1.一种生产线上的自动化检测方法,其特征在于,包括:
当检测到生产线上的待测设备播放测试音频时,采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量;
获取由振动样本数据学习训练得到的神经网络模型;
将所述音频数据和所述振动偏移量输入所述神经网络模型,并与所述神经网络模型中的样本特征空间进行比较,输出比较结果,由所述比较结果确定所述待测设备的检测结果。
2.如权利要求1所述方法,其特征在于,所述当检测到生产线上的待测设备播放测试音频时,采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量之前,所述方法还包括:
采集所述待测设备在所述预设频率下的所述样本音频数据;以及采集由所述振动传感器获取到的样本振动偏移量;所述样本振动偏移量与所述预设频率对应;
由所述样本音频数据和所述样本振动偏移量构成所述样本特征空间,并对所述样本特征空间进行学习训练,训练得到所述神经网络模型。
3.如权利要求1所述方法,其特征在于,将所述音频数据和所述振动偏移量输入所述神经网络模型,并与所述神经网络模型中的样本特征空间进行比较,输出比较结果,由所述比较结果确定所述待测设备的检测结果,包括:
若所述音频数据对应的所述振动偏移量满足所述神经网络模型中的预设阈值时,确定所述比较结果的类别,所述比较结果的类别包括:振音缺陷设备或完好设备。
4.如权利要求2所述方法,其特征在于,所述振动传感器包括:光学振动 传感器,所述振动偏移量包括:所述光学振动传感器发射的光折射在所述待测设备后接收的光强度。
5.如权利要求1所述方法,其特征在于,所述由所述比较结果确定所述待测设备的检测结果之后,所述方法还包括:
将所述待测设备的检测结果输入所述神经网络模型,并计算检测准确率;
若所述计算得到的准确率低于参考门限值,由所述待测设备的检测结果更新所述神经网络模型。
6.一种生产线上的自动化检测装置,其特征在于,包括:
采集模块,用于当检测到生产线上的待测设备播放测试音频时,采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量;
获取模块,用于获取由振动样本数据学习训练得到的神经网络模型;
检测模块,用于将所述音频数据和所述振动偏移量输入所述神经网络模型,并与所述神经网络模型中的样本特征空间进行比较,输出比较结果,由所述比较结果确定所述待测设备的检测结果。
7.如权利要求6所述装置,其特征在于,所述装置还包括:训练模块;
所述采集模块,还用于采集所述待测设备在所述预设频率下的所述样本音频数据;以及采集由所述振动传感器获取到的样本振动偏移量;所述样本振动偏移量与所述预设频率对应;
所述训练模块,用于由所述样本音频数据和所述样本振动偏移量构成所述样本特征空间,并对所述样本特征空间进行学习训练,训练得到所述神经网络模型。
8.如权利要求6所述装置,其特征在于,所述检测模块具体用于:
若所述音频数据对应的所述振动偏移量满足所述神经网络模型中的预设阈 值时,确定所述比较结果的类别,所述比较结果的类别包括:振音缺陷设备或完好设备。
9.如权利要求7所述装置,其特征在于,所述振动传感器包括:光学振动传感器,所述振动偏移量包括:所述光学振动传感器发射的光折射在所述待测设备后接收的光强度。
10.如权利要求6所述方法,其特征在于,所述装置还包括:
计算模块,用于将所述待测设备的检测结果输入所述神经网络模型,并计算检测准确率;
更新模块,用于在所述计算得到的准确率低于参考门限值时,由所述待测设备的检测结果更新所述神经网络模型。