用于设备诊断的系统及方法技术方案

公开了一种用于设备诊断的系统及方法，根据一种方法的示例，包括：将设备的运行录制成音频文件，将音频文件转换为图像数据。将图像数据输入到机器学习模型中，以确定图像数据指示设备的如预期运行还是设备的非预期运行。公开了一种用于设备诊断的系统，根据一个系统的示例，包括配置为录制设备的运行并创建音频文件的音频传感器，以及一个或多个处理器。一个或多个处理器可以将音频文件转换为图像数据，并将图像数据输入到机器学习模型中，以确定图像数据指示设备的如预期运行还是设备的非预期运行。期运行。期运行。

【技术实现步骤摘要】
用于设备诊断的系统及方法
[0001]相关申请的交叉引用
[0002]本申请要求于2020年12月9日提交的美国申请63/123,220的优先权，该申请的全部内容通过引用并入本文。


[0003]本文所公开的主题涉及用于设备诊断的系统及方法。

技术介绍

[0004]设备，如车辆的部件，可以通过诊断来检测其可能没有以预期或理想的方式或模式运行。诊断结果可能因进行诊断的个人的主观性而不同，这样可能会导致不准确的结果。诊断可能没有考虑以前的诊断，这样使得很难确定目前的诊断结果是否正确。如果设备的运行被错误地诊断为符合预期，那么设备的故障可能导致设备(如机车)不能按预期运行。相反，如果组件被检查且错误地被诊断为损坏、缺陷或故障，不必要的部件更换将会导致设备退出服务，增加维修费用。因此，需要改进诊断设备问题的方法。

