CN111126632A - 一种家电故障预测方法、预测装置、冰箱及存储介质 - Google Patents
一种家电故障预测方法、预测装置、冰箱及存储介质 Download PDFInfo
- Publication number
- CN111126632A CN111126632A CN201911167145.XA CN201911167145A CN111126632A CN 111126632 A CN111126632 A CN 111126632A CN 201911167145 A CN201911167145 A CN 201911167145A CN 111126632 A CN111126632 A CN 111126632A
- Authority
- CN
- China
- Prior art keywords
- historical
- operation data
- fault
- household appliance
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 10
- 238000005057 refrigeration Methods 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000007405 data analysis Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010438 heat treatment Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明提出了一种家电故障预测方法、预测装置、冰箱及计算机可读存储介质。其中,家电故障预测方法包括:获取家电的运行数据;将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障。通过将家电的运行数据与预存的历史故障运行数据进行对比,无需增加硬件电路,即可主动预测出家电是否会发生故障,进而能够避免故障的发生,降低了使用家电的危险。
Description
技术领域
本发明涉及家电技术领域,具体而言,涉及一种家电故障预测方法、预测装置、冰箱及计算机可读存储介质。
背景技术
由于有些家电是不断电的设备,发生故障时更容易出现一些安全隐患。相关技术中,通过增加各种传感器或单独的控制电路来不断采集家电运行数据,在发生故障时显示故障类型,但是这种方法对硬件要求较高,同时增加了设备成本,也无法做到提前避免风险。或者,基于报警跳闸限值进行故障预警,在待监控家电参数超限后进行报警或跳闸,但是这种预警方式主要的监控标准是厂家阈值或者行业阈值,也无法做到提前避免风险。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个方面在于提出了一种家电故障预测方法。
本发明的另一个方面在于提出了一种家电故障预测装置。
本发明的再一个方面在于提出了一种冰箱。
本发明的又一个方面在于提出了一种计算机可读存储介质。
有鉴于此,根据本发明的一个方面,提出了一种家电故障预测方法,包括:获取家电的运行数据;将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障。
本发明提供的家电故障预测方法,通过将家电的运行数据与预存的历史故障运行数据进行对比,无需增加硬件电路,即可主动预测出家电是否会发生故障,进而能够避免故障的发生,降低了使用家电的危险。
根据本发明的上述家电故障预测方法,还可以具有以下技术特征:
在上述技术方案中,将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障的步骤,具体包括:根据运行数据构建运行数据趋势曲线;将运行数据趋势曲线与预存的历史故障运行数据曲线对比,获取运行数据趋势曲线与历史故障运行数据曲线的相似度;相似度大于或等于相似度阈值,预测家电会出现故障;相似度小于相似度阈值,预测家电不会出现故障。
在该技术方案中,根据运行数据构建运行数据趋势曲线,对比运行数据趋势曲线与预存的历史故障运行数据曲线的相似度,当相似度达到一定相似度阈值,则预测家电会出现故障。例如,家电当天的运行数据趋势曲线与三天前的历史故障运行数据曲线相似度达到0.8及以上,则判断家电会在三天后发生某一故障。本发明利用大数据对比分析趋势曲线相似度,不用增加额外的硬件传感器或控制电路,即无需增加成本就可以精确地预测发生故障。
在上述任一技术方案中,在获取家电的运行数据之前,还包括:获取家电的历史故障信息;查询家电和/或其它家电在历史故障信息出现之前的历史运行数据;根据与历史故障信息相关的历史运行数据,构建历史故障运行数据曲线。
在该技术方案中,通过家电的日常运行数据上报和故障上报获取数据,构建历史故障运行数据曲线。具体为,在家电日常运行时不断获取家电的运行数据,然后判断是否有故障数据上报,如果判断到家电故障,获取故障信息以及该故障信息出现之前的历史运行数据,根据与该故障信息相关的历史运行数据构建历史故障运行数据曲线。通过大量的历史故障数据进行大数据分析,能够构建出各种故障的历史故障运行数据曲线,进而实现对家电故障的精准预测。
例如,某一家电发生了冷藏传感器故障,收到故障上报后自动查询该家电的历史上报日志,解析出参数化数据,筛选与冷藏传感器故障相关的数据,比如发生故障之前的冷藏室实际温度、冷藏传感器温度、冷藏加热丝补偿温度等,生成故障前的趋势曲线。
需要说明的是,对于构建某一家电的历史故障运行数据曲线,可以根据该家电的与故障相关的历史运行数据构建;如果对于某一故障,该家电并未发生过,也就是说该家电没有与该故障相关的历史运行数据,则可以根据其他相同类型的家电的历史运行数据构建历史故障运行数据曲线;当然,为了使曲线更加精准,还可以综合该家电和其它相同类型的家电的历史运行数据一起构建历史故障运行数据曲线。
并且,可以建立故障模型,故障模型中具有多种故障对应的历史故障运行数据曲线,可对家电的所有故障并行构建各自相关数据的历史故障运行数据曲线,也可优先构建通过大数据分析得到的高发故障的相关数据的历史故障运行数据曲线。
在上述任一技术方案中,历史运行数据为多个家电的历史运行数据,根据与历史故障信息相关的历史运行数据,构建历史故障运行数据曲线的步骤,具体包括:根据与历史故障信息相关的历史运行数据,对应构建多条历史故障运行数据曲线,并将多条历史故障运行数据曲线进行曲线拟合。
