CN113624522A - 家电系统 - Google Patents

Abstract

本发明的课题在与提供一种能够进行更适当的故障诊断的家电系统。实施方式的家电系统具有诊断部。所述诊断部基于学习完毕模型进行家电设备的故障诊断，所述学习完毕模型学习成为在基于家电设备具有的一个以上的传感器的检测结果的信息输入时输出与所述家电设备相关的故障诊断的结果。

Description

家电系统

技术领域

本发明的实施方式涉及家电系统。

背景技术

家电设备中存在由于各种原因产生不同的不良状况的情况。然而，存在家电设备的不良状况与家电设备的传感器的检测值的因果关系不明的情况。因此，存在难以进行适当地故障诊断的情况。

现有技术文献

专利文献

专利文献1：日本特开2016－173782号公报

发明内容

发明要解决的课题

本发明要解决的课题在于提供一种能够进行更加适当的故障诊断的家电系统。

用于解决课题的手段

实施方式的家电系统具有诊断部。所述诊断部基于学习完毕模型进行家电设备的故障诊断，所述学习完毕模型进行了如下学习：在基于所述家电设备具有的一个以上的传感器的检测结果的信息输入时输出与所述家电设备相关的故障诊断的结果。

发明效果

通过上述的家电系统，能够进行更加适当的故障诊断。

附图说明

图1是表示第一实施方式的家电系统的构成的图。

图2是表示第一实施方式的家电设备的构成的一部分的图。

图3是表示第一实施方式的对应表格的内容的一个例子的图。

图4是表示第一实施方式的第一数据表格的例子的图。

图5是示意地表示第一实施方式的学习完毕模型的图。

图6是表示第一实施方式的第二数据表格的例子的图。

图7是表示第一实施方式的第一处理流程的例子的图。

图8是表示第一实施方式的第二处理流程的例子的图。

具体实施方式

以下，参照附图对实施方式的家电系统进行说明。以下的说明中，对具有相同或类似的功能的构成标注相同的附图标记。有时省略构成的重复说明。“基于XX”意味着“至少基于XX”，可以包含基于XX之外的别的要素的情况。“基于XX”并不限定于直接使用XX的情况，可以包含基于相对于XX进行运算、加工后的所得的情况。“XX或YY”并不限定于XX和YY中的某一方的情况，可以包含XX和YY的两方的情况。这在选择的要素为三个以上的情况下也相同。“XX”以及“YY”为任意的要素(例如任意的信息)。

(第一实施方式)

[家电系统的构成]

图1是表示第一实施方式的家电系统1的构成的图。家电系统1使用对于各家电设备累积的家电设备的动作状态、传感器感知到的物理量等信息来生成学习完毕模型。家电系统1使用生成的学习完毕模型来进行家电设备的故障诊断。

如图1所示，家电系统1具备多个家电设备(家电设备10a、10b、…、10c)、接口装置(接口单元)20、学习装置(学习单元)30、故障诊断装置(故障诊断单元)40。家电设备10a、10b、···、10c、学习装置30、以及故障诊断装置40的各个直接或者经由未图示的网络能够与接口装置2通信。以下为了便于说明，对于接口装置20、学习装置30、以及故障诊断装置40分别独立的装置的例子进行说明。然而如后述那样，接口装置20、学习装置30、以及故障诊断装置40也可以由一个装置实现。另外，将家电设备10a、10b、···、10c统称为家电设备10。家电设备10配置于用户的各家庭。

[家电设备的构成]

如图1所示，家电设备10a具备传感器102a和发送部101a。家电设备10a例如是冰箱、洗衣机、空调机(空调)、电吸尘机、微波炉、电视接收机、照明器具等。

传感器102a是设于家电设备10a的一个以上的传感器。传感器102a在家电设备10a中感知与传感器的数量对应的数量的物理量等。物理量的种类温度是湿度、压力、电流、电压、马达的旋转数，以及门的开闭数等。传感器也可以是相机那样的拍摄装置。因此，“传感器的检测结果”也可以是通过相机拍摄到的图像数据等。以下为了使说明简单，包含这样的图像数据的情况而称作“物理量”。该物理量也可以被称作“诊断用信息”。传感器102a感知的物理量的种类根据家电设备的种类(例如冰箱、洗衣机、空调机、电吸尘机、微波炉、电视接收机、照明器具等)或家电设备的机型(型号等)而不同。

发送部101a包含未图示的高频回路和天线等，例如经由配置有家电设备10a的家庭内的无线路由器以及网络而能够与接口装置20通信。发送部101a每经过规定的时间将传感器102a感知到的物理量与该物理量被感知到的时刻的家电设备10a的动作状态及家电设备10a的标识符ID1一同向接口装置20发送。

例如在家电设备10a是冰箱的情况下，家电设备10a的动作状态是指，由是冷藏运行中还是制冷运行中、是否是迅速制冷模式、是否是迅速制冰模式、是通常保鲜模式还是迅速保鲜模式、是否是解冻模式等来决定的动作时的状态。动作状态也可以包含从上述各运行模式开始起的时间信息。例如在家电设备10a是洗衣机的情况下，家电设备10a的动作状态是指，由是标准模式、快速模式、精洗模式的哪一方、是否使用干燥功能等来决定的动作时的状态。

例如在家电设备10a是空调机的情况下是指，由是制热运行、制冷运行、除湿运行的哪一方、是否使用了空气清洁功能、是否使用了内部的自动清扫功能(例如除霉功能)等来决定的动作时的状态。例如在家电设备10a是电吸尘机的情况下是指，由吸力是强还是弱等来决定的动作时的状态。例如在家电设备10a是微波炉的情况下是指，由是否使用了烤箱功能、是否使用了水蒸气等来决定的动作时的状态。例如在家电设备10a是电视接收机的情况下是指，由是否使用了录像功能、是否使用了双画面显示等来决定的动作时的状态。例如在家电设备10a是照明器具的情况下是指，由光量是强、中、弱的哪一方等来决定的动作时的状态。

