分析方法及分析系统与流程

本公开涉及一种分析方法以及分析系统，特别涉及一种适用于故障检测的分析方法以及分析系统。

背景技术：

1、现今，随着自动化设备的使用越来越广泛，若在产品生产阶段发生设备异常，且无法实时检测出可能会导致整体制造成本增加。因此，如何实时且精确的检测出自动化设备的异常为本领域中重要的议题。

技术实现思路

1、本公开文件提供一种分析方法，分析方法包含下列步骤。根据至少一动件装置的一动作排程，获取该至少一动件装置在一工序下运行的多个音频段。通过声音特征获取，将该些音频段转换为多笔时间序列数据。根据一基准序列数据，对该些笔时间序列数据进行动态时间规整，以获取多笔调整后序列数据。计算该些笔调整后序列数据中的一部分相对于该基准序列数据的多个相似度得分。根据该些相似度得分，将冗余数据自该些调整后序列数据中的该部分中移除，以产生一训练数据集。根据该训练数据集，训练一非监督式机器学习模型以获取一训练后非监督式机器学习模型。基于该训练后非监督式机器学习模型分析该至少一动件装置在该工序下运行的一当前音频段是否为一异常事件。

2、本公开文件提供一种分析系统，分析系统包含存储装置以及处理电路。处理电路电性耦接存储装置，用以存取存储装置的指令及数据以执行下列步骤。根据至少一动件装置的一动作排程，获取该至少一动件装置在一工序下运行的多个音频段。通过声音特征获取，将该些音频段转换为多笔时间序列数据。根据一基准序列数据，对该些笔时间序列数据进行动态时间规整，以获取多笔调整后序列数据。计算该些笔调整后序列数据中的一部分相对于该基准序列数据的多个相似度得分。根据该些相似度得分，将冗余数据自该些调整后序列数据中的该部分中移除，以产生一训练数据集。根据该训练数据集，训练一非监督式机器学习模型以获取一训练后非监督式机器学习模型。基于该训练后非监督式机器学习模型，分析该至少一动件装置在该工序下运行的一当前音频段是否为一异常事件。

3、本公开文件提供一种分析方法，分析方法包含下列步骤。根据至少一动件装置的一动作排程，获取该至少一动件装置在一工序下运行的多个音频段。通过声音特征获取，将该些音频段转换为多笔时间序列数据。根据基准序列数据，对该些笔时间序列数据进行动态时间规整，以获取多笔调整后序列数据。计算该些笔调整后序列数据中的一部分相对于该基准序列数据的多个相似度得分，并且其中该些笔调整后序列数据中的该部分每一者具有标签。根据该些相似度，将冗余数据自该些调整后序列数据中的该部分中移除，以产生一训练数据集。根据该训练数据集，训练一监督式机器学习模型以获取一训练后监督式机器学习模型。基于该训练后监督式机器学习模型，分析该至少一动件装置在该工序下运行的当前音频段的异常几率。

4、综上所述，本公开提供的分析方法基于动作排程获取音频段能够搜集各个动件装置在相同动作下的音频数据，并且根据相似度得分去除冗余数据，以平衡训练数据集中不同类别(例如，不同型号的动件装置)的音频数据，进而提升分析结果的精确度。

技术特征：

1.一种分析方法，包含：

2.如权利要求1所述的分析方法，其中该些笔调整后序列数据中的该部分每一者对应于一正常事件。

3.如权利要求1所述的分析方法，还包含：

4.如权利要求1所述的分析方法，其中该些调整后序列数据的数据长度彼此相同。

5.如权利要求1所述的分析方法，还包含：

6.如权利要求5所述的分析方法，还包含：

7.如权利要求6所述的分析方法，还包含：

8.如权利要求6所述的分析方法，还包含：

9.一种分析系统，包含：

10.一种分析方法，包含：

技术总结一种分析方法及分析系统，分析方法包含下列步骤。根据至少一动件装置的一动作排程，获取该至少一动件装置在一工序下运行的多个音频段。通过声音特征获取，将该些音频段转换为多笔时间序列数据。根据一基准序列数据，对该些笔时间序列数据进行动态时间规整，以获取多笔调整后序列数据。计算该些笔调整后序列数据中的一部分相对于该基准序列数据的多个相似度得分。根据该些相似度得分，将冗余数据自该些调整后序列数据中的该部分中移除，以产生一训练数据集。技术研发人员：冯智源,李盈奇,陈盈志受保护的技术使用者：友达光电股份有限公司技术研发日：技术公布日：2024/3/21