CN110647894B - 电器设备的故障诊断方法、系统、云端服务器及存储介质 - Google Patents
电器设备的故障诊断方法、系统、云端服务器及存储介质 Download PDFInfo
- Publication number
- CN110647894B CN110647894B CN201810582950.8A CN201810582950A CN110647894B CN 110647894 B CN110647894 B CN 110647894B CN 201810582950 A CN201810582950 A CN 201810582950A CN 110647894 B CN110647894 B CN 110647894B
- Authority
- CN
- China
- Prior art keywords
- electrical equipment
- panel image
- operation data
- image
- panel
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种电器设备的故障诊断方法，包括：获取电器设备的运行数据以及所述电器设备的面板图像；获取所述电器设备的类型信息；根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。本发明实施例还公开了一种云端服务器、电器设备的故障诊断系统及计算机存储介质。
Description
技术领域
本发明涉及电器设备领域，尤其涉及一种电器设备的故障诊断方法、系统、云端服务器及计算机存储介质。
背景技术
现有的家电设备的故障诊断方法通常是收集家电设备的运行数据，并通过对收集的家电设备的运行数据进行分析而获得相应的诊断结果。例如，云端服务器通过收集家电设备中的控制端如单片机所记录的功能按键数据，分析该家电设备是否出现故障以及出现故障时对应的故障原因等信息。然而，单纯依靠家电设备的运行数据进行故障诊断对于某些故障并不能有效的识别，比如，当根据收集的电饭煲的运行数据确认该电饭煲已通电时，若该电饭煲的控制面板上的通电状态指示灯未被点亮，将无法获得通电状态指示灯出现故障的诊断结果，从而导致对家电设备的故障诊断结果的精准度不高。
发明内容
有鉴于此，本发明实施例提供了一种能够提高故障诊断结果的精准度的电器设备的故障诊断方法、系统、云端服务器及计算机存储介质。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明实施例提供了一种电器设备的故障诊断方法，应用于云端服务器，所述方法包括：
获取电器设备的运行数据以及所述电器设备的面板图像；
获取所述电器设备的类型信息；
根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。
上述方案中，所述根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
当所述第一工作状态与所述第二工作状态不匹配时，根据所述面板图像定位所述电器设备的故障类型。
上述方案中，所述根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
根据所述第一工作状态确定参考面板图像；
当所述第一工作状态对应的参考面板图像与所述面板图像不匹配时，根据所述面板图像定位所述电器设备的故障类型。
上述方案中，所述根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：
所述根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
根据所述第二工作状态确定参考运行数据；
当所述参考运行数据与所述运行数据不匹配时，根据所述面板图像定位所述电器设备的故障类型。
上述方案中，所述根据所述面板图像定位所述电器设备的故障类型，包括：
提取所述面板图像的第一特征向量；
根据所述第一特征向量以及设置的图像库中与目标工作状态对应的各故障类型的面板图像的第二特征向量，计算所述面板图像与所述各故障类型的面板图像之间的相似度值；所述目标工作状态为所述运行数据对应表征的所述电器设备的工作状态；
将与所述面板图像之间具有最大相似度值的故障类型的面板图像所对应的故障类型作为所述电器设备的故障类型。
上述方案中，所述获取所述电器设备的类型信息，包括：
对所述运行数据进行分析，根据所述运行数据包含的类型参数确定所述电器设备的类型信息；或，
对所述面板图像进行识别，根据所述面板图像包含的图像特征确定所述电器设备的类型信息；或，
获取设置的输入操作指令，基于所述输入操作指令确定所述电器设备的类型信息。
上述方案中，所述对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态，包括：
将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理；
将所述降采样处理后的图像特征映射到所述电器设备属于不同工作状态的概率。
上述方案中，所述将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理之前，还包括：
获取标准面板图像以及所述标准面板图像对应的工作状态类别，对初始的神经网络模型进行迭代训练，得到训练后的所述状态分类模型。
第二方面，本发明实施例提供了一种云端服务器，包括：
第一获取模块，用于获取电器设备的运行数据以及所述电器设备的面板图像；
第二获取模块，用于获取所述电器设备的类型信息；
处理模块，用于根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。
上述方案中，所述处理模块，具体用于：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
当所述第一工作状态与所述第二工作状态不匹配时，根据所述面板图像定位所述电器设备的故障类型。
上述方案中，，所述处理模块，具体用于：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
根据所述第一工作状态确定参考面板图像；
当所述第一工作状态对应的参考面板图像与所述面板图像不匹配时，根据所述面板图像定位所述电器设备的故障类型。
上述方案中，，所述处理模块，具体用于：
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
根据所述第二工作状态确定参考运行数据；
当所述参考运行数据与所述运行数据不匹配时，根据所述面板图像定位所述电器设备的故障类型。
上述方案中，，所述处理模块，具体用于：
提取所述面板图像的第一特征值；
根据所述第一特征值以及设置的图像库中与目标工作状态对应的各故障类型面板图像的第二特征值，计算所述面板图像与所述设置的图像库中与目标工作状态对应的各故障类型面板图像之间的相似度值；所述目标工作状态为所述运行数据对应表征的所述电器设备的工作状态；
将与所述面板图像之间具有最大相似度值的故障类型面板图像所对应的故障类型作为所述电器设备的故障类型。
上述方案中，，所述第二获取模块，具体用于：
对所述运行数据进行分析，根据所述运行数据包含的类型参数确定所述电器设备的类型信息；或，
对所述面板图像进行识别，根据所述面板图像包含的图像特征确定所述电器设备的类型信息；或，
获取设置的输入操作指令，基于所述输入操作指令确定所述电器设备的类型信息。
上述方案中，，所述处理模块，具体用于：
将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理；
将所述降采样处理后的图像特征映射到所述电器设备属于不同工作状态的概率。
上述方案中，所述处理模块，还用于：
获取标准面板图像以及所述标准面板图像对应的工作状态类别，对初始的神经网络模型进行迭代训练，得到训练后的所述状态分类模型。
第三方面，本发明实施例提供了一种云端服务器，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，实现第一方面所述电器设备的故障诊断方法。
第四方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质中存储有电器设备的故障诊断程序，所述电器设备的故障诊断程序被处理器执行时实现如第一方面所述方法的步骤。
第五方面，本发明实施例提供了一种电器设备的故障诊断系统，所述电器设备的故障诊断系统包括电器设备、客户端和如第二方面或第三方面所述的云端服务器；其中，
