CN110826583A - 故障的确定方法、装置、存储介质及电子装置 - Google Patents
故障的确定方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN110826583A CN110826583A CN201810922004.3A CN201810922004A CN110826583A CN 110826583 A CN110826583 A CN 110826583A CN 201810922004 A CN201810922004 A CN 201810922004A CN 110826583 A CN110826583 A CN 110826583A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- analysis model
- training
- household appliance
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种故障的确定方法、装置、存储介质及电子装置。其中,该方法包括:对获取的家电设备的故障数据进行滤波处理;提取滤波处理后的故障数据的故障特征数据;将故障特征数据进行分类,得到训练数据集;利用训练数据集对故障分析模型进行训练,其中,故障分析模型是基于深度学习建立的;利用故障分析模型确定家电设备的故障。本发明解决了现有技术中对家电设备的故障确定不准确的技术问题。
Description
技术领域
本发明涉及家电领域,具体而言,涉及一种故障的确定方法、装置、存储介质及电子装置。
背景技术
随着工业数据的逐渐增多,空调行业的运行数据也日益增多,空调噪声诊断日益凸显,传统的噪声诊断都是使用一些专家经验,通过人为的对噪声数据经过傅里叶变换,查看频域的一些特征,总结空调故障所在的具体频段。人为分析的故障所在频段的方法判断故障所在的频段,主要有三方面的问题。一方面是具有主观色彩,各个空调故障发生的频段不可能仅靠人为的所有的故障都能够准确的找到,另外一个方面是每个人的判定标准不同会找到的同一类故障所在的频段不同,导致专家经验不同,最后,耗时,费力,投入人力成本太大。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种故障的确定方法、装置、存储介质及电子装置,以至少解决现有技术中对家电设备的故障确定不准确的技术问题。
根据本发明实施例的一个方面,提供了一种故障的确定方法,包括:对获取的家电设备的故障数据进行滤波处理;提取滤波处理后的故障数据的故障特征数据;将所述故障特征数据进行分类,得到训练数据集;利用所述训练数据集对故障分析模型进行训练,其中,所述故障分析模型是基于深度学习建立的;利用所述故障分析模型确定所述家电设备的故障。
可选地,对获取的所述家电设备的故障数据进行滤波处理包括:在所述故障数据为噪声信号时,采用加权的方式调整所述噪声信号的不均衡;将所述噪声信号从时域信号转换为频域信号;利用滤波器对所述频域信号进行滤波;确定滤波后的所述噪声信号的频率和所述噪声信号所在的频率段。
可选地,提取滤波处理后的故障数据的故障特征数据包括:在所述故障数据为噪声信号时,利用傅里叶变换算法提取所述噪声信号的时频特征图,其中,所述时频特征图是基于所述噪声信号从时域信号转换为频域信号的特征变化得到的。
可选地,将所述故障特征数据进行分类,得到所述训练数据集包括:标记所述故障特征数据的故障类型;基于所述故障类型分类出所述训练数据集。
可选地,标记所述故障特征数据的故障类型之后,所述方法还包括:基于所述故障类型还将所述故障特征数据分类出测试数据集和验证数据集。
可选地,利用所述训练数据集对所述故障分析模型进行训练之后,所述方法还包括:将所述测试数据集输入到所述故障分析模型中,测试所述故障分析模型的训练效果;将所述验证数据集输入到所述故障分析模型中,采用正则化的方式验证所述故障分析模型的分析效果。
可选地,利用所述故障分析模型确定所述家电设备的故障包括:将重新获取的所述家电设备的故障数据输入所述故障分析模型;利用从所述故障分析模型中输出的与所述重新获取的故障数据对应的故障值确定所述家电设备的故障。
根据本发明的另一个实施例,还提供一种故障的确定方法,包括:将重新获取的家电设备的故障数据输入故障分析模型,其中,所述故障分析模型是基于所述家电设备的多个故障数据训练得到的;利用从所述故障分析模型中输出的与所述重新获取的故障数据对应的故障值确定所述家电设备的故障。
根据本发明的另一个实施例,还提供故障的确定装置,包括:滤波模块,用于对获取的家电设备的故障数据进行滤波处理;提取模块,用于提取滤波处理后的故障数据的故障特征数据;第一确定模块,用于将所述故障特征数据进行分类,得到训练数据集;训练模块,用于利用所述训练数据集对故障分析模型进行训练,其中,所述故障分析模型是基于深度学习建立的;第二确定模块,用于利用所述故障分析模型确定所述家电设备的故障。
