CN111219942B - 冰箱故障预测方法和装置 - Google Patents

Abstract

本发明公开了一种冰箱故障预测方法和装置。其中，该方法包括：获取预定时间内冰箱的工作参数的变化趋势；根据故障时间预测模型，确定工作参数的变化趋势对应的故障发生时间，其中，故障时间预测模型为使用多组训练数据，通过机器学习训练得出的，多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间。本发明解决了相关技术中不能提前发现冰箱故障，导致冰箱故障解决延后的技术问题。

Description

冰箱故障预测方法和装置

技术领域

本发明涉及家用电器故障检测领域，具体而言，涉及一种冰箱故障预测方法和装置。

背景技术

冰箱的普及使我们的生活更加方便，一般情况下，用户对冰箱的维护和保养还处于技术人员定期检修、故障发生后进行维修等阶段。无论上述所提及的哪一种情况，对用户来说都是一件麻烦的事情，而且在相关技术中，对冰箱进行故障维修时，一般是需要提前预约的。因此，在冰箱出现故障时，并不能及时地能够来检测维修，导致在用户在一段时间内是无法使用冰箱，严重影响用户对冰箱的使用体验。

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冰箱故障预测方法和装置，以至少解决相关技术中不能提前发现冰箱故障，导致冰箱故障解决延后的技术问题。

根据本发明实施例的一个方面，提供了一种冰箱故障预测方法，包括：获取预定时间内冰箱的工作参数的变化趋势；根据故障时间预测模型，确定所述工作参数的变化趋势对应的故障发生时间，其中，所述故障时间预测模型为使用多组训练数据，通过机器学习训练得出的，所述多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间。

可选地，在所述工作参数包括多个的情况下，所述方法还包括：分别确定多个工作参数的权重；根据所述多个工作参数的权重，对所述多个工作参数的变化趋势对应的故障发生时间进行统计，得到统计的故障发生时间。

可选地，所述方法还包括：根据故障类型预测模型，确定所述工作参数的变化趋势对应的故障类型，其中，所述故障类型预测模型为使用多组训练数据，通过机器学习训练得出的，所述多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障类型。

可选地，所述方法还包括：依据所述多个工作参数的权重，对所述多个工作参数的变化趋势对应的故障类型进行统计，得到统计的故障类型。

可选地，所述方法还包括：根据统计的故障发生时间和/或统计的故障类型，生成对所述冰箱进行预约维修的预约时间；发送用于对所述冰箱请求维修的预约请求，其中，所述预约请求中携带有所述预约时间。

可选地，所述冰箱的工作参数包括以下至少之一：所述冰箱的工作声音，所述冰箱的工作温度，所述冰箱的发热温度，以及所述冰箱的输入输出电压。

根据本发明实施例的另一方面，还提供了一种冰箱故障预测装置，包括：获取模块，用于获取预定时间内冰箱的工作参数的变化趋势；第一确定模块，用于根据故障时间预测模型，确定所述工作参数的变化趋势对应的故障发生时间，其中，所述故障时间预测模型为使用多组训练数据，通过机器学习训练得出的，所述多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间。

可选地，所述装置还包括：第二确定模块，用于根据故障类型预测模型，确定所述工作参数的变化趋势对应的故障类型，其中，所述故障类型预测模型为使用多组训练数据，通过机器学习训练得出的，所述多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障类型。

根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质存储有程序指令，其中，在所述程序指令运行时控制所述存储介质所在设备执行上述中任意一项所述的冰箱故障预测方法。

根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的冰箱故障预测方法。

在本发明实施例中，采用获取预定时间内冰箱的工作参数的变化趋势；根据故障时间预测模型，确定所述工作参数的变化趋势对应的故障发生时间，其中，所述故障时间预测模型为使用多组训练数据，通过机器学习训练得出的，所述多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间的方式，通过故障时间预测模型得到故障发生时间，达到了提前预测故障的目的，从而实现了及时排除故障，提高了用户体验的技术效果，进而解决了相关技术中不能提前发现冰箱故障，导致冰箱故障解决延后的技术问题。

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是根据本发明实施例的冰箱故障预测方法的流程图；

图2是根据本发明实施例的冰箱故障预测装置的结构示意图；

图3是根据本发明实施例的冰箱故障预测装置的另一个结构示意图。

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。

根据本发明实施例，提供了一种冰箱故障预测方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的冰箱故障预测方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取预定时间内冰箱的工作参数的变化趋势；

步骤S104，根据故障时间预测模型，确定工作参数的变化趋势对应的故障发生时间，其中，故障时间预测模型为使用多组训练数据，通过机器学习训练得出的，多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间。

通过上述步骤，可以实现采用获取预定时间内冰箱的工作参数的变化趋势；根据故障时间预测模型，确定工作参数的变化趋势对应的故障发生时间，其中，故障时间预测模型为使用多组训练数据，通过机器学习训练得出的，多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间的方式，通过故障时间预测模型得到故障发生时间，达到了提前预测故障发生时间的目的，从而为后续提前预约冰箱的故障维修提供了保障，在之后冰箱发生故障时能够及时得到维修，提高了用户体验的技术效果，进而解决了相关技术中不能提前发现冰箱故障，导致冰箱故障解决延后的技术问题。

上述预定时间是连续时间序列中的一段时间，可以设置为固定时间段，例如，上午8点至9点，下午5点至6点等，也可以是设置成5分钟或者10分钟等。具体地，预定时间可以包括连续时间段和间隔时间段。需要说明的是，冰箱的工作参数是冰箱运行状态的客观反映，例如，冰箱的工作参数可以包括冰箱的工作声音，冰箱的工作温度，冰箱的发热情况，冰箱的输入输出电压等。在本发明实施例中，以冰箱的压缩机为例，冰箱的压缩机运行时产生的声音大小，运行时的振动频率等工作参数，能够反映压缩机的运行状态，而且冰箱的制冷温度的高低也可以反映压缩机的运行状态，只是通过不同的工作参数反映。

需要说明的是，上述获取预定时间内冰箱的工作参数的变化趋势，提供更加可靠的冰箱的工作参数，有利于提高对冰箱故障发生时间预测的精确度。例如，冰箱门的打开与关闭可以导致冰箱的工作温度产生变化，并非冰箱故障，很容易导致误判。但是，如果获取预定时间内冰箱的工作参数的变化趋势，在一段时间内，上述变化趋势实际上就是发生冰箱故障的规律，而一些非故障因素导致的工作参数变化很大程度上能够被屏蔽掉。此外，由于工作参数可以是多个，即可以通过多个工作参数的变化结合的方式更加可靠的反映冰箱某一部分的工作参数。

上述故障时间预测模型是根据卷积神经网络和长短期记忆网络建立的，且由多组训练数据通过机器学习训练所得，上述多组训练数据包括，工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间。即在该故障时间预测模型中，每个工作参数的变化趋势都会智能地对应一个预测的故障发生时间。由于实际的故障发生可能是多种不可控原因造成的，上述故障发生时间可以是故障发生频率最高的一段时间。因此，根据故障时间预测模型可以准确的预测故障发生时间。此外，故障发生时间可以是一个粗略的时间，例如，几月份，或者哪个星期等，也可以是一个较为精细的时间，例如，可以是某天，或者还可以精细到具体的上午还是下午等。

对于冰箱故障不能提前预测，导致无法提前预约维修，使得用户对冰箱使用体验差的问题，通过上述冰箱故障发生时间的预测方法，能够根据冰箱的工作参数的变化趋势，对冰箱的故障发生时间提前预测，从而根据预测到的故障发生时间提前预约维修，因此，可以在冰箱故障前，或者故障发生后能够立即对故障进行排除，有效地提高用户体验。

可选地，在工作参数包括多个的情况下，上述冰箱故障预测方法还可以包括：分别确定多个工作参数的权重；根据多个工作参数的权重，对多个工作参数的变化趋势对应的故障发生时间进行统计，得到统计的故障发生时间。

上述权重是多个工作参数在冰箱故障预测中的重要程度，可以根据多个工作参数的权重确定故障发生时间。例如，在依据工作参数为工作声音(权重为0.3)时，确定制冷机的故障发生时间为明天或者后天；依据工作参数为冰箱的工作温度(权重为0.2)时，确定制冷机的故障发生时间为明天。依据上述数据，最终得到制冷机故障发生时间为明天的概率为0.5，而发动机故障发生时间为后天的概率为0.3，因此，可以确定冰箱的故障发生时间。

可选地，上述冰箱故障预测方法还可以包括：根据故障类型预测模型，确定工作参数的变化趋势对应的故障类型，其中，故障类型预测模型为使用多组训练数据，通过机器学习训练得出的，多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障类型。

上述故障类型预测模型是根据卷积神经网络和长短期记忆网络建立的，且由多组训练数据通过机器学习训练所得，上述多组训练数据包括，工作参数的变化趋势和与该工作参数的变化趋势对应的故障类型。即在该故障类型预测模型中，每个工作参数的变化趋势都会智能地对应一个预测的故障类型。上述故障类型既可以是冰箱的硬件的工况，例如，冰箱的发动机，冰箱的压缩机，冰箱的风扇等，也可以是冰箱的故障位置，故障原因等。通过上述故障类型预测模型能够及时获知故障类型，节省了寻找故障的时间，提高了维修效率。

需要说明的是，根据故障时间预测模型可以预测与工作参数的变化趋势对应的故障发生时间，而故障类型预测模型能预测与工作参数的变化趋势对应的冰箱出现的故障类型。一般情况下，冰箱在故障发生前后的工作状态会有变化(如，相关部件参数的改变等)，都可能是故障发生的征兆。利用故障时间预测模型和故障类型预测模型，能够根据冰箱的工作参数，得到预测的故障发生时间以及故障类型的详细情况。在预约冰箱的维修时间时，把与故障类型相关的故障位置、故障原因等详情同时发送，实现有针对性的排除故障，提前预约冰箱维修时间，使得故障能够及时排除，提高了用户体验。

可选地，上述冰箱故障预测方法还可以包括：依据多个工作参数的权重，对多个工作参数的变化趋势对应的故障类型进行统计，得到统计的故障类型。

上述方法需要确定多个工作参数的权重，其中，权重可以根据工作参数的变化趋势设置，例如，变化幅度、持续时间等，也可以根据重要程度等级设置，例如，发热情况的权重大于工作声音的权重等。举例来说，依据工作参数为工作声音(权重为0.3)时，确定的故障类型为发动机；依据工作参数为冰箱的工作温度(权重为0.2)时，确定的故障类型为制冷机(压缩机)；依据工作参数为冰箱的发热情况(权重为0.4)时，确定的故障类型为发动机。依据上述数据，最终得到发动机发生故障的概率为0.7，而制冷机发生故障的概率为0.2，因此，确定冰箱的故障为发动机故障。除此以外，上述故障类型还可以包括：故障位置，故障原因等。通过根据统计学原理(如加权计算等)确定故障类型，大大提升了故障预测的准确性。

可选地，上述冰箱故障预测方法还可以包括：根据统计的故障发生时间和/或统计的故障类型，生成对冰箱进行预约维修的预约时间；发送用于对冰箱请求维修的预约请求，其中，预约请求中携带有预约时间。

上述在故障发生时间以及故障类型确定以后，可以根据两者之一或将两者结合起来，生成相应的冰箱预约维修的预约时间。需要说明的是，在生成对冰箱进行预约维修的预约时间之前，可以根据统计的故障发生时间和/或统计的故障类型，进一步判断该故障是否可以根据冰箱自身调节避免，在可以的情况下，冰箱根据预先制定维修方案，并按照维修方案进行自我调节维修，上述自我调节是不需要专门的维修人员就能解决故障，例如，重启，告知用户解决方案等方式。在不可以的情况下，根据预测的故障发生时间以及冰箱出现的故障类型，进行报警，并提前向维修人员预约冰箱的维修时间。在发送用于对冰箱请求维修的预约请求时，用户可以对预约请求中的预约时间进行修改，还可以对预约请求中的家庭地址，联系人等进行修改。其中，预约请求可以依据预约的方式，采用不同的预约触发方式，如短信、APP等。具体地，当需要通过短信进行预约时，可以依据短信进行预约，当需要通过网络进行预约时，可以通过触发网络的报警方式进行预约。

可选地，冰箱的工作参数包括以下至少之一：冰箱的工作声音，冰箱的工作温度，冰箱的发热温度，以及冰箱的输入输出电压。

上述冰箱的工作参数能够充分反映冰箱的运行状态，一般情况下，冰箱正常工作与异常工作下的参数特征存在差异，这些差异有时不易被人直接察觉，但是通过监控冰箱的工作参数及时发现异常。对于冰箱的工作参数，可以包括冰箱的工作声音，冰箱的工作温度，冰箱的发热温度，以及冰箱的输入输出电压。其中，上述冰箱的工作声音包括压缩机发出的声音，开关冰箱门的声音等，上述冰箱的工作温度是指冷冻室和冷藏室的温度，该工作温度可以一个具体的温度值，也可以是一个温度区间。对于工作温度的设定，用户可以自行设置或者采用默认设置。以温度区间为例，冷冻室的温度-4摄氏度至-24摄氏度，冷藏室的温度0摄氏度至15摄氏度。上述冰箱的发热温度包括压缩机的温度，散热器的温度等。上述冰箱的输入输出电压是冰箱各个电路工作后的工作电压，可以是整个冰箱电路的输入输出电压，也可以是冰箱部分电路的输入输出电压。在对电压的监测中，电压的有无，大小，以及变化情况也都能准确的被记录。除了上述冰箱工作参数以外，还可以包括冰箱照明设备的亮度、以及冰箱的使用情况，例如，冰箱已经使用的使用时长，冰箱的使用频率等。

图2是根据本发明实施例的冰箱故障预测装置的结构示意图；如图2所示，该冰箱故障预测装置，包括：获取模块22和第一确定模块24。下面对该冰箱故障预测装置进行详细说明。

获取模块22，用于获取预定时间内冰箱的工作参数的变化趋势；第一确定模块24，与上述获取模块22连接，用于根据故障时间预测模型，确定工作参数的变化趋势对应的故障发生时间，其中，故障时间预测模型为使用多组训练数据，通过机器学习训练得出的，多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间。

上述预定时间是连续时间序列中的一段时间，可以设置为固定时间段，例如，上午8点至9点，下午5点至6点等，也可以是设置成5分钟或者10分钟等。具体地，预定时间包括连续时间段和间隔时间段。需要说明的是，冰箱的工作参数是冰箱运行状态的客观反映，具体地，冰箱的工作参数包括冰箱的工作声音，冰箱的工作温度，冰箱的发热情况，冰箱的输入输出电压等。在本发明实施例中，以冰箱的压缩机为例，冰箱的压缩机运行时产生的声音大小，声音的频率等工作参数，能够反映压缩机的运行状态，而且冰箱的制冷温度的高低也可以反映压缩机的运行状态，只是通过不同的工作参数反映。

需要说明的是，上述获取预定时间内冰箱的工作参数的变化趋势，提供更加可靠的冰箱的工作参数，有利于提高冰箱故障预测的精确度。例如，冰箱门的打开与关闭可以导致冰箱的工作温度产生变化，并非冰箱故障，很容易导致误判。但是，如果获取预定时间内冰箱的工作参数的变化趋势，在一段时间内，上述变化趋势实际上就是发生冰箱故障的规律，而一些非故障因素导致的工作参数变化很大程度上能够被屏蔽掉。此外，由于工作参数可以是多个，即可以通过多个工作参数的变化结合的方式更加可靠的反映冰箱某一部分的工作参数。

上述故障时间预测模型是根据卷积神经网络和长短期记忆网络建立的，且由多组训练数据通过机器学习训练所得，上述多组训练数据包括，工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间。即在该故障时间预测模型中，每个工作参数的变化趋势都存在一个对应的故障发生时间。由于实际的故障发生可能是多种不可控原因造成的，上述故障发生时间可以是故障发生频率最高的一段时间。因此，根据故障时间预测模型可以准确的预测故障发生时间。此外，故障发生时间可以是一个粗略的时间，例如，几月份，或者哪个星期等，也可以是一个较为精细的时间，例如，可以是某天，或者还可以精细到具体的上午还是下午等。

对于冰箱故障不能提前预测，导致无法提前预约维修，使得用户对冰箱使用体验差的问题，通过上述冰箱故障预测方法，能够根据冰箱的工作参数的变化趋势，对冰箱的故障提前预测，从而根据预测结果提前预约维修，因此，可以在冰箱故障前，或者故障发生后能够立即对故障进行排除，有效地提高用户体验。

图3是根据本发明实施例的冰箱故障预测装置的另一个结构示意图；如图3所示，该冰箱故障预测装置，包括：获取模块22，第一确定模块24和第二确定模块32。下面对该冰箱故障预测装置的第二确定模块32进行详细说明。

可选地，冰箱故障预测装置还包括：第二确定模块32，与上述获取模块22相连接，用于根据故障类型预测模型，确定工作参数的变化趋势对应的故障类型，其中，故障类型预测模型为使用多组训练数据，通过机器学习训练得出的，多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障类型。

上述故障类型预测模型是根据卷积神经网络和长短期记忆网络建立的，且由多组训练数据通过机器学习训练所得，上述多组训练数据包括，工作参数的变化趋势和与该工作参数的变化趋势对应的故障类型。即在该故障类型预测模型中，每个工作参数的变化趋势都存在一个对应的故障类型。上述故障类型既可以是冰箱的硬件的工况，例如，冰箱的发动机，冰箱的压缩机，冰箱的风扇等，也可以是冰箱的故障位置，故障原因等。通过上述故障类型预测模型能够及时获知故障类型，节省了寻找故障的时间，提高了维修效率。

需要说明的是，根据故障时间预测模型可以预测与工作参数的变化趋势对应的故障发生时间，而故障类型预测模型能预测与工作参数的变化趋势对应的冰箱出现的故障类型。具体说，一般情况下，冰箱在故障发生前后的工作状态会有变化(如，相关部件参数的改变等)，都可能是故障发生的征兆。利用故障时间预测模型和故障类型预测模型，能够根据冰箱的工作参数，得到预测的故障发生时间以及故障类型的详细情况。在预约冰箱的维修时间时，把与故障类型相关的故障位置、故障原因等详情同时发送，实现有针对性的排除故障，提前预约冰箱维修时间，使得故障能够及时排除，提高了用户体验。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质存储有程序指令，其中，在程序指令运行时控制存储介质所在设备执行上述中任意一项的冰箱故障预测方法。

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的冰箱故障预测方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，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，例如所述单元的划分，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。

所述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，在本发明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。

所述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)执行本发明各个实施例所述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。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种冰箱故障预测方法，其特征在于，包括：

获取预定时间内冰箱的工作参数的变化趋势；

根据故障时间预测模型，确定所述工作参数的变化趋势对应的故障发生时间，其中，所述故障时间预测模型为使用多组训练数据，通过机器学习训练得出的，所述多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间；

在所述工作参数包括多个的情况下，所述方法还包括：

分别确定多个工作参数的权重；

根据所述多个工作参数的权重，对所述多个工作参数的变化趋势对应的故障发生时间进行统计，得到统计的故障发生时间；

所述方法还包括：

根据故障类型预测模型，确定所述工作参数的变化趋势对应的故障类型，其中，所述故障类型预测模型为使用多组训练数据，通过机器学习训练得出的，所述多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障类型；

依据所述多个工作参数的权重，对所述多个工作参数的变化趋势对应的故障类型进行统计，得到统计的故障类型；

根据统计的故障发生时间和/或统计的故障类型，生成对所述冰箱进行预约维修的预约时间；

发送用于对所述冰箱请求维修的预约请求，其中，所述预约请求中携带有所述预约时间；

所述权重是多个工作参数在冰箱故障预测中的重要程度，在所述故障发生时间以及所述故障类型确定之后，判断是否能够根据冰箱自身调节避免所述故障，在是的情况下，控制所述冰箱根据预先制定的维修方案进行自我调节维修，在否的情况下，根据预测的故障发生时间以及冰箱出现的故障类型报警。

2.根据权利要求1所述的方法，其特征在于，所述冰箱的工作参数包括以下至少之一：所述冰箱的工作声音，所述冰箱的工作温度，所述冰箱的发热温度，以及所述冰箱的输入输出电压。

3.一种冰箱故障预测装置，其特征在于，包括：

获取模块，用于获取预定时间内冰箱的工作参数的变化趋势；

第一确定模块，用于根据故障时间预测模型，确定所述工作参数的变化趋势对应的故障发生时间，其中，所述故障时间预测模型为使用多组训练数据，通过机器学习训练得出的，所述多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间；

所述装置还用于执行如下步骤：

在所述工作参数包括多个的情况下，分别确定多个工作参数的权重；

根据所述多个工作参数的权重，对所述多个工作参数的变化趋势对应的故障发生时间进行统计，得到统计的故障发生时间；

所述装置还包括：

第二确定模块，用于根据故障类型预测模型，确定所述工作参数的变化趋势对应的故障类型，其中，所述故障类型预测模型为使用多组训练数据，通过机器学习训练得出的，所述多组训练数据中的每组数据均包括：工作参数的变化趋势和与该工作参数的变化趋势对应的故障类型；

所述装置还用于执行如下步骤：

依据所述多个工作参数的权重，对所述多个工作参数的变化趋势对应的故障类型进行统计，得到统计的故障类型；

根据统计的故障发生时间和/或统计的故障类型，生成对所述冰箱进行预约维修的预约时间；

发送用于对所述冰箱请求维修的预约请求，其中，所述预约请求中携带有所述预约时间；

所述装置还用于执行如下步骤：

所述权重是多个工作参数在冰箱故障预测中的重要程度，在所述故障发生时间以及所述故障类型确定之后，判断是否能够根据冰箱自身调节避免所述故障，在是的情况下，控制所述冰箱根据预先制定的维修方案进行自我调节维修，在否的情况下，根据预测的故障发生时间以及冰箱出现的故障类型报警。

4.一种存储介质，其特征在于，所述存储介质存储有程序指令，其中，在所述程序指令运行时控制所述存储介质所在设备执行权利要求1或2所述的冰箱故障预测方法。

5.一种处理器，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或2所述的冰箱故障预测方法。

Images