图2是表示家电设备10a的构成的一部分的图。如图2所示，传感器102a包含多个传感器，所述多个传感器包含第一传感器S1、第二传感器S2以及第三传感器S3。从第一到第三传感器S1、S2、S3是相互配置于不同的场所的传感器，或者是相互感知不同的物理量的传感器。例如在家电设备10a是冰箱的情况下，第一传感器S1是对流过压缩机的电流进行检测的传感器。第2传感器S2是对冷藏室内的温度进行检测的传感器。第三传感器S3是对冷藏室内进行拍摄的相机。

在本实施方式中，家电设备10a具有异常判定部103。异常判定部103基于第一传感器S1的检测结果和预先设定的第一阈值，对家电设备10a所含第一部件C1(例如压缩机)的异常进行判定。例如异常判定部103在由第一传感器S1检测到的电流的大小为第一阈值以上时，判定为压缩机有异常。家电设备10a中，对于与第一部件C1相关的异常判定不使用第二传感器S2的检测结果以及第三传感器S3的检测结果。

同样，异常判定部103基于第二传感器S2的检测结果、家电设备10a的动作状态和预先设定的第二阈值，对家电设备10a所含的第二部件C2(例如门部件)的异常进行判定。家电设备10a中，对于与第二部件C2相关的异常判定不使用第一传感器S1的检测结果以及第三传感器S3的检测结果。另一方面，第三传感器S3的检测结果在家电设备10a中不用于异常判定，而用于冰箱内的食材的库存管理等。

接着，回到图1，对家电设备10b、10c进行说明。家电设备10b具备传感器102b和发送部101b。传感器102b是设于家电设备10b的一个以上的传感器。传感器102b在家电设备10b中感知与传感器的数量对应的数量的物理量。传感器102b感知的物理量的种类与传感器102a感知的物理量的种类相同，根据家电设备的种类、按种类的机型等而不同。

发送部101b每经过规定的时间将传感器102b感知到的物理量与物理量被感知到的时刻的家电设备10b的动作状态及家电设备10b的标识符ID2一同向接口装置20发送。另外，家电设备10b的动作状态与家电设备10a的动作状态相同。

家电设备10c具备传感器102c和发送部101c。传感器102c是设于家电设备10c的一个以上的传感器。传感器102c在家电设备10c中感知与传感器的数量对应的数量的物理量。传感器102c感知的物理量的种类与传感器102a感知的物理量的种类相同，根据家电设备10的种类、按种类的机型而不同。

发送部101c每经过规定的时间将传感器102b感知到的物理量与物理量被感知到的时刻的家电设备10c的动作状态及家电设备10c的标识符ID3一同向接口装置20发送。另外，家电设备10c的动作状态与家电设备10a的动作状态相同。使用图2说明的家电设备10a的构成在家电设备10b、10c中也相同。另外，以下将发送部101a、101b、101c统称为发送部101。此外，将传感器102a、102b、102c统称为传感器102。

[接口装置的构成]

接口装置20对家电设备10与学习装置30之间的通信进行中介。接口装置20对家电设备10与故障诊断装置40之间的通信进行中介。接口装置20对学习装置30与故障诊断装置40之间的通信进行中介。接口装置20具备中介部201。例如接口装置20包含于与网络连接的服务器。

中介部201从家电设备10接收传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符。具体而言，中介部201从家电设备10a接收家电设备10a的传感器102a感知到的物理量、家电设备10a的动作状态、以及家电设备10a的标识符ID1。中介部201从家电设备10b接收家电设备10b的传感器102b感知到的物理量、家电设备10b的动作状态、以及家电设备10b的标识符ID2。中介部201从家电设备10c接收家电设备10c的传感器102c感知到的物理量、家电设备10c的动作状态、以及家电设备10c的标识符ID3。

中介部201将从家电设备10接收的数据分配给学习装置30与故障诊断装置40中的一方或者双方。即，中介部201基于从家电设备10接收到的家电设备10的标识符、以及从学习装置30与学习完毕模型一同接收到的标识符，决定传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符的发送目的地。

具体而言，中介部201存储对应表格CT，所述对应表格CT登记有家电设备10的标识符与能够用于该家电设备10的故障诊断的学习完毕模型的标识符的对应关系。例如中介部201将从学习装置30与学习完毕模型一同接收到的标识符存储于表格CT。接着，在判定为表格CT中没有从家电设备10接收到的家电设备10的标识符所对应的学习完毕模型的标识符的情况下，将传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符向学习装置30发送。另一方面，中介部201在判定为表格CT中有从家电设备10接收到的家电设备10的标识符所对应的学习完毕模型的标识符的情况下，将传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符向故障诊断装置40发送。

图3是表示上述表格CT的内容的一个例子的图。本实施系方式中，关于同一种类的家电设备10包含第一学习完毕模型和第二学习完毕模型，所述第一学习完毕模型按基于第一基准分类的每个大组生成，所述第二学习完毕模型按基于与上述第一基准不同的第二基准将上述大组细分化的每个小组生成。对于大组以及小组，后面进行详细叙述。在本实施方式中，对应表格CT中登记有家电设备10的标识符、能够用于该家电设备10的故障诊断的第一学习完毕模型的标识符(以大组分类的学习完毕模型的标识符)、以及能够用于该家电设备10的故障诊断的第二学习完毕模型的标识符(以小组分类的学习完毕模型的标识符)的对应关系。