在该技术方案中,对于多个家电中的任一家电,均根据历史运行数据构建一条关于某一故障的历史故障运行数据曲线,利用余弦相似度过滤算法或欧式距离等曲线相似度算法对多条该故障的历史故障运行数据曲线进行过滤,再通过基于谓词表达式匹配的合一算法对曲线进行计算合一,获取最终的历史故障运行数据曲线。综合多个家电的历史运行数据构建更加有效的历史故障运行数据曲线,以提高故障预测的准确性。
在上述任一技术方案中,还包括:预测家电会出现故障,发出故障预警信息和/或生成处理故障的控制信号。
在该技术方案中,当得到某一家电的故障预警后实时分析该故障是否可以通过控制所避免,比如冷藏温度过高或波动可以通过控制该家电的冷藏室温度使其维持在一个稳定状态,避免出现冷藏温度相关故障。如果无法通过控制直接解决,如硬件故障,可以发出故障预警信息,例如向售后人员的终端设备发送故障预警信息,通知该地区售后人员与用户联系,提前前往更换可能会出现故障的硬件避免发生故障后影响用户使用,甚至是导致用户财产安全隐患。
根据本发明的另一个方面,提出了一种家电故障预测装置,包括存储器和处理器,存储器中存储有计算机程序,处理器用于执行计算机程序时实现:获取家电的运行数据;将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障。
本发明提供的家电故障预测装置,通过将家电的运行数据与预存的历史故障运行数据进行对比,无需增加硬件电路,即可主动预测出家电是否会发生故障,进而能够避免故障的发生,降低了使用家电的危险。
根据本发明的上述家电故障预测装置,还可以具有以下技术特征:
在上述技术方案中,处理器将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障,具体包括:根据运行数据构建运行数据趋势曲线;将运行数据趋势曲线与预存的历史故障运行数据曲线对比,获取运行数据趋势曲线与历史故障运行数据曲线的相似度;相似度大于或等于相似度阈值,预测家电会出现故障;相似度小于相似度阈值,预测家电不会出现故障。
在该技术方案中,根据运行数据构建运行数据趋势曲线,对比运行数据趋势曲线与预存的历史故障运行数据曲线的相似度,当相似度达到一定相似度阈值,则预测家电会出现故障。例如,家电当天的运行数据趋势曲线与三天前的历史故障运行数据曲线相似度达到0.8及以上,则判断家电会在三天后发生某一故障。本发明利用大数据对比分析趋势曲线相似度,不用增加额外的硬件传感器或控制电路,即无需增加成本就可以精确地预测发生故障。
在上述任一技术方案中,处理器用于执行计算机程序时还实现:获取家电的历史故障信息;查询家电和/或其它家电在历史故障信息出现之前的历史运行数据;根据与历史故障信息相关的历史运行数据,构建历史故障运行数据曲线。
在该技术方案中,通过家电的日常运行数据上报和故障上报获取数据,构建历史故障运行数据曲线。具体为,在家电日常运行时不断获取家电的运行数据,然后判断是否有故障数据上报,如果判断到家电故障,获取故障信息以及该故障信息出现之前的历史运行数据,根据与该故障信息相关的历史运行数据构建历史故障运行数据曲线。通过大量的历史故障数据进行大数据分析,能够构建出各种故障的历史故障运行数据曲线,进而实现对家电故障的精准预测。
例如,某一家电发生了冷藏传感器故障,收到故障上报后自动查询该家电的历史上报日志,解析出参数化数据,筛选与冷藏传感器故障相关的数据,比如发生故障之前的冷藏室实际温度、冷藏传感器温度、冷藏加热丝补偿温度等,生成故障前的趋势曲线。
需要说明的是,对于构建某一家电的历史故障运行数据曲线,可以根据该家电的与故障相关的历史运行数据构建;如果对于某一故障,该家电并未发生过,也就是说该家电没有与该故障相关的历史运行数据,则可以根据其他相同类型的家电的历史运行数据构建历史故障运行数据曲线;当然,为了使曲线更加精准,还可以综合该家电和其它相同类型的家电的历史运行数据一起构建历史故障运行数据曲线。
并且,可以建立故障模型,故障模型中具有多种故障对应的历史故障运行数据曲线,可对家电的所有故障并行构建各自相关数据的历史故障运行数据曲线,也可优先构建通过大数据分析得到的高发故障的相关数据的历史故障运行数据曲线。
在上述任一技术方案中,历史运行数据为多个家电的历史运行数据,处理器根据与历史故障信息相关的历史运行数据,构建历史故障运行数据曲线的步骤,具体包括:根据与历史故障信息相关的历史运行数据,对应构建多条历史故障运行数据曲线,并将多条历史故障运行数据曲线进行曲线拟合。
在该技术方案中,对于多个家电中的任一家电,均根据历史运行数据构建一条关于某一故障的历史故障运行数据曲线,利用余弦相似度过滤算法或欧式距离等曲线相似度算法对多条该故障的历史故障运行数据曲线进行过滤,再通过基于谓词表达式匹配的合一算法对曲线进行计算合一,获取最终的历史故障运行数据曲线。综合多个家电的历史运行数据构建更加有效的历史故障运行数据曲线,以提高故障预测的准确性。
在上述任一技术方案中,处理器用于执行计算机程序时还实现:预测家电会出现故障,发出故障预警信息和/或生成处理故障的控制信号。
在该技术方案中,当得到某一家电的故障预警后实时分析该故障是否可以通过控制所避免,比如冷藏温度过高或波动可以通过控制该家电的冷藏室温度使其维持在一个稳定状态,避免出现冷藏温度相关故障。如果无法通过控制直接解决,如硬件故障,可以发出故障预警信息,例如向售后人员的终端设备发送故障预警信息,通知该地区售后人员与用户联系,提前前往更换可能会出现故障的硬件避免发生故障后影响用户使用,甚至是导致用户财产安全隐患。
根据本发明的再一个方面,提出了一种冰箱,包括上述任一技术方案的家电故障预测装置。
本发明提供的冰箱,包括上述任一技术方案的家电故障预测装置,因此能够实现上述任一技术方案的家电故障预测装置的全部有益的技术效果。
在上述技术方案中,还包括:壳体,家电故障预测装置设置在壳体内。
在上述任一技术方案中,还包括:通信装置,设置在壳体内,通信装置被配置为发送故障预警信息。
根据本发明的又一个方面,提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一技术方案的家电故障预测方法。
本发明提供的计算机可读存储介质,计算机程序被处理器执行时实现如上述任一技术方案的家电故障预测方法的步骤,因此该计算机可读存储介质包括上述任一技术方案的家电故障预测方法的全部有益的技术效果。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明的第一个实施例的家电故障预测方法的流程示意图;
