一种空调的故障检测方法、装置、设备及存储介质与流程

本发明实施例涉及故障检测
技术领域：
，尤其涉及一种空调的故障检测方法、装置、设备及存储介质。
背景技术：
：随着工业自动化的快速发展，自动化设备可以替代人工操作制造产品，但是产品的质量检测仍需要人工监控。例如，在空调产品质量检测环节，如何判断出空调合格还是处于某种故障，目前还停留在人工依靠声音去进行判断和识别。而对于声音的可识别度，人耳并不那么敏感，只有在明显差别很大的情况下，才能够区分开来。并且人工识别，需要丰富的经验，也极易产生工作疲劳，导致识别效果下降。技术实现要素：针对上述问题，本发明提供一种空调的故障检测方法、装置、设备及存储介质，以实现对生产环境下检测车间对商用空调内机故障的检测，可以辅助判断出空调内机是否存在故障以及故障类型。第一方面，本发明实施例提供了一种空调的故障检测方法，在空调的生产车间中设置音频采集器，所述生产车间用于测试所述空调，所述方法包括：获取所述音频采集器在所述空调测试时采集的第一音频信号，所述第一音频信号中包括多帧子音频信号；从每一帧所述子音频信号提取第一音频特征；合并所述第一音频特征，得到所述第一音频信号的第一声纹特征矩阵；确定故障分析模型；将所述第一声纹特征矩阵输入至所述故障分析模型中进行校验，得到所述第一音频信号的声音类型；根据所述声音类型确定所述空调的运行状态。可选的，所述从每一帧所述子音频信号提取第一音频特征，包括：对每一帧所述子音频信号进行傅里叶变换，得到每一帧所述子音频信号的第一频域信息；从所述第一频域信息中剔除噪声信号，得到第二频域信息；从所述第二频域信息提取音频特征。可选的，所述第一音频特征至少包括如下特征中的两种：功率谱色度、恒q常数色度、色度归一化能量、梅尔频率倒谱系数、rms能量、光谱质心、频率宽度、光谱对比度、光谱平坦度、滚降频率、声音光谱的n阶多项式系数、音调质心和过零率；所述合并所述第一音频特征，包括：将每一帧所述子音频信号的第一音频特征按照功率谱色度、恒q常数色度、色度归一化能量、梅尔频率倒谱系数、rms能量、光谱质心、频率宽度、光谱对比度、光谱平坦度、滚降频率、声音光谱的n阶多项式系数、音调质心和过零率依次拼接，形成每一帧所述子音频信号的音频特征行矩阵；将各帧子音频信号的音频特征行矩阵按照各帧的时间顺序沿列方向依次拼接，得到所述第一音频信号的第一声纹特征矩阵。可选的，所述确定故障分析模型，包括：获取在生产车间测试存在故障的空调时采集的第二音频信号；从每一帧所述第二音频信号提取第二音频特征；合并每一帧所述第二音频信号的第二音频特征，得到第二声纹特征矩阵；确定所述第二音频信号的声音类型；将所述第二声纹特征矩阵及所述声音类型作为训练集，进行监督学习，得到所述故障分析模型。可选的，所述将所述第一声纹特征矩阵输入至所述故障分析模型中进行校验，得到所述第一音频信号的声音类型，包括：将所述第一声纹特征矩阵输入至所述故障分析模型中进行校验，得到所述第一音频信号为某个声音类型的置信度；若所述置信度的值最大，则确定所述第一音频信号属于所述置信度对应的声音类型。可选的，所述方法还包括：在出现新的声音类型时，接收新的声音类型对应的第三音频信号；从每一帧所述第三音频信号提取第三音频特征；合并每一帧所述第三音频信号的第三音频特征，得到第三声纹特征矩阵；将第三声纹特征矩阵及所述对应的声音类型添加至所述训练集中。可选的，所述根据所述声音类型确定所述空调的运行状态，包括：若所述声音类型为正常，则确定所述空调的运行状态为正常；若所述声音类型为异常，则确定所述空调的故障类型，其中，所述故障类型包括：轴承有螺钉、风叶有异物、风叶没打紧和转动轴碰支架；若所述声音类型为生产环境音，则确定所述空调未启动。