CN111489539A - 家电系统故障的预警方法、系统及装置 - Google Patents
家电系统故障的预警方法、系统及装置 Download PDFInfo
- Publication number
- CN111489539A CN111489539A CN201910087119.XA CN201910087119A CN111489539A CN 111489539 A CN111489539 A CN 111489539A CN 201910087119 A CN201910087119 A CN 201910087119A CN 111489539 A CN111489539 A CN 111489539A
- Authority
- CN
- China
- Prior art keywords
- appliance system
- household appliance
- operating parameters
- household
- operation parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 25
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种家电系统故障的预警方法、系统及装置。其中，上述方法包括：获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；将所述多个运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息。本申请解决了当家电设备故障后，需等待维修人员上门维修，影响了用户对家电设备的使用，用户体验较差的技术问题。
Description
技术领域
本申请涉及智能家居领域，具体而言，涉及一种家电系统故障的预警方法、系统及装置。
背景技术
目前,家电设备的故障检测，通常是由当家电设备实际出现故障问题后，用户联系维修人员告知故障设备，使维修人员上门解决，维修人员需要携带多种预备工具上门检查，或维修。该过程耗费时间较长，并且，影响了用户对家电设备的使用，用户体验较差。
针对上述技术问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种家电系统故障的预警方法、系统及装置，以至少解决当家电设备故障后，需等待维修人员上门维修，影响了用户对家电设备的使用，用户体验较差的技术问题。
根据本申请实施例的一个方面，提供了一种家电系统故障的预警方法，该方法包括：获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；将所述多类运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息。
可选地，所述预设模型包括：前馈神经网络模型；所述前馈神经网络模型包括输入层、多个隐藏层和输出层，所述输入层中的每个神经元对应为每个类型的运行参数，所述输出层的输出对应为所述家电系统的输出，所述输入层根据所述运行参数的类型分为多个参数区，与所述输入层直接连接的隐藏层划分为多个隐藏区，所述多个隐藏区与所述多个参数区一一对应，每个参数区中的神经元仅与所对应的隐藏区中的神经元全连接。
可选地，所述多类运行参数包括：同一家电设备中不同部件的运行参数。
可选地，所述多类运行参数包括：所述家电系统中多个不同家电设备中的部件运行参数。
可选地，所述前馈神经网络中，相邻的两个隐藏层的神经元全连接，且所述输出层和与所述输出层直接连接的隐藏层的神经元全连接。
可选地，对所述故障概率是否超过预设阈值进行判断之后，所述方法还包括：当所述判断结果指示所述故障概率超过所述预设阈值时，则获取所述各个隐藏层的风险指数，确定风险指数最高的隐藏层，并确定所述隐藏层对应的运行参数的部件或设备。
根据本申请实施例的一个方面，提供了一种家电系统故障的预警系统，该系统包括：智能家居系统，用于获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；将所述多个运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息；终端，用于接收所述故障提示信息。
根据本申请实施例的一个方面，提供了一种家电系统故障的预警装置，该装置包括：获取模块，用于获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；分析模块，用于将所述多个运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；判断模块，用于对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息。
根据本申请实施例的一个方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的家电系统故障的预警方法。
根据本申请实施例的一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的家电系统故障的预警方法。
本申请通过获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；将所述多个运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息。实现了当家电系统的故障概率大于一定阈值时及时通知维修人员，对故障进行提前排除，减少了家电设备的故障率，提高了用户体验。进而解决了当家电设备故障后，需等待维修人员上门维修，影响了用户对家电设备的使用，用户体验较差的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种家电系统故障的预警方法的流程示意图；
