CN110738827A - 电器的异常预警方法、系统、装置及存储介质 - Google Patents

Abstract

本申请提供一种电器的异常预警方法、系统、装置及存储介质。所述方法包括，对电器运行数据进行机器学习以得到异常预警控制模型，获取待评估电器的运行参数，根据所述待评估电器的运行参数和所述异常预警控制模型，生成预警控制评估结果。通过本申请的方案，解决了现有技术中电器设备只能在异常后才提示导致对电器设备的损害较大的问题，达到对电器设备损害小的效果。

Description

电器的异常预警方法、系统、装置及存储介质

技术领域

本申请涉及电器领域，尤其涉及一种电器异常预警的方法、系统、装置及存储介质。

背景技术

随着电器设备的不断普及，人们对电器的需求越来越高，也开始关注智能化的服务，例如怎么避免异常发生影响使用等。

目前现有技术中，电器设备都不具备异常预警功能，只能在发生异常后进行异常提示，以此表示设备正处于异常状态或者当前发生什么异常，无法做到提前预警，使得用户无法提前了解电器设备潜在问题，不能将异常扼杀于摇篮之中，从而不能降低电器设备的异常发生率，只能在异常发生后，等待售后维修人员处理。这一方面对电器设备本身的损害较大，有些损害甚至是不可逆的，另一方面，在维修期间，因电器设备无法使用而影响用户体验，在异常后维修，维修难度可能更大、花费可能更高。

针对上述问题，目前尚未提出有效的解决方式。

发明内容

有鉴于此，本申请提出一种电器的异常预警方法、系统、装置及存储介质，通过机器学习得到电器设备的预警控制模型，根据预警控制模型对电器设备将要发生异常进行预警，从而解决了现有技术中电器设备只能在异常后才提示导致对电器设备的损害较大的问题，达到对电器设备损害小的效果。

根据本申请的一个方面，提供一种电器的异常预警方法，包括：

对电器运行数据进行机器学习以得到异常预警控制模型；获取待评估电器的运行参数；根据所述待评估电器的运行参数和所述异常预警控制模型，生成预警控制评估结果。

进一步地，用于机器学习的所述电器运行数据来源于集群；和/或用于机器学习的所述电器运行数据包括异常数据和非异常数据；和/或，对电器运行数据进行机器学习以得到电器预警模型包括：对所述电器运行数据进行数据预处理，对预处理后的数据进行数据探索性分析以确定异常产生因素及相关的影响变量，分析影响变量与运行异常之间的变化关系以建立预警模型；和/或，所述电器包括空调、冰箱、洗衣机、抽油烟机、热水器、空气净化器中的至少之一。

进一步地，所述数据预处理包括：对数据中的每个字段变量的内容检查是否有缺失值，如果有，则进行缺失值处理。

进一步地，还包括：对所述异常预警控制模型的鲁棒性进行评估；和/或将待评估电器的运行数据作为机器学习的来源数据之一更新所述预警控制模型；和/或在所述评估结果为需要预警时，生成预警信号。

根据本申请的另一个方面，提供一种电器的异常预警系统，包括：模型建立模块，对电器运行数据进行机器学习以得到异常预警控制模型；数据管理模块，获取待评估电器的运行参数；预警模块，根据所述运行参数和所述异常预警控制模型，生成预警控制评估结果。

进一步地，用于机器学习的所述电器运行数据来源于集群；和/或用于机器学习的所述电器运行数据包括异常数据和非异常数据；和/或，对电器运行数据进行机器学习以得到电器预警模型包括：对所述电器运行数据进行数据预处理，对预处理后的数据进行数据探索性分析以确定异常产生因素及相关的影响变量，分析影响变量与运行异常之间的变化关系以建立预警模型；和/或，所述电器包括空调、冰箱、洗衣机、抽油烟机、热水器、空气净化器中的至少之一。

进一步地，所述数据预处理包括：对数据中的每个字段变量的内容检查是否有缺失值，如果有，则进行缺失值处理。

进一步地，还包括：所述模型建立模块对所述异常预警控制模型的鲁棒性进行评估；和/或模型建立模块将待评估电器的运行数据作为机器学习的来源数据之一更新所述预警控制模型；和/或所述预警模块在所述评估结果为需要预警时，生成预警信号。