第二方面，本发明实施例还提供了一种空调的故障检测装置，在空调的生产车间中设置音频采集器，所述生产车间用于测试所述空调，所述装置包括：第一音频信号获取模块，用于获取所述音频采集器在所述空调测试时采集的第一音频信号，所述第一音频信号中包括多帧子音频信号；第一特征提取模块，用于从每一帧所述子音频信号提取第一音频特征；第一特征合并模块，用于合并所述第一音频特征，得到所述第一音频信号的第一声纹特征矩阵；模型确定模块，用于确定故障分析模型；校验模块，用于将所述第一声纹特征矩阵输入至所述故障分析模型中进行校验，得到所述第一音频信号的声音类型；运行状态确定模块，用于根据所述声音类型确定所述空调的运行状态。可选的，所述第一音频特征至少包括如下特征中的两种：功率谱色度、恒q常数色度、色度归一化能量、梅尔频率倒谱系数、rms能量、光谱质心、频率宽度、光谱对比度、光谱平坦度、滚降频率、声音光谱的n阶多项式系数、音调质心和过零率；所述第一特征合并模块包括：第一合并单元，用于将每一帧所述子音频信号的第一音频特征按照功率谱色度、恒q常数色度、色度归一化能量、梅尔频率倒谱系数、rms能量、光谱质心、频率宽度、光谱对比度、光谱平坦度、滚降频率、声音光谱的n阶多项式系数、音调质心和过零率依次拼接，形成每一帧所述子音频信号的音频特征行矩阵；第二合并单元，用于将各帧子音频信号的音频特征行矩阵按照各帧的时间顺序沿列方向依次拼接，得到所述第一音频信号的第一声纹特征矩阵。可选的，所述模型确定模块包括：第二音频信号获取单元，用于获取在生产车间测试存在故障的空调时采集的第二音频信号；第二特征提取单元，用于从每一帧所述第二音频信号提取第二音频特征；第二特征合并单元，用于合并每一帧所述第二音频信号的第二音频特征，得到第二声纹特征矩阵；第一声音类型确定单元，用于确定所述第二音频信号的声音类型；监督学习单元，用于将所述第二声纹特征矩阵及所述声音类型作为训练集，进行监督学习，得到所述故障分析模型。可选的，所述校验模块包括：置信度确定单元，用于将所述第一声纹特征矩阵输入至所述故障分析模型中进行校验，得到所述第一音频信号为某个声音类型的置信度；第二声音类型确定单元，用于在所述置信度的值最大，确定所述第一音频信号属于所述置信度对应的声音类型。可选的，所述装置还包括：第三音频信号获取模块，用于在出现新的声音类型时，接收新的声音类型对应的第三音频信号；第三特征提取模块，用于从每一帧所述第三音频信号提取第三音频特征；第三特征合并模块，用于合并每一帧所述第三音频信号的第三音频特征，得到第三声纹特征矩阵；数据添加模块，用于将第三声纹特征矩阵及所述对应的声音类型添加至所述训练集中。可选的，所述运行状态确定模块包括：第一确定单元，用于在所述声音类型为正常，确定所述空调的运行状态为正常；第二确定单元，用于在所述声音类型为异常，确定所述空调的故障类型，其中，所述故障类型包括：轴承有螺钉、风叶有异物、风叶没打紧和转动轴碰支架；第三确定单元，用于在所述声音类型为生产环境音，确定所述空调未启动。第三方面，本发明实施例还提供了一种故障检测设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面提供的空调的故障检测方法。第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如本发明第一方面提供的空调的故障检测方法。本发明通过获取音频采集器在空调测试时采集的第一音频信号；从每一帧子音频信号提取第一音频特征；合并第一音频特征，得到第一音频信号的第一声纹特征矩阵；将第一声纹特征矩阵输入至故障分析模型中进行校验，得到第一音频信号的声音类型；进而根据声音类型确定空调的运行状态。本发明的空调的故障检测方法能够应对生产环境下检测车间对商用空调内机故障的检测，可以辅助判断出空调内机是否存在故障以及故障类型，避免采用人耳去判断和识别导致的精确度不高的问题。附图说明图1为本发明实施例一提供的一种空调的故障检测方法的流程图；图2为模型对测试数据的一种预测结果；图3为模型对测试数据的另一种预测结果；图4为本发明实施例二提供的一种空调故障检测装置的结构示意图。