图2是根据本申请实施例的一种家电系统故障的预警系统的结构示意图；
图3是根据本申请实施例的一种家电系统故障的预警装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请公开的方案中，智能家电系统通过对获取到的家电参数的分析实现当家电系统的故障概率大于一定阈值时及时通知维修人员，对故障进行提前排除，减少家电设备的故障率。
图1是根据本申请实施例的一种家电系统的故障的预警方法的流程示意图。如图1所示，该实施例至少包括以下实施步骤S102-S106；
步骤S102，获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；
在本申请的一些可选的实施例中，上述家电设备可以为空调、电视机、空气净化器、净水机、电冰箱、微波炉、洗衣机等常用家电设备。家电系统为多个家电设备组成的系统。
在本申请的一些可选的实施例中，获取多类运行参数的主体可以为智能家居系统，可实时或者周期性采集家电系统中的正在运行的家电设备的多类运行参数。其中，智能家居系统可以为家电系统中的其中一个家电设备，或者是单独的一个其他设备。
在本申请的一些可选的实施例中，所述多类运行参数可以为：同一家电设备中不同部件的运行参数。例如：空调中的压缩机的高压侧压力、压缩机的运行电流等参数。
在本申请的一些可选的实施例中，所述多类运行参数还可以为：所述家电系统中多个不同家电设备中的部件运行参数。例如：当前空调的运行功率、当前洗衣机的运行功率、空气净化器的功率、空调压缩机的高压侧压力等。
步骤S104，将所述多类运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；
在本申请的一些可选的实施例中，上述故障概率，可以为通过多次使家电设备以某组相同的运行参数进行运行，获取到的家电系统的故障次数与试验总次数的比值。
在本申请的一些可选的实施例中，所述预设模型可以为：前馈神经网络模型；所述前馈神经网络模型包括输入层、多个隐藏层和输出层，所述输入层中的每个神经元对应为每个类型的运行参数，所述输出层的输出对应为所述家电系统的输出，所述输入层根据所述运行参数的类型分为多个参数区，与所述输入层直接连接的隐藏层划分为多个隐藏区，所述多个隐藏区与所述多个参数区一一对应，每个参数区中的神经元仅与所对应的隐藏区中的神经元全连接。
在本申请的一些可选的实施例中，所述前馈神经网络中，相邻的两个隐藏层的神经元全连接，且所述输出层和与所述输出层直接连接的隐藏层的神经元全连接。
在本申请的一些可选的实施例中，前馈神经网络模型可通过以下方式训练：
设置所述前馈神经网络中的每个层的目标函数，其中，与输入层直接连接的隐藏层的目标函数包括该隐藏层中各个连接的权重的L1范数。
具体地，在前馈神经网络中，例如可以引入如下两种目标函数：
其中，假设有m个训练样本{(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))},m为训练样本的数目，x(i)为样本中的第i个输入(例如：家电系统中的冰箱的运行功率)，y(i)为样本中与输入x(i)对应的输出(家电系统的故障概率)；d(i)为与样本中的输入x(i)对应的、经过上述前馈神经网络的预测值，||W||1为连接的权重的L1范数，λ为系数。如上所述，可以在与输入层直接连接的隐藏层(第一隐藏层)使用E2作为目标函数，在第二隐藏层之后的层级中使用E1作为目标函数。E2相较于E1增加了L1范数，以对目标函数进行正则化。
设置所述前馈神经网络中的每个层的目标函数之后，根据目标函数进行迭代计算，得到各个连接的权重，其中，在迭代过程中，当与输入层直接连接的隐藏层中，隐藏层中一连接的权重的绝对值小于预定的值时，设定该连接的权重为零。例如可以应用误差反向传播算法，利用梯度下降法，通过反向传播不断调整神经网络的权重，使网络的误差平方和最小。误差反向传播算法通过最优化各层神经元的输入权重，使得神经网络的输出尽可能地接近期望输出，以达到训练的目的。
如上所述，可以利用梯度下降方法，通过前馈神经网络的每一次迭代对连接的权重进行更新，对应得到第1隐藏层的连接权重更新公式例如可以为：
其中，
表示第l-1层的第j个神经元到第l层的第i个神经元的连接在下一个循环中的权重，即更新后的权重，
表示第l-1层的第j个神经元到第l层第i个神经元的连接在当前循环中的权重，α为预设常数，表示步伐，其取值可以根据需求选取，例如可以取0-1之间的任意值。
而对于第一隐藏层(与输入层直接连接的隐藏层)，由于引入了L1范数正则化部分，采用截断梯度下降原理，如果更新后的
的绝对值小于预定的值(例如为1)，则设
从而达到参数稀疏化的目的，从而使模型更接近于实际。
其中，可以先确定各个层中神经元的输出与连接的权重的关系(例如以下公式(4))，设定初始权重，得到输出，结合上述记载的确定的目标函数(例如，公式(1)、(2))，确定出目标函数对各个连接的权重的偏导数(例如，以下公式(5)-(8))，再进一步根据误差反向传播算法(例如，利用权重更新公式(3)得到更新的权重，然后用更新的权重带入输出表达式(例如，以下公式(4))，得到更新的输出，如此循环。
对于各个层中的神经元的输出与连接的权重的关系，可以通过以下方式表示。设第l层的输出为
其中，s为第l层的神经元个数；
为第l-1层的第j个神经元的输出；
为第l-1层的第j个神经元到第l层的第i个神经元的连接的权重，那么第l层的第i个神经元的输出
可以表示为：
其中，sl-1为第l-1层的神经元个数，f(.)为激活函数，例如可以采用Sigmoid函数作为激活函数：
其导数为：
f'(x)＝f(x)(1-f(x))
根据公式(1)，当第l层为输出层时，第l层的第i个神经元的输出
为与样本中的输入x(i)对应的前馈神经网络的预测值d(i)。即，能够通过将公式(4)进行迭代计算，得出与样本中的输入x(i)对应的前馈神经网络的预测值d(i)。