技术实现思路

[0005]根据一个实例或一个方面，方法可以包括录制设备的运行音频，以创建音频文件，并将所述音频文件转换为图像数据。所述方法可以包括将所述图像数据输入到机器学习模型中，以确定所述图像数据指示设备的如预期运行还是设备的非预期运行。
[0006]根据一个实例或一个方面，系统可以包括用于录制设备的运行以生成音频文件的音频传感器，以及一个或多个处理器。所述一个或多个处理器可以将所述音频文件转换为图像数据，并将所述图像数据输入到机器学习模型中，以确定所述图像数据指示设备的如预期运行还是设备的非预期运行。
[0007]根据一个实例或一个方面，方法可以包括将车辆系统组件的运行录制成音频文件，并将所述音频文件转换为图像数据。该方法可以包括将所述图像数据输入到机器学习模型中，以确定所述图像数据指示组件的如预期运行还是组件的非预期运行。
附图说明
[0008]可以参照附图阅读以下非限制性实施例的描述，来理解本专利技术主题，其中如下：
[0009]图1示意性地示出了根据一个实施例的用于诊断设备的系统；
[0010]图2示意性地示出了根据一个实施例的用于诊断设备的方法；
[0011]图3表示指示设备如预期运行的图像数据；
[0012]图4表示指示设备根据第一故障模式非预期运行的图像数据；
[0013]图5表示指示设备根据第二故障模式非预期运行的图像数据；
[0014]图6示意性地示出了根据一个实施例的用于诊断设备的方法；以及
[0015]图7示意性地示出了根据一个实施例的用于诊断设备的方法。
具体实施方式
[0016]本文所述主题的一个或多个实施例涉及一种能够评估抽象或离散音频签名(audio signatures)并提供对设备的反馈和/或评估的装置。机器学习模型的深度学习技术可以对复杂的设备进行诊断，以确定设备的运行是按照预期方式运行还是以非预期方式运行。如果设备的运行是非预期的，那么装置可以从多个不同的运行模式中选择非预期运行模式。可以根据评价改变设备的运行，或根据评价指导设备的维修。
[0017]本文所述主题的实施例涉及能够评价系统中组件的方法和系统。该组件可以是车辆系统或发电系统的一部分。该组件的运行可修改为能够采集该组件的音频。系统其他组件产生的声音可被过滤掉。系统其他组件可能被停用，以允许采集来自该组件的音频并进行评估和诊断。
[0018]虽然描述了与轨道车辆系统相关的一个或多个实施例，但并非所有实施例都与轨道车辆系统相关。此外，本文所述的实施例扩展到多种类型的车辆系统。适合的车辆系统可包括轨道车辆、汽车、卡车(带或不带拖车)、公共汽车、海船、飞机、采矿车辆、农业车辆和非公路车辆。这里描述的适合的车辆系统可以由一辆车形成。在其他实施例中，车辆系统可包括以协调方式移动的多辆车辆。一种适合的车辆系统可以是在轨道上行驶的轨道车辆系统，或者是在道路或小路上行驶的车辆系统。对于多车辆系统，车辆可以相互机械耦接(例如，通过耦接器)，或者它们可以虚拟耦接或逻辑耦接、而非机械耦接。例如，当分开的车辆相互通信以协调车辆相互间的运动，从而使这些车辆(例如，作为一个车队、排、群、车队等)一起行驶时，这些车辆可以是通信耦接的，而非机械耦接。
[0019]关于设备或组件，适合的示例可以包括接受定期诊断的设备。在一个实施例中，组件可以是发动机或车辆系统的组件。例如，设备可以是用于机车发动机的高压燃料泵。在另一个示例中，组件可以是电动机。通常，旋转设备易于使用本专利技术方法进行诊断。
[0020]参考图1，一个设备10可以使用音频录制装置12来诊断。根据一个实施例，音频录制装置可以是移动手持装置。移动手持装置可以是智能电话、平板电脑、个人数字助理(PDA)、计算机(例如，笔记本电脑)等。音频录制装置可以包括音频采集装置，例如麦克风、振动传感器(例如，加速度计)、一个或多个压电体、或可以接触设备或设备外壳的探针，其可以采集指示待诊断设备的运行音频，并将音频存储为音频文件14。该音频文件可以是原始音频文件。音频录制装置可以(例如通过USB连接)与音频采集装置(例如，外部传感器、探针或麦克风)连接。传感器、探针或麦克风可以放在临近和/或接触设备部件的地方，以生成原始音频文件。音频录制装置可以将音频文件传输给一个或多个处理器，所述处理器可以执行存储在存储器中的指令，以使用机器学习模型对该组件进行确定和评价。例如，确定可以关于设备部件是以期望模式还是非期望模式运行。关于紧密临近，可参照应用的具体参数来选择距离。在一个实施例中，临近可以表示音频采集装置距离组件的一部分在几英寸之内。
[0021]适合的音频文件可以包括有损和无损文件类型。音频文件类型可以包括：.wav，.mp3，.wma，.aac，.ogg，.midi，.aif，.aifc，.aiff，.au以及.ea。文件类型的选择至少部分取决于压缩比、压缩算法、以及其他应用的特定参数。
[0022]以车辆的高压燃料泵为例说明该设备。原始音频文件可以是在车辆发动机运行在空闲(即空载或无推进产生)条件或状态下时生成的。音频录制装置或音频采集装置可以放
置为紧密临近燃料泵，音频录制装置或音频采集装置可以在不同位置之间移动(例如，从第一录制位置16，到第二录制位置18，到第三录制位置20，等等)。虽然图示的示例显示在三个地点进行录制，但可选地，可以在更少的地点(例如，一个地点或两个地点)或三个以上的地点进行。如图1所示，录制位置可以从设备的顶部延伸到底部。当音频录制装置或音频采集装置从第一录制位置，移动到第二录制位置，到第三录制位置时，音频录制装置或音频采集装置可以在每个录制位置上方悬停一段时间。根据一个实施例，高压燃料泵的运行可以被录制一段时间，例如，30秒、一分钟或其他时间长度。音频录制装置或音频采集装置可以用于输出两个或多个音频文件。例如，音频录制装置或音频采集装置可以输出车辆第一侧的第一燃料泵的第一音频文件，以及可以采集车辆的第二侧(相对侧)的第二燃料泵的第二音频文件。
[0023]音频录制装置或音频采集装置可以包括接口13，以接受关于录制条件的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于设备诊断的方法，包括：录制设备的运行，以创建音频文件；将所述音频文件转换为图像数据；以及将所述图像数据输入到机器学习模型中，所述机器学习模型配置为确定所述图像数据指示所述设备的如预期运行还是所述设备的非预期运行。2.根据权利要求1所述的方法，还包括：确定所述设备在所述设备的非预期运行中的故障模式。3.根据权利要求2所述的方法，还包括以下一项或多项：基于确定的所述故障模式，改变所述设备的运行；或者基于确定的所述故障模式，指导所述设备的修理。4.根据权利要求1所述的方法，还包括：在录制所述设备的运行之前或期间，改变所述设备的运行以突出至少一个感兴趣音频。5.根据权利要求4所述的方法，其特征在于，所述设备包括在车辆系统中，改变所述设备的运行包括改变所述车辆系统的油门或发动机速度。6.根据权利要求1所述的方法，其特征在于，所述设备与一个或多个其他用电装置一起运行，所述方法还包括：从录制的所述设备的运行的音频文件中过滤掉所述一个或多个其他用电装置产生的音频。7.根据权利要求1所述的方法，其特征在于，所述设备与一个或多个其他用电装置一起运行，所述方法还包括：在所述设备继续运行时，停用所述一个或多个其他用电装置，以防止所述一个或多个其他用电装置在录制所述设备的运行期间产生其他音频。8.根据权利要求1所述的方法，还包括：接收指示在录制所述设备的运行音频期间所述设备的外壳是否被移除的输入，其中所述机器学习模型被配置为基于在录制所述音频期间所述设备的外壳是否被移除来确定所述图像数据指示所述设备的如预期运行还是所述设备的非预期运行。9.根据权利要求1所述的方法，其特征在于，将所述设备的运行音频录制成所述音频文件，包括：使用手持装置在多个位置录制运行的音频；以及，将所述图像数据输入到所述机器学习模型中，包括：在将所述图像数据输入到所述机器学习模型的同时，将所述多个位置的先前图像数据输入到所述机器学习模型中。10.一种用于设备诊断的系统，包括：音频传感器，配置为录制设备的运行，以创建音频文件；以及一个或多个处理器，配置为：将所述音频文件转换为图像数据；以及将所述图像数据输入到机器学习模型中，所述机器学习模型配置为确定所述图像数据指示所述设备的如预期运行还是所述设备的非预期运行。
11.根据权利要求10所述的系统，其特征在于，所述一个或多个处理器还配置为：确定所述设备在所述设备的非预期运行中的故障模式。12.根据权利要求11所述的系统，其特征在于，所述一个或多个处理器还配置为：基于确定的所述故障模式，改变所述设备的运行；或者基于确定的所述故障模式，指导所述设备的修理。13.根据权利要求10所述的系统，其...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：IP传输控股公司，
类型：发明
国别省市：