所述电器设备，用于采集所述电器设备的运行数据，并将所述运行数据向所述云端服务器发送；
所述客户端，用于采集所述电器设备的面板图像，并将所述面板图像向所述云端服务器发送；
所述云端服务器，还用于将所述故障诊断结果向所述客户端发送。
第六方面，本发明实施例提供了一种电器设备的故障诊断系统，所述电器设备的故障诊断系统包括电器设备和如第二方面或第三方面所述的云端服务器；其中，
所述电器设备，用于采集所述电器设备的运行数据以及所述电器设备的面板图像，并将所述运行数据和所述面板图像向所述云端服务器发送。
本发明实施例提供的电器设备的故障诊断方法、系统、云端服务器及计算机存储介质，获取电器设备的运行数据以及所述电器设备的面板图像、所述电器设备的类型信息后，根据所述电器设备的类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。如此，通过结合电器设备的运行数据以及面板图像对电器设备进行故障诊断，解决了单纯依靠电器设备的运行数据无法全面定位故障的问题，提高了电器设备的故障诊断结果的精准度。
附图说明
图1为本发明一实施例中电器设备的故障诊断方法的应用环境示意图；
图2为本发明另一实施例中电器设备的故障诊断方法的应用环境示意图；
图3为本发明一实施例中电器设备的故障诊断方法的流程示意图；
图4为本发明一实施例中云端服务器的结构示意图；
图5为本发明另一实施例中云端服务器的结构示意图；
图6为本发明一实施例中电器设备的故障诊断系统的结构示意图；
图7为本发明另一实施例中电器设备的故障诊断系统的结构示意图；
图8为本发明又一实施例中电器设备的故障诊断系统的结构示意图。
具体实施方式
以下结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1为本发明实施例所提供的电器设备的故障诊断方法的一可选的应用环境示意图，包括电器设备10、客户端11和云端服务器13，所述电器设备10和客户端11通过网络12与云端服务器13连接。电器设备10采集自身的运行数据，将所述运行数据经过网络12发送给云端服务器13。客户端11采集电器设备10的面板图像，将所述面板图像经过网络12发送给云端服务器13。云端服务器13获取到电器设备10的运行数据以及所述电器设备10的面板图像、所述电器设备的类型信息后，根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备10的工作状态不匹配时，获取故障诊断结果，并经过网络12向客户端11发送所述故障诊断结果。从而解决了单纯依靠电器设备的运行数据无法全面定位故障的问题，提高了电器设备的故障诊断结果的精准度。该电器设备10可以是电饭煲、电压力锅、自动炒菜机、冰箱、洗衣机、热水器等；该客户端可以是手机、平板电脑等。
图2为本发明实施例所提供的电器设备的故障诊断方法的另一可选的应用环境示意图，包括电器设备10和云端服务器13，所述电器设备10通过网络12与云端服务器13连接。电器设备10采集自身的运行数据和面板图像，将所述运行数据和所述面板图像经过网络12发送给云端服务器13。云端服务器13获取到电器设备10的运行数据以及所述电器设备10的面板图像、所述电器设备的类型信息后，根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备10的工作状态不匹配时，获取故障诊断结果，并经过网络12向电器设备10发送所述故障诊断结果。从而解决了单纯依靠电器设备的运行数据无法全面定位故障的问题，提高了电器设备的故障诊断结果的精准度。该电器设备10可以是电饭煲、电压力锅、自动炒菜机、冰箱、洗衣机、热水器等。
参见图3，为本发明实施例提供的一种电器设备的故障诊断方法，可应用于如上述图1或图2所示的云端服务器中，包括以下步骤：
S101：获取电器设备的运行数据以及所述电器设备的面板图像；
云端服务器获取电器设备的运行数据可以是：当电器设备发生故障，如检测到异常操作指令时，电器设备将当前运行数据或者设置时间段内的运行数据向云端服务器发送，云端服务器接收电器设备发送的当前运行数据或设置时间段内的运行数据；或者，电器设备以设定的时间周期将当前运行数据或设置时间段内的运行数据向云端服务器发送，云端服务器接收电器设备发送的当前运行数据或设置时间段内的运行数据；或者，电器设备基于用户输入的设置操作而将当前运行数据或者设置时间段内的运行数据向云端服务器发送，云端服务器接收电器设备发送的当前运行数据或设置时间段内的运行数据。
云端服务器获取电器设备的面板图像可以是：当电器设备发生故障时，如检测到异常操作指令时，电器设备将当前面板图像或者设置时间段内的面板图像向云端服务器发送，云端服务器接收电器设备发送的当前面板图像或设置时间段内的面板图像；或者，电器设备以设定的时间周期将当前面板图像或设置时间段内的面板图像向云端服务器发送，云端服务器接收电器设备发送的当前面板图像或设置时间段内的面板图像；或者，电器设备基于用户输入的设置操作而将当前面板图像或者设置时间段内的面板图像向云端服务器发送，云端服务器接收电器设备发送的当前面板图像或设置时间段内的面板图像。
云端服务器获取电器设备的面板图像也可以是：当客户端检测到电器设备发生故障时，客户端将采集的电器设备当前面板图像或者设置时间段内的面板图像向云端服务器发送，云端服务器接收客户端发送的电器设备当前面板图像或设置时间段内的面板图像；或者，客户端以设定的时间周期将采集的电器设备当前面板图像或设置时间段内的面板图像向云端服务器发送，云端服务器接收电器设备发送的当前面板图像或设置时间段内的面板图像；或者，客户端基于用户输入的设置操作而将采集的电器设备当前面板图像或者设置时间段内的面板图像向云端服务器发送，云端服务器接收客户端发送的电器设备当前面板图像或设置时间段内的面板图像。
可以理解地，目前随着智能电器设备的发展，电器设备大部分均具有网络接入功能，不仅可以接入到家庭的无线仿真(WIFI，Wireless Fidelity)网络，还可以通过接入蜂窝移动网络来实现与外部服务器之间的连接。所述电器设备获取自身的运行数据可以是通过安装于自身的设定应用程序进行采集的。当所述电器设备采用具有截屏功能的电器设备时，所述电器设备的面板图像可以是基于安装于自身的设定应用程序，以设定的时间周期或者接收到设置指令时通过启动截屏功能而操作获得的。如此，通过电器设备采集并发送自身的运行数据以及面板图像，能够确保运行数据与面板图像在时间上的一致性。当所述电器设备不具有截屏功能时，所述电器设备的面板图像可以由具有摄像头等图像捕捉设备的手机、平板电脑等终端设备进行采集，并由该终端设备发送给与该终端设备建立有通信连接的电器设备或者直接发送给云端服务器。所述客户端包括但不限于具有摄像头等图像捕捉设备的手机、平板电脑等。所述客户端获取电器设备的面板图像可以是通过安装于自身的设定应用程序，以设定的时间周期或者接收到设置指令时通过启动图像捕捉设备而操作获得的。如此，通过客户端采集并发送电器设备的面板图像，能够确保采集的电器设备的面板图像的准确性和快速性。
需要说明的是，为了确保获取的运行数据与面板图像在时间上的一致性，可以对电器设备的运行数据的获取时间或采集时间进行标记，相应的，也可以对电器设备的面板图像的获取时间或采集时间进行标记。在一可选的实施方式中，用作分析的所述电器设备的面板图像的采集时间与所述电器设备的运行数据的采集时间应相同，或者用作分析的所述电器设备的面板图像是在一设定周期内的任意时间点获取的，而用作分析的所述电器设备的运行数据包括在该设定周期内获取的所有所述电器设备的运行数据。其中，所述运行数据是指用于记录电器设备运行状况的工作数据，包括工作状态标识、运行参数信息等。所述运行数据通常可以用于表征该电器设备的工作状态。通常，电器设备具有一种或多种工作状态，该电器设备通常包括能够对应显示该电器设备的当前工作状态的面板。具体的，面板上可以包括由物理按键或者虚拟按键组成的功能按键，用户可通过在电器设备的面板上选择相应的功能按键而设置电器设备工作于对应的工作状态。以电器设备为冰箱为例，所述工作状态可以是制冷状态、常温状态、保鲜状态，冰箱包括面板，面板上对应的功能按键包括制冷按键、常温按键、保鲜按键。所述运行数据包括但不限于执行所述工作状态的起始时间、当前时间、所执行的工作指令等。
需要说明的是，当一个工作状态包含有一个或多个不同工作阶段时，所述运行数据还可以包含表征电器设备当前处于所述工作状态中的哪个工作阶段的信息。以电器设备为电饭煲为例，电饭煲的工作状态通常对应有煮饭状态、煲汤状态，电饭煲包括面板，面板上对应的功能按键包括煮饭按键、煲汤按键，而电饭煲在煮饭状态时通常需要依次工作于加热阶段、沸腾阶段、保温阶段，而根据电饭煲的运行数据中包含的当前内锅的顶部温度和底部温度以及电饭煲的内锅温差范围与各工作阶段之间的对应关系，可确定电饭煲当前处于煮饭状态的哪个工作阶段。