具体实施方式下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。实施例一图1为本发明实施例一提供的一种空调的故障检测方法的流程图，本实施例可适用于空调的故障检测，该方法可以由本发明实施例提供的空调的故障检测装置来执行，该装置可采用软件和/或硬件的方式实现，并集成于检测设备中。示例性的，可在空调的生产车间中设置音频采集器，音频采集器可以是一个或多个麦克风阵列，用于采集音频信号，生产车间用于测试空调，如图1所示，本发明实施例的方法具体包括如下步骤：s101、获取音频采集器在空调测试时采集的第一音频信号。示例性的，在空调测试时，启动空调，通过音频采集器采集测试过程中的音频信号作为第一音频信号。在具体实施例中，采用windows10自带的声音录制软件，录制声音片段，一般为3到5分钟，声音原始存储格式为.m4a，后续需要统一将声音格式转化为.wav格式，.wav格式是声音处理的常用的声音格式。第一音频信号中包括多帧子音频信号，示例性的，按照采样频率，例如采集设备的采样频率为44100hz，选取合适的长度(例如：2048)组成一帧音频信号，频移为一帧长度的一半(例如1024)。s102、从每一帧子音频信号提取第一音频特征。采集得到的第一音频信号，必须转化能够表征该音频特征的数据才能够实现数据化分析。音频特征是用来描述一段声音的特有特征，如果把一个声音片段比作人，那么这些特征就可以相应地表示为一个人的年龄，身高，学历，户籍等信息了。根据选择地个人特征，我们可以对人物进行划分，也称用户画像。对于声音来说，我们也可以根据声音的特征来对声音进行分类。示例性的，对每一帧子音频信号进行傅里叶变换，将其时域信息通过傅立叶变换转换为频域信息，得到每一帧子音频信号的第一频域信息，即得到声谱图或频谱图；从第一频域信息中剔除噪声信号，得到第二频域信息，以避免噪声信号的干扰，具体的，在第一频域信息的基础上，通过合理的滤波器设计，进行噪声剔除和分离，得到第二频域信息。从第二频域信息提取音频特征，获取每一帧子音频信号常见的音频特征。在具体实施例中，提取的音频特征有色度图(包括功率谱色度和恒q常数色度)、色度归一化能量、梅尔频率倒谱系数(mel-scalefrequencycepstralcoefficients，mfcc)、rms(rootmeansquare)能量、光谱质心、频率带宽、光谱对比度、光谱平坦度、滚降频率、声音光谱的n阶多项式系数、音调质心、过零率。其中，功率谱色度通过短时傅里叶变换(short-timefouriertransform，stft)从波形或功率谱图计算得到，其包括12个不同的维度。恒q常数色度(constant-qchromagram)通过恒q变换得到，其包括12个不同的维度。功率谱色度和恒q常数色度分别为两种不同变换得到的能量表现形式。色度归一化能量(chromaenergynormalized)，就是将功率(能量)进行归一化处理，添加功率归一化因子，目的在于使得不同调制方式(或者说对于所有映射方式)都能够取得相同的平均功率，色度归一化能量包括12个不同的维度。梅尔频率倒谱系数mfcc是在梅尔标度频率域提取出来的倒谱参数，mel标度描述了人耳频率的非线性特性。mfcc参数提取基本流程为：将子音频信号的第二频域信息的频谱取模平方得到子音频信号的能量谱；将能量谱通过一组梅尔尺度的三角形滤波器组，计算每个滤波器组输出的对数能量；将对数能量带入离散余弦变换(discretecosinetransform，dct)得到梅尔频率倒谱系数mfcc。本发明实施例中，mfcc包括40个不同的维度。rms能量也称为有效值，是频谱信号的均方根，用于表征频谱中信号的能量大小。本发明实施例中，rms能量包括1个维度。光谱质心(spectralcentroid)指示声音的“质心”位于何处，并按照声音的频率的加权平均值来加以计算。本发明实施例中，rms能量包括1个维度。