根据本发明的另一个实施例,还提供故障的确定装置,包括:输入模块,用于将重新获取的家电设备的故障数据输入故障分析模型,其中,所述故障分析模型是基于所述家电设备的多个故障数据训练得到的;第三确定模块,用于利用从所述故障分析模型中输出的与所述重新获取的故障数据对应的故障值确定所述家电设备的故障。
根据本发明实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述方法。
根据本发明实施例的又一方面,还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,上述处理器通过计算机程序执行上述的方法。
在本发明实施例中,通过对获取的家电设备的故障数据进行滤波处理;并提取滤波处理后的故障数据的故障特征数据;将故障特征数据进行分类,得到训练数据集;利用训练数据集对故障分析模型进行训练,其中,故障分析模型是基于深度学习建立的;利用故障分析模型确定家电设备的故障。从而实现了准确确定家电设备的故障的技术效果,解决了现有技术中不能准确的确定家电设备的故障的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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是本发明实施例的一种故障的确定方法的移动终端的硬件结构框图;
图2是根据本发明实施例的故障的确定方法的流程图(一);
图3是根据本发明实施例的故障的确定方法的流程图(二);
图4是本实施例中流程图;
图5是根据本发明实施例的故障的确定装置的结构框图(一);
图6是根据本发明实施例的故障的确定装置的结构框图(二)。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明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,以便这里描述的本发明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。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种故障的确定方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的故障的确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种故障的确定方法,图2是根据本发明实施例的故障的确定方法的流程图(一),如图2所示,该流程包括如下步骤:
步骤S202,对获取的家电设备的故障数据进行滤波处理;
步骤S204,提取滤波处理后的故障数据的故障特征数据;
步骤S206,将故障特征数据进行分类,得到训练数据集;
步骤S208,利用训练数据集对故障分析模型进行训练,其中,故障分析模型是基于深度学习建立的;
步骤S210,利用故障分析模型确定家电设备的故障。
通过上述步骤,通过对获取的家电设备的故障数据进行滤波处理;并提取滤波处理后的故障数据的故障特征数据;将故障特征数据进行分类,得到训练数据集;利用训练数据集对故障分析模型进行训练,其中,故障分析模型是基于深度学习建立的;利用故障分析模型确定家电设备的故障。从而实现了准确确定家电设备的故障的技术效果,解决了现有技术中不能准确的确定家电设备的故障的技术问题。
可选地,上述步骤的执行主体可以为终端等,但不限于此。
需要说明的是,本实施例中的家电设备可以是空调、电视等。
在一个可选的实施例中,通过以下方式,对获取的家电设备的故障数据进行滤波处理:在故障数据为噪声信号时,采用加权的方式调整噪声信号的不均衡;将噪声信号从时域信号转换为频域信号;利用滤波器对频域信号进行滤波;确定滤波后的噪声信号的频率和噪声信号所在的频率段。判断噪声信号是否在整个频率段都有影响,并分析每个故障类型发生的故障集中在哪个频率段,为后续的模型验证与评估作参考依据。
可选地,提取滤波处理后的故障数据的故障特征数据包括:在故障数据为噪声信号时,利用傅里叶变换算法提取噪声信号的时频特征图,其中,时频特征图是基于噪声信号从时域信号转换为频域信号的特征变化得到的。在本实施例中,需要将故障空调噪声文件进行频域变换,通过采用测试的方式来测试同一个网络结构,不同的特征,发现提取时-频图特征时,精度有提高,因此,采用时-频图作为噪声文件的特征较好。
可选地,将故障特征数据进行分类,得到训练数据集包括:标记故障特征数据的故障类型;基于故障类型分类出训练数据集。在本实施例中,需要将空调噪声文件标记属于哪类空调噪声数据。将数据切分成训练数据集、测试数据集以及验证数据集。
可选地,利用训练数据集对故障分析模型进行训练之后,还需要将测试数据集输入到故障分析模型中,测试故障分析模型的训练效果;将验证数据集输入到故障分析模型中,采用正则化的方式验证故障分析模型的分析效果。在本实施例中,使用训练数据集,建立深度学习网络并训练,采用5层神经网络架构,效果较好,精度使用测试数据集来得到。使用验证数据集对模型进行评估,发现数据不均衡导致的一些问题,为了解决数据不均衡导致的不收敛,采用正则化的方式进行模型验证,减少过拟合,得到的模型精度80%。