图2示出了本发明的第二个实施例的家电故障预测方法的流程示意图;
图3示出了本发明的第三个实施例的家电故障预测方法的流程示意图;
图4示出了本发明的第四个实施例的构建故障模型的流程示意图;
图5示出了本发明的第四个实施例的预测是否发生故障的流程示意图;
图6示出了本发明的第四个实施例的故障预警处理的流程示意图;
图7示出了本发明的一个实施例的家电故障预测装置的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
本发明第一方面的实施例,提出一种家电故障预测方法,通过以下实施例进行详细说明。
实施例一,图1示出了本发明的第一个实施例的家电故障预测方法的流程示意图。其中,该方法包括:
步骤102,获取家电的运行数据;
步骤104,将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障。
其中,步骤104,将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障的步骤,具体包括:根据运行数据构建运行数据趋势曲线;将运行数据趋势曲线与预存的历史故障运行数据曲线对比,获取运行数据趋势曲线与历史故障运行数据曲线的相似度;相似度大于或等于相似度阈值,预测家电会出现故障;相似度小于相似度阈值,预测家电不会出现故障。
家电的运行数据可包括压缩机运行参数、传感器温度、环境温度等。
本发明提供的家电故障预测方法,通过将家电的运行数据与预存的历史故障运行数据进行对比,无需增加硬件电路,即可主动预测出家电是否会发生故障,进而能够避免故障的发生,降低了使用家电的危险。
具体地,根据运行数据构建运行数据趋势曲线,对比运行数据趋势曲线与预存的历史故障运行数据曲线的相似度,当相似度达到一定相似度阈值,则预测家电会出现故障。例如,家电当天的运行数据趋势曲线与三天前的历史故障运行数据曲线相似度达到0.8及以上,则判断家电会在三天后发生某一故障。本发明利用大数据对比分析趋势曲线相似度,不用增加额外的硬件传感器或控制电路,即无需增加成本就可以精确地预测发生故障。
实施例二,图2示出了本发明的第二个实施例的家电故障预测方法的流程示意图。其中,该方法包括:
步骤202,获取家电的历史故障信息;查询家电和/或其它家电在历史故障信息出现之前的历史运行数据;
步骤204,根据与历史故障信息相关的历史运行数据,构建历史故障运行数据曲线;
步骤206,获取家电的运行数据;
步骤208,将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障。
其中,步骤208,将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障的步骤,具体包括:根据运行数据构建运行数据趋势曲线;将运行数据趋势曲线与预存的历史故障运行数据曲线对比,获取运行数据趋势曲线与历史故障运行数据曲线的相似度;相似度大于或等于相似度阈值,预测家电会出现故障;相似度小于相似度阈值,预测家电不会出现故障。
故障信息可包括传感器故障、感温探头故障、冷媒运行故障、压缩机运行故障、控制故障、电压状态、电路故障等。
在该实施例中,通过家电的日常运行数据上报和故障上报获取数据,构建历史故障运行数据曲线。具体为,在家电日常运行时不断获取家电的运行数据,然后判断是否有故障数据上报,如果判断到家电故障,获取故障信息以及该故障信息出现之前的历史运行数据,根据与该故障信息相关的历史运行数据构建历史故障运行数据曲线。通过大量的历史故障数据进行大数据分析,能够构建出各种故障的历史故障运行数据曲线,进而实现对家电故障的精准预测。
例如,某一家电发生了冷藏传感器故障,收到故障上报后自动查询该家电的历史上报日志,解析出参数化数据,筛选与冷藏传感器故障相关的数据,比如发生故障之前的冷藏室实际温度、冷藏传感器温度、冷藏加热丝补偿温度等,生成故障前的趋势曲线。
需要说明的是,对于构建某一家电的历史故障运行数据曲线,可以根据该家电的与故障相关的历史运行数据构建。服务器可存储大量家电的运行数据,获取该家电的设备号,进而在服务器查找与该设备号对应的历史运行数据,进一步根据与故障相关的历史运行数据构建历史故障运行数据曲线;如果对于某一故障,该家电并未发生过,也就是说该家电没有与该故障相关的历史运行数据,可以在服务器中查找与该家电相同类型的其它家电,即恩人根据其它家电的历史运行数据构建该家电的历史故障运行数据曲线;当然,为了使曲线更加精准,还可以综合该家电和其它相同类型家电的历史运行数据一起构建历史故障运行数据曲线。
并且,可以建立故障模型,故障模型中具有多种故障对应的历史故障运行数据曲线,可对家电的所有故障并行构建各自相关数据的历史故障运行数据曲线,也可优先构建通过大数据分析得到的高发故障的相关数据的历史故障运行数据曲线。
在上述任一实施例中,历史运行数据为多个家电的历史运行数据时,步骤204,根据与历史故障信息相关的历史运行数据,构建历史故障运行数据曲线的步骤,具体包括:根据与历史故障信息相关的历史运行数据,对应构建多条历史故障运行数据曲线,并将多条历史故障运行数据曲线进行曲线拟合。
在该实施例中,对于多个家电中的任一家电,均根据历史运行数据构建一条关于某一故障的历史故障运行数据曲线,利用余弦相似度过滤算法或欧式距离等曲线相似度算法对多条该故障的历史故障运行数据曲线进行过滤,再通过基于谓词表达式匹配的合一算法对曲线进行计算合一,获取最终的历史故障运行数据曲线。综合多个家电的历史运行数据构建更加有效的历史故障运行数据曲线,以提高故障预测的准确性。
实施例三,图3示出了本发明的第三个实施例的家电故障预测方法的流程示意图。其中,该方法包括:
步骤302,获取家电的历史故障信息;查询家电和/或其它家电在历史故障信息出现之前的历史运行数据;
步骤304,根据与历史故障信息相关的历史运行数据,构建历史故障运行数据曲线;
当历史运行数据为多个家电的历史运行数据时,步骤304,根据与历史故障信息相关的历史运行数据,构建历史故障运行数据曲线的步骤,具体包括:根据与历史故障信息相关的历史运行数据,对应构建多条历史故障运行数据曲线,并将多条历史故障运行数据曲线进行曲线拟合;
步骤306,获取家电的运行数据;
步骤308,将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障;
步骤310,预测家电会出现故障,发出故障预警信息和/或生成处理故障的控制信号。