根据本申请的又一个方面，提供一种电器的异常预警的系统装置，包括：至少一个处理器，用于执行多条指令；至少一个存储器，用于存储多条指令；其中，由所述至少一个处理器加载所述至少一个存储器存储的指令并执行如上所述的电器的异常预警方法。

根据本申请的再一个方面，提供一种存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如上所述的电器的异常预警方法。

由此，本申请的方案，通过机器学习得到电器设备的预警控制模型，根据预警控制模型对电器设备将要发生异常进行预警，解决现有技术中电器设备只能在异常后才提示导致对电器设备的损害较大的问题，从而，克服现有技术中对电器设备损害大、维护及时性差和用户体验差的缺陷，实现对电器设备损害小、维护及时性好和用户体验好的有益效果。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。

下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了本申请的一种电器的异常预警系统的一实施例的框架示意图；

图2示出了本申请的一种电器的异常预警方法的一实施例的流程示意图；

图3示出了对电器运行数据进行机器学习以得到电器预警控制模型的流程示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。

根据本申请的实施例，提供了一种电器的异常预警系统，图1示出了本申请的一种电器的异常预警系统的一实施例的示意图。该电器的异常预警系统100包括：模型建立模块110，数据管理模块120，预警模块130。

图2示出了本申请的一种电器的异常预警方法的一实施例的流程示意图。

下面结合图1和图2进行说明。

模型建立模块110，用于对电器运行数据进行机器学习以得到电器预警控制模型(步骤S110)。

在一个可选例子中，用于机器学习的所述电器运行数据来源于分布式集群，例如，使用python或Scala进行编程开发，数据来源采用spark集群。可选地，也可以用Hadoop集群等，不限于此。Spark与Hadoop是相似的开源集群计算环境，适合于机器学习算法运行处理。当然，不限于来源于集群，也可以是从其他任何渠道获得。

在一个可选例子中，通过异常预警系统，搜集同一类电器在不同用户中的使用情况，包括电器在运行过程中的各种状态参数(含运行参数、故障状态等)。这些用于机器学习的电器运行数据可以是同类电器(为了更精准，可以采用同一型号、相似型号和/或递代型号)的过往数据和/或监控到的实时数据，过往数据可以是以往监控到的，也可以是通过其他渠道获得的已有数据，实时数据是正在监控的同类电器的运行数据，实时数据积累到一定量以后即可进行分析、学习、建模。

在一个可选例子中，用于机器学习的所述电器运行数据包括异常数据和非异常数据。在一个实施方式中，首先将异常的数据与非异常数据作区分，然后，分析得出发生异常的情况下哪些参数发生明显的变化，这样，到的参数之间的关系，然后，再根据得到的主要影响参数，从异常数据中查看主要影响参数的变化趋势，和正常的数据的参数的变化趋势作对比，从而得出，以往发生异常可能哪些参数会有明显变化。所述异常例如包括多级联空调系统着火。

在一个可选例子中，如图3示出了对电器运行数据进行机器学习以得到电器预警控制模型的流程示意图。

步骤S111，对电器运行数据进行数据预处理。

作为示例，用Scala编程开发在spark集群上获取数据，针对数据中的每个字段变量(如空调系统运行的相关参数)的内容进行检查是否有缺失值，如，某一个字段的某一行、列或者整个字段发现有缺失，即为空值，如果有，则进行缺失值处理。缺失值处理的方法包括以下几种方法之一：去除空值法，即去除空值所在行、列或整个字段；均值补全法，即将空值所在行或列的空值以外的值的平均值来补全所述空值；还有众数补全法，在此不做赘述。

步骤S112，对预处理后的数据进行数据探索性分析以确定异常产生因素及相关的影响变量。

例如，主要是使用统计的一些方法，通过python或者Scala软件以及图表进行初步探索性的分析运行异常产生的因素以及相关的影响变量。

步骤S113，分析影响变量与电器运行异常之间的变化关系以建立电器预警控制模型。

通过分析影响变量与电器运行异常之间的变化关系，建立合理可靠的关系模型，建立电器异常预警控制逻辑，进而建立电器预警控制模型。

此外，可选地，在建立模型后，还可以对模型的鲁棒性进行评估。

作为示例，将具体的模型应用到电器新产生的数据中，因为新产生的数据会有一些产生同样的故障类型的数据，这样可以将新产生的数据再进行作标记，然后，代入模型中，查看输出的结果是否和作标记的结果一致，可以做一个预警与实际的比，如果比值越接近为1，说明越准确，鲁棒性越好，如果相差很远，则认为得到的预警模型很差。如果模型很差，还需要将新的数据和旧的数据放在一起，重新进行前面的步骤，得到新的模型，直到达到新的模型比值接近为1。