可选地,利用故障分析模型确定家电设备的故障包括:将重新获取的家电设备的故障数据输入故障分析模型;利用从故障分析模型中输出的与重新获取的故障数据对应的故障值确定家电设备的故障。通过故障分析模型得到家电设备的故障,节省了时间、人力成本;最大程度的减少人为因素的干预。
在本实施例中提供了一种故障的确定方法,图3是根据本发明实施例的故障的确定方法的流程图(二),如图3所示,该流程包括如下步骤:
步骤S302,将重新获取的家电设备的故障数据输入故障分析模型,其中,故障分析模型是基于家电设备的多个故障数据训练得到的;
步骤S304,利用从故障分析模型中输出的与重新获取的故障数据对应的故障值确定家电设备的故障。
通过上述步骤,利用训练过的故障分析模型确定家电设备的故障,从而实现了准确确定家电设备的故障的技术效果,解决了现有技术中不能准确的确定家电设备的故障的技术问题。
可选地,上述步骤的执行主体可以为终端等,但不限于此。
需要说明的是,本实施例中的家电设备可以是空调、电视等。
下面结合具体实施例对本发明进行详细说明:
本实施例主要是针对传统的确定机械故障类型的方法存在的弊端,提供一种大数据技术的思路与深度学习算法相结合,减少人工主观的臆断,最大程度的依据于数据的走势,使得能够提升机械类故障诊断的精度的方法。主要通过使用大数据进行训练深度学习模型的方法,得到学习到的模型,大数据量学习到的模型具有普遍性,下次新数据进来时可以直接进行代入模型数据结果即可。
本实施例主要通过以下几个方面实现:
1)清洗数据和探索性分析。将空调噪声文件进行从时域转换成频域,借助滤波器来进行滤波处理,查看空调噪声处于哪个频率,是否在整个频率段都有影响,并分析每个故障类型发生的故障集中在哪个频率段,为后续的模型验证与评估作参考依据。
2)数据打标和切分数据集。将空调噪声文件标记属于哪类空调噪声数据。将数据切分成训练数据集、测试数据集以及验证数据集。
3)数据特征提取。将故障空调噪声文件进行频域变换,通过采用测试的方式来测试同一个网络结构,不同的特征,发现提取时-频图特征时,精度有提高,因此,采用时-频图作为噪声文件的特征较好。
4)数据训练建模。使用训练数据集,建立深度学习网络并训练,采用5层神经网络架构,效果较好,精度使用测试数据集来得到。
5)模型验证与评估。使用验证数据集对模型进行评估,发现数据不均衡导致的一些问题,为了解决数据不均衡导致的不收敛,采用正则化的方式进行模型验证,减少过拟合,得到的模型精度80%。
本实施例可以有效的避免了太多的人为干扰因素,导致的模型系统的不确定性,鲁棒差。可以节省时间、人力成本;最大程度的减少人为因素的干预;、可以扩展成多种领域的解决方案;可以实现机械类故障诊断领域的新突破。
图4是本实施例中流程图,如图4所示,本实施例中的实现关键点包括:
数据特征提取。将故障空调噪声文件进行频域变换,通过采用测试的方式来测试同一个网络结构,不同的特征,发现提取时-频图特征时,精度有提高,因此,采用时-频图作为噪声文件的特征较好。
模型验证与评估。使用验证数据集对模型进行评估,发现数据不均衡导致的一些问题,为了解决数据不均衡导致的不收敛,采用正则化的方式进行模型验证,减少过拟合,得到的模型精度80%。
数据规约以及切分数据集,首先将空调噪声文件的时域数据进行归一化,将空调噪声文件标记属于哪类空调噪声。将数据切分成训练数据集、测试数据集以及验证数据集。
数据特征提取。采用短时傅里叶变换提取特征。
数据训练建模。使用训练数据集,建立深度学习网络并训练,采用5层神经网络架构,精度使用测试数据集来得到。
模型验证与评估。使用验证数据集对模型进行评估,使用加权的方法解决数据不均衡,采用正则化的方式进行模型验证,减少过拟合现象发生。
部署项目。将模型部署到服务器,通过Rest开发给前端API方式,使用该方法前端可以调用该模型进行计算输出故障诊断的结果。
本实施例还可以应用到其他机器噪声故障诊断领域。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种故障的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的故障的确定装置的结构框图(一),如图5所示,该装置包括:滤波模块52、提取模块54、第一确定模块56、训练模块58以及第二确定模块510,下面对该装置进行详细说明:
滤波模块52,用于对获取的家电设备的故障数据进行滤波处理;
提取模块54,连接至上述中的滤波模块52,用于提取滤波处理后的故障数据的故障特征数据;
第一确定模块56,连接至上述中的提取模块54,用于将所述故障特征数据进行分类,得到训练数据集;
训练模块58,连接至上述中的第一确定模块56,用于利用所述训练数据集对故障分析模型进行训练,其中,所述故障分析模型是基于深度学习建立的;
第二确定模块510,连接至上述中的训练模块,用于利用所述故障分析模型确定所述家电设备的故障。