频率宽度(spectralband-width)，本发明实施例中，频率宽度包括1个维度。光谱对比度(spectralcontrast)，本发明实施例中，光谱对比度包括7个维度。光谱平坦度(spectralflatness)用于量化声音噪声的度量，本发明实施例中，光谱平坦度包括1个维度。滚降频率(spectralrolloff)是对信号形状的测量，表示的是在频谱能量的特定百分比(如85％)时的频率。本发明实施例中，滚降频率包括1个维度。声音光谱的n阶多项式系数，即一个n阶多项式与声谱图列的拟合系数，本发明实施例中，其包括6个维度。音调质心指示音调的“质心”位于何处，本发明实施例中，音调质心包括6个维度，可以从音频信号的色度图中计算得到。过零率(zerocrossingrate)是一个信号符号变化的比率，即，在每帧子音频信号中，语音信号从正变为负或从负变为正的次数。本发明实施例中，过零率包括1个维度。s103、合并第一音频特征，得到第一音频信号的第一声纹特征矩阵。示例性的，s103、合并第一音频特征，得到第一音频信号的第一声纹特征矩阵，包括如下步骤：s1031、将每一帧子音频信号的第一音频特征按照功率谱色度、恒q常数色度、色度归一化能量、梅尔频率倒谱系数、rms能量、光谱质心、频率宽度、光谱对比度、光谱平坦度、滚降频率、声音光谱的n阶多项式系数、音调质心和过零率依次拼接，形成每一帧子音频信号的音频特征行矩阵。每一帧子音频信号的音频特征行矩阵包括101个维度。s1032、将各帧子音频信号的音频特征行矩阵按照各帧的时间顺序沿列方向依次拼接，得到第一音频信号的第一声纹特征矩阵。示例性的，以第一音频信号包括n帧子音频信号为例，第一音频信号的第一声纹特征矩阵如下表所示：上表中，第一音频信号包括n帧子音频信号，每一帧子音频信号的音频特征总共包括101个维度，构成第一音频信号的第一声纹特征矩阵。s104、确定故障分析模型。需要说明的是，确定故障分析模型的步骤可以预先完成，示例性的，s104、确定故障分析模型，可以包括如下步骤：s1041、获取在生产车间测试存在故障的空调时采集的第二音频信号。示例性的，在生产车间空调测试过程中，若检测到空调故障，记录该空调的故障类型及对应的声音类型，并通过音频采集器获取该故障空调的第二音频信号，并记录对应的声音类型。以及通过音频采集器获取空调正常运行时的音频信号和环境音信号。其中，声音类型可以分为三个级别，第一级可以包括正常、异常和环境音；后两级最要用于表征异常的情况，具体的，第二级可以包括轴承有螺钉、风叶有异物、风叶没打紧及转动轴碰支架；第三级用于表征风叶上异物的类型，可以包括未知异物、风叶上有毛刺、风叶有海绵和风叶有胶纸。示例性的，音频分类表如下表所示：s1042、从每一帧第二音频信号提取第二音频特征。示例性的，对每一帧子音频信号进行傅里叶变换，将其时域信息通过傅立叶变换转换为频域信息，即得到声谱图或频谱图；接着剔除噪声信号，以避免噪声信号的干扰。从频域信息提取音频特征，获取每一帧子音频信号常见的音频特征。在具体实施例中，提取的音频特征有色度图(包括功率谱色度和恒q常数色度)、色度归一化能量、梅尔频率倒谱系数(mel-scalefrequencycepstralcoefficients，mfcc)、rms(rootmeansquare)能量、光谱质心、频率带宽、光谱对比度、光谱平坦度、滚降频率、声音光谱的n阶多项式系数、音调质心、过零率。s1043、合并每一帧第二音频信号的第二音频特征，得到第二声纹特征矩阵。将每一帧子音频信号的第二音频特征按照功率谱色度、恒q常数色度、色度归一化能量、梅尔频率倒谱系数、rms能量、光谱质心、频率宽度、光谱对比度、光谱平坦度、滚降频率、声音光谱的n阶多项式系数、音调质心和过零率依次拼接，形成每一帧子音频信号的音频特征行矩阵。每一帧子音频信号的音频特征行矩阵包括101个维度。将各帧子音频信号的音频特征行矩阵按照各帧的时间顺序沿列方向依次拼接，得到第二音频信号的第二声纹特征矩阵。