此外，所述运行数据还可以包含用于表征电器设备类型的类型参数，而根据所述类型参数可确定所述电器设备的类型信息。所述电器设备的类型信息用于确定所述电器设备的类型，比如确定电器设备是冰箱还是电饭煲及其对应的型号。例如，该类型参数具体可以是包含有生产厂家、设备名称、产品编号、用途等信息的产品型号。由于不同生产厂家所生产的电器设备的产品型号等类型参数不同，甚至同一生产厂家所生产的电器设备的产品型号等类型参数也不同，而产品型号不同的电器设备的功能、设备参数等信息也可能不同。因此，根据所述运行数据也可以直接确定电器设备的类型信息。例如，当不确定电器设备是冰箱或电饭煲时，若电器设备的运行数据中既包含有加热时间、加热功率，又包含有压力等参数时，可确定电器设备为电饭煲。
可以理解地，由于电器设备的面板上有与各种工作状态对应的物理按键或数字按键，且每个按键自身可作为状态指示灯，或每个按键旁边设置有对应的状态指示灯，以指示该按键对应的工作状态是否被选择。因此，根据获取的电器设备的面板图像可获知各状态指示灯的状态，而状态指示灯的状态可用于表征电器设备的运行状态。以电器设备为电饭煲为例，电饭煲的控制面板包含有煮饭键、煲汤键等，且每个功能键可作为状态指示灯，当根据电器设备的面板图像获知煮饭键对应的状态指示灯所处位置的亮度远大于附近位置的亮度时，可获知煮饭键对应的状态指示灯被点亮。
在一可选的实施方式中，所述云端服务器接收客户端发送的所述电器设备的面板图像之前，还可包括：接收所述客户端发送的所述电器设备的第一标识信息和所述客户端的第二标识信息，并将所述电器设备的第一标识信息和所述客户端的第二标识信息进行绑定和存储。如此，当接收到客户端发送的电器设备的面板图像后，可获知与该客户端对应的电器设备。这里，客户端可通过与电器设备建立的通信连接、或通过扫描电器设备的二维码等标识、或通过接收用户输入的携带有电器设备标识的操作指令，而获取该电器设备的第一标识信息，然后将该电器设备的第一标识信息和客户端自身的第二标识信息向云端服务器发送，以使云端服务器将所述电器设备的第一标识信息和所述客户端的第二标识信息进行绑定和存储。所述第一标识信息可以是电器设备的二维码标识、产品型号等，所述第二标识信息可以是移动设备身份码、手机号码、用户账号等。如此，可以根据客户端的第二标识信息获知与该客户端绑定的电器设备的第一标识信息。此外，客户端也可将电器设备的第一标识信息与所述电器设备的面板图像一起发送给云端服务器。
S102：获取所述电器设备的类型信息；
可以理解地，由于属于不同类别的电器设备的面板和/或运行数据不相同，或者属于同一类别但类型不同的电器设备的面板和/或运行数据可能也不相同，因此，需要获取电器设备的类型信息，进而依据电器设备的类型信息确定与所述电器设备的运行数据和面板图像分别对应表征的工作状态等信息。所述电器设备的类型信息可以根据所述电器设备的运行数据、面板图像以及接收的携带有电器设备的类型信息的输入操作指令等进行确定。
在一可选的实施方式中，所述获取所述电器设备的类型信息，包括：
对所述运行数据进行分析，根据所述运行数据包含的类型参数确定所述电器设备的类型信息；或，
对所述面板图像进行识别，根据所述面板图像包含的图像特征确定所述电器设备的类型信息；或，
获取设置的输入操作指令，基于所述输入操作指令确定所述电器设备的类型信息。
可以理解地，不同类型的电器设备的类型参数不同时，从而可根据所述运行数据包含的类型参数直接确定所述电器设备的类型信息。例如，对于两台不同型号的电饭煲，由于产品型号参数不同，则可根据产品型号参数直接确定每台电饭煲的类型信息。
所述对所述面板图像进行识别，根据所述面板图像包含的图像特征确定所述电器设备的类型信息，可以是：将所述面板图像输入类型分类模型，通过所述类型分类模型提取所述面板图像的图像特征，计算将所述图像特征映射到所述电器设备属于不同类型的概率。可以理解地，当将所述面板图像输入设置的类型分类模型后，所述类型分类模型将计算所述面板图像属于不同类型的电器设备的概率，并将最大概率所对应的电器设备的类型作为所述电器设备的类型信息。这里，类型分类模型的获取可以是与如前所述的状态分类模型的获取方式相似，即类型分类模型也可以是基于已知的图像数据集预训练得到的初始神经网络模型进行训练后得到，具体包括：获取标准面板图像以及所述标准面板图像对应的电器设备的类型信息，对初始的神经网络模型进行迭代训练，得到训练后的所述类型分类模型。
这里，所述标准面板图像指电器设备处于不同工作状态下或处于不工作状态下，电器设备的面板所呈现出的图像。此外，当根据所述面板图像确定所述电器设备的类型信息后，还可以将所述面板图像和所述面板图像对应的电器设备的类型信息作为训练样本继续训练所述类型分类模型，以使训练样本更丰富，进一步提高所述类型分类模型的分类精度。如此，通过预先建立针对面板图像和电器设备的类型信息的类型状态分类模型，以对面板图像对应表征的电器设备的类型信息进行精准识别。
所述获取设置的输入操作指令，基于所述输入操作指令确定所述电器设备的类型信息，可以是：当电器设备采用具备输入功能的电器设备时，用户向电器设备输入携带有用于表征电器设备的类型的操作指令后，电器设备将所述操作指令向云端服务器发送，以使云端服务器根据所述操作指令确定所述电器设备的类型信息；或者，客户端接收用户输入用于表征电器设备的类型的操作指令，由客户端将所述操作指令向云端服务器发送，云端服务器根据所述操作指令确定所述电器设备的类型信息。
S103：根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。
具体地，基于步骤S101中获取的电器设备的运行数据、和用于表征运行状态的所述电器设备的面板图像以及步骤S102中获取的电器设备的类型信息进行分析，确定所述运行数据表征的工作状态与所述面板图像表征的工作状态不匹配时，即确定所述电器设备出现故障时，获取故障诊断结果。
可以理解地，由于所述运行数据包含有用于表征电器设备的工作状态的状态标识以及与电器设备运行相关的工作参数，而根据所述面板图像也可获知电器设备的工作状态，因此，根据所述运行数据表征的工作状态与所述面板图像表征的工作状态是否匹配，可以获知包含电器设备是否出现故障以及出现故障时的故障原因或类型等信息的诊断结果。需要说明的是，所述运行数据表征的工作状态与所述面板图像表征的工作状态是否匹配，可以是所述运行数据表征的工作状态与所述面板图像表征的工作状态是否相同。此外，所述运行数据表征的工作状态可以是一个或多个，所述面板图像表征的工作状态也可以是一个或多个。
在一可选的实施方式中，所述根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；以及，当所述第一工作状态与所述第二工作状态不匹配时，根据所述面板图像定位所述电器设备的故障类型。
可以理解地，所述根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态，可以是根据电器设备的类型信息从状态数据库中获取该电器设备在各种工作状态下正常工作的状态标识等参数，然后与该电器设备当前的运行数据中包含的状态标识等参数进行比较，从而确定所述电器设备的第一工作状态。所述状态数据库中包含有不同类型的电器设备在各种工作状态下正常工作的状态标识等参数，可以根据实际需要进行预先设定并可实时进行更新。以电器设备为电饭煲为例，假设电饭煲在正常煮饭状态下对应的状态标识为“1”，煲汤状态下对应的状态标识为“2”，若电饭煲当前的运行数据中包含的状态标识为“1”，则可确定该电饭煲当前处于煮饭状态。当电器设备的面板图像对应表征的所述电器设备的第二工作状态与电器设备的运行数据对应表征的所述电器设备的第一工作状态不匹配时，说明所述电器设备出现了故障，则需要进一步定位所述电器设备的故障类型。以电器设备为电饭煲为例，若根据电器设备的运行数据确定当前处于煮饭状态，而根据电器设备的面板图像确定煮饭状态指示灯未被点亮，由于电饭煲在煮饭状态时煮饭状态指示灯应被点亮，因此可定位煮饭状态指示灯出现故障或煮饭状态指示灯对应的工作指令出现故障。当根据电器设备的运行数据进一步确定煮饭状态指示灯对应的工作指令正常时，可最终定位是煮饭状态指示灯出现故障。
在一可选的实施方式中，所述根据所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；根据所述第一工作状态确定参考面板图像；当所述第一工作状态对应的参考面板图像与所述面板图像不匹配时，根据所述面板图像定位所述电器设备的故障类型。
