间-频率范围内声音强度的分布和变化情况；而这是波形图中无法呈现的。为获得声谱图，声音信号被分割成很短的帧，相邻帧会有一定的重叠。然后对每个帧做短时傅里叶变换得到对应的频谱信息，由于声谱图由频率、时间、声音强度三个维度信息构成，因此需要对声音强度的取值进行计算。最终将频谱信息连接成完整的声谱图。

举例来说，本申请实施例将有效信号片段加窗划分为若干个帧；对每一帧进行短时傅里叶变换，得到该帧的频谱信息，频谱信息用于表示该帧的频率与声音强度之间的关系；连接所有帧的频谱信息，得到有效信号片段的声谱图，声谱图由若干个点组成，任一点的坐标(x，y)用于表示该点在x时刻，y频率上对应的声音强度。在本申请实施例中，对声音的时序信号进行短时傅里叶变化，傅里叶变换的长度为2N点，这样每一帧的信号都可以得到长度为N的频谱，每一点的声压值表示为：P＝20*log10|x(1/N)|；其中，P为该点的声压值，x为该帧信号的频谱值。

根据声谱图区别异常声音和背景噪声。根据声谱图中的每个点所处于的帧、频率和声音强度，生成声谱图矩阵。从声谱图矩阵中提取用于表征声谱图的声音强度分布情况的待测试识别特征矩阵。将待测试识别特征矩阵输入至已训练的故障学习模型中，通过模型的内部识别，输出待测试识别特征矩阵的故障类型。

参阅图6，图6是本申请提供的设备故障检测方法第四实施例的流程示意图，该方法包括：

步骤61：向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束。

步骤62：从检测光束中提取振动信号。

步骤63：将振动信号转化为声音信号。

步骤64：对声音信号进行预处理。

步骤65：将预处理之后的声音信号转化为声谱图。

步骤61-65与上述实施例有相同或相似的技术方案，这里不做赘述。

步骤66：提取声谱图的时间信息、频率信息和能量信息，以得到待处理特征信息。

在本实施例中，声谱图横坐标表示时间，纵坐标表示频率，时间与频率的坐标点的值表示声音信号能量。通常能量值的大小通过颜色来表示，颜色深表示该点的能量越强。

在一些实施例中，采用Gabor变换法进行特征提取，可以从多方向多频率尺度提取声谱图的特征。

在一些实施例中，采用投影法进行特征提取。投影法就是把一幅声谱图分别往四个方向上(0度,45度,90度,135度)做投影，往0度方向(横坐标)投影，即同一时间分量，不同频率分量的像素亮度值都累加起来；往90度方向(纵坐标)投影，即同一频率分量，不同时间分量的像素亮度值都累加起来；往45度、135度方向投影，把垂直该方向的像素亮度值都累加起来，为了保证数据量的一致性，每次累加后都要除以像素点的个数。

步骤67：将待处理特征信息输入至已训练的故障学习模型，以识别与声谱图相关联的故障类型。

其中，已训练的故障学习模型，是基于声谱图样本数据以及预先确定的故障类型标签进行训练后得到的。

在本实施例中，故障学习模型通过机器学习的中的监督式学习来进行建模。预先将故障类型与特征信息对应，且对特征信息进行标注，标注的内容就可以是故障类型，在故障学习模型建立后，输入待处理的特征信息，故障学习模型则输出对应的标注信息，即故障类型。

在一些实施例中，在训练故障学习模型时，将故障类型进行分类。以洗衣机为例，将螺丝未固定分为一类，将电机故障分为一类。当确定当前声谱图的特征信息为螺丝未固定一类，则将当前声谱图继续在螺丝未固定一类中进行比对。

在一些实施例中，当目标设备的声音信息的待处理特征信息和标准特征信息的相似度大于设定阈值，确定声音信号相关联的故障类型为标准特征信息对应的故障类型。以目标设备为冰箱为例，将通过故障检测设备获取到的振动信号转换为声音信号，将声音信号转换为声谱图，在深度学习网络中对声谱图进行特征提取，将特征信息和预存的标准特征信息进行相似度比对，比对的相似度为百分之八十五，而设定阈值为百分之八十，相似度大于设定阈值，则确定声音信号相关联的故障类型为标准特征信息对应的故障类型。

参阅图7，图7是本申请提供的电子设备的语音交互方法第五实施例的流程示意图，该方法包括：

步骤71：向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束。

步骤72：从检测光束中提取振动信号。

步骤73：将振动信号转化为声音信号。

步骤74：对声音信号进行预处理。

步骤75：将预处理之后的声音信号转化为声谱图。

步骤76：将声谱图输入至已训练的故障学习模型。

步骤71-76与上述实施例有相同或相似的技术方案，这里不做赘述。

步骤77：利用故障学习模型对声谱图进行区域分块，并将不同区域分配对应权重，以得到待处理分块声谱图。

步骤78：利用故障学习模型对待处理分块声谱图进行加权处理，以得到加权后的相似度比对结果。

步骤79：响应于加权后的相似度比对结果大于设定阈值，确定声音信号相关联的故障类型为声谱图对应的故障类型。

参考图8，对步骤77-79进行说明，图8的左侧为待处理分块声谱图，右侧为标准的分块声谱图。将左侧的待处理分块声谱图分为ABCD四块，并对ABCD四块分配权重，并对A与a、B与b、C与c、D与d进行加权处理。举例说明，将A、B、C、D分别分配权重30％、20％、40％、10％；其中，A、B、C、D的权重值相加为1。相似度比对结果的计算公式为S＝A*a*30％+B*b*20％+C*c*40％+D*d*10％。

其中，A*a表示A与a的相似度比对结果。B*b表示B与b的相似度比对结果。C*c表示C与c的相似度比对结果。D*d表示D与d的相似度比对结果。

当S的值大于设定阈值，则确定声音信号相关联的故障类型为设定阈值对应的故障类型。

例如设定阈值为70％，而

S＝90％*30％+80％*20％+70％*40％+60％*10％＝77％，因此，S>70％；则确定声音信号相关联的故障类型为声谱图对应的故障类型。

参阅图9，图9为本申请提供的设备故障检测装置一实施例的结构示意图，设备故障检测装置90包括激光发射器91、激光接收器92和处理器93。

激光发射器91，用于向目标设备发射测量光束。

激光接收器92，用于采集测量光束经由目标设备反射的检测光束。

处理器93，连接激光接收器，用于从检测光束中提取振动信号，并将振动信号输入至已训练的故障学习模型，以识别与振动信号相关联的故障类型，从而确定目标设备的故障类型；其中，已训练的故障学习模型，是基于振动信号样本数据以及预先确定的故障类型标签进行训练后得到的。

处理器93还用于将振动信号转化为声音信号，并将声音信号输入至已训练的故障学习模型，以识别与声音信号相关联的故障类型，从而确定目标设备的故障类型；其中，已训练的故障学习模型，是基于声音信号样本数据以及预先确定的故障类型标签进行训练后得到的。

处理器93还用于对声音信号进行预处理，并将预处理之后的声音信号输入至已训练的故障学习模型，以识别与声音信号相关联的故障类型，从而确定目标设备的故障类型。

处理器93还用于将振动信号转化为声音信号，对声音信号进行预处理，并将预处理之后的声音信号转化为声谱图，将声谱图输入至已训练的故障学习模型，以识别与声谱图相关联的故障类型；其中，已训练的故障学习模型，是基于声谱图样本数据以及预先确定的故障类型标签进行训练后得到的。

处理器93还用于提取声谱图的时间信息、频率信息和能量信息，以得到待处理特征信息；将待处理特征信息输入至已训练的故障学习模型，以识别与声谱图相关联的故障类型。

处理器93还用于将声谱图输入至已训练的故障学习模型；利用故障学习模型对声谱图进行区域分块，并将不同区域分配对应权重，以得到待处理分块声谱图；利用故障学习模型对待处理分块声谱图进行加权处理，以得到加权后的相似度比对结果；响应于加权后的相似度比对结果大于设定阈值，确定声音信号相关联的故障类型为声谱图对应的故障类型。

处理器93连接激光发射器91，用于将激光发射器91发射的激光束分为测量光束和参考光束，并将检测光束和参考光束进行干涉，以检测得到振动信号。

可以理解，采用设备故障检测装置90可以实现上述任一实施例的技术方案。

在一些实施例中，参考图10，设备故障检测装置100包括激光发射器101、分束器102、分束器103、分束器104、布拉格盒105、固定反射器106、光电检测器107。可以理解，图10中仅示意了激光束的发射和接收过程，后续处理的部分结构图未示。图中200为目标设备。

下面介绍下具体工作流程，激光发射器101发射激光束到分束器102，分束器102将激光束将分为测量光束和参考光束；如图测量光束的方向往分束器103，参考光束射向固定反射器106，参考光束经由固定反射器106反射，射入布拉格盒105，通过布拉格盒105后射向分束器104，参考光束经分束器104射向光电检测器107；测量光束经分束器103后射向目标设备200，并收集反射的检测光束，检测光束经分束器103向下偏转射向分束器104；检测光束经分束器104射向光电检测器107；此时参考光束和检测光束均射入光电检测器107，通过光电检测器107利用多普勒频移与目标设备200的振动速度成正比的关系，计算得到目标设备的振动信号。

具体地，由于参考光束的光路为常数，目标设备200的振动会在光电检测器107上产生亮/暗条纹，这是利用的干涉法。光电检测器107上的一个完整的亮/暗周期条纹正好与所用激光的半个波长的位移量相对应。这在激光发射器101经常使用的氦氖激光的情况下，对应于316nm的位移。

每单位时间的光程改变表现为测量光束的多普勒频移。在计量方面，意味着多普勒频移直接与样本振动速度成正比。由于远离干涉仪的物体运动所产生的明暗条纹(和调制频率)与物体朝向干涉仪移动所产生的相同，因此这种设置无法明确物体移动的方向。鉴于此，将光频移典型值为40MHz的声光调制器放置在参考光束中(出于比较目的，激光频率为4.74·1014Hz)。当目标设备200处于静态时，将产生40MHz的典型干涉调制频率。因此，当目标设备200朝设备故障检测装置移动时，调制频率会增加；当目标设备200远离干涉仪移动时，则检测器接收到的频率则小于40MHz。不仅能精确检测光程长度，还能检测出运动方向。

具体地，除可以直接测量出振动速度外，设备故障检测装置100还可直接测量出位移量。谐波振动的最大振幅可以表示如下：

v＝2π*f*s；其中v代表目标设备的速度；f代表目标设备的振动频率；s代表目标设备的振动位移。随着频率的增加，振动速度增加，振动位移则减小。

参阅图11，图11是本申请提供的计算机存储介质一实施例的结构示意图，计算机存储介质110用于存储程序数据111，程序数据111在被处理器执行时，用于实现以下的方法步骤：

向目标设备发射测量光束，并采集测量光束经由目标设备反射的检测光束；从检测光束中提取振动信号；将振动信号输入至已训练的故障学习模型，以识别与振动信号相关联的故障类型，从而确定目标设备的故障类型。

可以理解，程序数据111在被处理器执行时，还用于实现上述任一实施例方法。

在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，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。

上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方式方案的目的。

另外，在本申请各个实施方式中的各功能单元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。

上述其他实施方式中的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。