s1044、确定第二音频信号的声音类型。根据前述记录的该第二音频信号的声音类型，确定第二音频信号的声音类型，并对该第二音频信号的第二声纹特征矩阵打标签，该标签对应第二音频信号的声音类型。s1045、将第二声纹特征矩阵及声音类型作为训练集，进行监督学习，得到故障分析模型。示例性的，将第二声纹特征矩阵及对应的标签作为训练集，进行监督学习，得到故障分析模型。监督学习是指从给定的训练数据集中学习出一个函数(故障分析模型)，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入输出，也可以说是特征和标签。训练集中的标签是由人标注的。监督学习就是最常见的分类问题，通过已有的训练样本去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的。进一步的，在实际检测过程中，可能会出现训练集中不存在的声音类型，通过人工检视，确定该声音类型对应的故障类型，并通过音频采集器采集该新的声音类型对应的第三音频信号；从每一帧第三音频信号提取第三音频特征，具体的，音频特征如前文所述，在此不再赘述；合并每一帧第三音频信号的第三音频特征，得到第三声纹特征矩阵，具体的，音频特征的合并过程可以参考前文，在此不再赘述；将第三声纹特征矩阵及对应的声音类型添加至训练集中。例如，新出现声音类型为“风叶存在裂纹”，对应的故障类型为风叶存在裂纹，将该声音类型的第三声纹特征矩阵及对应的声音类型添加至训练集中，以更新所述训练集，从而在后续的检测过程中再次出现该类型的声音时，能够被检测出来，进而确定空调的故障类型。可选的，确定故障分析模型的过程还可以包括模型评估步骤，具体的，在通过上述训练过程得到故障分析模型后，可以将该模型作为中间模型，采用测试集对该中间模型的检测准确性进行评估，其中，测试集包括大量测试数据，测试数据包括测试音频的声纹特征矩阵及对应的声音类型，根据评估结果与测试数据的误差，判断该中间模型是否满足预期要求，若误差大于预期，则依据现有模型参数，更新训练条件，再次训练，直至满足预期，将新的模型作为最终模型；若误差满足预期，即达到收敛条件，停止训练，将该中间模型作为最终模型。需要说明的是，本发明实施例中，以获取在生产车间测试存在故障的空调时采集的第二音频信号的第二声纹特征矩阵及声音类型作为训练集，在本发明其他实施例中，也可以在实验室中模拟空调故障时的音频，进而以模拟音频信号的声纹特征矩阵及声音类型作为训练集，本发明在此不做限定。s105、将第一声纹特征矩阵输入至故障分析模型中进行校验，得到第一音频信号的声音类型。示例性的，将s103中得到的第一音频信号的第一声纹特征矩阵输入训练好的故障分析模型中进行校验，得到第一音频信号的声音类型。具体的，s105可以包括如下步骤：s1051、将第一声纹特征矩阵输入至故障分析模型中进行校验，得到第一音频信号为某个声音类型的置信度。具体的，在训练好的故障分析模型中，包含一个激活层，softmax函数，这个函数输出分类结果的可能性(置信度)。s1052、若置信度的值最大，则确定第一音频信号属于置信度对应的声音类型。示例性的，softmax函数输出的结果为：正常-0.1％，环境音-0.1％，轴承有螺钉-0.1％，未知异物-0.1％，风叶上有毛刺-99.2％，风叶有海绵-0.1％，风叶有胶纸-0.1％，风叶没打紧-0.1％，转动轴碰支架-0.1％，则确定第一音频信号的声音类型为“风叶上有毛刺”。s106、根据声音类型确定空调的运行状态。在确定声音类型后，根据预先设定的声音类型与空调的运行状态的对应关系，确定空调的运行状态。具体的，若声音类型为正常，则确定空调的运行状态为正常；若声音类型为异常，则确定空调的故障类型，其中，故障类型包括：轴承有螺钉、风叶有异物、风叶没打紧和转动轴碰支架；若声音类型为生产环境音，则确定空调未启动。示例性的，若确定第一音频信号的声音类型为“风叶上有毛刺”，则可以确定空调的运行状态为异常，且故障类型为风叶上有毛刺。