返回图1继续说明。中介部201从故障诊断装置40接收各组的数据中规定的一定期间的数据作为教师数据，所述各组的数据由家电设备10实际产生的不良状况和故障诊断装置40的后述的累积部403记录的与该不良状况相关联的各时刻的物理量以及动作状态组成。接着，中介部201将接收到的教师数据向学习装置30发送。另外，实际产生的不良状况内容基于传感器102感知到的物理量的异常值(例如由异常判定部103判定的异常)、修理等实际进行了服务支持的不良状况内容(修理内容)等而确定。换言之，在本实施方式中，使用如下教师数据：将设于家电设备10的一个以上的传感器的检测结果以及家电设备10的动作状态设为输入信息，将与部件交换等实际进行过的修理对应的不良状况内容设为输出信息的正确解答数据。

由于该接口装置20存在，各家电设备10无需与学习装置30、故障诊断装置40单独地通信。即，各家电设备10无需变更通信目的地的设定，始终仅与接口装置20进行通信即可。

[学习装置的构成]

学习装置30按判定为能够使用相同的学习完毕模型的家电设备10的种类、机型来生成神经网络等的学习完毕模型。如图1所示的，学习装置30具备接收部301、累积部302、以及学习部303。累积部302是“第二信息累积部”的一个例子。

接收部301从接口装置20接收传感器102a感知到的物理量、家电设备10a的动作状态、以及家电设备10a的标识符ID1。此外，接收部301从接口装置20接收传感器102b感知到的物理量、家电设备10b的动作状态、以及家电设备10b的标识符ID2。此外，接收部301从接口装置20接收传感器102c感知到的物理量、家电设备10c的动作状态、以及家电设备10c的标识符ID3。

累积部302与根据家电设备10a的标识符ID1而决定的学习模型建立关联地记录接收部301接收到的由传感器102a感知到的物理量和家电设备10a的动作状态。此外，累积部302与根据家电设备10b的标识符ID2而决定的学习模型建立关联地记录接收部301接收到的由传感器102b感知到的物理量和家电设备10b的动作状态。此外，累积部302与根据家电设备10c的标识符ID3而决定的学习模型建立关联地记录接收部301接收到的由传感器102c感知到的物理量和家电设备10c的动作状态。此外，在家电设备10产生不良状况的情况下，累积部302将产生了不良状况的家电设备10的不良状况内容与不良状况产生前累积的物理量及动作状态建立关联并记录。如上述，家电设备10的不良状况内容除了传感器102感知到的物理量的异常值(例如由异常判定部103判定的异常)之外，还基于修理等实际进行过服务支持的不良状况内容(修理内容)等而确定。例如在实际的服务支持中在家电设备10的第一部件C1发现了不良状况的情况下与第一部件C1相关的不良状况被登记为不良状况内容。此外，在实际的服务支持中在家电设备10的第二部件C2发现了不良状况的情况下，与第二部件C2相关的不良状况被登记为不良状况内容。

图4是表示第一实施方式的第一数据表格TBL1的例子的图。如图4所示，累积部302按家电设备10的标识符所对应的学习模型记录物理量(例如由图2中的第一传感器S1、第二传感器S2、…感知到的物理量)和动作状态。另外，图4所示的第一数据表格TBL1是在根据家电设备10a的标识符ID1而决定的学习模型、根据家电设备10b的标识符ID2而决定的学习模型、根据家电设备10c的标识符ID3而决定的学习模型相同的情况下累积部302记录的数据的例子。即，图4所示的第一数据表格TBL1是在家电设备10a、10b、10c能够使用相同的学习模型来对不良状况的产生进行预测的情况下累积部302记录的数据的例子。家电设备10a、10b、10c能够使用相同的学习模型来对不良状况的产生进行预测的情况是指例如家电设备10a、10b、10c的家电设备的种类相同且机型也相同的情况。此外，家电设备10a、10b、10c能够使用相同的学习模型来对不良状况的产生进行预测的情况是指，例如家电设备10a、10b、10c的家电设备的种类相同机型不同，但是例如主要部件构成相同，机型的不同不对不良状况的产生的预测带来实质性的影响的情况。

学习部303按学习模型，使用将物理量和动作状态设为输入信息，将不良状况内容设为输出信息的正确解答数据的教师数据来决定学习模型中的系数(例如节点间权重系数)，从而生成学习完毕模型。

例如学习模型是由输入层、中间层、输出层组成的神经网络的学习模型，对于家电设备10假定如图4所示的第一数据表格TBL1记录于累积部302。即，假定家电设备10a、10b、10c能够使用相同的学习模型#1来预测不良状况的产生。此外，假定家电设备10a在时刻t100产生不良状况1并被进行消除不良状况1的处理，时刻t1～t100的物理量及动作状态与不良状况1建立关联。此外，假定家电设备10a在时刻t200产生不良状况2并被进行消除不良状况2的处理，时刻t150～t200的物理量及动作状态与不良状况2建立关联。此外，假定家电设备10b在时刻t140产生不良状况2并被进行消除不良状况2的处理，时刻t1～t140的物理量及动作状态与不良状况2建立关联。

在这种情况下，将不良状况1和时刻t1～t100的各个时刻的物理量以及动作状态设为第一组数据。此外，将不良状况2和时刻t150～t100的各个时刻的物理量以及动作状态设为第二组数据。此外，将不良状况2和时刻t1～t140的各个时刻的物理量以及动作状态设为第三组数据。此外，上述的三组数据以外，家电设备10a、10b的在其他时刻产生的不良状况、在能够使用学习#1来预测不良状况的产生的家电设备10a、10b以外的家电设备10c等中产生的不良状况也与家电设备10a、10b同样地将不良状况和与该不良状况建立了关联的各时刻的物理量以及动作状态设为另外的一组数据。接着，学习部303将由不良状况和与该不良状况建立了关联的各时刻的物理量以及动作状态组成各组数据中的规定的一定期间的数据设为教师数据。规定的一定期间是从家电设备10实际产生了不良状况的时间点向过去追溯规定期间(例如1周)后的时间点以前的一定期间(例如3周)。在本实施方式中，规定的期间是相对于各不良状况产生的时间点从过去30日到过去7日的24日。学习部303在各组数据中将不良状况和规定的一定期间的物理量以及动作状态作为教师数据输入至学习模型，决定学习模型中的系数。即，学习完毕模型被生成。