可以理解地，所述根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态，可以是根据所述电器设备的类型信息从状态数据库中获取该电器设备在各种工作状态下正常工作的状态标识等参数，然后与该电器设备当前的运行数据中包含的状态标识等参数进行比较，从而确定所述电器设备的第一工作状态。所述状态数据库中包含有不同类型的电器设备在各种工作状态下正常工作的状态标识等参数，可以根据实际需要进行预先设定并可实时进行更新。所述根据所述第一工作状态确定参考面板图像，可以是根据所述第一工作状态从图像数据库中获取与所述电器设备的第一工作状态对应的参考面板图像。以电饭煲为例，煮饭状态对应的参考面板图像应该是煮饭状态指示灯被点亮，而其他状态指示灯未被点亮。所述第一工作状态对应的参考面板图像与所述面板图像是否匹配可根据设定的判断条件进行判定，比如设定的判断条件可以是图像之间的相似度值等于或大于95％，则当计算出所述第一工作状态对应的参考面板图像与所述面板图像之间的相似度值小于95％时，可判定所述第一工作状态对应的参考面板图像与所述面板图像不匹配，从而根据所述面板图像定位所述电器设备的故障类型。如此，实现了根据电器设备的运行数据和面板图像能够对电器设备的故障进行准确诊断。
在一可选的实施方式中，所述根据所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；根据所述第二工作状态确定参考运行数据；当所述参考运行数据与所述运行数据不匹配时，根据所述面板图像定位所述电器设备的故障类型。
可以理解地，所述对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态，可以是：将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理；将所述降采样处理后的图像特征映射到所述电器设备属于不同工作状态的概率。这里，所述状态分类模型中可以包含有多个子状态分类模型，且每个子状态分类模型对应一种类型的电器设备的工作状态分类，当所述状态分类模型获取到输入的所述面板图像和所述类型信息后，根据所述类型信息确定对应的子状态分类模型，从而由该子状态分类模型确定所述面板图像对应表征的所述电器设备的第二工作状态，即计算所述面板图像对应表征的属于不同工作状态的概率，并将最大概率所对应的工作状态作为所述面板图像对应表征的所述电器设备的第二工作状态。在计算过程中，可通过降采样处理等降维方式减少非必要的图像特征的数量，从而提高计算效率。在实际应用中，所述状态分类模型的建立可以采用贝叶斯分类算法、神经网络算法、句法模式识别法等图像识别方法，本实施例中以所述状态分类模型为神经网络模型为例。所述根据所述第二工作状态确定参考运行数据，可以是根据所述电器设备的类型信息从运行数据库中获取与所述第二工作状态对应的参考运行数据。所述运行数据库中包含有不同类型的电器设备在各种工作状态下正常工作的参考运行数据等信息，可以根据实际需要进行预先设定并可实时进行更新。所述参考运行数据与所述运行数据是否匹配可根据运行数据所包含的能够体现工作状态的主要工作参数、状态标识等进行确定。以电饭煲为例，当电饭煲的面板图像对应表征所述电饭煲处于煮饭状态，并确定煮饭状态对应的参考运行数据中指示需要给煮饭状态指示灯通电，而电饭煲的运行数据中未给煮饭状态指示灯通电，可确定所述参考运行数据与所述运行数据不匹配。
在一可选的实施例中，所述对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态，包括：将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理；将所述降采样处理后的图像特征映射到所述电器设备属于不同工作状态的概率。
所述状态分类模型用于对电器设备的面板图像进行识别以确定该面板图像所对应表征的该电器设备的工作状态。在实际应用中，所述状态分类模型的建立可以采用贝叶斯分类算法、神经网络算法、句法模式识别法等图像识别方法，本实施例中，以所述状态分类模型为神经网络模型为例，该状态分类模型可以是基于已知的图像数据集预训练得到的初始神经网络模型进行训练后得到，该初始神经网络模型具体可以是BP神经网络模型、卷积神经网络模型或者其变形。在一可选的具体实施例中，所述将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理之前，还包括：获取标准面板图像以及所述标准面板图像对应的工作状态类别，对初始的神经网络模型进行迭代训练，得到训练后的所述状态分类模型。
这里，所述标准面板图像指电器设备在正常工作于某一工作状态下，电器设备的面板在该工作状态下应正常呈现出的图像。此外，当根据所述运行数据和所述面板图像确定所述电器设备的工作状态匹配时，还可以将所述面板图像和所述面板图像对应的工作状态类别作为训练样本，继续训练所述状态分类模型，以增加训练样本数量，进一步提高所述状态分类模型的分类精度。如此，通过预先建立针对面板图像进行识别以确定工作状态类别的状态分类模型，以对面板图像对应表征的电器设备的第二工作状态进行精准识别。
在一可选的实施方式中，所述根据所述面板图像定位所述电器设备的故障类型，包括：
提取所述面板图像的第一特征向量；
根据所述第一特征向量以及设置的图像库中与目标工作状态对应的各故障类型面板的图像的第二特征向量，计算所述面板图像与所述各故障类型的面板图像之间的相似度值；所述目标工作状态为所述运行数据对应表征的所述电器设备的工作状态；
将与所述面板图像之间具有最大相似度值的故障类型的面板图像所对应的故障类型作为所述电器设备的故障类型。
可以理解地，在所述提取所述面板图像的第一特征向量之前，还可对所述面板图像进行预处理，以方便提取所述面板图像的第一特征向量。所述预处理包括但不限于去噪、滤波、灰度化处理、几何变换等操作。所述图像库中可存储有设置的不同电器设备的各种工作状态分别所对应的各故障类型的面板图像。图像的特征是指图像中包含的一类对象区别于其它类对象的相应特点或特性，比如亮度、边缘、纹理和色彩等。在实际应用中，有些特征需要通过变换或处理获得，比如直方图、主成分等。图像的特征向量是某一类对象的多个或多种特征的组合，而通过图像的特征向量之间的相似度值可以确定图像之间是否相同或相似。
综上，上述实施例提供的电器设备的故障诊断方法，获取电器设备的运行数据以及所述电器设备的面板图像、所述电器设备的类型信息后，根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。如此，通过结合电器设备的运行数据以及面板图像对电器设备进行故障诊断，解决了单纯依靠电器设备的运行数据无法全面定位故障的问题，提高了电器设备的故障诊断结果的精准度。
在一可选的实施例中，所述方法还包括：发送所述故障诊断结果。
可以理解地，故障诊断结果可以包括故障类型；可选的，该故障诊断结果还可以包括针对相应故障类型的故障处理方式。该故障处理方式可以是教导如何对电器设备进行具体操作以修复当前故障的方式，也可以是能够提供修复当前故障的售后联系方式等。可以理解地，当所述电器设备的运行数据以及所述电器设备的面板图像是由所述电器设备发送时，相应的，所述发送所述故障诊断结果为向所述电器设备发送所述故障诊断结果。当所述电器设备的运行数据是由所述电器设备发送的，所述电器设备的面板图像是由客户端发送的时，相应的，所述发送所述故障诊断结果为向所述客户端和\或所述电器设备发送所述故障诊断结果。云服务器通过将故障诊断结果发送给客户端和/或电器设备，使得用户可及时知晓当前故障以进行解决。
为实现上述方法，本实施例还提供了一种云端服务器，如图4所示，该装置包括：第一获取模块20、第二获取模块21和处理模块22；其中，
所述第一获取模块20，用于获取电器设备的运行数据以及所述电器设备的面板图像；
所述第二获取模块21，用于获取所述电器设备的类型信息；
所述处理模块21，用于根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。
上述实施例提供的云端服务器，获取电器设备的运行数据以及所述电器设备的面板图像、所述电器设备的类型信息后，根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。如此，通过结合电器设备的运行数据以及面板图像对电器设备进行故障诊断，解决了单纯依靠电器设备的运行数据无法全面定位故障的问题，提高了电器设备的故障诊断结果的精准度。