示例性的，采用本发明实施例提供的空调的故障检测方法，判断空调内机是否有故障。将录制的空调内机声音按出现故障和未出现故障进行分类，如下表所示：分类标签英文编码内机存在故障abnormal正常内机工作声音normal本次模型训练的数据如下表所示：总数据量训练数据测试数据模型训练时间模型准确率911184683388227796333s0.98总数据中各分类数据量占比如下表所示：数量占比abnormal4518270.50production_environment3151500.35normal1442070.16图2为模型对测试数据的一种预测结果，如图2所示，横轴表示测试数据经过模型预测的结果，纵轴表示测试数据原始的标签。左斜对角线是分类器正确识别的数量。由图2所示的数据可知，模型整体的准确率为：测试数据中类别为正常内机的样本的查准率为：测试数据中类别为故障内机的样本的查全率为：示例性的，采用本发明实施例提供的空调的故障检测方法，判断空调内机的故障类型。我们将之前在生产环境下测试车间录制的声音，按最小分类粒度来划分数据集，如下表所示：分类标签英文编码轴承有螺钉not_tight风叶有异物fan_exist_foreign_matter风叶没打紧not_tight转动轴碰支架rotating_shaft_hit_bracket车间二(正常)n_workshop1车间二(正常)n_workshop2车间三(正常)n_workshop3生产环境1环境音p_workshop1生产环境2环境音p_workshop2生产环境3环境音p_workshop3本次模型训练的数据如下表所示：总数据量训练数据测试数据模型训练时间模型准确率911184683388227796357s0.96各分类数据量占比如下表所示：数量占比production_environment2101000.26fan_exist_foreign_matter2031540.25p_workshop2809400.10p_workshop1654920.08p_workshop3636680.08not_tight411100.05n_workshop3348780.04n_workshop2331820.04rotating_shaft_hit_bracket320900.04n_workshop1280780.03bear_exist_screw248640.03图3为模型对测试数据的另一种预测结果，如图3所示，横轴表示测试数据经过模型预测的结果，纵轴表示测试数据原始的标签。左斜对角线是分类器正确识别的数量。按行来观察，我们可以观察到每个类别被模型预测的结果数量的统计，以轴承有螺钉(bear_exist_screw)为例，我们可以观察到轴承有螺钉被正确预测的数目为23647个，而实际上轴承有螺钉的总数据量为27973，被预测正确的占比为23647/27973＝0.845，这个比例就是这个类别的分类结果的召回率。按列来观察，我们可以观察到每个类别被模型预测的结果数量的统计，以风叶有异物(fan_exist_foregin_matter)为例，我们可以观察到它被正确预测的数目为224989个，而预测结果中生风叶有异物样本数量为232770，被预测正确的占比为224989/232770＝0.967,这个比列就是这个类别的分类结果的查准率。本发明实施例提供的空调的故障检测方法，通过获取音频采集器在空调测试时采集的第一音频信号；从每一帧子音频信号提取第一音频特征；合并第一音频特征，得到第一音频信号的第一声纹特征矩阵；将第一声纹特征矩阵输入至故障分析模型中进行校验，得到第一音频信号的声音类型；进而根据声音类型确定空调的运行状态。本发明的空调的故障检测方法能够应对生产环境下检测车间对商用空调内机故障的检测，可以辅助判断出空调内机是否存在故障以及故障类型，避免采用人耳去判断和识别导致的精确度不高的问题。