数据管理模块120，用于获取待评估电器的运行参数(步骤S120)。

作为示例，在现在的智能家居服务中，服务器可远程监控电器的运行，在服务器上包括数据管理模块，可实时获取待评估电器的运行参数。作为示例，对于多级联空调来说，其包括一个室外机和多个室内机，那么，可获取室外机和室内机上的所有运行数据。为了提高运行效率，获取的运行数据，可以发送到前面提到的集群上进行保存和管理，以供需要时提取使用，因此，集群上也可包括对运行数据进行获取和管理的数据管理模块。可见，本申请中的数据管理模块，可以位于一个设备上，也可以位于多个设备上协同工作。

预警模块130，根据待评估电器的运行参数和所述预警控制模型，生成电器预警控制评估结果(步骤S130)。

作为示例，可以将待评估电器的运行参数输入预警控制模型进行运算，以输出预警控制评估结果。所述评估结果包括是否达到设定的预警的程度。

由此，通过对未来一段时间内异常情况的预测，可以提前掌握电器运行情况，进而在未发生故障前及时维护，防患于未然，一方面可以保证电器运行安全，可靠性高；另一方面可以保证用户使用便捷，人性化好。

进一步地，预警模块130还可以在评估结果为需要预警时，生成预警信号。

例如，发起提示，以提示用户或者售后及时维护或者干预，从而保证电器运行安全和用户使用的方便性。

作为示例，所述系统包括智能控制中心，其首先使用同类电器(为了更精准，可以采用同一型号、相似型号和/或递代型号)已有的异常数据和非异常数据，通过机器学习训练出该类电器的异常预警模型，然后利用已训练好的模型，用实时收集到的该类电器过去一段时间的数据作为输入，则得到从现在起未来一段时间的异常如故障预测结果，如果预测结果为故障将要发生，则将预警信息逐级传递到终端电器和/或售后中心，由终端电器和/或售后中心发出警示，提醒用户报修或寻求帮助或主动售后维护。

进一步地，模型建立模块110，还用于将待评估电器的运行数据作为机器学习的来源数据之一以更新所述预警控制模型。

例如：确立的网络算法结构，并非是一成不变的，而是可以实时进行调整的。作为示例，将待评估电器的运行数据作为新的样本数据，继续对预警控制模型进行训练，以更新预警控制模型，提高预测的准确率。

根据本申请的实施例，还提供了对应于前述的电器的异常预警方法的一种系统装置。该系统装置，可以包括：至少一个处理器，用于执行多条指令；至少一个存储器，用于存储多条指令；其中，由所述至少一个处理器加载所述至少一个存储器存储的指令并执行前述的电器的异常预警方法。

由于本实施例的装置所实现的处理及功能基本相应于前述方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

经大量的试验验证，采用本发明的技术方案，通过收集的电器的大量的历史运行状态及异常情况进行分析和挖掘，建立电器的运行状态与异常情况的关系，用于提前预测异常的发生，及早对电器进行检查维护，则能减低电器的损害和更低限度降低对用户的使用影响。

根据本发明的实施例，还提供了对应于电器的异常预警方法的一种存储介质。中存储有多条指令；所述多条指令，用于由处理器加载并执行以上的电器的异常预警方法。

由于本实施例的存储介质所实现的处理及功能基本相应于前述方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

经大量的试验验证，采用本发明的技术方案，通过在电器实质地发生故障之前就能提示用户或售后人员电器可能发生异常并指出异常类型，能减低电器的损害和更低限度降低对用户的使用影响。