其中,步骤308,将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障的步骤,具体包括:根据运行数据构建运行数据趋势曲线;将运行数据趋势曲线与预存的历史故障运行数据曲线对比,获取运行数据趋势曲线与历史故障运行数据曲线的相似度;相似度大于或等于相似度阈值,预测家电会出现故障;相似度小于相似度阈值,预测家电不会出现故障。
在该实施例中,当得到某一家电的故障预警后实时分析该故障是否可以通过控制所避免,比如冷藏温度过高或波动可以通过控制该家电的冷藏室温度使其维持在一个稳定状态,避免出现冷藏温度相关故障。如果无法通过控制直接解决,如硬件故障,可以发出故障预警信息,例如向售后人员的终端设备发送故障预警信息,通知该地区售后人员与用户联系,提前前往更换可能会出现故障的硬件避免发生故障后影响用户使用,甚至是导致用户财产安全隐患。
实施例四,提出一种基于大数据的冰箱故障预警方法,包括三个过程:(1)通过冰箱电控的日常数据上报和故障上报获取数据,构建故障模型;(2)根据日常数据检测与故障模型趋势化对比,预测是否会有故障发生;(3)云端收到故障预警的处理。
如图4所示,过程(1)的具体步骤如下:
步骤402,判断冰箱是否发生故障。冰箱是不断电设备,日常运行时,不断上报数据,判断是否有故障数据上报,如果没有故障,则跳转至步骤404;如果有故障,则跳转到步骤406;
所有冰箱不断电,时刻运行上报数据,拥有极大的数据量,可以通过ETL(ExtractTransform Load,数据仓库)将各种数据流式处理;冰箱可以通过电控设置,使冰箱在运行时不断上报数据,包括日常的运行参数(如传感器温度、环境温度、压缩机运行状态等)以及各种故障信息(如传感器故障、感温探头故障、冷媒运行故障、压缩机运行故障、控制故障、电压状态、电路故障等);判断是否发生故障,从而构建特定故障模型,比如设备是否出现冷藏传感器故障等;
步骤404,正常获取冰箱的数据,构建数据趋势曲线。若没有故障,则正常保存冰箱运行数据,作为冰箱的运行数据,提供不同的业务,例如进行数据查询、构建数据模型等;
步骤406,获取故障信息和设备号。检测到设备故障则将故障信息和故障冰箱的设备号上报到云端,存储在数据库中;
步骤408,通过设备号查询冰箱历史数据;
步骤410,获取与该故障信息相关的历史数据。将该冰箱的历史数据参数化,根据上报的故障类型,筛选与故障相关的历史数据;
步骤412,通过与故障相关的历史数据构建故障模型。
步骤408和步骤410中,通过故障冰箱的设备号查询对应冰箱的历史日常运行上报数据,参数化后筛选出与特定故障相关的历史数据,用以构建故障模型,故障模型中具有多种故障对应的历史数据趋势曲线,历史数据可以为一段时间的数据,例如一个月、一个星期的数据。例如,某一冰箱发生了冷藏传感器故障,对应的云端收到故障上报后自动查询该冰箱的历史上报日志,解析出参数化数据,筛选与冷藏传感器故障相关的历史数据,比如发生故障之前的冷藏室实际温度、冷藏传感器温度、冷藏加热丝补偿温度等,生成故障前的历史数据趋势曲线。不仅仅是利用一台冰箱的数据,可以利用大量的冰箱的故障数据的和日常上报数据,这是大数据的基础。通过大量冰箱冷藏传感器故障相关的历史数据趋势曲线,进行余弦相似度过滤算法或欧式距离等曲线相似度算法对无数条该故障的历史数据趋势曲线进行过滤,再通过基于谓词表达式匹配的合一算法对曲线进行计算合一,获取最终的历史数据趋势曲线。
如图5所示,过程(2)的具体步骤如下:
步骤502,检测设备上报的日常数据。监控设备数据,云端能够时刻收到冰箱的上报数据;
步骤504,将相关数据参数化,构建趋势曲线。云端不断进行数据参数化处理,异步进行并行地趋势曲线构建,如果服务器条件允许可以对冰箱所有故障并行构建各自相关数据的趋势曲线,如果服务器配置较低,可以优先构建通过大数据分析得到的高发故障的相关数据的趋势曲线;
步骤506,与相关故障模型对比,比较趋势曲线相似度。时刻根据余弦相似度或欧式距离,同步对比计算每台冰箱的各故障相关数据趋势曲线与已经构建好的对应的故障模型的相似度和相关系数;
步骤508,判断相似度是否达到一定阈值。达到一定阈值跳转至步骤510,否则跳转至步骤502;
步骤510,及时预警。例如该冰箱今天的上报数据趋势曲线与故障模型中某一故障的三天前的历史数据趋势曲线相似度达到0.8及以上则立即向云端预警,提示该设备极大可能会在三天后发生该故障。
如图6所示,过程(3)的具体步骤如下:
步骤602,判断云端是否收到故障预警,如果收到故障预警跳转至步骤606,否则跳转至步骤604;
步骤604,持续监测;
步骤606,获取故障预警的冰箱的设备号;
步骤608,判断是否能够远程处理,如果能够远程处理跳转至步骤610,否则跳转至步骤612。云端收到某一冰箱的故障预警后实时分析该故障是否可以在云端避免;
步骤610,通过软件升级等措施远程解决,例如冰箱的冷藏温度过高或波动可以通过云端控制该冰箱的冷藏室温度使其维持在一个稳定状态,避免出现冷藏温度相关故障;
步骤612,通知用户或售后及时处理,如果云端无法解决,如硬件故障,可以提前通知该地区售后人员与用户联系,提前前往更换可能会出现故障的硬件避免发生故障后影响用户使用,甚至是安全财产隐患。
本发明的技术方案具有以下优势:
(1)通过电控及时上报来获取冰箱的运行状态和故障信息,通过大量的历史故障数据进行大数据分析构建各种故障的相关故障模型和运行数据模型,构建出企业级大数据平台。这些数据模型不仅可以用于故障预警,也可以用于用户画像构建,相关喜好推荐等各种业务需求。
(2)利用大数据对比分析趋势曲线相似度,不用增加额外的硬件传感器等,不需要太多的成本。
(3)云端时刻检测掌控全局,不改变冰箱的结构、性能以及外观,对用户没有任何直观影响。提前预警故障,可以提前解决,有利于提高用户认可的品牌价值和避免安全财产损失。
本发明第二方面的实施例,提出一种家电故障预测装置,图7示出了本发明的一个实施例的家电故障预测装置700的示意框图。其中,该家电故障预测装置700包括存储器702和处理器704,存储器702中存储有计算机程序,处理器704用于执行计算机程序时实现:
获取家电的运行数据;将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障。
本发明提供的家电故障预测装置700,通过将家电的运行数据与预存的历史故障运行数据进行对比,无需增加硬件电路,即可主动预测出家电是否会发生故障,进而能够避免故障的发生,降低了使用家电的危险。