具体而言，假定图4所示的第一数据表格TBL1中的时刻t1～t200为1日步进，表示从1日到200日。在这种情况下，学习部303在第一组数据中的将不良状况1和时刻t70～t93的各个时刻的物理量以及动作状态设为教师数据。此外，学习部303在第二组数据中将不良状况2和时刻t170～t193的各个时刻的物理量以及动作状态设为教师数据。此外，学习部303在第三组数据中将不良状况2和时刻t110～t133的各个时刻的物理量以及动作状态设为教师数据。此外，学习部303对于家电设备10a、10b的在其他时刻产生的不良状况、能够使用学习模型#1来预测不良状况的产生的家电设备10c等的家电设备中产生的不良状况同样地将各不良状况和从各不良状况产生的时刻起过去30日到过去7日的24日的物理量以及动作状态设为教师数据。

接着，学习部303将教师数据分为训练数据和验证数据。学习部303将训练数据输入至学习模型。学习部303以使学习模型的输出与输入的训练数据所对应的实际产生的不良状况一致的方式，调整学习模型的系数。如此，学习部303决定学习模型中的系数。接着，学习部303将验证数据输入至决定了系数的学习模型。学习部303判定学习模型的输出是否是与输入的验证数据建立了关联的实际产生的不良状况内容。学习部303在对于验证数据判定为学习模型的输出与实际产生的不良状况内容一致的情况下，将该系数的学习模型设为学习完毕模型。此外，学习部303在对于验证数据判定为学习模型的输出与实际产生的不良状况内容不同的情况下，重新准备教师数据，并分为训练数据和验证数据，重复上述的处理直到能够得到学习完毕模型。学习部303如此生成学习完毕模型。

另外，学习部303对于学习模型#1以外的各学习模型也使用与学习模型#1相同的方法来决定系数。学习部303每次决定系数就将决定了系数的学习完毕模型和与该学习完毕模型建立了关联的家电设备10的标识符向接口装置20发送。

在如此生成的学习完毕模型的输出表示了不良状况产生的情况下，该不良状况产生的时期成为从现在时刻推进了下述量的时刻，所述量是规定的一定期间中与现在时刻最接近的时刻和现在时刻的时间差的量。例如规定的一定期间为从过去30日到过去7日的24日，在学习完毕模型的输出表示了不良状况产生的情况下，不良状况产生的时期成为从现在推进了现在与过去7日的时间差7日的7日后。

因而，需要将规定的一定期间中与现在时刻最接近的时刻设定为能够在不良状况产生前应对该不良状况的时刻。但是，越接近现在时刻就越接近不良状况的产生时期，因此可以认为随着规定的一定期间中与现在时刻最接近的时刻接近现在时刻，规定的一定期间的物理量的特征变得容易显现。其结果，可以认为使规定的一定期间中与现在时刻最接近的时刻接近现在时刻能够更准确地进行通过学习完毕模型的不良状况的产生的判断。因此，规定的一定期间中与现在时刻最接近的时刻优选为是能够在不良状况产生前应对该不良状况的时刻，并且优选是尽可能与现在时刻接近的时刻。

这里一实施例中，学习完毕模型关于同一种类的家电设备包含第一学习完毕模型M1和第二学习完毕模型M2，所述第一学习完毕模型M1按每个基于第一基准分类的大组(按每个大分类)而生成，所述第二学习完毕模型M2按每个基于与所述第一基准不同的第二基准将所述大组细分化的小组(按每个小分类)而生成。第二基准是基于家电设备10的机型的基准。另一方面，第一基准是基于家电设备10的基本形式、构成部件的基准。例如在家电设备10是冰箱的情况下，第一基准为冷却器(蒸发器)是一个类型还是两个类型、储存室的布局(蔬菜室、制冷室的配置位置等)、或者搭载的压缩机是否相同等。例如在家电设备10是洗衣机的情况下，第一基准为是滚筒式洗衣机还是纵型洗衣机、干燥功能的有无等。例如在家电设备10是空调机的情况下，第一基准为内部的自动清扫功能(例如除霉功能)的有无等。

图5是示意地表示第一学习完毕模型M1以及第二学习完毕模型M2的图。对于这些学习完毕模型M1、M2的输入信息例如包含第一传感器S1的最近的检测值、1小时前的检测值、2小时前的检测值、…、第二传感器S2的最近的检测值、1小时前的检测值、2小时前检测值、…、第三传感器S3的最近的检测值、1小时前的检测值、2小时前的检测值以及这些检测值被检测到的时间点的家电设备10的动作状态等。另一方面，从学习完毕模型M1、M2输出的输出信息包含上述规定期间后(例如1周后)不良状况A(例如与第一部件C1相关的不良状况)产生的概率、上述规定期间后不良状况B(例如与第二部件C2相关的不良状况)产生的概率、上述规定期间后不良状况C产生的概率、…等。

[故障诊断装置的构成]

故障诊断装置40对家电设备10各自的不良状况的产生进行预测。如图1所示，故障诊断装置40具备接收部401、诊断部402、累积部403、以及更新部404。累积部403是“第一信息累积部”的一个例子。另外，图1中的“通知部405”在第二实施方式中进行说明。