在一可选的实施例中，所述处理模块22，具体用于：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
当所述第一工作状态与所述第二工作状态不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述处理模块22，具体用于：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
根据所述第一工作状态确定参考面板图像；
当所述第一工作状态对应的参考面板图像与所述面板图像不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述处理模块22，具体用于：
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
根据所述第二工作状态确定参考运行数据；
当所述参考运行数据与所述运行数据不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述处理模块22，具体用于：
提取所述面板图像的第一特征值；
根据所述第一特征值以及设置的图像库中与目标工作状态对应的各故障类型面板图像的第二特征值，计算所述面板图像与所述设置的图像库中与目标工作状态对应的各故障类型面板图像之间的相似度值；所述目标工作状态为所述运行数据对应表征的所述电器设备的工作状态；
将与所述面板图像之间具有最大相似度值的故障类型面板图像所对应的故障类型作为所述电器设备的故障类型。
在一可选的实施例中，所述第二获取模块21，具体用于：
对所述运行数据进行分析，根据所述运行数据包含的类型参数确定所述电器设备的类型信息；或，
对所述面板图像进行识别，根据所述面板图像包含的图像特征确定所述电器设备的类型信息；或，
获取设置的输入操作指令，基于所述输入操作指令确定所述电器设备的类型信息。
在一可选的实施例中，所述处理模块22，具体用于：
将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理；
将所述降采样处理后的图像特征映射到所述电器设备属于不同工作状态的概率。
在一可选的实施例中，所述处理模块22，还用于：
获取标准面板图像以及所述标准面板图像对应的工作状态类别，对初始的神经网络模型进行迭代训练，得到训练后的所述状态分类模型。
本实施例提供了一种云端服务器，如图5所示，该云端服务器包括：至少一个处理器310和用于存储能够在处理器310上运行的计算机程序的存储器311；其中，图5中示意的处理器310并非用于指代处理器310的个数为一个，而是仅用于指代处理器310相对其他器件的位置关系，在实际应用中，处理器310的个数可以为一个或多个；同样，图5中示意的存储器311也是同样的含义，即仅用于指代存储器311相对其他器件的位置关系，在实际应用中，存储器311的个数可以为一个或多个。
其中，所述处理器310用于运行所述计算机程序时，执行如下步骤：
获取电器设备的运行数据以及所述电器设备的面板图像；
获取所述电器设备的类型信息；
根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
当所述第一工作状态与所述第二工作状态不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
根据所述第一工作状态确定参考面板图像；
当所述第一工作状态对应的参考面板图像与所述面板图像不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
根据所述第二工作状态确定参考运行数据；
当所述参考运行数据与所述运行数据不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
提取所述面板图像的第一特征值；
根据所述第一特征值以及设置的图像库中与目标工作状态对应的各故障类型面板图像的第二特征值，计算所述面板图像与所述设置的图像库中与目标工作状态对应的各故障类型面板图像之间的相似度值；所述目标工作状态为所述运行数据对应表征的所述电器设备的工作状态；
将与所述面板图像之间具有最大相似度值的故障类型面板图像所对应的故障类型作为所述电器设备的故障类型。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
对所述运行数据进行分析，根据所述运行数据包含的类型参数确定所述电器设备的类型信息；或，
对所述面板图像进行识别，根据所述面板图像包含的图像特征确定所述电器设备的类型信息；或，
获取设置的输入操作指令，基于所述输入操作指令确定所述电器设备的类型信息。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理；
将所述降采样处理后的图像特征映射到所述电器设备属于不同工作状态的概率。
在一可选的实施例中，所述处理器310还用于运行所述计算机程序时，执行如下步骤：
获取标准面板图像以及所述标准面板图像对应的工作状态类别，对初始的神经网络模型进行迭代训练，得到训练后的所述状态分类模型。
该云端服务器还包括：至少一个网络接口312。该云端服务器中的各个组件通过总线系统313耦合在一起。可理解，总线系统313用于实现这些组件之间的连接通信。总线系统313除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统313。
其中，存储器311可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器311旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器311用于存储各种类型的数据以支持云端服务器的操作。这些数据的示例包括：用于在云端服务器上操作的任何计算机程序，如操作系统和应用程序；联系人数据；电话簿数据；消息；图片；视频等。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
本实施例还提供了一种计算机存储介质，例如包括存储有计算机程序的存储器311，上述计算机程序可由云端服务器中的处理器310执行，以完成前述方法所述步骤。计算机存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。
一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程被处理器运行时，执行如下步骤：
获取电器设备的运行数据以及所述电器设备的面板图像；
获取所述电器设备的类型信息；
根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
当所述第一工作状态与所述第二工作状态不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
根据所述第一工作状态确定参考面板图像；
当所述第一工作状态对应的参考面板图像与所述面板图像不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
根据所述第二工作状态确定参考运行数据；
当所述参考运行数据与所述运行数据不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
提取所述面板图像的第一特征值；
根据所述第一特征值以及设置的图像库中与目标工作状态对应的各故障类型面板图像的第二特征值，计算所述面板图像与所述设置的图像库中与目标工作状态对应的各故障类型面板图像之间的相似度值；所述目标工作状态为所述运行数据对应表征的所述电器设备的工作状态；
将与所述面板图像之间具有最大相似度值的故障类型面板图像所对应的故障类型作为所述电器设备的故障类型。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
对所述运行数据进行分析，根据所述运行数据包含的类型参数确定所述电器设备的类型信息；或，
对所述面板图像进行识别，根据所述面板图像包含的图像特征确定所述电器设备的类型信息；或，
获取设置的输入操作指令，基于所述输入操作指令确定所述电器设备的类型信息。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理；
将所述降采样处理后的图像特征映射到所述电器设备属于不同工作状态的概率。
在一可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