在上述实施例中,处理器704将运行数据与预存的历史故障运行数据对比,预测家电是否会出现故障,具体包括:根据运行数据构建运行数据趋势曲线;将运行数据趋势曲线与预存的历史故障运行数据曲线对比,获取运行数据趋势曲线与历史故障运行数据曲线的相似度;相似度大于或等于相似度阈值,预测家电会出现故障;相似度小于相似度阈值,预测家电不会出现故障。
在该实施例中,根据运行数据构建运行数据趋势曲线,对比运行数据趋势曲线与预存的历史故障运行数据曲线的相似度,当相似度达到一定相似度阈值,则预测家电会出现故障。例如,家电当天的运行数据趋势曲线与三天前的历史故障运行数据曲线相似度达到0.8及以上,则判断家电会在三天后发生某一故障。本发明利用大数据对比分析趋势曲线相似度,不用增加额外的硬件传感器或控制电路,即无需增加成本就可以精确地预测发生故障。
在上述任一实施例中,处理器704用于执行计算机程序时还实现:获取家电的历史故障信息;查询家电和/或其它家电在历史故障信息出现之前的历史运行数据;根据与历史故障信息相关的历史运行数据,构建历史故障运行数据曲线。
在该实施例中,通过家电的日常运行数据上报和故障上报获取数据,构建历史故障运行数据曲线。具体为,在家电日常运行时不断获取家电的运行数据,然后判断是否有故障数据上报,如果判断到家电故障,获取故障信息以及该故障信息出现之前的历史运行数据,根据与该故障信息相关的历史运行数据构建历史故障运行数据曲线。通过大量的历史故障数据进行大数据分析,能够构建出各种故障的历史故障运行数据曲线,进而实现对家电故障的精准预测。
例如,某一家电发生了冷藏传感器故障,收到故障上报后自动查询该家电的历史上报日志,解析出参数化数据,筛选与冷藏传感器故障相关的数据,比如发生故障之前的冷藏室实际温度、冷藏传感器温度、冷藏加热丝补偿温度等,生成故障前的趋势曲线。
需要说明的是,对于构建某一家电的历史故障运行数据曲线,可以根据该家电的与故障相关的历史运行数据构建。服务器可存储大量家电的运行数据,获取该家电的设备号,进而在服务器查找与该设备号对应的历史运行数据,进一步根据与故障相关的历史运行数据构建历史故障运行数据曲线;如果对于某一故障,该家电并未发生过,也就是说该家电没有与该故障相关的历史运行数据,可以在服务器中查找与该家电相同类型的其它家电,即恩人根据其它家电的历史运行数据构建该家电的历史故障运行数据曲线;当然,为了使曲线更加精准,还可以综合该家电和其它相同类型家电的历史运行数据一起构建历史故障运行数据曲线。
并且,可以建立故障模型,故障模型中具有多种故障对应的历史故障运行数据曲线,可对家电的所有故障并行构建各自相关数据的历史故障运行数据曲线,也可优先构建通过大数据分析得到的高发故障的相关数据的历史故障运行数据曲线。
在上述任一实施例中,历史运行数据为多个家电的历史运行数据,处理器704根据与历史故障信息相关的历史运行数据,构建历史故障运行数据曲线的步骤,具体包括:根据与历史故障信息相关的历史运行数据,对应构建多条历史故障运行数据曲线,并将多条历史故障运行数据曲线进行曲线拟合。
在该实施例中,对于多个家电中的任一家电,均根据历史运行数据构建一条关于某一故障的历史故障运行数据曲线,利用余弦相似度过滤算法或欧式距离等曲线相似度算法对多条该故障的历史故障运行数据曲线进行过滤,再通过基于谓词表达式匹配的合一算法对曲线进行计算合一,获取最终的历史故障运行数据曲线。综合多个家电的历史运行数据构建更加有效的历史故障运行数据曲线,以提高故障预测的准确性。
在上述任一实施例中,处理器704用于执行计算机程序时还实现:预测家电会出现故障,发出故障预警信息和/或生成处理故障的控制信号。
在该实施例中,当得到某一家电的故障预警后实时分析该故障是否可以通过控制所避免,比如冷藏温度过高或波动可以通过控制该家电的冷藏室温度使其维持在一个稳定状态,避免出现冷藏温度相关故障。如果无法通过控制直接解决,如硬件故障,可以发出故障预警信息,例如向售后人员的终端设备发送故障预警信息,通知该地区售后人员与用户联系,提前前往更换可能会出现故障的硬件避免发生故障后影响用户使用,甚至是导致用户财产安全隐患。
本发明第三方面的实施例,提出了一种冰箱,包括上述任一实施例的家电故障预测装置。
本发明提供的冰箱,包括上述任一实施例的家电故障预测装置,因此能够实现上述任一实施例的家电故障预测装置的全部有益的技术效果。
在上述实施例中,还包括:壳体,家电故障预测装置设置在壳体内。
在上述任一实施例中,还包括:通信装置,设置在壳体内,通信装置被配置为发送故障预警信息。
本发明第四方面的实施例,提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一实施例的家电故障预测方法。
本发明提供的计算机可读存储介质,计算机程序被处理器执行时实现如上述任一实施例的家电故障预测方法的步骤,因此该计算机可读存储介质包括上述任一实施例的家电故障预测方法的全部有益的技术效果。
在本说明书的描述中,术语“第一”、“第二”仅用于描述的目的,而不能理解为指示或暗示相对重要性,除非另有明确的规定和限定;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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。凡在本发明的精神和原则之内,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)
1.一种家电故障预测方法,其特征在于,包括:
获取所述家电的运行数据;
将所述运行数据与预存的历史故障运行数据对比,预测所述家电是否会出现故障。
2.根据权利要求1所述的家电故障预测方法,其特征在于,将所述运行数据与预存的历史故障运行数据对比,预测所述家电是否会出现故障的步骤,具体包括:
根据所述运行数据构建运行数据趋势曲线;
将所述运行数据趋势曲线与预存的所述历史故障运行数据曲线对比,获取所述运行数据趋势曲线与所述历史故障运行数据曲线的相似度;
所述相似度大于或等于相似度阈值,预测所述家电会出现故障;
所述相似度小于所述相似度阈值,预测所述家电不会出现故障。
3.根据权利要求2所述的家电故障预测方法,其特征在于,在获取所述家电的运行数据之前,还包括:
获取所述家电的历史故障信息;
查询所述家电和/或其它家电在所述历史故障信息出现之前的历史运行数据;
根据与所述历史故障信息相关的所述历史运行数据,构建所述历史故障运行数据曲线。
4.根据权利要求3所述的家电故障预测方法,其特征在于,所述历史运行数据为多个家电的历史运行数据,根据与所述历史故障信息相关的所述历史运行数据,构建所述历史故障运行数据曲线的步骤,具体包括:
根据与所述历史故障信息相关的所述历史运行数据,对应构建多条所述历史故障运行数据曲线,并将多条所述历史故障运行数据曲线进行曲线拟合。
5.根据权利要求1至4中任一项所述的家电故障预测方法,其特征在于,还包括:
预测所述家电会出现故障,发出故障预警信息和/或生成处理故障的控制信号。
6.一种家电故障预测装置,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器用于执行所述计算机程序时实现:
获取所述家电的运行数据;
将所述运行数据与预存的历史故障运行数据对比,预测所述家电是否会出现故障。
7.根据权利要求6所述的家电故障预测装置,其特征在于,所述处理器将所述运行数据与预存的历史故障运行数据对比,预测所述家电是否会出现故障,具体包括:
根据所述运行数据构建运行数据趋势曲线;
将所述运行数据趋势曲线与预存的所述历史故障运行数据曲线对比,获取所述运行数据趋势曲线与所述历史故障运行数据曲线的相似度;
所述相似度大于或等于相似度阈值,预测所述家电会出现故障;
所述相似度小于所述相似度阈值,预测所述家电不会出现故障。
8.根据权利要求7所述的家电故障预测装置,其特征在于,所述处理器用于执行所述计算机程序时还实现:
获取所述家电的历史故障信息;
查询所述家电和/或其它家电在所述历史故障信息出现之前的历史运行数据;
根据与所述历史故障信息相关的所述历史运行数据,构建所述历史故障运行数据曲线。
9.根据权利要求8所述的家电故障预测装置,其特征在于,所述历史运行数据为多个家电的历史运行数据,所述处理器根据与所述历史故障信息相关的所述历史运行数据,构建所述历史故障运行数据曲线的步骤,具体包括:
根据与所述历史故障信息相关的所述历史运行数据,对应构建多条所述历史故障运行数据曲线,并将多条所述历史故障运行数据曲线进行曲线拟合。
10.根据权利要求6至9中任一项所述的家电故障预测装置,其特征在于,所述处理器用于执行所述计算机程序时还实现:
预测所述家电会出现故障,发出故障预警信息和/或生成处理故障的控制信号。
11.一种冰箱,其特征在于,包括:
如权利要求6至10中任一项所述的家电故障预测装置。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的家电故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911167145.XA CN111126632B (zh) | 2019-11-25 | 2019-11-25 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911167145.XA CN111126632B (zh) | 2019-11-25 | 2019-11-25 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126632A true CN111126632A (zh) | 2020-05-08 |
CN111126632B CN111126632B (zh) | 2024-02-02 |
Family
ID=70496580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911167145.XA Active CN111126632B (zh) | 2019-11-25 | 2019-11-25 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126632B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650922A (zh) * | 2020-05-27 | 2020-09-11 | 北京金茂绿建科技有限公司 | 一种智能家居异常检测方法和装置 |
CN111861021A (zh) * | 2020-07-28 | 2020-10-30 | 中国联合网络通信集团有限公司 | 业务风险预测方法、装置、设备及计算机可读存储介质 |
CN111899372A (zh) * | 2020-07-06 | 2020-11-06 | 唐山昌宏科技有限公司 | 一种人机交互式管理系统 |
CN112101666A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 一种故障预测方法、装置、可读存储介质和计算机设备 |
CN112113595A (zh) * | 2020-09-25 | 2020-12-22 | 西门子交通技术(北京)有限公司 | 传感器故障检测方法、装置和计算机可读介质 |
CN113819575A (zh) * | 2021-08-18 | 2021-12-21 | 青岛海尔空调器有限总公司 | 用于空调的控制方法、装置和服务器 |
CN113839825A (zh) * | 2020-06-23 | 2021-12-24 | 青岛海尔智能技术研发有限公司 | 设备故障检测方法、系统、装置、计算机设备及存储介质 |
CN113932849A (zh) * | 2021-09-30 | 2022-01-14 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种矿山设备的故障检测方法及终端设备 |
CN114688822A (zh) * | 2020-12-29 | 2022-07-01 | 广东美的白色家电技术创新中心有限公司 | 冰箱故障检测方法、冰箱和可读存储介质 |
CN115730803A (zh) * | 2022-11-29 | 2023-03-03 | 保银信科信息技术(湖北)有限公司 | 一种基于人工智能的建筑房屋维护进度智能监测管理方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070179753A1 (en) * | 2006-01-27 | 2007-08-02 | Barajas Leandro G | Curve fitting for signal estimation, prediction, and parametrization |
CN106677761A (zh) * | 2016-12-27 | 2017-05-17 | 东软集团股份有限公司 | 一种故障预测方法及装置 |