接收部401接收从接口装置20发送的数据。在接收部401从接口装置20接收到的数据是学习完毕模型的情况下，诊断部402将该学习完毕模型作为对不良状况的产生进行预测的学习模型而具备。并且，在接收部401从接口装置20接收到的数据是传感器102感知到的物理量及家电设备10的动作状态的情况下，诊断部402将该物理量及该动作状态输入至与标识符对应的学习完毕模型。并且，诊断部402基于学习完毕模型的输出对与标识符对应的家电设备10的不良状况的产生进行预测。另外，不良状况的产生的预测内容包含不良状况的产生时期和产生的不良状况内容。

图6是表示第一实施方式的第二数据表格TBL2例子的图。如图6所示，在接收部401从接口装置20接收到由传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符的情况下，累积部403与家电设备10的标识符所对应的学习完毕模型建立关联地将接收部401接收到的由传感器102感知到的物理量及家电设备10的动作状态以及诊断部402预测出的不良状况的产生时期以及不良状况内容一同记录为第二数据表格TBL2。

在使用了相同的学习完毕模型的故障诊断中产生了规定次数的诊断部402没有预测到不良状况的产生时的不良状况，或者诊断部402预测了不良状况的产生但没有进行消除该不良状况的处理时的不良状况的情况下，更新部404将由该不良状况和累积部403记录的与该不良状况建立了关联的各时刻的物理量以及动作状态组成的各组数据中的规定的一定期间的数据作为教师数据向接口装置20发送。另外，规定次数是指，可以认为有足够数量的用于改善对不良状况的产生进行预测的学习模型的教师数据被用作训练数据和验证数据的次数。即，更新部404在足够的数量的训练数据验证数据被累积的情况下，将规定的一定期间的数据作为教师数据向接口装置20发送。

[对家电设备的不良状况的产生进行预测的处理]

接着，说明家电系统1进行的预测家电设备10的不良状况的产生的处理(故障诊断)。在本实施方式中，学习完毕模型如上述使用持续一定期间(例如3周)累积的信息来学习，所述一定期间是从家电设备10实际产生不良状况的时间点向过去追溯了规定期间(例如1周)的时间点以前的期间。接着，诊断部402基于持续最近的上述一定期间(例如最近的3周)累积的信息来进行故障诊断。

图7是表示第一实施方式的家电系统1进行的对不良状况的产生进行预测的处理流程的图。这里参照图7所示的第一实施方式的第一处理流程进行说明。

另外，中介部201判定了存储的标识符中没有从家电设备10接收到的家电设备10的标识符所对应的标识符。并且，中介部201将传感器102感知到的物理量、家电设备10的动作状态、家电设备10的标识符发送到了学习装置30。此外，学习部303通过上述处理已经生成了学习完毕模型。并且，学习部303将生成的学习完毕模型与所对应的家电设备10的标识符一同发送到了接口装置20。此外，中介部201一同存储了从学习装置30接收到的学习模型与标识符。此外，中介部201将接收到的学习模型与标识符一同发送到了故障诊断装置40。并且，接收部401从接口装置20一同接收到了学习模型与标识符。此外，诊断部402已经具备了该学习完毕模型。

在各个家电设备10中，传感器102感知物理量(步骤S1)。发送部101每经过规定的时间向接口装置20发送具备自身的家电设备10的传感器102感知到的物理量、该家电设备10的动作状态、以及该家电设备10的标识符(步骤S2)。

中介部201从家电设备10接收传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符。中介部201判定在存储标识符中是否有与从家电设备10接收到的家电设备10的标识符相同的标识符。接着，中介部201在判定为其存储的标识符中没有与从家电设备10接收到的家电设备10的标识符相同的标识符的情况下，向学习装置30发送传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符。此外，中介部201在判定为其存储的标识符中有与从家电设备10接收到的家电设备10的标识符相同的标识符的情况下，向故障诊断装置40发送传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符。

这里列举的例子中，诊断部402已经具备了学习完毕模型。因此，中介部201判定为存储的标识符中有与从家电设备10接收到的家电设备10的标识符相同的标识符(步骤S3)。并且，中介部201向故障诊断装置40发送传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符(步骤S4)。

接收部401从接口装置20接收传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符。累积部403在记录了一定期间(例如最近的3周)的数据之前的期间，将接收部401接收到的由传感器102感知到的物理量、家电设备10的动作状态、以及家电设备10的标识符与该标识符所对应的学习完毕模型和时刻一同记录于第二数据表格TBL2(步骤S5)。另外，累积部403在记录了上述一定期间的数据之前的期间，输入到学习完毕模型的数据数不足。因此，传感器102感知到的物理量和家电设备10的动作状态没有被输入到诊断部402。由此，没有进行基于诊断部402的不良状况的产生时期和不良状况内容的预测。另外，没有进行基于诊断部402的不良状况的产生时期和不良状况内容的预测在第二数据表格TBL2中用“－”表示。

在累积部403记录了上述一定期间的数据时，诊断部402将上述一定期间的数据输入到与家电设备10的标识符对应的学习完毕模型。并且，诊断部402基于该学习完毕模型的输出预测不良状况的产生时期和其不良状况内容(步骤S6)。

例如假定上述一定期间是相对于各不良状况产生的时间点从过去30日到过去7日的24日。此外，假定图3所示的第二数据表格TBL2中的时刻t1001～t1200为1日步进，表示从以现在为基准的207日前到7日前。并且，诊断部402向学习完毕模型输入时刻t1177～t1200的各个时刻的物理量和动作状态。此外，学习完毕模型的输出表示了不良状况2产生。在这种情况下，诊断部402预测了从现在的7日后产生不良状况2。诊断部402例如以规定的周期(例如每1日)重复进行基于上述处理的故障诊断。