对于每一个训练样本{x(i),y(i)}，在输出层不需要归一化处理，因此不需要使用激活函数。在本申请的另一些可选的实施例中，根据上述目标函数进行迭代计算，得到各个连接的权重的步骤可以包括以下步骤：
根据所述目标函数确定所述输出层的目标函数对各个连接的权重的偏导数为：
δ1 L＝-(d(i)-y(i)) (6)
各个隐藏层的目标函数对各个连接的权重的偏导数为：
根据所确定的各个连接的权重的偏导数，用误差反向传播算法进行迭代计算，得到各个连接的权重。
其中，L为前馈神经网络所包含的总层数；E(i)为第i个样本的目标函数；
为与输出层直接连接的隐藏层的第j个神经元到输出层的第l个神经元的连接的权重；
为与输出层直接连接的隐藏层的第j个神经元的输出；δ1 L为d(i)与y(i)的残差；d(i)为与样本中的输入x(i)对应的、经过前馈神经网络的预测值；y(i)为样本中与输入x(i)对应的输出；f(.)为激活函数；f′(.)为激活函数的导数；
为第l-1层的第j个神经元到第l层的第i个神经元的连接的权重；
为第l层的第i个神经元到第l+1层的第k个神经元的连接的权重；
为第l-1层的第j个神经元的输出；δi l为从输出层误差反向传导到第l层的残差，
为从输出层误差反向传导到第l+1层的残差，sl+1为第l+1层的神经元个数，sl-1为第l-1层的神经元个数。
该实施例中，应用误差反向传播算法，根据输出与连接的权重的关系、预设的目标函数、激活函数，设定初始连接权重，可以推导出上述连接权重的偏导数(公式(5)—(8))，再根据偏导数和上述权重的更新公式(3)可以确定出更新后的连接权重。具体细节此处不再赘述。
需要说明的是，对于上述迭代的终止条件，可以采用多种常用方式进行。例如，终止条件可以包括：目标函数的值小于预定的值、相邻两次目标函数的差值小于预定的值、或者迭代次数超过预定的次数。这样，确定出了各个连接的权重，就构建好了模型。
步骤S106，对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息。
在本申请的一些可选的实施例中，当所述故障概率超过预设阈值时，向终端发送故障提示信息，该终端可以为用户终端也可以为家电系统维修人员的终端。
在本申请的一些可选的实施例中，对所述故障概率是否超过预设阈值进行判断之后，还需执行以下步骤：当所述判断结果指示所述故障概率超过所述预设阈值时，则获取所述各个隐藏层的风险指数，确定风险指数最高的隐藏层，并确定所述隐藏层对应的运行参数的部件或设备。
在本申请的一些可选的实施例中，所述提示信息包含上述部件或设备信息，还可以包括所述家电系统所在的用户地址信息。
采用本申请实施例提供的方案，当家电系统的故障概率大于一定阈值时，可以及时通知维修人员，对故障进行提前排除，减少了家电设备的故障率，提高了用户体验。进而解决了当家电设备故障后，需等待维修人员上门维修，影响了用户对家电设备的使用，用户体验较差的技术问题。
本申请实施例还提供了一种家电系统故障的预警系统，图2是根据本申请实施例的一种家电系统故障的预警系统的结构示意图。该系统包括：智能家居系统22,、终端24；其中：
智能家居系统22，用于获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；将所述多个运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息；
终端24，用于接收所述故障提示信息。
需要说明的是，图2所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
本申请实施例还提供了一种家电系统故障的预警装置，图3是根据本申请实施例的一种家电系统故障的预警装置的结构示意图。
如图3所示，该装置包括：获取模块32、分析模块34、判断模块36；其中：
获取模块32，用于获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；
分析模块34，用于将所述多个运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；
判断模块36，用于对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息。
需要说明的是，图3所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
根据本申请实施例的另一个方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的家电系统故障的预警方法。
根据本申请实施例的另一个方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行上述的家电系统故障的预警方法。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种家电系统故障的预警方法，其特征在于，该方法包括：
获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；
将所述多类运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；
对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息。
2.根据权利要求1所述的方法，其特征在于，所述预设模型包括：前馈神经网络模型；所述前馈神经网络模型包括输入层、多个隐藏层和输出层，所述输入层中的每个神经元对应为每个类型的运行参数，所述输出层的输出对应为所述家电系统的输出，所述输入层根据所述运行参数的类型分为多个参数区，与所述输入层直接连接的隐藏层划分为多个隐藏区，所述多个隐藏区与所述多个参数区一一对应，每个参数区中的神经元仅与所对应的隐藏区中的神经元全连接。
