具体实施方式

图1示出了电气外壳1，该电气外壳1包括用于断开电流的多个断开单元2，例如断路器；多个开关单元4，例如接触器或远程开关；以及根据本发明的声学检测装置6。

每个断开单元2或开关单元4允许以已知的方式管理在与该单元本身相关联的电气设备内流动的电流。

例如，断开单元2由嵌入式脱扣装置驱动，并且一旦发生电气故障就用于非常快速地中断电流。以这种方式，它们不同于例如接触器和远程开关的开关单元4，当开关单元接收到由设备外部的实体发送的开关命令时，它们本身就被开关。

实际上，断开单元2和开关单元4是包括开关机构的机电单元，该开关机构可在闭合状态和断开状态之间移动，以便选择性地允许或中断电流流过电气设备。这些单元中的每一个在开关期间，特别是当其从闭合状态转换为断开状态时，都会产生特定的噪声。

声学检测装置6特别地被配置为检测和识别由断开单元2的开关发出的噪声，这将在下面进行解释。

上面定义的电气外壳1表示用于电气设备的所有类型的容器，特别是电气外壳、电气配电盘、面板、接线盒、导管或电缆线路。电气外壳1优选地与例如配电设备的电气设备相关联。

优选地，检测装置6被安装在电气外壳1内的要监测的区域中，例如在电气外壳1的支柱中，优选地在支柱的顶部，并且将在下面详细描述。

作为变型，电气外壳1包括多个支柱，每个支柱具有其自己的检测装置6。

对于小尺寸的外壳(例如面板)，这两种解决方案是优选的。

作为变型，电气外壳1包括多个支柱，每个支柱配备有检测装置6，该检测装置6优选地安装在外壳的顶部，并且每个支柱配备有远程放置在要监测的区域中的麦克风。此变型适用于大尺寸的外壳。

作为变型，电气外壳1包括多个支柱，并且单个支柱配备有检测装置6，检测装置6优选地放置在外壳的顶部，单个支柱配备有远程放置在每个立柱中要监测的区域中的多个麦克风。换句话说，多个麦克风连接到同一检测装置6。

作为变型，电气外壳1包括多个支柱，其中一些支柱被划分成多个隔室，并且每个隔室包括独立的检测装置6。麦克风不必是远程的，并且可以被放置在检测装置6的壳体内部。

图2示意性地示出了检测装置6的一个实施例，其包括用于处理数据的电子控制单元8、连接到电子控制单元8的无线电通信接口10以及连接到电子控制单元8的麦克风12。

电子控制单元8能够执行根据本发明的用于检测配电箱中的断开单元的脱扣的方法。

例如，控制单元8包括处理器，例如可编程微控制器或微处理器，以及形成计算机可读数据存储介质的计算机存储器。

根据一些示例，存储器是ROM存储器、RAM存储器或EPROM、EEPROM、闪存或NVRAM非易失性存储器，或者光学存储器或磁性存储器。

存储器包括可执行指令和/或软件代码，该可执行指令和/或软件代码用于实现在处理器执行这些指令时以声学方式检测电气断开单元的脱扣的方法。

作为变型，控制单元8可以包括信号处理器(DSP)或可重编程逻辑部件(FPGA)，或专用集成电路(ASIC)或任何等效的电子电路。

无线电通信接口10可以被配置为实现或类型的短程无线电链路，或者Wi-Fi类型的无线电链路，或者3G、4G或5G类型的电信链路，等等。

下面参考图3详细描述用于检测脱扣的方法的一种示例性实施方式，图3示出了该方法的步骤的框图。

但是，作为变型，可以以不同的顺序执行步骤。某些步骤可能会省略。在其他实施例中，所描述的示例不阻止与所描述的步骤联合和/或顺序地实施其他步骤。

首先，在检测装置6能够检测到脱扣之前，优选地建立学习阶段，使得检测装置6识别与存在于外壳1中的一个或多个保护单元的脱扣相关的声学特征。

在第一步骤100中，通过向每个断开单元2注入对应于其电流额定值的预定断开电流来测试每个断开单元2以模拟电气故障。装置6通过其麦克风12记录断开时(即，当单元2从闭合状态转变为打开状态时)由单元2产生的噪声(断开噪声信号)。特别地，获取噪声的时间响应和频率响应。

获取由单元2产生的噪声的过程可以包括滤波和提取步骤，以便将由单元发出的声音与环境噪声区分开。

优选地，第一步骤100通过模拟多种类型的电气故障来实施，例如过载断开、由于差分电流引起的断开和短路断开，以便收集每种断开电流和每种故障类型的时间和频率响应。

在第二步骤102中，先前获取的断开噪声的信号被发送到机器学习系统，例如神经网络。

例如，机器学习系统可以由检测装置6的控制单元8和/或由检测装置6外部的计算机系统实现，该计算机系统仍可以与检测装置6通信。优选地，机器学习系统是监督学习系统。

一般而言，机器学习系统旨在识别电气外壳1的每个断开单元2的声学信号(时间响应和频率响应)，优选地针对每种类型的故障和/或断开等级。

为此，机器学习系统可以基于所获取的每个断开噪声信号来定义一个或多个统计属性。属性的定义使得能够表征断开单元2的噪声，以便能够随后识别这些特征并将其与其他噪声(环境噪声、开关单元4的开关噪声)隔离。

换句话说，对于每个类型的故障和/或断开等级，每个单元2的声学特征由一个或多个统计属性定义。

下面将参考图5至图7描述统计属性的示例。

如此获取的声学特征可以被记录在数据库中，该数据库可以被存储在单独的计算机系统中。

图4显示了通过机器学习系统实现的神经网络对声学特征进行分类的示例。

例如，学习系统提供表征断开噪声的离散值作为输出，该离散值布置在多维空间中。图4示出了多维参考系，其中点50代表值，该值表征针对不同的断开电流，不同的断开单元2的断开噪声。如上所述，针对不同的断开电流分析每个断开单元2。

在第三步骤104中，执行产生离散值分组的处理，以创建决策类别52。例如，第一类别52A将代表120A低额定值单元的过载断开噪声的值组合在一起，第二类别52B将代表160A到630A之间的额定值的单元的短路断开噪声的值组合在一起，等等。

有利地，在学习阶段期间，这次可以利用外壳1中存在的开关单元4(例如接触器和远程开关)来实现类似于步骤100至104的步骤，使得检测装置6学会不检测这些单元的开关。

因此，在第四步骤106中，通过向每个开关单元4注入预定电流来对其进行测试，以使其进行开关并通过麦克风12记录在开关时由开关单元4产生的噪声(开关噪声信号)。

执行前面的步骤是为了收集在给定电流下每个开关操作的时间和频率响应。

在第五步骤108中，所述开关噪声信号被离散化，被发送到机器学习系统，优选地与第二步骤102中已经使用的系统相同，以便如上所述获得离散的开关值，以便丰富由于步骤100到104已经建立的数据库。在图4中，点54表示不同开关单元4的开关噪声的值。

在第六步骤110中，将离散的开关值与离散的断开值区分开，该步骤包括将与断开单元2相关联的噪声与和开关单元相关联的噪声区分开。对应于开关噪声并且在决策类别52之内的每个开关值导致对决策类别52进行调整，以将其排除。

例如，在图4中，位于类别52的周界内的点54引起修改，其中所讨论的类别的体积减小从而排除了该点，从而给出了缩小的类别52C。

因此，决策类别52被链接并且代表断开单元2的脱扣的声学特征。

如上所述，步骤100至110形成了根据本发明的方法的第一部分的一部分，称为学习阶段。

在下文中，将描述根据本发明的方法的第二阶段，称为检测阶段。属于该第二阶段的步骤在设备1中的检测装置6的实际操作期间实施，并且例如由检测装置6本身实施。

特别要理解的是，该方法的第二阶段的步骤可以与学习阶段分开地实施。例如，步骤100至110可以替换为预配置的数据库。

在步骤112中，电子控制单元8通过麦克风12获取由电气外壳1的断开单元2或开关单元4之一产生的单位噪声的信号。

例如，检测装置6通过麦克风12连续记录在外壳1中的噪声。可以在一连串的连续时间段内记录噪声。

在步骤114中，将所获取的装置噪声信号离散化，并发送给神经网络，并将所获得的值与决策类别52进行比较，该决策类别52是从学习中在数据库中定义的。

如果获得的值在决策类别52之内，则电子控制单元8在步骤116中向无线电通信接口10发送警报信号，该无线电通信接口又传送警报信号。优选地，警报信号被传送到客户的便携式单元。

优选地，电子控制单元8能够在决策类别52之间进行区分。在这种情况下，它也将代表故障类别的信号发送到无线电通信接口10。警报信号还包含此类别信号信息。借助此信息，客户可以根据紧急程度做出响应，并在必要时进行快速干预。

有利地，从学习中获得的数据库可以在单元6的操作期间被更新。

例如，如果发送了错误警报，则通过重复学习阶段并因此重复该方法的步骤106至110，可以将产生该警报的噪声用于修改决策类别52。例如，在错误警报之后去检查外壳1的用户可以在其便携式单元上指示是错误警报。检测装置6获取该信息并例如通过改变与所讨论的声学特征的统计属性相关联的属性来更新数据库。

有利地，可以添加特定于断开单元2的脱扣的声音，以便根据临界度对其进行分类。

例如，至关重要的断开单元2之一在电气外壳中配备有机械装置等，例如铃，以便在开关期间发出特定声音，该特定声音与外壳的其他单元发出的声音是不同的。如以上步骤中所述，该特定声音由检测装置6通过训练预先学习。

一般而言，为了清楚地表征开关单元2的噪声，定义了这些噪声的统计属性，以便表征它们，从而将它们与其他噪声隔离。

该步骤包括分析噪声的时间响应和/或频率响应，以便从中提取断开单元2特有的特性。

图5至图7是分别示出由检测装置6记录的断开单元的脱扣噪声的示例的曲线图，并且其中定义了不同的统计属性。

在图5中，可以在时间曲线200上看到参数B(或属性B)，该时间曲线表示记录的信号的声音幅度随时间的变化。参数B表示断开噪声信号的强度保持高于断开噪声信号的最大强度的80％的持续时间(ms)。

仍然在图5中，可以看到特定于差动断路器的特性。在差动断路器中，通常会出现这种形状，这是由运动链中存在的“松散”零件的运动引起的。为了表征信号的该特定方面，可以在时间曲线上定义属性C，该属性C表示在达到断开噪声信号强度的80％之前25ms测得的拐点。拐弯的幅度优选地应高于断开噪声信号的强度的1.5％。

在图6中，可以看到频率曲线204，该频率曲线表示记录在频域中的信号的声音幅度，并且可以定义代表有利于接触器的频率范围Δ的频率属性，该频率属性是在第一次达到断开噪声信号的强度的100％时或断开噪声信号的平均强度大于46％时的频率测量值。

在图7中，可以在时间信号206的“尾部”看到参数D，该参数D是“反弹”的测量值，是接触器的噪声所特有的拐点。

当然，这些统计属性的例子不是限制性的，并且除了上述定义的统计属性之外或代替于上述定义的统计属性，可以定义和使用其他统计属性。

上面设想的实施例和变型可以彼此组合，以产生新的实施例。