实施例二本发明实施例二提供了一种空调故障检测装置，在空调的生产车间中设置音频采集器，所述生产车间用于测试所述空调，图4为本发明实施例二提供的一种空调故障检测装置的结构示意图，如图4所示，所述装置包括：第一音频信号获取模块201，用于获取所述音频采集器在所述空调测试时采集的第一音频信号，所述第一音频信号中包括多帧子音频信号；第一特征提取模块202，用于从每一帧所述子音频信号提取第一音频特征；第一特征合并模块203，用于合并所述第一音频特征，得到所述第一音频信号的第一声纹特征矩阵；模型确定模块204，用于确定故障分析模型；校验模块205，用于将所述第一声纹特征矩阵输入至所述故障分析模型中进行校验，得到所述第一音频信号的声音类型；运行状态确定模块206，用于根据所述声音类型确定所述空调的运行状态。可选的，所述第一音频特征至少包括如下特征中的两种：功率谱色度、恒q常数色度、色度归一化能量、梅尔频率倒谱系数、rms能量、光谱质心、频率宽度、光谱对比度、光谱平坦度、滚降频率、声音光谱的n阶多项式系数、音调质心和过零率；所述第一特征合并模块203包括：第一合并单元，用于将每一帧所述子音频信号的第一音频特征按照功率谱色度、恒q常数色度、色度归一化能量、梅尔频率倒谱系数、rms能量、光谱质心、频率宽度、光谱对比度、光谱平坦度、滚降频率、声音光谱的n阶多项式系数、音调质心和过零率依次拼接，形成每一帧所述子音频信号的音频特征行矩阵；第二合并单元，用于将各帧子音频信号的音频特征行矩阵按照各帧的时间顺序沿列方向依次拼接，得到所述第一音频信号的第一声纹特征矩阵。可选的，所述模型确定模块204包括：第二音频信号获取单元，用于获取在生产车间测试存在故障的空调时采集的第二音频信号；第二特征提取单元，用于从每一帧所述第二音频信号提取第二音频特征；第二特征合并单元，用于合并每一帧所述第二音频信号的第二音频特征，得到第二声纹特征矩阵；第一声音类型确定单元，用于确定所述第二音频信号的声音类型；监督学习单元，用于将所述第二声纹特征矩阵及所述声音类型作为训练集，进行监督学习，得到所述故障分析模型。可选的，所述校验模块205包括：置信度确定单元，用于将所述第一声纹特征矩阵输入至所述故障分析模型中进行校验，得到所述第一音频信号为某个声音类型的置信度；第二声音类型确定单元，用于在所述置信度的值最大，确定所述第一音频信号属于所述置信度对应的声音类型。可选的，所述装置还包括：第三音频信号获取模块，用于在出现新的声音类型时，接收新的声音类型对应的第三音频信号；第三特征提取模块，用于从每一帧所述第三音频信号提取第三音频特征；第三特征合并模块，用于合并每一帧所述第三音频信号的第三音频特征，得到第三声纹特征矩阵；数据添加模块，用于将第三声纹特征矩阵及所述对应的声音类型添加至所述训练集中。可选的，所述运行状态确定模块206包括：第一确定单元，用于在所述声音类型为正常，确定所述空调的运行状态为正常；第二确定单元，用于在所述声音类型为异常，确定所述空调的故障类型，其中，所述故障类型包括：轴承有螺钉、风叶有异物、风叶没打紧和转动轴碰支架；第三确定单元，用于在所述声音类型为生产环境音，确定所述空调未启动。本发明实施例还提供一种故障检测设备，所述故障检测设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任一实施例提供的空调的故障检测方法。本发明实施例还提供一种计算机可读存储介质，所述存储介质中的指令由设备的处理器执行时，使得故障检测设备能够执行如上述方法实施例所述的空调的故障检测方法。需要说明的是，对于装置、故障检测设备和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的故障检测方法。值得注意的是，上述空调的故障检测装置中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。当前第1页12