CN107994539A (zh) * | 2017-12-06 | 2018-05-04 | 国网山东省电力公司滨州市滨城区供电公司 | 一种基于云服务器的配电线路故障检测系统 |
CN109001649A (zh) * | 2018-07-21 | 2018-12-14 | 成都光电传感技术研究所有限公司 | 一种电源智能诊断系统及保护方法 |
CN109491361A (zh) * | 2018-10-18 | 2019-03-19 | 无锡小天鹅股份有限公司 | 衣物处理装置的故障检测方法、装置、终端设备和服务器 |
CN109782739A (zh) * | 2019-01-29 | 2019-05-21 | 中国能源建设集团广东省电力设计研究院有限公司 | 设备故障的检修方法、装置、计算机设备和存储介质 |
CN109885951A (zh) * | 2019-02-28 | 2019-06-14 | 中科云创(厦门)科技有限公司 | 设备故障诊断方法及装置 |
CN109946544A (zh) * | 2019-03-29 | 2019-06-28 | 广东美的制冷设备有限公司 | 家电故障检测方法和装置 |
CN110175388A (zh) * | 2019-05-21 | 2019-08-27 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 开关电源故障预测方法、装置、计算机设备和存储介质 |
US20190301781A1 (en) * | 2018-03-28 | 2019-10-03 | International Business Machines Corporation | Controlling a compressor of a refrigeration system by predicting when a temperature alarm is triggered |
-
2019
- 2019-11-25 CN CN201911167145.XA patent/CN111126632B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070179753A1 (en) * | 2006-01-27 | 2007-08-02 | Barajas Leandro G | Curve fitting for signal estimation, prediction, and parametrization |
CN106677761A (zh) * | 2016-12-27 | 2017-05-17 | 东软集团股份有限公司 | 一种故障预测方法及装置 |
CN107994539A (zh) * | 2017-12-06 | 2018-05-04 | 国网山东省电力公司滨州市滨城区供电公司 | 一种基于云服务器的配电线路故障检测系统 |
US20190301781A1 (en) * | 2018-03-28 | 2019-10-03 | International Business Machines Corporation | Controlling a compressor of a refrigeration system by predicting when a temperature alarm is triggered |
CN109001649A (zh) * | 2018-07-21 | 2018-12-14 | 成都光电传感技术研究所有限公司 | 一种电源智能诊断系统及保护方法 |
CN109491361A (zh) * | 2018-10-18 | 2019-03-19 | 无锡小天鹅股份有限公司 | 衣物处理装置的故障检测方法、装置、终端设备和服务器 |
CN109782739A (zh) * | 2019-01-29 | 2019-05-21 | 中国能源建设集团广东省电力设计研究院有限公司 | 设备故障的检修方法、装置、计算机设备和存储介质 |
CN109885951A (zh) * | 2019-02-28 | 2019-06-14 | 中科云创(厦门)科技有限公司 | 设备故障诊断方法及装置 |
CN109946544A (zh) * | 2019-03-29 | 2019-06-28 | 广东美的制冷设备有限公司 | 家电故障检测方法和装置 |
CN110175388A (zh) * | 2019-05-21 | 2019-08-27 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 开关电源故障预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
刘翠玲;李天瑞;于重重;: "凝聚层次聚类算法在电厂设备故障预测上的研究", 电气时代, no. 07 * |
周俊杰;王德功;常硕;: "浅析基于模型的航空电子装备故障预测", 装备制造技术, no. 05 * |
耿志强;胡海霞;韩永明;: "基于余弦相似度的复杂网络故障检测方法及应用", 北京化工大学学报(自然科学版), no. 02 * |
金秀章;张琨;: "基于MSET的一次风机故障预警", 仪器仪表用户, no. 06 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650922A (zh) * | 2020-05-27 | 2020-09-11 | 北京金茂绿建科技有限公司 | 一种智能家居异常检测方法和装置 |
CN113839825A (zh) * | 2020-06-23 | 2021-12-24 | 青岛海尔智能技术研发有限公司 | 设备故障检测方法、系统、装置、计算机设备及存储介质 |
CN113839825B (zh) * | 2020-06-23 | 2024-03-01 | 青岛海尔科技有限公司 | 设备故障检测方法、系统、装置、计算机设备及存储介质 |
CN111899372A (zh) * | 2020-07-06 | 2020-11-06 | 唐山昌宏科技有限公司 | 一种人机交互式管理系统 |
CN111861021A (zh) * | 2020-07-28 | 2020-10-30 | 中国联合网络通信集团有限公司 | 业务风险预测方法、装置、设备及计算机可读存储介质 |
CN111861021B (zh) * | 2020-07-28 | 2024-07-05 | 中国联合网络通信集团有限公司 | 业务风险预测方法、装置、设备及计算机可读存储介质 |
CN112101666A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 一种故障预测方法、装置、可读存储介质和计算机设备 |
CN112113595A (zh) * | 2020-09-25 | 2020-12-22 | 西门子交通技术(北京)有限公司 | 传感器故障检测方法、装置和计算机可读介质 |
CN112113595B (zh) * | 2020-09-25 | 2021-03-30 | 西门子交通技术(北京)有限公司 | 传感器故障检测方法、装置和计算机可读介质 |
CN114688822A (zh) * | 2020-12-29 | 2022-07-01 | 广东美的白色家电技术创新中心有限公司 | 冰箱故障检测方法、冰箱和可读存储介质 |
CN114688822B (zh) * | 2020-12-29 | 2023-11-17 | 广东美的白色家电技术创新中心有限公司 | 冰箱故障检测方法、冰箱和可读存储介质 |
CN113819575A (zh) * | 2021-08-18 | 2021-12-21 | 青岛海尔空调器有限总公司 | 用于空调的控制方法、装置和服务器 |
CN113932849A (zh) * | 2021-09-30 | 2022-01-14 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种矿山设备的故障检测方法及终端设备 |
CN115730803A (zh) * | 2022-11-29 | 2023-03-03 | 保银信科信息技术(湖北)有限公司 | 一种基于人工智能的建筑房屋维护进度智能监测管理方法 |
CN115730803B (zh) * | 2022-11-29 | 2024-03-22 | 陈杰 | 一种基于人工智能的建筑房屋维护进度智能监测管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111126632B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126632B (zh) | 一种家电故障预测方法、预测装置、冰箱及存储介质 | |
EP3599437B1 (en) | Refrigerator and cloud server detecting abnormal state and method thereof | |
US11736576B2 (en) | Method and system for generating behavior profiles for device members of a network | |
CN110506186B (zh) | 用于诊断异常状态的原因的冰箱及云服务器 | |
US9971388B2 (en) | Energy management unit with diagnostic capabilities | |
US20180347843A1 (en) | Methods and systems for prognostic analysis in electromechanical and environmental control equipment in building management systems | |
JP4667412B2 (ja) | 電子機器集中管理プログラム、電子機器集中管理装置および電子機器集中管理方法 | |
US20130197698A1 (en) | HVAC System Fault Root Cause Self-Determination | |
KR20160018758A (ko) | 가전기기 및 네트워크 시스템 | |
US20200319626A1 (en) | Method and apparatus for monitoring the state of a device in a process industry and medium | |
KR101864828B1 (ko) | 전자 기기 관리 방법 및 장치 | |
US10697860B2 (en) | Methods and apparatus for predictive failure analysis of a cooling device | |
JPWO2018220760A1 (ja) | 空気調和機故障診断装置 | |
CN116050930A (zh) | 监盘系统、方法、存储介质及电子设备 | |
KR102516227B1 (ko) | 선박용 고장 예측진단 시스템 및 그 예측진단 방법 | |
US8810419B2 (en) | Refrigerant charge level detection | |
CN110967566A (zh) | 电器故障检测方法及装置 | |
KR100673706B1 (ko) | 환경정보 제공시스템 | |
KR20150000009A (ko) | 체인 형태의 매장 내 냉온 설비의 원격 관제 시스템 | |
US10197992B2 (en) | Methods and apparatus for predictive failure analysis of a cooling device | |
US20230038034A1 (en) | System and method for cloud-based fault code diagnostics | |
US20230353642A1 (en) | Method and system for generating behavior profiles for device members of a network | |
JP2024034238A (ja) | 温度管理方法、情報処理システム、プログラム及び情報処理装置 | |
CN114646825A (zh) | 家电设备及其故障定位方法、故障定位装置、存储介质 | |
Green | Performance assessment and active system monitoring for refrigeration systems |
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 |