在一个可选的实施例中,通过以下方式,对获取的家电设备的故障数据进行滤波处理:在故障数据为噪声信号时,采用加权的方式调整噪声信号的不均衡;将噪声信号从时域信号转换为频域信号;利用滤波器对频域信号进行滤波;确定滤波后的噪声信号的频率和噪声信号所在的频率段。判断噪声信号是否在整个频率段都有影响,并分析每个故障类型发生的故障集中在哪个频率段,为后续的模型验证与评估作参考依据。
可选地,提取滤波处理后的故障数据的故障特征数据包括:在故障数据为噪声信号时,利用傅里叶变换算法提取噪声信号的时频特征图,其中,时频特征图是基于噪声信号从时域信号转换为频域信号的特征变化得到的。在本实施例中,需要将故障空调噪声文件进行频域变换,通过采用测试的方式来测试同一个网络结构,不同的特征,发现提取时-频图特征时,精度有提高,因此,采用时-频图作为噪声文件的特征较好。
可选地,将故障特征数据进行分类,得到训练数据集包括:标记故障特征数据的故障类型;基于故障类型分类出训练数据集。在本实施例中,需要将空调噪声文件标记属于哪类空调噪声数据。将数据切分成训练数据集、测试数据集以及验证数据集。
可选地,利用训练数据集对故障分析模型进行训练之后,还需要将测试数据集输入到故障分析模型中,测试故障分析模型的训练效果;将验证数据集输入到故障分析模型中,采用正则化的方式验证故障分析模型的分析效果。在本实施例中,使用训练数据集,建立深度学习网络并训练,采用5层神经网络架构,效果较好,精度使用测试数据集来得到。使用验证数据集对模型进行评估,发现数据不均衡导致的一些问题,为了解决数据不均衡导致的不收敛,采用正则化的方式进行模型验证,减少过拟合,得到的模型精度80%。
可选地,利用故障分析模型确定家电设备的故障包括:将重新获取的家电设备的故障数据输入故障分析模型;利用从故障分析模型中输出的与重新获取的故障数据对应的故障值确定家电设备的故障。通过故障分析模型得到家电设备的故障,节省了时间、人力成本;最大程度的减少人为因素的干预。
图6是根据本发明实施例的故障的确定装置的结构框图(二),如图6所示,该装置包括:输入模块62和第三确定模块64,下面对该装置进行详细说明:
输入模块62,用于将重新获取的家电设备的故障数据输入故障分析模型,其中,故障分析模型是基于家电设备的多个故障数据训练得到的;
第三确定模块64,连接至上述中的输入模块,用于利用从故障分析模型中输出的与重新获取的故障数据对应的故障值确定家电设备的故障。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以上各步骤的计算机程序。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以上各步骤。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种故障的确定方法,其特征在于,包括:
对获取的家电设备的故障数据进行滤波处理;
提取滤波处理后的故障数据的故障特征数据;
将所述故障特征数据进行分类,得到训练数据集;
利用所述训练数据集对故障分析模型进行训练,其中,所述故障分析模型是基于深度学习建立的;
利用所述故障分析模型确定所述家电设备的故障。
2.根据权利要求1所述的方法,其特征在于,对获取的所述家电设备的故障数据进行滤波处理包括:
在所述故障数据为噪声信号时,采用加权的方式调整所述噪声信号的不均衡;
将所述噪声信号从时域信号转换为频域信号;
利用滤波器对所述频域信号进行滤波;
确定滤波后的所述噪声信号的频率和所述噪声信号所在的频率段。
3.根据权利要求1所述的方法,其特征在于,提取滤波处理后的故障数据的故障特征数据包括:
在所述故障数据为噪声信号时,利用傅里叶变换算法提取所述噪声信号的时频特征图,其中,所述时频特征图是基于所述噪声信号从时域信号转换为频域信号的特征变化得到的。
4.根据权利要求1所述的方法,其特征在于,将所述故障特征数据进行分类,得到所述训练数据集包括:
标记所述故障特征数据的故障类型;
基于所述故障类型分类出所述训练数据集。
5.根据权利要求4所述的方法,其特征在于,标记所述故障特征数据的故障类型之后,所述方法还包括:
基于所述故障类型还将所述故障特征数据分类出测试数据集和验证数据集。
6.根据权利要求5所述的方法,其特征在于,利用所述训练数据集对所述故障分析模型进行训练之后,所述方法还包括:
将所述测试数据集输入到所述故障分析模型中,测试所述故障分析模型的训练效果;
将所述验证数据集输入到所述故障分析模型中,采用正则化的方式验证所述故障分析模型的分析效果。
7.根据权利要求1所述的方法,其特征在于,利用所述故障分析模型确定所述家电设备的故障包括:
将重新获取的所述家电设备的故障数据输入所述故障分析模型;
利用从所述故障分析模型中输出的与所述重新获取的故障数据对应的故障值确定所述家电设备的故障。
8.一种故障的确定方法,其特征在于,包括:
将重新获取的家电设备的故障数据输入故障分析模型,其中,所述故障分析模型是基于所述家电设备的多个故障数据训练得到的;
利用从所述故障分析模型中输出的与所述重新获取的故障数据对应的故障值确定所述家电设备的故障。
9.一种故障的确定装置,其特征在于,包括:
滤波模块,用于对获取的家电设备的故障数据进行滤波处理;
提取模块,用于提取滤波处理后的故障数据的故障特征数据;
第一确定模块,用于将所述故障特征数据进行分类,得到训练数据集;
训练模块,用于利用所述训练数据集对故障分析模型进行训练,其中,所述故障分析模型是基于深度学习建立的;
第二确定模块,用于利用所述故障分析模型确定所述家电设备的故障。
10.一种故障的确定装置,其特征在于,包括:
输入模块,用于将重新获取的家电设备的故障数据输入故障分析模型,其中,所述故障分析模型是基于所述家电设备的多个故障数据训练得到的;
第三确定模块,用于利用从所述故障分析模型中输出的与所述重新获取的故障数据对应的故障值确定所述家电设备的故障。
11.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
12.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810922004.3A CN110826583A (zh) | 2018-08-14 | 2018-08-14 | 故障的确定方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810922004.3A CN110826583A (zh) | 2018-08-14 | 2018-08-14 | 故障的确定方法、装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826583A true CN110826583A (zh) | 2020-02-21 |
Family
ID=69547155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810922004.3A Pending CN110826583A (zh) | 2018-08-14 | 2018-08-14 | 故障的确定方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826583A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797136A (zh) * | 2020-06-28 | 2020-10-20 | 五邑大学 | 基于大数据对空调软故障分析方法、装置及存储介质 |
CN112036444A (zh) * | 2020-07-31 | 2020-12-04 | 海尔优家智能科技(北京)有限公司 | 家居设备的故障检测方法及系统 |
CN112241599A (zh) * | 2020-11-18 | 2021-01-19 | 中国联合网络通信集团有限公司 | 故障分析模型的建立方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584433A (zh) * | 2004-06-04 | 2005-02-23 | 广东科龙电器股份有限公司 | 基于神经网络的空调器噪声源识别方法 |
US20080059075A1 (en) * | 2006-09-04 | 2008-03-06 | Daniele Colombo | Methods and apparatus for geophysical exploration via joint inversion |
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN103852255A (zh) * | 2013-11-15 | 2014-06-11 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
CN105424395A (zh) * | 2015-12-15 | 2016-03-23 | 珠海格力电器股份有限公司 | 设备故障的确定方法和装置 |
CN105415191A (zh) * | 2015-11-26 | 2016-03-23 | 西北工业大学 | 一种基于声发射的磨削状态测控方法及装置 |
CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
CN106441946A (zh) * | 2016-11-15 | 2017-02-22 | 重庆工商大学 | 基于振动信号的车辆液压减震器故障识别方法及系统 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
-
2018
- 2018-08-14 CN CN201810922004.3A patent/CN110826583A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584433A (zh) * | 2004-06-04 | 2005-02-23 | 广东科龙电器股份有限公司 | 基于神经网络的空调器噪声源识别方法 |
US20080059075A1 (en) * | 2006-09-04 | 2008-03-06 | Daniele Colombo | Methods and apparatus for geophysical exploration via joint inversion |
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN103852255A (zh) * | 2013-11-15 | 2014-06-11 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
CN105415191A (zh) * | 2015-11-26 | 2016-03-23 | 西北工业大学 | 一种基于声发射的磨削状态测控方法及装置 |
CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
CN105424395A (zh) * | 2015-12-15 | 2016-03-23 | 珠海格力电器股份有限公司 | 设备故障的确定方法和装置 |
CN106441946A (zh) * | 2016-11-15 | 2017-02-22 | 重庆工商大学 | 基于振动信号的车辆液压减震器故障识别方法及系统 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797136A (zh) * | 2020-06-28 | 2020-10-20 | 五邑大学 | 基于大数据对空调软故障分析方法、装置及存储介质 |
CN112036444A (zh) * | 2020-07-31 | 2020-12-04 | 海尔优家智能科技(北京)有限公司 | 家居设备的故障检测方法及系统 |
CN112241599A (zh) * | 2020-11-18 | 2021-01-19 | 中国联合网络通信集团有限公司 | 故障分析模型的建立方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319375A1 (en) | Churn prediction in a broadband network | |
CN110826583A (zh) | 故障的确定方法、装置、存储介质及电子装置 | |
CN106815255A (zh) | 检测数据访问异常的方法及装置 | |
CN110706693B (zh) | 语音端点的确定方法及装置、存储介质、电子装置 | |
CN103593465A (zh) | 用于诊断应用推广渠道异常的方法和设备 | |
CN106484837A (zh) | 相似视频文件的检测方法和装置 | |
CN108491321B (zh) | 测试用例范围确定方法、装置及存储介质 | |
CN109816043B (zh) | 用户识别模型的确定方法、装置、电子设备及存储介质 | |
CN109996269A (zh) | 一种无线通信网络异常原因确定方法、装置、设备及介质 | |
KR20190060547A (ko) | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN110209551B (zh) | 一种异常设备的识别方法、装置、电子设备及存储介质 | |
CN111162934A (zh) | 业务服务的测试方法和装置、存储介质、电子装置 | |
CN110728235A (zh) | 户型区域标记方法及装置 | |
CN108304322B (zh) | 一种压力测试方法及终端设备 | |
CN115358395A (zh) | 知识图谱的更新方法和装置、存储介质及电子装置 | |
CN115346082A (zh) | 图像的生成方法、装置、存储介质及电子装置 | |
CN112446389A (zh) | 一种故障判别方法及装置 | |
CN110598797B (zh) | 故障的检测方法及装置、存储介质和电子装置 | |
CN103810241B (zh) | 一种低频点击的过滤方法和装置 | |
CN112269937A (zh) | 一种计算用户相似度的方法、系统及装置 | |
CN104023353A (zh) | 路由器性能的测试方法及测试系统 | |
CN116302889A (zh) | 功能模块的性能测试方法、装置和服务器 | |
CN113255137B (zh) | 目标对象应变数据的处理方法、装置及存储介质 | |
CN105591842A (zh) | 一种获取移动终端操作系统版本的方法和装置 |
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: 20200221 |