3.根据权利要求1或2所述的方法，其特征在于，所述多类运行参数包括：同一家电设备中不同部件的运行参数。
4.根据权利要求1或2所述的方法，其特征在于，所述多类运行参数包括：所述家电系统中多个不同家电设备中的部件运行参数。
5.根据权利要求2所述的方法，其特征在于，所述前馈神经网络中，相邻的两个隐藏层的神经元全连接，且所述输出层和与所述输出层直接连接的隐藏层的神经元全连接。
6.根据权利要求1所述的方法，其特征在于，对所述故障概率是否超过预设阈值进行判断之后，所述方法还包括：当所述判断结果指示所述故障概率超过所述预设阈值时，则获取所述各个隐藏层的风险指数，确定风险指数最高的隐藏层，并确定所述隐藏层对应的运行参数的部件或设备。
7.一种家电系统故障的预警系统，其特征在于，该系统包括：
智能家居系统，用于获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；将所述多个运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息；
终端，用于接收所述故障提示信息。
8.一种家电系统故障的预警装置，其特征在于，该装置包括：
获取模块，用于获取多类运行参数,所述多类运行参数为家电系统中家电设备的运行参数,其中,所述家电系统包括多个家电设备；
分析模块，用于将所述多个运行参数输入预设模型进行分析,得到所述家电系统的故障概率,其中,所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本运行参数以及用于标识所述样本运行参数对应的家电系统的故障概率的标记；
判断模块，用于对所述故障概率是否超过预设阈值进行判断，根据判断结果确定是否向终端发送故障提示信息。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的家电系统故障的预警方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的家电系统故障的预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910087119.XA CN111489539A (zh) | 2019-01-29 | 2019-01-29 | 家电系统故障的预警方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910087119.XA CN111489539A (zh) | 2019-01-29 | 2019-01-29 | 家电系统故障的预警方法、系统及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111489539A true CN111489539A (zh) | 2020-08-04 |
Family
ID=71811467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910087119.XA Pending CN111489539A (zh) | 2019-01-29 | 2019-01-29 | 家电系统故障的预警方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111489539A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112099476A (zh) * | 2020-09-27 | 2020-12-18 | 珠海格力电器股份有限公司 | 故障预警方法、装置及系统、存储介质 |
| CN112560997A (zh) * | 2020-12-29 | 2021-03-26 | 珠海拓芯科技有限公司 | 故障识别模型训练方法、故障识别方法及相关装置 |
| CN113705896A (zh) * | 2021-08-30 | 2021-11-26 | 中国工商银行股份有限公司 | 目标设备的确定方法、装置及电子设备 |
| CN116402492A (zh) * | 2023-03-16 | 2023-07-07 | 广东省智能家电研究院 | 一种家电维修预警方法及其相关设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650918A (zh) * | 2016-11-25 | 2017-05-10 | 东软集团股份有限公司 | 构建系统模型的方法和装置 |
| CN106708016A (zh) * | 2016-12-22 | 2017-05-24 | 中国石油天然气股份有限公司 | 故障监控方法和装置 |
| CN107634857A (zh) * | 2017-09-22 | 2018-01-26 | 安徽师范大学 | 基于svm的故障检测模型构建及评估方法 |
| JP6275070B2 (ja) * | 2015-03-10 | 2018-02-07 | 三菱電機ビルテクノサービス株式会社 | 設備点検順位設定装置及びプログラム |
| CN108226711A (zh) * | 2018-01-05 | 2018-06-29 | 广东电网有限责任公司电力科学研究院 | 一种基于信息融合的电网故障诊断方法及装置 |
| CN108446734A (zh) * | 2018-03-20 | 2018-08-24 | 中科边缘智慧信息科技（苏州）有限公司 | 基于人工智能的磁盘故障自动预测方法 |
-
2019
- 2019-01-29 CN CN201910087119.XA patent/CN111489539A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6275070B2 (ja) * | 2015-03-10 | 2018-02-07 | 三菱電機ビルテクノサービス株式会社 | 設備点検順位設定装置及びプログラム |
| CN106650918A (zh) * | 2016-11-25 | 2017-05-10 | 东软集团股份有限公司 | 构建系统模型的方法和装置 |
| CN106708016A (zh) * | 2016-12-22 | 2017-05-24 | 中国石油天然气股份有限公司 | 故障监控方法和装置 |
| CN107634857A (zh) * | 2017-09-22 | 2018-01-26 | 安徽师范大学 | 基于svm的故障检测模型构建及评估方法 |
| CN108226711A (zh) * | 2018-01-05 | 2018-06-29 | 广东电网有限责任公司电力科学研究院 | 一种基于信息融合的电网故障诊断方法及装置 |
| CN108446734A (zh) * | 2018-03-20 | 2018-08-24 | 中科边缘智慧信息科技（苏州）有限公司 | 基于人工智能的磁盘故障自动预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112099476A (zh) * | 2020-09-27 | 2020-12-18 | 珠海格力电器股份有限公司 | 故障预警方法、装置及系统、存储介质 |
| CN112560997A (zh) * | 2020-12-29 | 2021-03-26 | 珠海拓芯科技有限公司 | 故障识别模型训练方法、故障识别方法及相关装置 |
| CN112560997B (zh) * | 2020-12-29 | 2024-10-18 | 宁波奥克斯电气股份有限公司 | 故障识别模型训练方法、故障识别方法及相关装置 |
| CN113705896A (zh) * | 2021-08-30 | 2021-11-26 | 中国工商银行股份有限公司 | 目标设备的确定方法、装置及电子设备 |
| CN116402492A (zh) * | 2023-03-16 | 2023-07-07 | 广东省智能家电研究院 | 一种家电维修预警方法及其相关设备 |
| CN116402492B (zh) * | 2023-03-16 | 2024-05-31 | 广东省智能家电研究院 | 一种家电维修预警方法及其相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489539A (zh) | 家电系统故障的预警方法、系统及装置 | |
| CN111652496B (zh) | 基于网络安全态势感知系统的运行风险评估方法及装置 | |
| CN109086889B (zh) | 基于神经网络的终端故障诊断方法、装置和系统 | |
| CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
| CN109117353B (zh) | 故障诊断结果的融合方法及装置 | |
| CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
| CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
| CN109061341A (zh) | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 | |
| CN109711453B (zh) | 一种基于多变量的设备动态健康状态评估方法 | |
| CN109407649B (zh) | 一种基于故障特征变量选择的故障类型匹配方法 | |
| CN112433896B (zh) | 一种服务器磁盘故障预测方法、装置、设备及存储介质 | |
| CN107037306A (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
| CN111612128A (zh) | 一种sf6高压断路器状态主动预警方法及装置 | |
| CN117216481B (zh) | 一种用于电器的远程监控方法及系统 | |
| CN105137354B (zh) | 一种基于神经网络电机故障检测方法 | |
| CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
| CN112257745A (zh) | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 | |
| CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
| CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
| Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
| CN108491878B (zh) | 一种基于多个误差生成模型的故障分类诊断方法 | |
| CN114529067A (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
| CN114970709B (zh) | 基于改进ga的数据驱动型ahu多故障诊断特征选择方法 | |
| CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控系统 | |
| CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |