CN113606833A - 基于lstm循环神经网络的冰箱故障预测系统 - Google Patents

Abstract

本发明提供一种基于LSTM循环神经网络的冰箱故障预测系统，包括数据存储平台、数据算法平台和故障管理平台，数据存储平台用于：接收并存储从多个冰箱的物联网通信模块发送来的冰箱运行数据；数据算法平台用于：训练得到LSTM循环神经网络模型，对数据存储平台中的冰箱运行数据进行预处理；故障管理平台用于：从数据算法平台中获取在第一预设时间窗口内预处理后的且具有同一标识信息的冰箱运行数据，将该冰箱运行数据输入至模型中，得到标识信息对应的冰箱在第二预设时间窗口内是否发生预设故障，若发生预设故障，则将预设故障上报至用户终端。本发明通过对故障的预测，这样可以提前安排工作人员上门维修，保证用户的正常使用。

Description

基于LSTM循环神经网络的冰箱故障预测系统

技术领域

本说明书一个或多个实施例涉及冰箱技术领域，尤其涉及一种基于LSTM循环神经网络的冰箱故障预测系统。

背景技术

冰箱在运行中可能会发生故障，例如，制冷异常，从而导致保存的食物变质。由于无法做到对设备故障进行预判，只有在冰箱发生故障时才会申请保修，而维修需要提前预约，等待售后安排维修师傅上门维修，因此从出现故障到故障完成维修通常需要耗时很久，影响用户的正常。

发明内容

本说明书一个或多个实施例描述了一种基于LSTM循环神经网络的冰箱故障预测系统。

本发明提供了一种基于LSTM循环神经网络的冰箱故障预测系统，包括：包括数据存储平台、数据算法平台和故障管理平台，其中：

所述数据存储平台用于：接收并存储从多个冰箱的物联网通信模块发送来的冰箱运行数据，所述冰箱运行数据中带有时间标签和冰箱的标识信息；

所述数据算法平台用于：预先训练得到LSTM循环神经网络模型，并对所述数据存储平台中的所述冰箱运行数据进行预处理；

所述故障管理平台用于：从所述数据算法平台中获取在第一预设时间窗口内预处理后的且具有同一标识信息的冰箱运行数据，并将该冰箱运行数据输入至所述LSTM循环神经网络模型中，得到所述标识信息对应的冰箱在第二预设时间窗口内是否发生预设故障，若发生所述预设故障，则将所述预设故障上报至对应冰箱的用户终端；其中，所述第一预设时间窗口在当前时刻之前且与所述当前时刻相邻，所述第二预设时间窗口在所述当前时刻之后且与所述当前时刻相隔预设时长。

本说明书实施例提供的基于LSTM循环神经网络的冰箱故障预测方法及装置，通过数据存储平台对冰箱运行数据进行接收和存储，通过数据算法平台进行模型训练，以及在使用模型预测时将第一预设时间窗口内的冰箱运行数据进行预处理，故障管理平台用于将同一冰箱在第一预设时间窗口在预处理之后的数据输入到模型中，得到在第二预设时间窗口对应的预测结果，并将预测结果上报至用户终端，从而实现对故障的预测，这样可以提前申报故障，提前安排工作人员上门维修，保证用户的正常使用。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本说明书一个实施例中基于LSTM循环神经网络的冰箱故障预测系统的结构框图；

图2是本说明书一个实施例中多个时间参数之间的关系示意图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

第一方面，本发明提供一种基于LSTM循环神经网络的冰箱故障预测系统，如图1所示，该冰箱故障预测系统包括数据存储平台、数据算法平台和故障管理平台，其中：

所述数据存储平台用于：接收并存储从多个冰箱的物联网通信模块发送来的冰箱运行数据，所述冰箱运行数据中带有时间标签和冰箱的标识信息；

所述数据算法平台用于：预先训练得到LSTM循环神经网络模型，并对所述数据存储平台中的所述冰箱运行数据进行预处理；

所述故障管理平台用于：从所述数据算法平台中获取在第一预设时间窗口内预处理后的且具有同一标识信息的冰箱运行数据，并将该冰箱运行数据输入至所述LSTM循环神经网络模型中，得到所述标识信息对应的冰箱在第二预设时间窗口内是否发生预设故障，若发生所述预设故障，则将所述预设故障上报至对应冰箱的用户终端；其中，所述第一预设时间窗口在当前时刻之前且与所述当前时刻相邻，所述第二预设时间窗口在所述当前时刻之后且与所述当前时刻相隔预设时长。

其中，物联网通信模块可以是wifi模块、NB-IoT模块、2G模块、3G模块、4G模块、5G模块等物联网模块。

其中，物联网通信模块在将冰箱运行数据发送至数据存储平台时会带上每一个冰箱运行数据对应的时间标签以及冰箱的标识信息(即来自于哪一个冰箱设备)，从而对不同的冰箱设备在不同时段发送来的冰箱运行数据进行区分。数据存储平台的作用就是对这些冰箱运行数据进行接收和存储。

其中，所述数据算法平台的作用是：获取训练样本，根据训练样本对LSTM循环神经网络模型进行训练。其中，每一条训练样本为与第一预设时间窗口长度相同的时间窗口内的经过预处理后的冰箱运行数据(例如后文中的特征序列)，并对每一条训练样本标记在相隔所述预设时长之后的时间窗口(该时间窗口与第二预设时间窗口的长度相同)内是否发生故障。所述故障管理平台在用LSTM循环神经网络模型进行故障预测时，所述数据算法平台还用于对第一预设时间窗口内的冰箱运行数据进行预处理，得到特征序列。

其中，所述故障管理平台在进行预测时，将同一个冰箱设备在第一预设时间窗口内经过所述数据算法平台进行预处理之后的冰箱运行数据输入到所述LSTM循环神经网络模型中，便会得到这个冰箱设备在第二预设时间窗口内是否发生预设故障的预测结果。如果经过预测会发生预设故障，则所述故障管理平台会通知对应冰箱设备的用户终端，例如给对应冰箱设备的手机发送提醒短信，提醒用户，及时报修。

LSTM循环神经网络，即长短期记忆模型循环神经网络。循环神经网络由于其网络结构与普通神经网络不同，非常适合对时间序列进行处理和预测。目前循环神经网络已经在时序分析、语音识别等问题上取得了长足的发展。循环神经网络能够记忆并利用之前的数据信息，对后面输出结果产生影响，更适合用于时间序列数据的预测。LSTM神经网络是循环神经网络的一种，但是LSTM神经网络具有的特殊结构使得它具有长时记忆功能。当所学知识与预测位置相差较远时，循环神经网络的学习能力会出现下降。LSTM神经网络能够解决循环神经网络长期依赖的问题。与普通的循环神经网络的不同之处在于LSTM是一种具有三个特殊的“门”结构的神经网络模型。“门”通过“开”和“关”，控制信息选择性地通过。通过使用激活函数，实现控制通过这个结构的信息量的多少。当“门”值为1时，所有信息通过；当“门”值为0时，无信息通过。遗忘门(forget gate)的作用是让神经网络忘记上一单元没有用的信息，输人门(input gate)的作用是补充最新的记忆给神经网络，使得网络不断接受新的信息，输出门(output gate)的作用是决定当前时刻的输出。其中遗忘门和输人门至关重要，是LSTM神经网络的核心，通过遗忘门和输人门，LSTM神经网络可以更加有效地决定那些信息应该被遗忘，哪些信息应被保留。

在具体实施时，本发明提供的系统还可以包括售后服务平台，所述故障管理平台还用于：将所述预设故障上报至所述售后服务平台。即，故障管理平台在预测之后得到的预测结果是对应冰箱在第二预设时间窗口内会发生预设故障，此时故障管理平台会将这一信息上报给售后服务平台。

对应的，所述售后服务平台用于：在接收到所述故障管理平台发送来的上报故障时提醒人员在所述第二时间窗口内所述冰箱是否需要维修进行确认，若不需要维修则向所述数据算法平台和所述故障管理平台反馈信息，以使所述数据算法平台和所述故障管理平台进行参数调整。例如，数据算法平台对预处理过程中采用的参数进行调整，故障管理平台对模型中的参数进行调整。

当售后服务平台在接收到上报的预测信息之后，会通知工作人员在第二预设时间窗口内进行故障确认，如果没有发生故障，则说明所述LSTM循环神经网络模型中的参数和/或者预处理过程中采用的参数有问题，需要调整，因此此时售后服务平台会向数据算法平台和所述故障管理平台反馈信息，以使两个平台进行参数调整。而如果发生故障，则进行维修，保证用户的正常使用。

如图2所示，当前时刻为T，第一预设时间窗口位于当前时刻之前且相邻，第二预设时间窗口位于当前时刻之后且相隔预设时长。通过第一预设时间窗口的冰箱运行数据，对第二预设时间窗口内是否发生预设故障进行预测。例如，利用3个月前的数据预测2周后1周之内发生故障的概率，其中3个月就是第一预设时间窗口△t1，2周就是预设时长△t，1周之内就是第二预设时间窗口△t2。

可理解的是，增大第二预设时间窗口△t2,可以获得更多的数据，因此能够提升故障预测的精确率，但是第二预设时间窗口△t2过大，即预测的时间范围太广，不知道在什么时候会发生故障，将会失去预测的意义。同时，预设时长△t不能过小，△t太小将无法在故障发生前采取有效预防措施，同样失去预测的意义。而△t2主要取决于第一预设时间窗口Δt1，即第一预设时间窗口的长短决定了第二预设时间窗口的长短。而第一预设时间窗口的长短与预设时长△t的大小有关。在具体实施时，所述数据算法平台可以用于采用第一公式计算所述第一预设时间窗口的长度，所述第一公式包括：

式中，Δt1为所述第一预设时间窗口的长度，单位为天数，Δt为预设时长，单位为小时，w为系数。当预设时长小于等于3小时时，w为1。当预设时长小于等于6小时且大于3小时时，w为2，当预设时长大于6小时时，w为3。这里需要注意的是，第一预设时间窗口和预设时长的单位不同。经过多次试验，上述公式计算出来的第一预设时长比较合理。

可理解的是，故障检测和故障预测是故障管理的重要组成部分，相比于的故障检测技术，故障预测技术研究的比较少。对于数据爆炸的当今时代，冰箱系统的结构越来越复杂，因此针对故障的研究也得到了很重要的发展，故障的研究主要包括故障的检测和故障的预测，故障的检测是在故障发生后，对故障进行诊断，找到故障发生的原因和故障发生的位置，可以给维修提供重要的帮助，而故障预测是对IOT设备(即物联网设备)的未来工作状态进行预测，预测设备是否会出现故障，如果预测到会发生故障，可以针对故障提前做好维修准备，尽快的让设备恢复到正常状态，减少因设备故障给用户带来的损失。

可见，故障预测相比于故障诊断而言具有前瞻性，在故障发生之前提前预测到冰箱即将发生故障，可以提高维修的效率并且减少因故障的发生而带来的损失，模型进行故障预测的思想是依据冰箱的历史运行状态，通过相应的预测算法对未来的运行状态是否能够正常运行进行预测，通过对预测结果的分析，可以提前做好预防准备以避免或减少故障带来的损失。

可理解的是，冰箱运行数据有很多，例如，冰箱内传感器的温度、压缩机的声音、压缩机的转速和档位、冰箱的开关门时间、运行模式等。例如，压缩机的声音、转速和档位可以预测压缩机是否会发生故障，针对不同的故障，需要依据的冰箱运行数据不同，下面针对化霜系统异常这一故障进行具体说明：

在进行化霜系统故障时，所述第一预设时间窗口内具有同一标识信息的冰箱运行数据可以包括在所述第一预设时间窗口的每一天中，该冰箱的所述蒸发器的传感器温度参数和化霜加热器的状态参数。

对应的，所述数据算法平台对所述冰箱运行数据进行预处理的过程包括：根据同一冰箱在所述第一预设时间窗口内每一天对应的冰箱运行数据，计算所述每一天对应的运行特征统计量T_i，将所述第一预设时间窗口中各天对应的运行特征统计量按照时间顺序形成特征序列{T₁，T₂……T_i……T_N}，N为所述第一预设时间窗口的天数。

也就是说，数据算法平台先将每一天的冰箱运行数据处理成为每一天对应的运行特征统计量，然后将第一预设时间窗口内各天对应的运行特征统计量按照时间先后顺序排列成一个特征序列，便得到第一预设时间窗口对应的特征序列，该特征序列是具有时间属性的。T_i为第一预设时间窗口内第i天对应的运行特征统计量。

这样，所述故障管理平台中从所述数据算法平台中获取在第一预设时间窗口内预处理后的且具有同一标识信息的冰箱运行数据，并将该冰箱运行数据输入至所述LSTM循环神经网络模型中，得到所述标识信息对应的冰箱在第二预设时间窗口内发生预设故障的概率，这一过程可以包括：从所述数据算法平台中获取所述第一预设时间窗口对应的所述特征序列{T₁，T₂……T_i……T_N}，并将所述特征序列{T₁，T₂……T_i……T_N}输入至预先训练的所述LSTM循环神经网络模型中，得到所述标识信息对应的冰箱在第二预设时间窗口内是否会发生化霜系统异常的预测结果。

也就是说，在数据算法平台将第一预设时间窗口内的冰箱运行数据处理称为一个特征序列后，将该特征序列输入至LSTM循环神经网络模型中，便可以得到这个冰箱是否会在第二预设时间窗口内发生化霜系统异常的预测结果。

在具体实施时，所述化霜加热器的状态参数可以包括冰箱在所述第一预设时间窗口内的每一天所述化霜加热器的开启时间和关闭时间；这样所述运行特征统计量T_i可以包括所述第一预设时间窗口内的第i天内所述化霜加热器的开启次数和单次平均开启时长。

对应的，所述数据算法平台中根据所述第一预设时间窗口内每一天对应的冰箱运行数据，计算所述每一天对应的运行特征统计量T_i的过程可以包括：根据在所述第一预设时间窗口内的所述每一天内所述化霜加热器的开启时间和关闭时间，计算所述每一天内所述化霜加热器的开启次数和单次平均开启时长。具体可以采用如下公式计算所述单次平均开启时长：

式中，T_时长为所述单次平均开启时长，

为在所述每一天所述化霜加热器第i次的关闭时间，

为在所述每一天所述化霜加热器第i次的开始时间，N为所述每一天所述化霜加热器的开启次数。

在具体实施时，所述蒸发器的传感器温度参数可以包括所述第一预设时间窗口内的每一天中在所述化霜加热器的各个开启时段内所述蒸发器的传感器所检测到的温度；这样所述运行特征统计量T_i还可以包括所述第一预设时间窗口内的第i天对应的温度最大值、温度最小值、温度平均值和/或温度方差值。

对应的，所述数据算法平台中根据所述第一预设时间窗口内每一天对应的冰箱运行数据，计算所述每一天对应的运行特征统计量T_i还可以包括：根据在所述第一预设时间窗口内的所述每一天中所述化霜加热器的各个开启时段内所述蒸发器的传感器所检测到的温度，计算所述每一天内的温度最大值、温度最小值、温度平均值和/或温度方差值。

可理解的是，实际上不论冰箱的化霜系统是正常还是异常，都有可能会因为传感器等检测错误而出现异常数据。这里所说的异常是指检测出来的温度和真实的温度之间差距较大。为了避免检测温度值和真实温度值之间差距较大而造成化霜系统的状态判断错误，即为了减少或避免化霜系统本身之外的影响因素对化霜系统状态造成判断错误，所述数据算法平台在根据所述第一预设时间窗口内每一天对应的冰箱运行数据，计算所述每一天对应的运行特征统计量T_i之前，还可以用于：对所述第一预设时间窗口内的所述每一天中所述化霜加热器的各个开启时段内所述蒸发器的传感器所检测到的温度进行异常数据剔除。

其中，所述异常数据剔除的过程可以包括：

S110、将在所述每一天中所述化霜加热器的各个开启时段内所述蒸发器的传感器所检测到的温度按照从大到小的顺序进行排序，得到所述每一天对应的温度序列；

即，将每一天内对应的温度值进行排序，得到这一天对应的温度序列。

S120、获取所述温度序列中1/5位置处、2/5位置处和3/5位置处的温度值，并计算所述温度序列的标准差和均值；

如果温度序列的1/5位置、2/5位置或3/5位置并非整数，则进行取整，将取整后的位置作为1/5位置、2/5位置或3/5位置。例如，温度序列中共24个温度值，对24/5取整后得到4，即将温度序列中第4个温度值作为1/5位置的温度值，24*2/5取整后得到9，则将温度序列中第9个温度值作为2/5位置处的温度值，24*3/5取整后得到14，则将温度序列中第14个温度值作为3/5位置处的温度值。

这里采用上述三个位置处的温度的原因是：在一天中冰箱的互联网通讯模块的上报频率是比较高的，基本上可以一个小时上报一次，这样就会产生大量的温度值，温度序列中包含24个温度值只是一个举例，实际上温度值的数量远大于24。1/5位置、2/5位置、3/5位置比较靠近温度序列中的中部，又能体现两端的数据，所以采用1/5位置、2/5位置、3/5位置的温度。经过多次试验，相当于四分之一、二分之一、四分之三等或者其它位置处的温度值，1/5位置、2/5位置、3/5位置的温度作为后续计算的基础，效果最好，即在后续计算中其它参数不便的情况下，基于1/5位置、2/5位置、3/5位置的温度计算出来的温度置信区间的可靠性更高。

S130、根据所述1/5位置处、2/5位置处和3/5位置处的温度值以及所述标准差和均值，确定温度置信区间；

在具体实施时，S130可以包括S131～S133：

S131、根据标准差δ和均值μ，确定对应的区间大小调节值N，所述区间大小调节值N能够使所述温度序列中95％～98％的温度值均落在区间[μ-a1×N×δ,μ+a2×N×δ]内，a1和a2为预设系数且均位于[0.8，1]范围内。这样可以保证95％～98％的温度值均落在区间内，根据此时的N计算出来的温度置信区间不会过宽，也不会过窄。

S132、根据所述1/5位置处、2/5位置处和3/5位置处的温度值，计算温度差距参数；

在具体实施时，所述数据算法平台中可以采用第二公式计算所述温度差距参数，所述第二公式包括：

M＝min{(Q₂-Q₁)/5,(Q₃-Q₂)/5,2*(Q₃-Q₁)/5}

式中，M为所述温度差距参数，Q₁为1/5位置处的温度值，Q₂为2/5位置处的温度值，Q₃为3/5位置处的温度值。

S133、根据所述区间大小调节值和所述温度差距参数，确定所述温度置信区间。

在具体实施时，可以采用第三公式计算温度置信区间，第三公式包括：

P＝[(Q1+Q2)/2-N×M,(Q3+Q2)/2+N×M]

式中，P为所述温度置信区间，M为所述温度差距参数，N为所述区间大小调节值，Q₁为1/5位置处的温度值，Q₂为2/5位置处的温度值，Q₃为3/5位置处的温度值。

可见，将三个位置处的温度值作为区间调节的基础，通过区间大小调节值N和温度差距参数M可以实现对温度置信区间的大小进行调整，经过多次试验得到上述第三公式，该公式可以保证绝大部分的温度值落在温度置信区间内的同时，还能将异常数据排除在温度置信区间之外。

S140、根据所述温度置信区间，剔除所述温度序列中位于所述温度置信区间之外的温度值。

通过上述步骤S110～S140可以实现对由于检测错误等原因导致的异常检测温度值，异常检测温度值不能很好的体现真实的温度值，如果依据异常检测温度值来判断化霜系统状态有可能会导致判断错误，降低判断的准确度。可见本发明通过S110～S140对蒸发器的传感器温度参数进行预处理，可以提高后续的判断准确率。

本发明提供的预测系统，通过数据存储平台对冰箱运行数据进行接收和存储，通过数据算法平台进行模型训练，以及在使用模型预测时将第一预设时间窗口内的冰箱运行数据进行预处理，故障管理平台用于将同一冰箱在第一预设时间窗口在预处理之后的数据输入到模型中，得到在第二预设时间窗口对应的预测结果，并将预测结果上报至用户终端，从而实现对故障的预测，这样可以提前申报故障，提前安排工作人员上门维修，保证用户的正常使用。

而且，本发明提供的系统，在得到预测结果之后会将预测结果向应用方(通过APP、Web、短信等方式)通知用户与售后服务平台，由售后工作人员进行跟踪回访确认，完成整个服务流程，给用户带来更人性化的服务体验。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种基于LSTM循环神经网络的冰箱故障预测系统，其特征在于，包括数据存储平台、数据算法平台和故障管理平台，其中：

所述数据存储平台用于：接收并存储从多个冰箱的物联网通信模块发送来的冰箱运行数据，所述冰箱运行数据中带有时间标签和冰箱的标识信息；

所述数据算法平台用于：预先训练得到LSTM循环神经网络模型，并对所述数据存储平台中的所述冰箱运行数据进行预处理；

所述故障管理平台用于：从所述数据算法平台中获取在第一预设时间窗口内预处理后的且具有同一标识信息的冰箱运行数据，并将该冰箱运行数据输入至所述LSTM循环神经网络模型中，得到所述标识信息对应的冰箱在第二预设时间窗口内是否发生预设故障，若发生所述预设故障，则将所述预设故障上报至对应冰箱的用户终端；其中，所述第一预设时间窗口在当前时刻之前且与所述当前时刻相邻，所述第二预设时间窗口在所述当前时刻之后且与所述当前时刻相隔预设时长。

2.根据权利要求1所述的方法，其特征在于，所述系统还包括售后服务平台；所述故障管理平台还用于：将所述预设故障上报至所述售后服务平台；

所述售后服务平台用于：在接收到所述故障管理平台发送来的上报故障时提醒人员在所述第二时间窗口内所述冰箱是否需要维修进行确认，若不需要维修则向所述数据算法平台和所述故障管理平台反馈信息，以使所述数据算法平台和所述故障管理平台进行参数调整。

3.根据权利要求1所述的系统，其特征在于，所述数据算法平台用于采用第一公式计算所述第一预设时间窗口的长度，所述第一公式包括：

Δt1＝24*e^{e*sec(Π*w/21)}+e^{e*csc(Π*w/21)}

式中，Δt1为所述第一预设时间窗口的长度，单位为天数，Δt为预设时长，单位为小时，w为系数。

4.根据权利要求1所述的系统，其特征在于，所述第一预设时间窗口内具有同一标识信息的冰箱运行数据包括在所述第一预设时间窗口的每一天中，冰箱内蒸发器的传感器温度参数和化霜加热器的状态参数；

所述数据算法平台对所述冰箱运行数据进行预处理的过程包括：根据所述第一预设时间窗口内每一天对应的冰箱运行数据，计算所述每一天对应的运行特征统计量T_i，将所述第一预设时间窗口中各天对应的运行特征统计量按照时间顺序形成特征序列{T₁，T₂……T_i……T_N}，N为所述第一预设时间窗口的天数；

所述故障管理平台中从所述数据算法平台中获取在第一预设时间窗口内预处理后的且具有同一标识信息的冰箱运行数据，并将该冰箱运行数据输入至所述LSTM循环神经网络模型中，得到所述标识信息对应的冰箱在第二预设时间窗口内发生预设故障的概率的过程包括：

从所述数据算法平台中获取所述第一预设时间窗口对应的所述特征序列{T₁，T₂……T_i……T_N}，并将所述特征序列{T₁，T₂……T_i……T_N}输入至预先训练的所述LSTM循环神经网络模型中，得到所述标识信息对应的冰箱在第二预设时间窗口内是否会发生化霜系统异常的预测结果。

5.根据权利要求4所述的系统，其特征在于，所述化霜加热器的状态参数包括在所述第一预设时间窗口内的每一天所述化霜加热器的开启时间和关闭时间；所述运行特征统计量T_i包括所述第一预设时间窗口内的第i天内所述化霜加热器的开启次数和单次平均开启时长；

对应的，所述数据算法平台中根据所述第一预设时间窗口内每一天对应的冰箱运行数据，计算所述每一天对应的运行特征统计量T_i的过程包括：根据在所述第一预设时间窗口内的所述每一天内所述化霜加热器的开启时间和关闭时间，计算所述每一天内所述化霜加热器的开启次数和单次平均开启时长。

6.根据权利要求5所述的系统，其特征在于，所述蒸发器的传感器温度参数包括所述第一预设时间窗口内的每一天中在所述化霜加热器的各个开启时段内所述蒸发器的传感器所检测到的温度；所述运行特征统计量T_i还包括所述第一预设时间窗口内的第i天对应的温度最大值、温度最小值、温度平均值和/或温度方差值；

对应的，所述数据算法平台中根据所述第一预设时间窗口内每一天对应的冰箱运行数据，计算所述每一天对应的运行特征统计量T_i还包括：根据在所述第一预设时间窗口内的所述每一天中所述化霜加热器的各个开启时段内所述蒸发器的传感器所检测到的温度，计算所述每一天内的温度最大值、温度最小值、温度平均值和/或温度方差值。

7.根据权利要求4所述的系统，其特征在于，所述数据算法平台在根据所述第一预设时间窗口内每一天对应的冰箱运行数据，计算所述每一天对应的运行特征统计量T_i之前，还用于：对所述第一预设时间窗口内的所述每一天中所述化霜加热器的各个开启时段内所述蒸发器的传感器所检测到的温度进行异常数据剔除，所述异常数据剔除的过程包括：

将在所述每一天中所述化霜加热器的各个开启时段内所述蒸发器的传感器所检测到的温度按照从大到小的顺序进行排序，得到所述每一天对应的温度序列；

获取所述温度序列中1/5位置处、2/5位置处和3/5位置处的温度值，并计算所述温度序列的标准差和均值；

根据所述1/5位置处、2/5位置处和3/5位置处的温度值以及所述标准差和均值，确定温度置信区间；

根据所述温度置信区间，剔除所述温度序列中位于所述温度置信区间之外的温度值。

8.根据权利要求7所述的系统，其特征在于，所述数据算法平台中所述根据所述1/5位置处、2/5位置处和3/5位置处的温度值以及所述标准差和均值，确定温度置信区间，包括：

根据标准差δ和均值μ，确定对应的区间大小调节值N，所述区间大小调节值N能够使所述温度序列中95％～98％的温度值均落在区间[μ-a1×N×δ,μ+a2×N×δ]内，a1和a2为预设系数且均位于[0.8，1]范围内；

根据所述1/5位置处、2/5位置处和3/5位置处的温度值，计算温度差距参数；

根据所述区间大小调节值和所述温度差距参数，确定所述温度置信区间。

9.根据权利要求8所述的系统，其特征在于，所述数据算法平台中采用第二公式计算所述温度差距参数，所述第二公式包括：

M＝min{(Q2-Q1)/5,(Q3-Q2)/5,2*(Q3-Q1)/5}

式中，M为所述温度差距参数，Q₁为1/5位置处的温度值，Q₂为2/5位置处的温度值，Q₃为3/5位置处的温度值。

10.根据权利要求8所述的系统，其特征在于，所述数据算法平台中所述根据所述区间大小调节值和所述温度差距参数，确定所述温度置信区间，包括：采用第三公式计算所述温度置信区间，所述第三公式包括：

P＝[(Q1+Q2)/2-N×M,(Q3+Q2)/2+N×M]

式中，P为所述温度置信区间，M为所述温度差距参数，N为所述区间大小调节值，Q₁为1/5位置处的温度值，Q₂为2/5位置处的温度值，Q₃为3/5位置处的温度值。

Images