可选地，该电器，可以包括：空调、冰箱、洗衣机、抽油烟机、热水器、空气净化器中的至少之一。

可选地，异常可以包括故障，如着火、死机、漏电等等。

本申请利用大数据分析及挖掘等相关的算法技术，通过对收集的电器的大量的历史运行状态及异常情况进行分析和挖掘，利用诸如统计学习或其他机器学习方法，对电器运行状态参数和异常间的变化关系或规律进行挖掘和学习，从而为实时的异常预警提供算法依据。

在一个可选例子中，前述的电器的异常预警系统包括，带有无线收发装置的电器，经路由器或者手机或者其他终端与互联网连接，再连接到云端服务器，最后连接到智能控制中心(例如：该智能控制中心，可以是用户侧或服务商云端侧的内部系统)。由该系列模块组成的系统，可以将不同终端电器的运行情况(包括运行参数、故障状态等)传回智能控制中心，也可以由智能控制中心将相关控制指令(如预警指示等)发到终端电器上。

以上对本申请的电器的异常预警方法、系统、装置及存储介质进行了描述，通过机器学习得到电器设备的预警控制模型，根据预警控制模型对电器设备将要发生异常进行预警，从而解决了现有技术中电器设备只能在异常后才提示导致对电器设备的损害较大的问题，达到对电器设备损害小的效果。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等各种可以存储程序代码的介质。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种电器的异常预警方法，其特征在于，包括：

对电器运行数据进行机器学习以得到异常预警控制模型；

获取待评估电器的运行参数；

根据所述待评估电器的运行参数和所述异常预警控制模型，生成预警控制评估结果。

2.如权利要求1所述的方法，其特征在于：

用于机器学习的所述电器运行数据来源于集群；

和/或

用于机器学习的所述电器运行数据包括异常数据和非异常数据；

和/或，

对电器运行数据进行机器学习以得到电器预警模型包括：

对所述电器运行数据进行数据预处理，

对预处理后的数据进行数据探索性分析以确定异常产生因素及相关的影响变量，

分析影响变量与运行异常之间的变化关系以建立预警模型；

和/或，

所述电器包括空调、冰箱、洗衣机、抽油烟机、热水器、空气净化器中的至少之一。

3.如权利要求2所述的方法，其特征在于，所述数据预处理包括：

对数据中的每个字段变量的内容检查是否有缺失值，

如果有，则进行缺失值处理。

4.如权利要求1至3任一项所述的方法，其特征在于，还包括：对所述异常预警控制模型的鲁棒性进行评估；

和/或

将待评估电器的运行数据作为机器学习的来源数据之一更新所述预警控制模型；

和/或

在所述评估结果为需要预警时，生成预警信号。

5.一种电器的异常预警系统，其特征在于包括：

模型建立模块，对电器运行数据进行机器学习以得到异常预警控制模型；

数据管理模块，获取待评估电器的运行参数；

预警模块，根据所述运行参数和所述异常预警控制模型，生成预警控制评估结果。

6.如权利要求5所述的系统，其特征在于：

用于机器学习的所述电器运行数据来源于集群；

和/或

用于机器学习的所述电器运行数据包括异常数据和非异常数据；

和/或，

对电器运行数据进行机器学习以得到电器预警模型包括：

对所述电器运行数据进行数据预处理，

对预处理后的数据进行数据探索性分析以确定异常产生因素及相关的影响变量，

分析影响变量与运行异常之间的变化关系以建立预警模型；

和/或，

所述电器包括空调、冰箱、洗衣机、抽油烟机、热水器、空气净化器中的至少之一。

7.如权利要求6所述的系统，其特征在于，所述数据预处理包括：

对数据中的每个字段变量的内容检查是否有缺失值，

如果有，则进行缺失值处理。

8.如权利要求5至7任一项所述的系统，其特征在于，还包括：所述模型建立模块对所述异常预警控制模型的鲁棒性进行评估；

和/或

模型建立模块将待评估电器的运行数据作为机器学习的来源数据之一更新所述预警控制模型；

和/或

所述预警模块在所述评估结果为需要预警时，生成预警信号。

9.一种电器的异常预警的系统装置，其特征在于，包括：

至少一个处理器，用于执行多条指令；

至少一个存储器，用于存储多条指令；

其中，由所述至少一个处理器加载所述至少一个存储器存储的指令并执行如权利要求1-4任一所述的电器的异常预警方法。

10.一种存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-4任一所述的电器的异常预警方法。

Images