获取标准面板图像以及所述标准面板图像对应的工作状态类别，对初始的神经网络模型进行迭代训练，得到训练后的所述状态分类模型。
参阅图6，为本发明实施例提供的一种电器设备的故障诊断系统的结构示意图，所述电器设备的故障诊断系统可以包括：电器设备10、客户端11和云端服务器13；其中，
所述电器设备10，用于采集所述电器设备的运行数据，并将所述运行数据向所述云端服务器13发送；
所述客户端11，用于采集所述电器设备的面板图像，并将所述面板图像向所述电器设备的故障诊断13发送；
所述云端服务器13，用于获取所述运行数据和所述面板图像；获取所述电器设备的类型信息；根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果；将所述故障诊断结果向所述客户端11发送。
上述实施例提供的电器设备的故障诊断系统，基于所述电器设备10获取的电器设备的运行数据以及所述客户端11获取的所述电器设备的面板图像，所述云端服务器13根据所述电器设备的类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，并向所述客户端11发送所述故障诊断结果。如此，通过结合电器设备的运行数据以及面板图像对电器设备进行故障诊断，解决了单纯依靠电器设备的运行数据无法全面定位故障的问题，提高了电器设备的故障诊断结果的精准度。
在一可选的实施例中，所述云端服务器13根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
当所述第一工作状态与所述第二工作状态不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述云端服务器13根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
根据所述第一工作状态确定参考面板图像；
当所述第一工作状态对应的参考面板图像与所述面板图像不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述云端服务器13根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
根据所述第二工作状态确定参考运行数据；
当所述参考运行数据与所述运行数据不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述云端服务器13，具体用于：
提取所述面板图像的第一特征值；
根据所述第一特征值以及设置的图像库中与目标工作状态对应的各故障类型面板图像的第二特征值，计算所述面板图像与所述设置的图像库中与目标工作状态对应的各故障类型面板图像之间的相似度值；所述目标工作状态为所述运行数据对应表征的所述电器设备的工作状态；
将与所述面板图像之间具有最大相似度值的故障类型面板图像所对应的故障类型作为所述电器设备的故障类型。
在一可选的实施例中，所述云端服务器13，具体用于：
对所述运行数据进行分析，根据所述运行数据包含的类型参数确定所述电器设备的类型信息；或，
对所述面板图像进行识别，根据所述面板图像包含的图像特征确定所述电器设备的类型信息；或，
获取设置的输入操作指令，基于所述输入操作指令确定所述电器设备的类型信息。
在一可选的实施例中，所述云端服务器13，具体用于：
将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理；
将所述降采样处理后的图像特征映射到所述电器设备属于不同工作状态的概率。
在一可选的实施例中，所述云端服务器13，具体用于：
获取标准面板图像以及所述标准面板图像对应的工作状态类别，对初始的神经网络模型进行迭代训练，得到训练后的所述状态分类模型。
参阅图7，为本发明实施例提供的一种电器设备的故障诊断系统的结构示意图，所述电器设备的故障诊断系统可以包括：电器设备10和云端服务器13；其中，
所述电器设备10，用于采集所述电器设备10的运行数据和所述电器设备10的面板图像，并将所述运行数据和所述面板图像向所述云端服务器13发送；
所述云端服务器13，用于获取所述运行数据和所述面板图像；获取所述电器设备的类型信息；根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。
上述实施例提供的电器设备的故障诊断系统，基于所述电器设备10获取的电器设备的运行数据以及面板图像，所述云端服务器13根据所述电器设备的类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果。如此，通过结合电器设备的运行数据以及面板图像对电器设备进行故障诊断，解决了单纯依靠电器设备的运行数据无法全面定位故障的问题，提高了电器设备的故障诊断结果的精准度。
在一可选的实施例中，所述云端服务器13根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
当所述第一工作状态与所述第二工作状态不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述云端服务器13根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：
根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；
根据所述第一工作状态确定参考面板图像；
当所述第一工作状态对应的参考面板图像与所述面板图像不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述云端服务器13根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果，包括：
对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；
根据所述第二工作状态确定参考运行数据；
当所述参考运行数据与所述运行数据不匹配时，根据所述面板图像定位所述电器设备的故障类型。
在一可选的实施例中，所述云端服务器13，具体用于：
提取所述面板图像的第一特征值；
根据所述第一特征值以及设置的图像库中与目标工作状态对应的各故障类型面板图像的第二特征值，计算所述面板图像与所述设置的图像库中与目标工作状态对应的各故障类型面板图像之间的相似度值；所述目标工作状态为所述运行数据对应表征的所述电器设备的工作状态；
将与所述面板图像之间具有最大相似度值的故障类型面板图像所对应的故障类型作为所述电器设备的故障类型。
在一可选的实施例中，所述云端服务器13，具体用于：
对所述运行数据进行分析，根据所述运行数据包含的类型参数确定所述电器设备的类型信息；或，
对所述面板图像进行识别，根据所述面板图像包含的图像特征确定所述电器设备的类型信息；或，
获取设置的输入操作指令，基于所述输入操作指令确定所述电器设备的类型信息。
在一可选的实施例中，所述云端服务器13，具体用于：
将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理；
将所述降采样处理后的图像特征映射到所述电器设备属于不同工作状态的概率。
在一可选的实施例中，所述云端服务器13，具体用于：
获取标准面板图像以及所述标准面板图像对应的工作状态类别，对初始的神经网络模型进行迭代训练，得到训练后的所述状态分类模型。
在一可选的实施例中，所述云端服务器13，还用于：向电器设备10发送所述故障诊断结果。
下面通过一个具体示例对本实施例作进一步详细的说明，参见图8，其示出了本实施例提供的电器设备的故障诊断系统的结构，所述电器设备的故障诊断系统包括电器设备10、客户端11和云端服务器13；其中，
所述客户端11，表示使用电器设备10的用户所使用的终端设备，所述终端设备包括但不限于手机、平板电脑、台式电脑等能够捕捉图像的设备。
所述电器设备10，表示可集成有数据传输模块、电路驱动模块、外围电路控制模块等功能模块的装置。所述数据传输模块用于实现与外界之间的数据交换，所述电路驱动模块用于控制所述电器设备10的工作，所述外围电路控制模块用于控制面板上状态指示灯的状态。当所述电器设备10集成有图像捕捉模块时，所述电器设备10通过图像捕捉模块能够对自身的面板进行截屏操作，从而获得面板图像。同时，所述电器设备10可获取自身的运行数据，所述运行数据包括外围电路驱动控制指令数据、传感器状态数据等。其中，所述电器设备10具有一核心控制器，该核心控制器具有接收和发送数据、预处理图像、数据解析、网络数据交互等功能。