在本实施方式中，家电设备10的异常判定部103使用第一传感器S的检测结果和第一阈值来进行与第一部件C1有关的异常检测。换言之，家电设备10的异常判定部103在与第一部件C1相关的异常检测中不使用第二传感器S2以及第三传感器S3的检测结果等。另一方面，诊断部402使用持续上述一定期间而累积的基于第一传感器S1、S2、S3、…的检测结果的信息，进行第一部件C1的故障诊断。此外，诊断部402使用持续上述一定期间而累积的基于第一传感器S1、S2、S3、…的检测结果的信息，进行第二部件C2的故障诊断。

在本实施方式中，诊断部402进行使用了上述第一学习完毕模型M1(按每大组生成的学习完毕模型)的第一故障诊断和使用了第二学习完毕模型M2(按每小组生成的学习完毕模型)的第二故障诊断。这里，原本优选通过按每机型获得的教师数据而使用学习完毕模型。但是，实际上预想有在特定的机型不良状况信息的收集没有进展的情况。因此，在本实施方式中，除上述的第二学习完毕模型M2之外，也使用第一学习完毕模型M1进行故障诊断。由此，即使在按每机型得不到足够的教师数据，学习完毕模型M2的预测精度不高的情况下，也能够进行精度高的故障诊断。

[更新学习完毕模型的处理]

接着，说明家电系统1进行的更新学习完毕模型的处理。图8是表示第一实施方式的家电系统1进行的更新学习完毕模型的处理流程的图。这里参照图8所示的第一实施方式的第二处理流程进行说明。

如上述那样，上述一定期间中与现在时刻最接近的时刻优选是能够在不良状况产生前应对该不良状况的时刻，并且优选是尽可能接近现在时刻的时刻。然而，即使在诊断部402预测了不良状况的产生的情况下也不一定实际进行了回避该不良状况的处理。此外，诊断部402的不良状况的产生的预测并不一定总是正确。因此，即使是诊断部402判断为没有产生不良状况的期间，也存在实际产生了不良状况的可能性。这种情况下，为了得知实际产生的不良状况内容，能够将这种情况下累积部403记录的规定期间的物理量以及动作状态设为用于改善学习完毕模型的教师数据。

这里说明的家电系统1所进行的更新学习完毕模型的处理是将实际产生的不良状况内容和累积部403记录的规定期间的物理量以及动作状态作为教师数据来改善学习完毕模型的处理。另外，该处理是即使在进行了上述步骤S1～步骤S6的处理并预测到不良状况产生的情况下也没有进行防止预测到的不良状况的产生的处理而且不良状况实际产生了的情况下进行的处理。

在进行了步骤S1～步骤S6的处理之后，到实际产生不良状况为止，累积部403按家电设备10将接收部401接收到的由传感器102感知到的物理量、家电设备10的动作状态、家电设备10的标识符与该标识符所对应的学习完毕模型和时刻一同记录于第二数据表格TBL2(步骤S11)。并且，在家电设备10产生不良状况时，累积部403将传感器102感知到的物理量、家电设备10的动作状态、家电设备10的标识符、该标识符所对应的学习完毕模型、以及时刻与产生的不良状况内容一同记录于第二数据表格TBL2(步骤S12)。

更新部404对于第二数据表格TBL2中的各学习完毕模型判定产生的不良状况是否在规定次数以上(步骤S13)。

更新部404在对于第二数据表格TBL2中的各学习完毕模型判定为产生的不良状况小于规定次数的情况下(步骤S13中为NO)，返回步骤S11的处理。

此外，更新部404在对于第二数据表格TBL2中的各学习完毕模型判定为产生的不良状况在规定次数以上的情况下(步骤S13中为是)，按如此判定的学习完毕模型将由产生的不良状况内容、与该不良状况内容建立了关联的各时刻的物理量以及动作状态组成的数据中规定期间的数据作为教师数据发送到接口装置20(步骤S14)。

中介部201从故障诊断装置40接收教师数据。中介部201将接收到的教师数据向学习装置30发送(步骤S15)。

接收部301从接口装置20接收教师数据(即，按学习完毕模型的规定期间的数据)。累积部302记录教师数据(步骤S16)。

学习部303基于在步骤S16的处理中累积部302记录的教师数据来改善学习完毕模型(步骤S17)。具体而言，学习部303将教师数据分为训练数据和验证数据。学习部303向学习模型输入训练数据。学习部303以使输入的训练数据所对应的实际产生的不良状况与学习模型的输出一致的方式调整学习模型的系数。如此，学习部303决定学习模型中的系数。接着，学习部303将决定了系数的学习模型向验证数据输入。学习部303判定学习模型的输出是否是与输入的验证数据建立了关联的实际产生的不良状况内容。学习部303在对于验证数据判定为学习模型的输出与实际产生的不良状况内容一致的情况下，将该系数的学习模型设为学习完毕模型。此外，学习部303在对于检证数据判定为学习模型的输出与实际产生的不良状况内容不同的情况下，重复步骤S11～步骤S15的处理直到能够获得新的教师数据为止。如此，改善学习完毕模型。

学习部303将改善后的学习完毕模型向接口装置20发送(步骤S18)。中介部201从学习装置30接收改善后的学习完毕模型。中介部201将接收到的学习完毕模型向故障诊断装置40发送(步骤S19)。

接收部401从接口装置20接收改善后的学习完毕模型。诊断部402具备接收部401接收到的学习完毕模型作为新的学习完毕模型(步骤S20)。

诊断部402具备的学习完毕模型如此被改善。家电系统1通过使用如此被改善的学习完毕模型，进行参照图4而说明的处理，从而能够更加准确地对家电设备10的不良状况的产生进行预测。

另外，第一实施方式中，发送部101a、101b、101c、中介部201、接收部301、401、累积部302、403、学习部303、诊断部402、以及更新部404各自是软件功能部。

以上，对第一实施方式的家电系统1进行了说明。家电系统1具有诊断部402。诊断部402基于学习完毕模型来对不良状况的产生进行预测，该学习完毕模型将以家电设备10产生不良状况时为基准的过去的规定期间的家电设备10的物理量及动作状态和不良状况作为教师数据来决定系数。

根据该家电系统1，对于与传感器感知到的物理量的因果关系不明确的不良状况，能够预测该不良状况的产生时期和不良状况内容。此外，通过调整规定期间中的与现在时刻最近的时刻，能够对学习完毕模型所进行的不良状况产生的判断的精度和预测时期双方进行适当地设定。

家电系统1具有学习部303。学习部303将以不良状况产生时为基准的过去的规定期间的家电设备10的物理量和不良状况作为所述教师数据来决定所述系数。

根据该家电系统1，能够生成用于准确地对不良状况进行预测的学习完毕模型。

家电系统1具有更新部404。更新部404在学习完毕模型产生的不良状况的次数在规定次数以上情况下，向学习部303发送教师数据。并且，学习部303基于更新部404发送的所述教师数据对学习完毕模型进行改善。

根据该家电系统1，能够生成用于更加准确地对不良状况进行预测的学习完毕模型，即能够对学习完毕模型进行改善。此外，在通过包含新的不良状况内容的教师数据对改善前的学习完毕模型的进行了改善的情况下，家电系统1能够对改善前的学习完毕模型没能预测到的不良状况的产生进行预测。

家电系统1中，不良状况的内容基于对于所述家电设备实际进行过的修理内容而确定。

根据该家电系统1，不仅包含一般来说通过物理量的异常值判断的不良状况内容，还能够包含与家电设备10的用户的要求相应的不良状况内容。其结果，家电系统1对于通过物理量的异常值判断的不良状况内容以外的不良状况内容也能够预测不良状况的产生。

(第二实施方式)

[家电系统的构成]

第二实施方式的家电系统1的构成与第一实施方式的家电系统1的构成相同。但是，在故障诊断装置40具有通知部405这一点不同。

通知部405向家电设备10的用户通知不良状况的产生的预测结果。例如，通知部405向家电设备10或者家电设备10的用户的终端装置UT发送规定的控制指令，从而通过家电设备10的通知器(显示装置等)或者终端装置UT通知上述不良状况的产生的预测结果。终端装置UT可以是智能手机、平板终端那样的便携式终端装置，可以是个人计算机，也可以是智能扬声器等。

在本实施方式中，通知部405通过家电设备10或终端装置UT输出通知，所述通知让用户确认是否在家电设备10实际产生了诊断部402的故障诊断的结果所对应的症状。例如在产生了不良状况的家电设备10是冰箱的情况下，通知部405根据预测到产生的不良状况内容向用户通知“能从冰箱听到异响吗”、“制冷有变差吗”等。接着，在用户回答是的情况下，诊断部402向服务中心委托家电设备10的修理，或者向用户引导用于向服务中心等委托修理的联络方式。

以上，对第二实施方式的家电系统1进行了说明。家电系统1具有诊断部402。诊断部402向家电设备10的用户通知不良状况的产生的预测结果。

根据该家电系统1，能够快速地对产生了不良状况的家电设备10的修理进行应对。

另外，实施方式中的处理也可以在进行适当地处理的范围内替换处理顺序。

另外，实施方式中，将学习装置30说明为按判定为能够使用相同的学习模型的家电设备的种类、机型来生成神经网络等学习模型。该是否能够使用相同的学习模型的判定也可以以如下方式进行。例如使用聚类分析算法等来生成学习模型。学习部303向学习模型输入没有标签的数据集而生成学习完毕模型。并且，学习部303可以将判定为能够使用相同的学习模型的对象的家电设备10的数据向学习完毕模型输入，确定对学习完毕模型的输出结果表示的不良状况的产生进行预测的学习模型。

另外，上述实施方式中，将家电设备10a、10b、10c、接口装置20、学习装置30、以及故障诊断装置40分别作为独立的装置进行了说明。然而，在其他的实施方式中，学习装置30的构成与故障诊断装置40的构成也可以在一个装置(例如云服务器)中实现。此外，家电设备10也可以具备故障诊断装置40的一部分或者全部。

实施方式中的累积部302、403、其他存储装置(包含寄存器、锁存)的各个可以在进行适当地信息的收发的范围内配备于任何位置。此外，实施方式中的累积部302、403、以及其他存储装置的各个也可以在进行适当地信息的收发的范围内存在多个而将数据分散存储。

对实施方式进行了说明，但上述家电设备10a、10b、10c、接口装置20、学习装置30、故障诊断装置40、以及其他控制装置可以在内部具有电脑系统。并且，上述处理的过程能够以程序的形式存储于计算机可读取的记录介质，并通过计算机读出并执行该程序，从而进行上述处理。计算机的具体例如以下所示。

接着，对至少一个实施方式的计算机构成进行说明。

计算机5具备CPU、主内存器、存储器、以及接口。

例如上述家电设备10a、10b、10c、接口装置20、学习装置30、故障诊断装置40、以及其他控制装置各自安装于计算机。并且，上述各处理部的动作以程序的形式存储于存储器。CPU从存储器读出程序并在主内存器展开，根据该程序执行上述处理。此外，CPU根据程序将与上述各存储部对应的存储区域确保于主内存器。

作为存储器的例子可以列举有HDD(Hard Disk Drive，硬盘驱动器)、SSD(SolidState Drive，固态驱动器)、磁盘、光磁盘、CD－ROM(Compact Disc Read Only Memory，光盘只读存储器)、DVD－ROM(Digital Versatile Disc Read Only Memory，数字多功能光盘只读存储器)、以及半导体存储器等。存储器可以是与计算机的总线直接连接的内部媒介，也可以是经由计算机具备的接口或者通信线路与计算机连接的外部媒介。此外，在该程序通过通信回线配送到计算机的情况下，接收配送的计算机也可以将该程序在主内存器展开，并执行上述处理。至少一个实施方式中，存储器是非暂时的有形的存储介质。

此外，上述程序也可以实现前述功能的一部分实现。而且，上述程序也可以是通过与已经将前述功能记录于计算机系统的程序的组合而能够实现的文件，即所谓的差分文件(差分程序)。

上述各实施方式中，将发送部101a、101b、101c、中介部201、接收部301、401、累积部302、403、学习部303、诊断部402、以及更新部404设为软件功能部，但也可以是LSI等硬件功能部。此外，也可以发送部101a、101b、101c、中介部201接收部301、401、蓄积部302、403、学习部303、诊断部402、以及更新部404的一部分是软件功能部，其余是LSI等硬件功能部。

根据以上说明的至少一个实施方式，通过具有诊断部，能够对家电设备的不良状况的产生进行预测。

对本发明的几个实施方式进行说明，但这些实施方式是作为例子而提示的，并不意图限定发明的范围。这些实施方式能够以其他各种方式实施，在不脱离发明的主旨的范围，能够进行各种省略、置换、以及变更。这些实施方式、其变形与发明的范围、主旨所含的同样地包含于权利要求书所记载的发明和与其等同的范围内。

附图标记说明

1…家电系统，10a、10b、10c…家电设备，20…接口装置，30…学习装置，40…故障诊断装置，101a、101b、101c…发送部，102a、102b、102c…传感器，103…异常判定部，201…中介部，301、401…接收部，302、403…累积部，303…学习部，402…诊断部，404…更新部，405…通知部。

Claims (12)

1.一种家电系统，其中，具备：

诊断部，基于学习完毕模型进行家电设备的故障诊断，所述学习完毕模型学习成为在基于所述家电设备所具有的一个以上的传感器的检测结果的信息被输入时输出与所述家电设备相关的故障诊断的结果。

2.根据权利要求1所述的家电系统，其中，还具备：

累积所述信息的信息累积部，

所述学习完毕模型学习成为在持续一定期间而累积的所述信息被输入时输出所述故障诊断的结果，

所述诊断部基于由所述信息累积部持续所述一定期间而累积的所述信息进行所述故障诊断。

3.根据权利要求2所述的家电系统，其中，

所述学习完毕模型使用持续所述一定期间而累积的所述信息进行学习，所述一定期间是从家电设备实际产生了不良状况的时间点向过去追溯了规定期间的时间点以前的一定期间，

所述诊断部基于持续最近的所述一定期间而累积的所述信息进行所述故障诊断。

4.根据权利要求2或者权利要求3所述的家电系统，其中，

所述一个以上的传感器包含第一传感器和第二传感器，

所述家电设备具有异常判定部，所述异常判定部基于所述第一传感器的检测结果和阈值对所述家电设备所含的第一部件的异常进行判定，

所述诊断部使用持续所述一定期间而累积的基于所述第一传感器以及所述第二传感器的检测结果的所述信息进行所述第一部件的故障诊断。

5.根据权利要求2至权利要求4中任一项所述的家电系统，其中，

所述学习完毕模型将对于多个家电设备分别持续所述一定期间而累积的所述信息与所述多个家电设备中分别实际产生的不良状况的内容的组合作为教师数据来进行学习。

6.根据权利要求5所述的家电系统，其中，

所述不良状况的内容包含基于实际进行的修理内容而确定的内容。

7.根据权利要求1至权利要求6中任一项所述的家电系统，其中，还具备：

更新所述学习完毕模型的更新部。

8.根据权利要求7所述的家电系统，其中，还具备：

学习部，基于新取得的与家电设备的不良状况相关的信息使所述学习完毕模型进行追加学习，

所述更新部利用由所述学习部进行了追加学习后得到的所述学习完毕模型对所述诊断部使用的所述学习完毕模型进行更新。

9.根据权利要求8所述的家电系统，其中，具备：

故障诊断单元，包含累积所述信息的第一信息累积部和所述诊断部；

学习单元，包含累积所述信息的第二信息累积部和所述学习部；以及

中介部，将从所述家电设备接收的数据分配给所述故障诊断单元与所述学习单元中的一方或者双方。

10.根据权利要求1至权利要求9中任一项所述的家电系统，其中，

关于同一种类的家电设备，按每个基于机型、基本形式、或者构成部件分类而成的组来生成所述学习完毕模型。

11.根据权利要求1至权利要求10中任一项所述的家电系统，其中，

关于同一种类的家电设备，所述学习完毕模型包含第一学习完毕模型和第二学习完毕模型，按每个基于第一基准分类而成的大组来生成所述第一学习完毕模型，按每个基于与所述第一基准不同的第二基准将所述大组细分化而成的小组来生成所述第二学习完毕模型，

所述诊断部进行使用了所述第一学习完毕模型的第一故障诊断和使用了所述第二学习完毕模型的第二故障诊断。

12.根据权利要求1至权利要求11中任一项所述的家电系统，其中，还具备：

通知部，通过所述家电设备或者终端装置输出通知，所述通知让用户确认是否在所述家电设备中实际产生了与所述诊断部的所述故障诊断的结果对应的症状。

Images