所述云端服务器13，存储有电器设备10的标识和/或客户端11的标识信息以及电器设备10的详细参数信息、故障信息、面板图像等数据，能够对接收的运行数据和面板图像数据进行筛选、清洗、压缩等处理，能够将所述数据进行分类存储至数据库，能够根据电器设备的面板图像识别出电器设备的类型并调用与电器设备的类型匹配的详细参数信息进行分析。
这里，所述客户端11在捕捉到面板图像后或者所述云端服务器13接收到所述客户端11发送的面板图像后，可对所述面板图像进行筛选，以去掉由于噪声干扰产生的无效图像、或无关图像。此外，由于数字图像的显著特点是数据量庞大，需要占用相当大的存储空间。但基于计算机的网络带宽和大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频，那么必须对图像进行编码和压缩。目前，图像压缩编码已形成国际标准，如比较著名的静态图像压缩标准JPEG，该标准主要针对图像的分辨率、彩色图像和灰度图像，适用于网络传输的数码相片、彩色照片等方面。通过在客户端11对待发送的面板图像进行图像编码压缩，可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。
当云端服务器13接收到大量用户反馈回来的电器设备10的面板图像数据和运行数据后，对接收到的面板图像数据和运行数据进行分类处理等处理，使得面板图像数据按照与运行数据是否匹配进行分类和标记。通过将面板图像数据和运行数据进行分类等优化过滤操作，使得进行分类训练的样本是有效的，确保训练出的分类模型是准确的、可靠的。可以理解地，在对面板图像进行识别以获取面板图像对应的电器设备的类型信息时，可以采用现有的图像识别方法，比如统计法、句法、神经网络法、模板匹配法等。其中，统计法是是对研究的图像进行大量的统计分析，找出其中的规律并提取反映图像本质特点的特征来进行图像识别的。它以数学上的决策理论为基础，建立统计学识别模型，因而是一种分类误差较小的识别方法。首先，根据正反馈学习相关图像的先验概率(相关图像类)即P(R)和类条件概率(图像特征为X|图像属于相关图像类)即P(X|R)。同样，根据负反馈学习不相关图像的先验概率(不相关图像类)即P(N)和类条件概率(图像特征为X|图像属于不相关图像类)即P(X|N)，通过计算每一个图像的后验概率以及先验概率，最后决策出图像所属的电器设备的类型。其中，模板匹配法也是一种最基本的图像识别方法。所谓模板是为了检测待识别图像的某些区域特征而设计的阵列，它既可以是数字量，也可以是符号串等，因此可以把它看为统计法或句法的一种特例。所谓模板匹配法就是把已知物体的模板与图像中所有未知物体进行比较，如果某一未知物体与该模板匹配，则该物体被检测出来，并被认为是与模板相同的物体。此外，由于图像存在噪声以及被检测物体形状和结构方面的不确定性，模板匹配法在较复杂的情况下往往得不到理想的效果，难以绝对精确，一般都要在图像的每一点上求模板与图像之间的匹配量度，凡是匹配量度达到某一阈值的地方，表示该图像中存在所要检测的物体。经典的图像匹配方法利用互相关计算匹配量度，或用绝对差的平方和作为不匹配量度。此外，还可利用几何变换的匹配方法以提高稳健性。
上述电器设备的故障诊断系统的工作过程可以概括为：云端服务器13获取到电器设备10发送的所述电器设备10的运行数据以及客户端11发送的所述电器设备10的面板图像后，基于图像识别方法对所述电器设备10的面板图像进行识别，从而获取所述电器设备10的类型信息；当根据所述类型信息、所述所述运行数据和所述面板图像确定所述电器设备10的运行数据对应表征的工作状态与所述面板图像对应表征的工作状态不匹配时，基于数据库中存储的电器设备10历史出现故障所对应的面板图像和运行数据等故障信息，获取所述电器设备10的故障诊类型并进行反馈。
本示例提供的电器设备的故障诊断系统可应用于家电行业，比如所述电器设备可以是电饭煲、冰箱、空调等设备，云端服务器通过自动识别电器设备的型号，根据当前电器设备的运行面板上体现出来的工作状态判断出电器设备的故障原因，并通过客户端反馈信息，若得到用户反馈就能够方便进行产品的线上和线下互动反馈和故障诊断服务，甚至可以进行B2C从线上到线下的产品服务。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。
Claims (12)
1.一种电器设备的故障诊断方法，应用于云端服务器，其特征在于，所述方法包括：
获取电器设备的运行数据以及所述电器设备的面板图像；
获取所述电器设备的类型信息；
根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时获取故障诊断结果，包括：根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；当所述第一工作状态与所述第二工作状态不匹配时，根据所述面板图像定位所述电器设备的故障类型。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据所述第一工作状态确定参考面板图像；
当所述第一工作状态对应的参考面板图像与所述面板图像不匹配时，根据所述面板图像定位所述电器设备的故障类型。
3.根据权利要求1所述的方法，其特征在于，还包括：
根据所述第二工作状态确定参考运行数据；
当所述参考运行数据与所述运行数据不匹配时，根据所述面板图像定位所述电器设备的故障类型。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述面板图像定位所述电器设备的故障类型，包括：
提取所述面板图像的第一特征向量；
根据所述第一特征向量以及设置的图像库中与目标工作状态对应的各故障类型的面板图像的第二特征向量，计算所述面板图像与所述各故障类型的面板图像之间的相似度值；所述目标工作状态为所述运行数据对应表征的所述电器设备的工作状态；
将与所述面板图像之间具有最大相似度值的故障类型的面板图像所对应的故障类型作为所述电器设备的故障类型。
5.根据权利要求1所述的方法，其特征在于，所述获取所述电器设备的类型信息，包括：
对所述运行数据进行分析，根据所述运行数据包含的类型参数确定所述电器设备的类型信息；或，
对所述面板图像进行识别，根据所述面板图像包含的图像特征确定所述电器设备的类型信息；或，
获取设置的输入操作指令，基于所述输入操作指令确定所述电器设备的类型信息。
6.根据权利要求1所述的方法，其特征在于，所述对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态，包括：
将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理；
将所述降采样处理后的图像特征映射到所述电器设备属于不同工作状态的概率。
7.根据权利要求6所述的方法，其特征在于，所述将所述面板图像输入状态分类模型，通过所述状态分类模型提取所述面板图像的图像特征，将所提取的图像特征进行降采样处理之前，还包括：
获取标准面板图像以及所述标准面板图像对应的工作状态类别，对初始的神经网络模型进行迭代训练，得到训练后的所述状态分类模型。
8.一种云端服务器，其特征在于，包括：
第一获取模块，用于获取电器设备的运行数据以及所述电器设备的面板图像；
第二获取模块，用于获取所述电器设备的类型信息；
处理模块，用于根据所述类型信息、所述运行数据和所述面板图像确定所述电器设备的工作状态不匹配时，获取故障诊断结果；
所述处理模块用于：根据所述运行数据和所述类型信息，确定所述运行数据对应表征的所述电器设备的第一工作状态；对所述面板图像进行识别，根据所述面板图像和所述类型信息，确定所述面板图像对应表征的所述电器设备的第二工作状态；当所述第一工作状态与所述第二工作状态不匹配时，根据所述面板图像定位所述电器设备的故障类型。
9.一种云端服务器，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，实现权利要求1至7任一项所述电器设备的故障诊断方法。
10.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述电器设备的故障诊断方法。
11.一种电器设备的故障诊断系统，其特征在于，所述电器设备的故障诊断系统包括电器设备、客户端和如权利要求8或9所述的云端服务器；其中，
所述电器设备，用于采集所述电器设备的运行数据，并将所述运行数据向所述云端服务器发送；
所述客户端，用于采集所述电器设备的面板图像，并将所述面板图像向所述云端服务器发送；
所述云端服务器，还用于将所述故障诊断结果向所述客户端发送。
12.一种电器设备的故障诊断系统，其特征在于，所述电器设备的故障诊断系统包括电器设备和如权利要求8或9所述的云端服务器；其中，所述电器设备，用于采集所述电器设备的运行数据以及所述电器设备的面板图像，并将所述运行数据和所述面板图像向所述云端服务器发送。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810582950.8A CN110647894B (zh) | 2018-06-07 | 2018-06-07 | 电器设备的故障诊断方法、系统、云端服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810582950.8A CN110647894B (zh) | 2018-06-07 | 2018-06-07 | 电器设备的故障诊断方法、系统、云端服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110647894A CN110647894A (zh) | 2020-01-03 |
| CN110647894B true CN110647894B (zh) | 2022-05-10 |
Family
ID=69008598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810582950.8A Active CN110647894B (zh) | 2018-06-07 | 2018-06-07 | 电器设备的故障诊断方法、系统、云端服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110647894B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111552247B (zh) * | 2020-05-08 | 2021-01-15 | 王锐 | 基于智慧园区的设备运行状态确定方法及大数据中心 |
| CN111880028B (zh) * | 2020-07-08 | 2022-02-22 | 珠海格力电器股份有限公司 | 一种电器设备检测方法、装置、检测设备及存储介质 |
| CN113284599A (zh) * | 2020-07-22 | 2021-08-20 | 江苏大学 | 一种基于云边协同的智能药房自诊断和自修复系统及方法 |
| CN111914789A (zh) * | 2020-08-13 | 2020-11-10 | 杭州云笔智能科技有限公司 | 一种确定目标设备运行状态的方法和系统 |
| CN113721097A (zh) * | 2021-09-03 | 2021-11-30 | 广州浩翔信息技术有限公司 | 一种智能茶壶检测方法、装置、计算机设备以及存储介质 |
| CN114386767B (zh) * | 2021-12-14 | 2022-12-16 | 南通联拓信息科技有限公司 | 一种配电运维管理系统的故障预警方法及系统 |
| CN116071049B (zh) * | 2023-03-06 | 2023-12-12 | 广州疆海科技有限公司 | 储能设备故障排除方法、装置、计算机设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102158527A (zh) * | 2011-01-18 | 2011-08-17 | 青岛海信电器股份有限公司 | 家用电器维护系统及具有自检功能的家用电器 |
| CN102897626A (zh) * | 2012-11-02 | 2013-01-30 | 智眼天下通（北京）科技发展有限公司 | 电梯监控报警装置 |
| WO2018028573A1 (zh) * | 2016-08-12 | 2018-02-15 | 中兴通讯股份有限公司 | 故障处理方法、装置及控制器 |
| CN107966914A (zh) * | 2017-11-02 | 2018-04-27 | 珠海格力电器股份有限公司 | 显示图像的方法、装置和系统 |
-
2018
- 2018-06-07 CN CN201810582950.8A patent/CN110647894B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102158527A (zh) * | 2011-01-18 | 2011-08-17 | 青岛海信电器股份有限公司 | 家用电器维护系统及具有自检功能的家用电器 |
| CN102897626A (zh) * | 2012-11-02 | 2013-01-30 | 智眼天下通（北京）科技发展有限公司 | 电梯监控报警装置 |
| WO2018028573A1 (zh) * | 2016-08-12 | 2018-02-15 | 中兴通讯股份有限公司 | 故障处理方法、装置及控制器 |
| CN107966914A (zh) * | 2017-11-02 | 2018-04-27 | 珠海格力电器股份有限公司 | 显示图像的方法、装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110647894A (zh) | 2020-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647894B (zh) | 电器设备的故障诊断方法、系统、云端服务器及存储介质 | |
| CN111104341B (zh) | 智能家居设备自动化测试方法、装置、设备及存储介质 | |
| CN108416901A (zh) | 智能货柜内货品识别方法及装置、智能货柜 | |
| CN110383274B (zh) | 识别设备的方法、装置、系统、存储介质、处理器和终端 | |
| CN103375880B (zh) | 空调器的遥控装置和方法 | |
| CN108269333A (zh) | 人脸识别方法、应用服务器及计算机可读存储介质 | |
| US20220012523A1 (en) | Repair diagnostic system and method | |
| CN109358546B (zh) | 家用电器的控制方法、装置和系统 | |
| WO2019174009A1 (zh) | 一种机房管理方法及动环系统 | |
| CN104866414A (zh) | 应用程序的测试方法、装置及系统 | |
| US10395670B1 (en) | Diagnosis method, diagnosis device, and computer-readable recording medium which records diagnosis program | |
| EP2634653B1 (en) | Systems and methods for machine configuration | |
| CN109905292B (zh) | 一种终端设备识别方法、系统及存储介质 | |
| WO2023169274A1 (zh) | 数据处理方法、装置、存储介质以及处理器 | |
| CN113723157B (zh) | 一种农作物病害识别方法、装置、电子设备及存储介质 | |
| CN108322917B (zh) | 无线网络接入故障定位方法、设备、系统及存储介质 | |
| CN106403188A (zh) | 一种空调维护方法及其维护装置 | |
| CN111194027A (zh) | 一种网络连接方法、装置及系统 | |
| CN111523423B (zh) | 一种电力设备识别方法及装置 | |
| CN111602412B (zh) | 设备选择装置、数据集选择装置、设备选择方法和存储介质 | |
| KR102333500B1 (ko) | 곡물 인식 방법, 장치 및 컴퓨터 판독 가능 저장 매체 | |
| CN116612346A (zh) | 模型训练方法、油温监测方法、烹饪控制方法及系统 | |
| CN112178706B (zh) | 灶具火力档位的识别方法与系统、烟灶联动方法与系统 | |
| CN109491844B (zh) | 一种识别异常信息的计算机系统 | |
| CN109829389B (zh) | 机器移位判断方法、装置以及计算机存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |