CN114246507B - 一种类型确定方法、装置、电子设备及存储介质 - Google Patents
一种类型确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114246507B CN114246507B CN202011010509.6A CN202011010509A CN114246507B CN 114246507 B CN114246507 B CN 114246507B CN 202011010509 A CN202011010509 A CN 202011010509A CN 114246507 B CN114246507 B CN 114246507B
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- sample data
- type
- electric energy
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
- A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
- A47L2201/06—Control of the cleaning action for autonomous devices; Automatic detection of the surface condition before, during or after cleaning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明实施例公开了一种类型确定方法,该方法应用于至少包括第一装置和第二装置的电子设备,第一装置,与电子设备工作时的工作界面接触,用于对工作界面进行处理和/或带动电子设备在工作界面上移动,第二装置用于通过传动装置驱动第一装置;该方法包括:获取第二装置输出的电能数据;基于电能数据,得到阻碍第一装置运动的作用力数据;获取训练完成的分类模型;分类模型,用于通过第一参数以及第二参数、表征作用力数据与电能数据的关联关系;第一参数,表示与工作界面相关的参数;第二参数,包括电子设备的性能参数;基于作用力数据以及训练完成的分类模型,确定工作界面的类型。本发明实施例还公开了一种类型确定装置、电子设备以及存储介质。
Description
技术领域
本发明实施例涉及电子设备的信息技术领域,尤其涉及一种类型确定方法、装置、电子设备以及计算机可读存储介质。
背景技术
对于工作中能够移动的电子设备如吸尘器、汽车等而言,它们在实际工作中经常会面临多种工作界面的切换。并且,电子设备的输出功率需要根据工作界面的类型相应调整,因此,工作界面的类型确定就至关重要。以吸尘器为例,相关技术中,通常需要用户在吸尘器工作过程中进行主观判断,并根据判断结果手动选择的对应的档位选项以调整电子设备的工作状态;或者,在吸尘器中配置传感器来进行工作界面类型的识别,并根据识别结果调整吸尘器的输出功率。然而,用户手动切换档位的方式,依靠的是用户主观识别界面类型,且操作繁琐,而在吸尘器中配置传感器的方式,也会增加硬件成本。
发明内容
本发明实施例提供了一种类型确定方法、装置、电子设备及计算机可读存储介质。根据本发明实施例,在电子设备工作过程中,在不依赖用户主观判断且不需要设置额外的传感器装置的情况下,即可快速的实现工作界面类型的准确确定。
本发明实施例提供的技术方案是这样的:
本发明实施例提供了一种类型确定方法,所述方法应用于至少包括第一装置和第二装置的电子设备中,其中,所述第一装置,与所述电子设备工作时所处的工作界面接触,用于对所述工作界面进行处理和/或带动所述电子设备在所述工作界面上移动,所述第二装置用于通过传动装置驱动所述第一装置;所述方法包括:
获取所述第二装置输出的电能数据;
基于所述电能数据,得到阻碍所述第一装置运动的作用力数据;
获取训练完成的分类模型;其中,所述训练完成的分类模型,用于通过第一参数以及第二参数、表征所述作用力数据与所述第二装置输出的电能数据的关联关系;所述第一参数,表示与所述工作界面相关的参数;所述第二参数,包括所述电子设备的性能参数;
基于所述作用力数据以及所述训练完成的分类模型,确定所述工作界面的类型。
在一些实施方式中,所述训练完成的分类模型,是通过以下方式训练得到的:
获取未训练完成的分类模型;其中,所述未训练完成的分类模型的参数,包括未调整完成的第一参数以及未调整完成的第二参数;
所述第二装置处于正常工作状态,获取分类样本数据;其中,所述分类样本数据,包括作用力样本数据以及电能样本数据;所述作用力样本数据,包括阻碍所述第一装置运动的所述作用力数据;所述电能样本数据,包括所述第二装置输出的所述电能数据;
基于所述分类样本数据,对所述未调整完成的第一参数、以及所述未调整完成的第二参数进行调整,直至所述未训练完成的分类模型的输出满足指定条件,得到所述训练完成的分类模型。
在一些实施方式中,所述基于所述分类样本数据,对所述未调整完成的第一参数、以及所述未调整完成的第二参数进行调整,包括:
从所述分类样本数据中获取作用力样本数据以及电能样本数据;
将所述作用力样本数据输入至所述分类模型,得到电能输出数据;
基于所述电能输出数据以及所述电能样本数据的大小关系,调整所述未调整完成的第一参数以及所述未调整完成的第二参数。
在一些实施方式中,所述未训练完成的分类模型的输出满足指定条件,包括:
获取指定时段内的第一变化信息和第二变化信息;其中,所述第一变化信息,表示所述指定时段内所述未调整完成的所述第一参数的变化信息;所述第二变化信息,表示所述指定时段内所述未调整完成的所述第二参数的变化信息;
所述第一变化信息以及所述第二变化信息均位于指定阈值区间,确定所述未训练完成的分类模型的输出满足指定条件。
在一些实施方式中,所述获取分类样本数据,包括:
实时获取所述作用力数据以及所述电能数据;
基于所述电能数据的变化趋势,对所述作用力数据和所述电能数据进行处理,获取所述分类样本数据。
在一些实施方式中,所述基于所述电能数据的变化趋势,对所述作用力数据和所述电能数据进行处理,获取所述分类样本数据,包括:
所述变化趋势与指定变化趋势匹配,将所述作用力数据以及所述电能数据存储至第一数据库;
所述变化趋势与所述指定变化趋势不匹配,将所述作用力数据以及所述电能数据存储至第二数据库;
对所述第一数据库中存储的数据、以及所述第二数据库中存储的数据进行处理,获取所述分类样本数据。
在一些实施方式中,所述分类样本数据,至少包括第一类型样本数据和第二类型样本数据;所述对所述第一数据库中存储的数据、以及所述第二数据库中存储的数据进行处理,获取所述分类样本数据,包括:
对所述第一数据库中的数据进行筛选处理,获取第一类型样本数据;其中,所述第一类型样本数据,表示所述电子设备工作在第一类型的所述工作界面时获取的样本数据;所述第一类型样本数据,包括第一类型的作用力样本数据以及第一类型的电能样本数据;
对所述第二数据库中的数据进行筛选处理,获取第二类型样本数据;其中,所述第二类型样本数据,表示所述电子设备工作在第二类型的所述工作界面时获取的;所述第二类型样本数据,包括第二类型的作用力样本数据以及第二类型的电能样本数据。
在一些实施方式中,所述第二参数包括磁密参数;所述方法还包括:
所述磁密参数大于第一阈值,确定所述第二装置处于老化状态。
在一些实施方式中,所述方法还包括:
所述第二参数大于第二阈值,确定所述电子设备处于设备故障状态。
在一些实施方式中,所述获取所述第二装置输出的电能数据,包括:
采集所述第二装置指定时段内输出的多个电能数据;
对所述多个电能数据进行平滑处理,获取所述第二装置输出的所述电能数据。
本发明实施例提供了一种类型确定装置,所述类型确定装置应用于至少包括第一装置和第二装置的电子设备中;其中,所述第一装置,与所述电子设备工作时所处的工作界面接触,用于对所述工作界面进行处理和/或带动所述电子设备在所述工作界面上移动,所述第二装置用于通过传动装置驱动所述第一装置;所述类型确定装置包括:获取模块和处理模块;其中:
所述获取模块,用于获取所述第二装置输出的电能数据;
所述获取模块,还用于获取训练完成的分类模型;其中,所述训练完成的分类模型,通过第一参数以及第二参数表征所述作用力数据与所述第二装置输出的电能数据的关联关系;所述第一参数,表示与所述工作界面相关的参数;所述第二参数,包括与所述电子设备的性能参数;
所述处理模块,用于基于所述电能数据,得到阻碍所述第一装置运动的作用力数据;所述处理模块,还用于基于所述作用力数据以及所述分类模型,确定所述工作界面的类型。
本发明实施例提供了一种电子设备,所述电子设备包括处理器和存储器;其中,所述存储器,存储有计算机程序;所述处理器,用于执行所述存储器中存储的所述计算机程序,以实现如前任一所述的类型确定方法。
在一些实施方式中,所述电子设备为具备清洁功能的电器。
本发明实施例提供了一种计算机可读存储介质,本发明实施例提供了所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如前任一所述的类型确定方法。
由以上可知,本发明实施例提供的类型确定方法,应用于至少包括第一装置和第二装置的电子设备中,在获取用于通过传动装置驱动第一装置的第二装置输出的电能数据后,基于该电能数据,还可以得到阻碍电子设备中用于处理和/或带动电子设备在工作界面上移动的第一装置运动的作用力数据,然后获取训练完成的通过第一参数以及第二参数表征作用力数据、与第二装置输出的电能数据的关联关系的分类模型,然后基于作用力数据以及训练完成的分类模型,确定工作界面的类型。
如此,本发明实施例提供的类型确定方法,在确定工作界面类型时所采用的训练完成的分类模型中的第一参数,与工作界面相关,如此,确定的工作界面的类型与工作界面本身密切相关;另一方面,分类模型中的第二参数包括电子设备的性能参数,如此,确定的工作界面的类型结果中,也考虑了电子设备性能参数的影响;而训练完成的分类模型能够表征作用力数据与第二装置输出的电能数据的关联关系,也使得最终得到的工作界面的类型,充分包含了作用力数据与第二装置的输出能力之间的相互影响。
综上所述,本发明实施例提供的类型确定方法,在不依赖用户主观判断手动操作、且不需要额外设置传感器装置的情况下,在确定工作界面类型的过程中,还充分考虑了工作界面参数、电子设备性能参数的影响,从而使得确定的工作界面的类型更加精准可靠。
附图说明
图1为相关技术中吸尘器的部分结构示意图;
图2为本发明实施例提供的第一种类型确定方法的流程示意图;
图3为本发明实施例提供的阻碍第一装置运动的作用力数据获取原理图;
图4为本发明实施例提供的第二种类型确定方法的流程示意图;
图5为本发明实施例提供的分类模型训练结构图;
图6为与图5对应的分类模型的训练流程示意图;
图7为本发明实施例提供的类型确定装置的结构示意图;
图8为本发明实施例提供的电子设备的结构示意图。
具体实施方式
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。
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例涉及信息技术领域,尤其涉及一种类型确定方法、装置、电子设备以及计算机可读存储介质。
对于工作中能够移动的电子设备如吸尘器、汽车等而言,它们在实际工作中经常会面临多种工作界面的切换。而对于具备不同类型的工作界面而言,电子设备的输出功率需要根据工作界面的类型相应调整,因此,工作界面的类型确定就至关重要。
以吸尘器为例,相关技术中,通常需要用户在吸尘器工作过程中进行主观判断,并根据判断结果手动选择档位以调整吸尘器的工作状态;或者,在吸尘器中配置传感器来进行工作界面类型的识别,并根据识别结果调整吸尘器的输出功率。然而,用户手动切换档位的方式,依靠的是用户主观识别界面类型,而用户往往难以做出准确的判断,且操作繁琐;而在吸尘器中配置传感器的方式,也会增加硬件成本。
在相关技术中,还提供了一种基于吸尘器的输出电流来进行工作界面判断的方案,根据实时检测到的吸尘器的输出电流与电流阈值的大小关系,确定工作界面的类型,进而调整吸尘器的工作状态。然而,这种工作界面类型的确定方式,依靠电流这样的单一维度进行,忽略了电子设备自身的属性参数对输出电流的影响,因此,其准确率较低。
基于此,本发明实施例提供了一种类型确定方法,该类型确定方法应用于电子设备中。本发明实施例提供的类型确定方法,可以通过电子设备的处理器来实现。
上述处理器可以为特定用途集成电路(Application Specific IntegratedCircuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable LogicDevice,PLD)、现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。
在一种实施方式中,电子设备,可以是能够在工作界面上移动的设备,比如电动玩具,示例性地,电动玩具,可以是玩具汽车等。
在一种实施方式中,电子设备,可以是能够在工作界面上移动并对工作界面进行处理的设备,比如吸尘器、电熨斗等。
在本发明实施例中,电子设备至少包括第一装置和第二装置。
其中,第一装置,与电子设备工作时所处的工作界面接触,用于对工作界面进行处理和/或带动电子设备在工作界面上移动,第二装置用于通过传动装置驱动第一装置。
在一种实施方式中,电子设备工作时所处的工作界面,可以是水平方向的平面或与水平方向具有一定夹角的平面。
在一种实施方式中,电子设备工作时所处的工作界面,可以是不平坦的。示例性地,可以是具备一定弧度的界面。
在一种实施方式中,电子设备工作时所处的工作界面,可以是有多种类型的。示例性地,各种类型的工作界面的材质可以不同,相应地,各种类型的工作界面的摩擦系数可以不同。
在一种实施方式中,第一装置与工作界面接触,可以表示工作界面对第一装置进行承重。
在一种实施方式中,第一装置与工作界面接触,可以是第一装置吸附在工作界面上。
在一种实施方式中,第一装置对工作界面进行处理,可以表示第一装置对工作界面执行以下至少一种操作:清洁、加热、检测。相应的,第一装置可以是吸尘器的滚刷、电熨斗的加热板、或硬度检测装置。
在一种实施方式中,第一装置带动电子设备在工作界面上移动,可以是通过第一装置的滚动、滑动的至少之一来实现的。示例性地,第一装置可以是电动玩具的车轮、或者滑板。
在一种实施方式中,第一装置对工作界面进行处理和带动电子设备在工作界面上移动,可以是通过第一装置的滚动来实现的。示例性地,第一装置一方面可以通过滚动带动电子设备在工作界面上移动,另一方面通过滚动操作结合第一装置自身的重力对工作界面进行处理。
在一种实施方式中,传动装置,可以是连接第一装置与第二装置的履带。
在一种实施方式中,传动装置,可以是相互咬合的齿轮组合。
在一种实施方式中,第二装置,可以是电机装置。
在一种实施方式中,第一装置和第二装置的个数,可以分别有多个。
示例性地,图1所示为相关技术中吸尘器的部分结构示意图。在图1中,吸尘器1包括前滚刷结构101、前滚刷电机102、前滚刷传动装置103、后滚刷结构104以及支撑滚轮结构105。
示例性地,前滚刷结构101,可以对应于本发明实施例中的第一装置,用于对工作界面如地板或地毯等进行清洁;前滚刷电机102,可以对应于本发明实施例中的第二装置,用于通过前滚刷传动装置103驱动第一装置即前滚刷结构101;后滚刷结构104用于在后滚刷电机(图中未示出)的驱动作用下与前滚刷结构101配合实现对地板或地毯等的清洁;支撑滚轮结构105,可以用于支撑吸尘器1自身的重力,并协助吸尘器1的前进或后退。
图2所示为本发明实施例提供的第一种类型确定方法的流程示意图。该方法可以包括以下步骤:
步骤201、获取第二装置输出的电能数据。
在一种实施方式中,第二装置输出的电能数据,至少包括第二装置输出的最大输出电压、最大输出电流、最大输出功率、额定输出电压、额定输出电流、额定输出功率等至少之一。
在一种实施方式中,第二装置输出的电能数据,还可以包括第二装置输出的实时电流、实时电压、实时功率等至少之一。
在一种实施方式中,第二装置输出的电能数据,可以是由电子设备的处理器实时采集的。
在一种实施方式中,还可以对第二装置输出的至少一个电能数据放大处理。示例性地,上述放大处理,可以是通过将至少一个电能数据输入至放大器来实现的。
在一种实施方式中,还可以对第二装置输出的第一类型的电能数据进行处理,得到第二类型的电能数据。比如,对第二装置输出的电流数据与第二装置对应的等效电阻进行乘法处理,得到第二装置输出的电压数据。
步骤202、基于电能数据,得到阻碍第一装置运动的作用力数据。
在一种实施方式中,阻碍第一装置运动的作用力,可以表示阻碍第一装置滑动或滚动的阻力。
在一种实施方式中,阻碍第一装置运动的作用力数据,可以与第二装置通过传动装置传送给第一装置的动力数据不同。在一种实施方式中,阻碍第一装置运动的作用力数据,可以通过对第一装置所处工作状态下对应的运动速度计算得到。
在一种实施方式中,阻碍第一装置运动的作用力数据,可以通过对第二装置工作状态中输出的电能数据计算得到。
示例性地,图3为本发明实施例提供的阻碍第一装置运动的作用力数据获取原理图。
在图3中,前滚刷结构101在前滚刷电机102的驱动下沿着工作界面301如地面滚动。其中,Ra表示前滚刷结构101的半径,RL表示前滚刷电机102的齿轮半径,Ta表示前滚刷结构101的扭矩,TL表示前滚刷电机102的输出扭矩,u为滚刷与地面之间的摩擦系数,Fa为前滚刷结构101对地面的摩擦力,Fg为工作界面301即地面对前滚刷结构101的摩擦力,F为第一装置101施加至工作界面301即地面的压力。式(1)给出了获取阻碍前滚刷结构101的作用力的计算方法。
Fa=Fg=Ta*Ra=TL*RL (1)
也就是说,在前滚刷电机102通过传动装置驱动前滚刷结构101的过程中,阻碍前滚刷结构101运动的作用力数据,可以通过前滚刷电机102输出的扭矩与前滚刷电机102的齿轮半径得到,也可以通过前滚刷结构101半径以及前滚刷结构101的扭矩得到。
示例性地,在第二装置为上文所述的前滚刷结构的情况下,阻碍第一装置运动的作用力数据,可以根据第二装置输出的电能数据计算得到前滚刷电机102的输出扭矩TL,再结合前滚刷电机102的齿轮半径RL,进行乘法计算得到。
步骤203、获取训练完成的分类模型。
其中,训练完成的分类模型,用于通过第一参数以及第二参数、表征作用力数据与电能数据的关联关系;第一参数,表示与工作界面相关的参数;第二参数,包括电子设备的性能参数。
在一种实施方式中,第一参数,可以用于表示工作界面是具备一定的坡度、弧度还是处于一个平面上。
在一种实施方式中,第一参数,可以用于表示工作界面的温度范围。
在一种实施方式中,第一参数,可以用于表示工作界面的材料成分。比如,工作界面是大理石组成,还是由混凝土组成。
在一种实施方式中,第一参数,可以用于表示工作界面中某种物质的含量程度,示例性地,某种物质的含量程度,可以用于表示工作界面中的材质是否是相互间隔的,还是互相紧密相连的;某种物质的含量程度,还可以用于表示工作界面中是否包含某种物质,比如是否包含某种液体例如水分或油分。
在一种实施方式中,第一参数,可以用于表示工作界面的清洁程度,示例性地,工作界面可以是清洁度较高的地面。
在一种实施方式中,第一参数,可以用于表示工作界面的粗糙程度。示例性地,第一参数,可以用于表示工作界面的摩擦系数。
在一种实施方式中,第一参数,可以表示工作界面的类型,比如,在工作界面为地面的条件下,当前地面是地板类型还是地毯类型。
在一种实施方式中,第二参数,可以包括电子设备中驱动装置如第二装置的电能输出性能参数。示例性地,电能输出性能参数,可以用于表示第二装置能够输出的以下至少之一:最大输出电压、最大输出电流、最大输出功率、额定输出电压、额定输出电流、额定输出功率。其中,第二参数,可以包括电子设备中每一驱动装置的以上性能参数的集合。
在一种实施方式中,第二参数,可以包括电子设备中传动装置的传动效率,示例性地,传动效率,可以表示功率的传动效率。
在一种实施方式中,第二参数,可以包括电子设备中至少一种装置是否老化。
在一种实施方式中,第二参数,可以包括电子设备本次工作状态的持续时间。在实际应用中,电子设备工作时间的延长,会出现温度升高、噪音增大等情况,而这些情况又会反过来影响电子设备的工作状态。
在一种实施方式中,第一参数和第二参数,可以表示两个实数。
在一种实施方式中,第一参数和第二参数,可以分别表示两个矩阵。
在一种实施方式中,作用力数据与第二装置输出的电能数据的关联关系,可以包括第二装置输出的电能数据对作用力数据的影响。
在一种实施方式中,作用力数据与第二装置输出的电能数据的关联关系,可以包括第二装置输出的电能数据对作用力数据的改变的条件。
在一种实施方式中,作用力数据与第二装置输出的电能数据的关联关系,可以表示第二装置输出的电能数据对作用力数据的线性或非线性影响。
在一种实施方式中,作用力数据与第二装置输出的电能数据的关联关系,可以表示第二装置输出的电能数据对作用力数据的影响,在什么情况下是线性的、在什么条件下是非线性的。
在一种实施方式中,训练完成的分类模型,可以基于电子设备当前的工作状态,对电子设备当前所处的工作界面进行分类。
在一种实施方式中,训练完成的分类模型,可以基于电子设备当前的工作状态以及电子设备的性能参数,确定电子设备当前所处的工作界面的类型。
在一种实施方式中,训练完成的分类模型,可以用于确定多种工作界面的类型。
在一种实施方式中,训练完成的分类模型,可以用于确定某一种特定的工作界面的类型,比如,吸尘器当前所处的工作界面是否为地毯。
在一种实施方式中,训练完成的分类模型,可以是训练完成的神经网络。
在一种实施方式中,训练完成的分类模型,可以是训练完成的线性分类模型。
步骤204、基于作用力数据以及训练完成的分类模型,确定工作界面的类型。
在一种实施方式中,工作界面的类型,可以是将作用力数据输入至训练完成的分类模型,根据分类模型的输出与预设阈值的大小关系来确定的。
在一种实施方式中,工作界面的类型,可以是将作用力数据输入至训练完成的分类模型,根据分类模型的输出与预设范围的匹配关系来确定的。
由以上可知,本发明实施例提供的类型确定方法,应用于至少包括第一装置和第二装置的电子设备中时,在获取用于通过传动装置驱动第一装置的第二装置输出的电能数据后,基于该电能数据,还可以得到阻碍电子设备中用于处理和/或带动电子设备在工作界面上移动的第一装置运动的作用力数据,然后获取训练完成的通过第一参数以及第二参数表征作用力数据、与第二装置输出的电能数据的关联关系的分类模型,然后基于作用力数据以及训练完成的分类模型,确定工作界面的类型。
如此,本发明实施例提供的类型确定方法,在确定工作界面类型时所采用的训练完成的分类模型中的第一参数,与工作界面相关,如此,确定的工作界面的类型与工作界面本身密切相关;另一方面,分类模型中的第二参数包括电子设备的性能参数,如此,确定的工作界面的类型结果中,也考虑了电子设备性能参数的影响;而训练完成的分类模型能够表征作用力数据与第二装置输出的电能数据的关联关系,因此,最终得到的工作界面的类型,也充分考虑了作用力数据与第二装置的输出能力之间的相互影响。
综上所述,本发明实施例提供的类型确定方法,在不依赖用户主观判断手动操作、且不需要额外设置传感器装置的情况下,在确定工作界面类型的过程中,还充分考虑了工作界面参数、电子设备性能参数的影响,从而使得确定的工作界面的类型更加精准可靠。
基于前述实施例,本发明实施例提供了一种类型确定方法。图4所示为本发明实施例提供的第二种类型确定方法的流程示意图。该方法可以包括以下步骤:
步骤401、获取第二装置输出的电能数据。
示例性地,步骤401,可以是通过步骤A1-步骤A2来实现的:
步骤A1、采集第二装置指定时段内输出的多个电能数据。
在一种实施方式中,指定时段,可以是在电子设备的存储中间中预先设定的时间长度,示例性地,该时间长度可以为100ms或200ms。
在一种实施方式中,指定时段,可以是随电子设备的工作模式的切换而改变的。
步骤A2、对多个电能数据进行平滑处理,获取第二装置输出的电能数据。
在一种实施方式中,第二装置输出的电能数据,可以是对指定时段内采样得到的每一电能数据进行平滑而得到的。
在一种实施方式中,第二装置输出的电能数据,可以是在电子设备在工作状态稳定的情况下,对指定时段采集到的多个电能数据进行统计平均而得到的。示例性地,第二装置输出的电能数据,可以是对200ms中采集到的多个电能数据进行统计平均得到的。
在一种实施方式中,第二装置输出的电能数据的种类,可以为多个,比如,第二装置输出的电能数据,可以包括实时电流、实时电压等。
在一种实施方式中,第二装置输出的电能数据的个数,可以为多个。比如第一电流、第二电流以及第一电压和第二电压;其中,第一电流、第一电压可以与电子设备工作的第一时刻对应;第二电流、第二电压,可以与电子设备工作的第二时刻对应。
步骤402、获取阻碍第一装置运动的作用力数据。
步骤403、获取未训练完成的分类模型。
其中,未训练完成的分类模型的参数,包括未调整完成的第一参数以及未调整完成的第二参数。
在一种实施方式中,获取未训练完成的分类模型,可以表示确定分类模型的初始结构。示例性地,分类模型的初始结构,可以是未经训练的神经网络;也可以是未经训练的线性模型。
在一种实施方式中,未调整完成的第一参数以及未调整完成的第二参数,可以表示两个初始化的实数,或者两个具备初始向量值的矩阵。
在一种实施方式中,在分类模型为线性模型的情况下,分类模型可以用式(2)来表示:
步骤404、第二装置处于正常工作状态,获取分类样本数据。
其中,分类样本数据,包括作用力样本数据以及电能样本数据;作用力样本数据,包括阻碍第一装置运动的作用力数据;电能样本数据,包括第二装置输出的电能数据。
在一种实施方式中,分类样本数据中的作用力数据以及电能样本数据,可以是存储在电子设备中的数据。
在一种实施方式中,分类样本数据中的作用力数据以及电能样本数据,可以是在电子设备的工作中实时采集到的。
在一种实施方式中,分类样本数据中的作用力数据以及电能样本数据,可以是一部分存储在电子设备的存储空间中,一部分在电子设备的工作中实时采集、并不断存储到电子设备的存储空间中,以丰富和扩大样本数据的数量和类型。
示例性地,步骤404可以通过步骤B1-步骤B2来实现:
步骤B1、实时获取作用力数据以及电能数据;
在一种实施方式中,实时获取作用力数据以及电能数据,可以是在电子设备切换至工作状态时立即执行的操作。
在一种实施方式中,实时获取作用力数据以及电能数据,可以是在电子设备进入稳定运行状态之后,按照预设的时间间隔或采样频率采集得到的。
在一种实施方式中,实时获取作用力数据以及电能数据,可以是在检测到电子设备的工作状态发生改变的情况下执行的操作,比如,电子设备从第一类型的工作界面切换至第二类型的工作界面时,第二装置输出的电能参数中的任一电能参数发生改变,即开始获取作用力数据以及电能数据。
步骤B2、基于电能数据的变化趋势,对作用力数据和电能数据进行处理,获取分类样本数据。
在一种实施方式中,电能数据的变化趋势,可以是在给定时间段内对电能数据进行多次统计得到的。
在一种实施方式中,电能数据的变化趋势,可以是根据第K次采集到的电能数据大小、以及第K-1次采集到的电能数据大小进行统计得到的。其中,K为大于1的整数。
在一种实施方式中,电能数据的变化趋势,可以是根据一段时间内采集到的多个电能数据在几何坐标系中的变化轨迹,示例性地,变化趋势可以包括以下至少之一:线性变化趋势、非线性变化趋势。
在一种实施方式中,电能数据的变化趋势,可以表示本次电能数据相对于上一次电能数据是递增的趋势还是递减的趋势。
示例性地,步骤B2可以通过步骤C1-步骤C2来实现:
步骤C1、变化趋势与指定变化趋势匹配,将作用力数据以及电能数据存储至第一数据库;变化趋势与指定变化趋势不匹配,将作用力数据以及电能数据存储至第二数据库。
在一种实施方式中,指定变化趋势,可以表示以下至少之一:线性变化趋势、非线性变化趋势。
在一种实施方式中,指定变化趋势,可以表示以下至少之一:递增变化趋势、递减变化趋势。
在一种实施方式中,变化趋势与指定变化趋势匹配,可以表示变化趋势与递增变化趋势匹配,此时可以将作用力数据以及电能数据存储至第一数据库;相应地,变化趋势与递增变化趋势不匹配,比如,变化趋势与递减变化趋势匹配,则可以将作用力数据以及电能数据存储至第二数据库。
如此,在电子设备工作过程中,根据电能数据的变化趋势对样本数据进行分别的存储,相当于对样本数据进行了初步的分类,为后续对未训练完成的分类模型的训练奠定基础。
步骤C2、对第一数据库中存储的数据、以及第二数据库中存储的数据进行处理,获取分类样本数据。
在一种实施方式中,对第一数据库中存储的数据、以及第二数据库中存储的数据进行处理,获取分类样本数据,可以是将第一数据库中存储的数据以及第二数据库中存储的数据,按照各个样本数据的采集时间对样本数据进行排序。
在一种实施方式中,在一种实施方式中,对第一数据库中存储的数据、以及第二数据库中存储的数据进行处理,获取分类样本数据,可以是将第一数据库中存储的数据以及第二数据库中存储的数据,按照各个样本数据的采集时电子设备开启工作模式的次数对样本数据进行排序。
示例性地,分类样本数据,至少包括第一类型样本数据和第二类型样本数据;相应地,步骤C2还可以通过步骤D1-步骤D2来实现:
步骤D1、对第一数据库中的数据进行筛选处理,获取第一类型样本数据。
其中,第一类型样本数据,表示电子设备工作在第一类型的工作界面时获取的样本数据;第一类型样本数据,包括第一类型的作用力样本数据以及第一类型的电能样本数据。
在一种实施方式中,对第一数据库中的数据进行筛选处理,可以表示对第一数据库中的特殊数据进行筛选处理。其中,特殊数据,可以表示第一数据库中存储数据中以下至少之一:极大值、极小值。
在一种实施方式中,对第一数据库中的数据进行筛选处理,可以表示对筛选掉第一数据中的特殊数据,并对剩下的样本数据进行处理。
在一种实施方式中,对第一数据库中的数据进行筛选处理,可以表示按照电子设备开启工作模式的次数对样本数据进行排序,并剔除排序结果中的特殊数据,按照预设时间长度,对剩余的样本数据进行平滑处理。示例性地,平滑处理,可以表示对剩余样本数据取平均值的计算处理。
步骤D2、对第二数据库中的数据进行筛选处理,获取第二类型样本数据。
其中,第二类型样本数据,表示电子设备工作在第二类型的工作界面;第二类型样本数据,包括第二类型的作用力样本数据以及第二类型的电能样本数据。
在本发明实施例中,对第二数据库中的数据进行筛选处理的过程,与对第一数据库中的数据进行筛选处理的过程相同,此处不再赘述。
在一种实施方式中,第一类型的工作界面与第二类型的工作界面,可以是按照工作界面是否与水平方向具备一定的夹角来确定的。示例性地,第一类型的工作界面可以为水平方向的界面,而第二类型的工作界面,可以是有一定倾斜度的工作界面。
在一种实施方式中,第一类型的工作界面与第二类型的工作界面,可以是按照工作界面是否光滑来确定的。示例性地,第一类型的工作界面可以为较为光滑的界面,而第二类型的工作界面,可以是不太光滑的界面。
在一种实施方式中,第一类型的工作界面与第二类型的工作界面,可以是按照工作界面的温度来确定的。示例性地,第一类型的工作界面可以为高温界面,而第二类型的工作界面,可以是低温界面。
在一种实施方式中,第一类型的工作界面与第二类型的工作界面,可以是按照工作界面的材质来确定的。示例性地,第一类型的工作界面可以为由硬度较硬材质构成的界面,比如地砖界面,而第二类型的工作界面,可以是由柔软材质组成的界面,比如地毯界面。示例性地,第一类型的工作界面,可以是耐高温的材质构成的界面,比如棉质,而第二类型的工作界面,可以是不耐高温的材质构成的界面,比如羊毛等。
步骤405、基于分类样本数据,对未调整完成的第一参数、以及未调整完成的第二参数进行调整,直至未训练完成的分类模型的输出满足指定条件,得到训练完成的分类模型。
在一种实施方式中,基于分类样本数据,对未调整完成的第一参数、以及未调整完成的第二参数进行调整,直至未训练完成的分类模型的输出满足指定条件,得到训练完成的分类模型,可以是通过以下方式实现的:
将分类样本数据中的每一样本数据依次输入至未调整完成的分类模型中,得到输出结果,并根据输出结果与预期结果进行比较,根据比较结果对未调整完成的第一参数、以及未调整完成的第二参数进行调整,直至某一样本数据输入至未调整完成的分类模型中得到的输出结果,与预期结果一致,即可停止训练,从而得到训练完成的分类模型。
示例性地,基于分类样本数据,对未调整完成的第一参数、以及未调整完成的第二参数进行调整,可以是通过步骤E1-步骤E3来实现的:
步骤E1、从分类样本数据中获取作用力样本数据以及电能样本数据。
示例性地,从分类样本数据中获取作用力样本数据以及电能样本数据,可以是从第一数据库中获取第一类型的作用力样本数据以及第一类型的电能样本数据。
在一种实施方式中,从分类样本数据中获取作用力样本数据以及电能样本数据,可以是从第二数据库中获取第二类型的作用力样本数据以及第二类型的电能样本数据。
在一种实施方式中,从分类样本数据中获取作用力样本数据以及电能样本数据,可以是既从第一数据库中获取第一类型的作用力样本数据以及第一类型的电能样本数据,又从第二数据库中获取第二类型的作用力样本数据以及第二类型的电能样本数据。
步骤E2、将作用力样本数据输入至分类模型,得到电能输出数据。
在一种实施方式中,可以是将第一类型的作用力样本数据输入至分类模型中,得到与第一类型的作用力样本数据对应的电能输出数据。
在一种实施方式中,可以是将第二类型的作用力样本数据输入至分类模型中,得到与第二类型的作用力样本数据对应的电能输出数据。
在一种实施方式中,可以是既将第一类型的作用力样本数据输入至分类模型中,得到与第一类型的作用力样本数据对应的电能输出数据,又将第二类型的作用力样本数据输入至分类模型中,得到与第二类型的作用力样本数据对应的电能输出数据。
在一种实施方式中,电能输出数据中,可以包含不止一个输出数据。示例性地,电能输出数据中,可以包含多个与第一类型的作用力样本数据对应的电能输出数据;可以包含多个与第二类型的作用力样本数据对应的电能数据;还可以既包含与第一类型的作用力样本数据对应的电能输出数据,又包含多个与第二类型的作用力样本数据对应的电能数据。
步骤E3、基于电能输出数据以及电能样本数据的大小关系,调整未调整完成的第一参数以及未调整完成的第二参数。
示例性地,在电能输出数据与第一类型的作用力样本数据对应的条件下,电能样本数据可以是第一类型的电能样本数据。
在一种实施方式中,在电能输出数据与第二类型的作用力样本数据对应的条件下,电能样本数据可以是第二类型的电能样本数据。
在一种实施方式中,基于电能输出数据以及电能样本数据的大小关系,调整未调整完成的第一参数以及未调整完成的第二参数,可以是基于电能输出数据与电能样本数据之差,对未调整完成的第一参数以及未调整完成的第二参数进行调整。
在一种实施方式中,基于电能输出数据以及电能样本数据的大小关系,调整未调整完成的第一参数以及未调整完成的第二参数,可以是基于电能输出数据与电能样本数据的均方差,对未调整完成的第一参数以及未调整完成的第二参数进行调整。
示例性地,未训练完成的分类模型的输出满足指定条件,得到训练完成的分类模型,可以是通过步骤F1-步骤F2来实现的:
步骤F1、获取指定时段内的第一变化信息和第二变化信息。
其中,第一变化信息,表示指定时段内未调整完成的第一参数的变化信息;第二变化信息,表示指定时段内未调整完成的第二参数的变化信息。
在一种实施方式中,指定时段,可以表示与对第一参数调整次数对应的时间段。示例性地,指定时段,可以表示包括5次对第一参数的调整操作的时间段。
在一种实施方式中,指定时段,可以表示与第一参数调整的一定次数范围的对应的时间段。示例性地,指定时段,可以表示包括对第一参数进行过[5,8]次调整操作的时间段。
在一种实施方式中,指定时段,可以是根据对第一参数的调整操作而灵活调整的时间段。
在一种实施方式中,第一变化信息,可以表示指定时段内的第一参数满足线性变化趋势,或非线性变化趋势。
在一种实施方式中,第一变化信息,可以表示指定时段内的第一参数满足递增变化趋势,或递减变化趋势。
在本发明实施例中,第一变化信息的获取方式,可以是与电能数据的变化趋势相同的方式获取,此处不再赘述。
在本发明实施例中,第二变化信息及其获取方式,可以与第一变化信息及其获取方式相同,此处不再赘述。
步骤F2、第一变化信息以及第二变化信息均位于指定阈值区间,确定未训练完成的分类模型的输出满足指定条件。
在一种实施方式中,指定阈值区间,可以表示固定的阈值区间。
在一种实施方式中,指定阈值区间,可以表示未调整完成第一参数和未调整完成的第二参数的数值变化区间。
在一种实施方式中,指定阈值区间,可以表示第一变化信息以及第二变化信息的变化率区间。示例性地,变化率区间可以表示斜率区间。
在一种实施方式中,第一变化信息以及第二变化信息均位于指定阈值区间,可以表示未调整完成的第一参数以及未调整完成的第二参数的变化较为平缓,也就是说,未调整完成的第一参数以及未调整完成的第二参数,在未训练完成的分类模型对样本数据的处理过程中的变化趋于平缓,即不太容易受到样本数据的影响,此时分类模型的训练可以结束。
示例性地,图5为本发明实施例提供的分类模型训练结构图。
在图5中,以电子设备为图1中的吸尘器1,前滚刷系统由图1中吸尘器1的前滚刷结构101、前滚刷电机102以及传动装置103组成,r为与式(2)对应的阻碍第一装置即前滚刷结构101的作用力样本数据,学习规则,为前述实施例中说明的指定条件;ym为将r以及学习规则的输出输入至分类模型之后得到的电能输出数据,y为吸尘器1的前滚刷系统中的前滚刷电机102输出的电能样本数据,e为电能输出数据与电能样本数据之间的差值。
在图5中,阻碍前滚刷结构101的作用力样本数据分别输入至前滚刷系统以及分类模型中,分类模型的输出ym与前滚刷系统的输出y之间进行做差计算,并根据计算结果结合学习规则,对分类模型的第一参数和第二参数进行调整。
示例性地,图6为与图5对应的本发明实施例提供的分类模型的训练流程示意图。
吸尘器1处于正常工作状态,开始训练分类模型。首先,获取T0时刻的参数组r0和y0,其中,r0和y0分别表示与T0时刻对应的阻碍前滚刷结构101的作用力数据以及前滚刷电机102输出的电能数据;然后,判断前滚刷电机102是否转速稳定,若否,则继续等待前滚刷电机102切换至转速稳定;若是,则继续读取T1时刻的参数组r1和y1,其中,r1和y1分别表示与T1时刻对应的阻碍前滚刷结构101的作用力数据以及前滚刷电机102输出的电能数据;得到以上两组数据之后,判断y的变化趋势是否满足地毯规则,示例性地,可以是通过判断y1以及y0的变化趋势来实现的;若满足地毯规则,则可以将参数组r1和y1更新至地毯数据库;若不满足地毯规则,则可以将参数组r1和y1更新至地板数据库。其中,地毯规则,可以表示y1与y0之间为递增的规则。
如此,循环执行多次上述操作,地毯数据库中的数据以及地板数据库中的数据就可以构成训练分类模型的样本数据。
然后获取参数组rn、yn,并输入至分类模型;判断学习规则是否满足指定条件,若是,则结束训练;若否,则根据分类模型输出的电能输出数据和yn计算得到的e调整未调整结束的第一参数以及未调整结束的第二参数,并继续从上述两个数据库中获取样本数据,执行下一次的调整训练过程。
示例性地,在本发明实施例提供的分类模型的训练过程中,采用的是自学习的训练机制。
步骤406、基于作用力数据以及训练完成的分类模型,确定工作界面的类型。
在一种实施方式中,第一参数可以包括磁密参数。
示例性地,若磁密参数大于第一阈值,确定第二装置处于老化状态。
在一种实施方式中,第一阈值,可以是根据电子设备的生命周期而设置的。
在一种实施方式中,第一阈值,可以是根据第二装置的属性参数而设置的。
在一种实施方式中,第一阈值,可以是根据第二装置的使用环境以及使用频率而调整的。示例性地,电子设备被频繁使用时,第一阈值会有所降低。
在一种实施方式中,可以根据第一参数来确定电子设备的生命周期阶段。示例性地,在电子设备生产过程中,对电子设备使用过程中的由于各个装置的损耗而产生的性能参数进行标定,由此,可以通过第一参数中的各个数据与标定的性能参数的匹配结果,来确定电子设备当前所处的生命周期阶段。
在一种实施方式中,第二装置处于老化状态,可以表示需要更换第二装置。
在一种实施方式中,第二装置处于老化状态,可以表示需要对第二装置进行维修保养。
在一种实施方式中,确定第二装置处于老化状态之后,还可以在电子设备工作过程中给出提示信息,以提示用户注意第二装置已经进入老化状态。示例性地,提示信息可以是以一定频率闪烁的灯光、或输出语音、文本信息。
在一种实施方式中,若第二参数大于第二阈值,确定电子设备处于设备故障状态。
在一种实施方式中,第二阈值,可以是根据电子设备的属性参数设置的。
在一种实施方式中,第二阈值,可以是根据电子设备的使用状况以及电子设备的属性参数设置的。
在一种实施方式中,第二阈值,可以表示电子设备的最大输出电能数据。
在一种实施方式中,电子设备处于设备故障状态,可以表示电子设备的至少一个装置处于超负荷状态的时间超过了预设的时间阈值。
在一种实施方式中,电子设备处于设备故障状态,可以表示电子设备的至少一个第一装置处于故障状态,比如无法对工作界面进行处理,或无法带动电子设备在工作界面上移动,或既无法对工作界面进行处理,又无法带动电子设备在工作界面上移动。
在一种实施方式中,在第一装置为吸尘器中的前滚刷结构的条件下,第一装置处于故障状态,可以表示前滚刷结构无法滚动,示例性地,前滚刷结构无法滚动可以表示前滚刷结构被毛发缠绕。
示例性地,对于吸尘器而言,由于通常具备前滚刷结构和后滚刷结构,因此,在识别得到工作界面类型之后,不仅可以调整前滚刷结构的工作状态,还可以调整后滚刷结构的工作状态,以改善吸尘器的吸尘效果。
示例性地,也可以针对后滚刷系统建立分类模型,并根据阻碍后滚刷运动的作用力数据以及后滚刷电机输出的电能数据,对后滚刷系统对应的分类模型进行训练。
示例性地,本发明实施例中提供的分类模型的训练过程,也可以通过在吸尘器的前滚刷电机中设置传感器信号,并将传感器信号采集得到的数据比如电机转速等加入分类模型的训练过程。
由以上可知,本发明实施例提供的类型确定方法,在第二装置处于正常工作状态时,获取分类样本数据,并基于分类样本数据对分类模型进行训练,从而得到携带有能够表示与工作界面相关的第一参数、以及包括电子设备本身性能参数的第二参数,还能够通过第一参数和第二参数反映出作用力数据与电能数据之间关联关系,然后基于作用力数据以及训练完成的分类模型确定工作界面的类型。
因此,本发明实施例提供的类型确定方法,通过电子设备正常工作时得到的样本数据对分类模型进行训练,从而使得训练完成的分类模型能够更加准确的匹配与电子设备的工作界面类型匹配;而分类模型中的第一参数与工作界面相关,如此,确定的工作界面的类型与工作界面本身密切相关;并且,分类模型中的第二参数包括电子设备的性能参数,如此,确定的工作界面的类型结果中,也考虑了电子设备性能参数的影响;并且,训练完成的分类模型能够表征作用力数据与第二装置输出的电能数据的关联关系,因此,最终得到的工作界面的类型,也充分考虑了作用力数据与第二装置的输出能力之间的相互影响。
综上所述,本发明实施例提供的类型确定方法,在不依赖用户主观判断手动操作、且不需要额外设置传感器装置的情况下,在确定工作界面类型的过程中,还充分考虑了工作界面参数、电子设备性能参数的影响,从而使得确定的工作界面的类型更加精准可靠。
基于前述实施例,本发明提供了一种类型确定装置,图7所示为本发明实施例提供的类型确定装置7的结构示意图。
如图7所示,类型确定装置7应用于至少包括第一装置和第二装置的电子设备中;其中,第一装置,与电子设备工作时所处的工作界面接触,用于对工作界面进行处理和/或带动电子设备在工作界面上移动,第二装置用于通过传动装置驱动第一装置;该类型确定装置包括:获取模块701和处理模块702;其中:
获取模块701,用于获取第二装置输出的电能数据;
获取模块701,还用于获取训练完成的分类模型;其中,训练完成的分类模型,通过第一参数以及第二参数表征作用力数据与电能数据的关联关系;第一参数,表示与工作界面相关的参数;第二参数,包括与电子设备的性能参数;
处理模块702,用于基于电能数据,得到阻碍第一装置运动的作用力数据;处理模块,还用于基于作用力数据以及分类模型,确定工作界面的类型。
在一些实施方式中,获取模块701,用于获取未训练完成的分类模型;其中,未训练完成的分类模型的参数,包括未调整完成的第一参数以及未调整完成的第二参数;
获取模块701,用于第二装置处于正常工作状态,获取分类样本数据;其中,分类样本数据,包括作用力样本数据以及电能样本数据;作用力样本数据,包括阻碍第一装置运动的作用力数据;电能样本数据,包括第二装置输出的电能数据;
处理模块702,用于基于分类样本数据,对未调整完成的第一参数、以及未调整完成的第二参数进行调整,直至未训练完成的分类模型的输出满足指定条件,得到训练完成的分类模型。
在一些实施方式中,获取模块701,用于从分类样本数据中获取作用力样本数据以及电能样本数据;
处理模块702,用于将作用力样本数据输入至分类模型,得到电能输出数据;基于电能输出数据以及电能样本数据的大小关系,调整未调整完成的第一参数以及未调整完成的第二参数。
在一些实施方式中,获取模块701,用于获取指定时段内的第一变化信息和第二变化信息;其中,第一变化信息,表示指定时段内未调整完成的第一参数的变化信息;第二变化信息,表示指定时段内未调整完成的第二参数的变化信息;
处理模块702,用于第一变化信息以及第二变化信息均位于指定阈值区间,确定未训练完成的分类模型的输出满足指定条件。
在一些实施方式中,获取模块701,用于实时获取作用力数据以及电能数据;
处理模块702,用于基于电能数据的变化趋势,对作用力数据和电能数据进行处理,获取分类样本数据。
在一些实施方式中,处理模块702,用于若变化趋势与指定变化趋势匹配,将作用力数据以及电能数据存储至第一数据库;变化趋势与指定变化趋势不匹配,将作用力数据以及电能数据存储至第二数据库;对第一数据库中存储的数据、以及第二数据库中存储的数据进行处理,获取分类样本数据。
在一些实施方式中,分类样本数据,至少包括第一类型样本数据和第二类型样本数据;
处理模块702,用于对第一数据库中的数据进行筛选处理,获取第一类型样本数据;其中,第一类型样本数据,表示电子设备工作在第一类型的工作界面时获取的样本数据;第一类型样本数据,包括第一类型的作用力样本数据以及第一类型的电能样本数据;
处理模块702,用于对第二数据库中的数据进行筛选处理,获取第二类型样本数据;其中,第二类型样本数据,表示电子设备工作在第二类型的工作界面时获取的;第二类型样本数据,包括第二类型的作用力样本数据以及第二类型的电能样本数据。
在一些实施方式中,第二参数包括磁密参数;方法还包括:
处理模块702,用于判断若磁密参数大于第一阈值,确定第二装置处于老化状态。
在一些实施方式中,处理模块702,用于若第二参数大于第二阈值,确定电子设备处于设备故障状态。
在一些实施方式中,获取模块701,用于在第二装置处于稳定工作状态的情况下,采集第二装置在指定时段内输出的多个电能数据;
处理模块702,用于对多个电能数据进行平滑处理,获取第二装置输出的电能数据。
示例性地,获取模块701和处理模块702可以通过电子设备的处理器来实现,具体的,上述处理器可以为特定用途集成电路ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地,用于实现上述处理器功能的电子器件还可以为其它,本发明实施例不作具体限定。
由以上可知,本发明实施例提供的类型确定装置7,应用于至少包括第一装置和第二装置的电子设备中时,在获取用于通过传动装置驱动第一装置的第二装置输出的电能数据后,基于该电能数据,还可以得到阻碍电子设备中用于处理和/或带动电子设备在工作界面上移动的第一装置运动的作用力数据,再获取训练完成的通过第一参数以及第二参数表征作用力数据、与第二装置输出的电能数据的关联关系的分类模型,然后基于作用力数据以及训练完成的分类模型,确定工作界面的类型。
如此,本发明实施例提供的类型确定装置7,在确定工作界面类型时所采用的训练完成的分类模型中的第一参数,与工作界面相关,如此,确定的工作界面的类型与工作界面本身密切相关;并且,分类模型中的第二参数包括电子设备的性能参数,如此,确定的工作界面的类型结果中,也考虑了电子设备性能参数的影响;并且,训练完成的分类模型能够表征作用力数据与第二装置输出的电能数据的关联关系,因此,最终得到的工作界面的类型,也充分考虑了作用力数据与第二装置的输出能力之间的相互影响。
综上所述,本发明实施例提供的类型确定装置7,在不依赖用户主观判断手动操作、且不需要额外设置传感器装置的情况下,在确定工作界面类型的过程中,还充分考虑了工作界面参数、电子设备性能参数的影响,从而使得确定的工作界面的类型更加精准可靠。
基于前述实施例,本发明实施例提供了一种电子设备。图8所示为本发明实施例提供的电子设备8的结构示意图。在图8中,电子设备8包括处理器801和存储器802;其中,存储器802,存储有计算机程序;处理器801,用于执行存储器802中存储的计算机程序,以实现如前任一实施例所述的类型确定方法。
在一些实施例中,电子设备8,可以是具备清洁功能的电器,示例性地,可以是吸尘器、扫地机器人、拖地机器人等。
基于前述实施例,本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质中存储有一个或多个程序,该一个或多个程序可被一个或多个处理器执行,以实现以上任一实施例所述的类型确定方法。
在一些实施例中,本发明实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本发明所提供的各方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本发明所提供的各产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本发明所提供的各方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
需要说明的是,上述计算机可读存储介质可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种电子设备,如移动电话、计算机、平板设备、个人数字助理等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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。
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上述实施例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,空调器,或者网络设备等)执行本发明各个实施例所描述的方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上,使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (14)
1.一种类型确定方法,其特征在于,所述方法应用于至少包括第一装置和第二装置的电子设备中;所述第一装置,与所述电子设备工作时所处的工作界面接触,用于对所述工作界面进行处理和/或带动所述电子设备在所述工作界面上移动,所述第二装置用于通过传动装置驱动所述第一装置;所述方法包括:
获取所述第二装置输出的电能数据,所述电能数据,包括电流、电压、功率的实时值;
基于所述电能数据,得到阻碍所述第一装置运动的作用力数据;
获取训练完成的分类模型;其中,所述训练完成的分类模型,用于通过第一参数以及第二参数、表征所述作用力数据与所述电能数据的关联关系;所述第一参数,表示与所述工作界面相关的参数;所述第二参数包括第二装置的性能参数和传动装置的性能参数至少之一;
基于所述作用力数据以及所述训练完成的分类模型,确定所述工作界面的类型。
2.根据权利要求1所述的方法,其特征在于,所述训练完成的分类模型,是通过以下方式训练得到的:
获取未训练完成的分类模型;其中,所述未训练完成的分类模型的参数,包括未调整完成的第一参数以及未调整完成的第二参数;
所述第二装置处于正常工作状态,获取分类样本数据;其中,所述分类样本数据,包括作用力样本数据以及电能样本数据;所述作用力样本数据,包括阻碍所述第一装置运动的所述作用力数据;所述电能样本数据,包括所述第二装置输出的所述电能数据;
基于所述分类样本数据,对所述未调整完成的第一参数、以及所述未调整完成的第二参数进行调整,直至所述未训练完成的分类模型的输出满足指定条件,得到所述训练完成的分类模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述分类样本数据,对所述未调整完成的第一参数、以及所述未调整完成的第二参数进行调整,包括:
从所述分类样本数据中获取作用力样本数据以及电能样本数据;
将所述作用力样本数据输入至所述分类模型,得到电能输出数据;
基于所述电能输出数据以及所述电能样本数据的大小关系,调整所述未调整完成的第一参数以及所述未调整完成的第二参数。
4.根据权利要求2所述的方法,其特征在于,所述未训练完成的分类模型的输出满足指定条件,包括:
获取指定时段内的第一变化信息和第二变化信息;其中,所述第一变化信息,表示所述指定时段内所述未调整完成的所述第一参数的变化信息;所述第二变化信息,表示所述指定时段内所述未调整完成的所述第二参数的变化信息;
所述第一变化信息以及所述第二变化信息均位于指定阈值区间,确定所述未训练完成的分类模型的输出满足指定条件。
5.根据权利要求2所述的方法,其特征在于,所述获取分类样本数据,包括:
实时获取所述作用力数据以及所述电能数据;
基于所述电能数据的变化趋势,对所述作用力数据和所述电能数据进行处理,获取所述分类样本数据。
6.根据权利要求5所述的方法,其特征在于,所述基于所述电能数据的变化趋势,对所述作用力数据和所述电能数据进行处理,获取所述分类样本数据,包括:
所述变化趋势与指定变化趋势匹配,将所述作用力数据以及所述电能数据存储至第一数据库;
所述变化趋势与所述指定变化趋势不匹配,将所述作用力数据以及所述电能数据存储至第二数据库;
对所述第一数据库中存储的数据、以及所述第二数据库中存储的数据进行处理,获取所述分类样本数据。
7.根据权利要求6所述的方法,其特征在于,所述分类样本数据,至少包括第一类型样本数据和第二类型样本数据;所述对所述第一数据库中存储的数据、以及所述第二数据库中存储的数据进行处理,获取所述分类样本数据,包括:
对所述第一数据库中的数据进行筛选处理,获取第一类型样本数据;其中,所述第一类型样本数据,表示所述电子设备工作在第一类型的所述工作界面时获取的样本数据;所述第一类型样本数据,包括第一类型的作用力样本数据以及第一类型的电能样本数据;
对所述第二数据库中的数据进行筛选处理,获取第二类型样本数据;其中,所述第二类型样本数据,表示所述电子设备工作在第二类型的所述工作界面时获取的;所述第二类型样本数据,包括第二类型的作用力样本数据以及第二类型的电能样本数据。
8.根据权利要求1所述的方法,其特征在于,所述第二参数包括磁密参数;所述方法还包括:
所述磁密参数大于第一阈值,确定所述第二装置处于老化状态。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
所述第二参数大于第二阈值,确定所述电子设备处于设备故障状态。
10.根据权利要求1所述的方法,其特征在于,所述获取所述第二装置输出的电能数据,包括:
采集所述第二装置指定时段内输出的多个电能数据;
对所述多个电能数据进行平滑处理,获取所述第二装置输出的所述电能数据。
11.一种类型确定装置,其特征在于,所述类型确定装置应用于至少包括第一装置和第二装置的电子设备中;其中,所述第一装置,与所述电子设备工作时所处的工作界面接触,用于对所述工作界面进行处理和/或带动所述电子设备在所述工作界面上移动,所述第二装置用于通过传动装置驱动所述第一装置;所述类型确定装置包括:获取模块和处理模块;其中:
所述获取模块,用于获取所述第二装置输出的电能数据,所述第二装置输出的电能数据,包括电流、电压、功率的实时值;
所述获取模块,还用于获取训练完成的分类模型;其中,所述训练完成的分类模型,通过第一参数以及第二参数表征作用力数据与所述第二装置输出的电能数据的关联关系;所述第一参数,表示与所述工作界面相关的参数;所述第二参数包括第二装置的性能参数和传动装置的性能参数至少之一;
所述处理模块,用于基于所述电能数据,得到阻碍所述第一装置运动的作用力数据;所述处理模块,还用于基于所述作用力数据以及所述分类模型,确定所述工作界面的类型。
12.一种电子设备,其特征在于,所述电子设备包括处理器和存储器;其中,所述存储器,存储有计算机程序;所述处理器,用于执行所述存储器中存储的所述计算机程序,以实现如权利要求1-10任一所述的类型确定方法。
13.根据权利要求12所述的电子设备,其特征在于,所述电子设备为具备清洁功能的电器。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-10任一所述的类型确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010509.6A CN114246507B (zh) | 2020-09-23 | 2020-09-23 | 一种类型确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010509.6A CN114246507B (zh) | 2020-09-23 | 2020-09-23 | 一种类型确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114246507A CN114246507A (zh) | 2022-03-29 |
CN114246507B true CN114246507B (zh) | 2022-11-25 |
Family
ID=80788649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011010509.6A Active CN114246507B (zh) | 2020-09-23 | 2020-09-23 | 一种类型确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114246507B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004057450A (ja) * | 2002-07-29 | 2004-02-26 | Matsushita Electric Ind Co Ltd | 電気掃除機 |
CN105892457A (zh) * | 2015-02-13 | 2016-08-24 | 美国iRobot公司 | 具有地板类型检测的移动地面清扫机器人 |
CN107644231A (zh) * | 2017-09-19 | 2018-01-30 | 广东工业大学 | 一种发电机转子故障诊断方法及装置 |
CN108594692A (zh) * | 2017-12-18 | 2018-09-28 | 深圳市奇虎智能科技有限公司 | 一种清洁设备控制方法、装置、计算机设备和存储介质 |
CN109202891A (zh) * | 2017-07-05 | 2019-01-15 | 广东宝乐机器人股份有限公司 | 移动机器人、工作表面识别方法及控制方法 |
CN111096715A (zh) * | 2019-12-24 | 2020-05-05 | 北京石头世纪科技股份有限公司 | 智能清洁装置控制方法、装置与智能清洁装置 |
-
2020
- 2020-09-23 CN CN202011010509.6A patent/CN114246507B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004057450A (ja) * | 2002-07-29 | 2004-02-26 | Matsushita Electric Ind Co Ltd | 電気掃除機 |
CN105892457A (zh) * | 2015-02-13 | 2016-08-24 | 美国iRobot公司 | 具有地板类型检测的移动地面清扫机器人 |
CN109202891A (zh) * | 2017-07-05 | 2019-01-15 | 广东宝乐机器人股份有限公司 | 移动机器人、工作表面识别方法及控制方法 |
CN107644231A (zh) * | 2017-09-19 | 2018-01-30 | 广东工业大学 | 一种发电机转子故障诊断方法及装置 |
CN108594692A (zh) * | 2017-12-18 | 2018-09-28 | 深圳市奇虎智能科技有限公司 | 一种清洁设备控制方法、装置、计算机设备和存储介质 |
CN111096715A (zh) * | 2019-12-24 | 2020-05-05 | 北京石头世纪科技股份有限公司 | 智能清洁装置控制方法、装置与智能清洁装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114246507A (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3073883B1 (en) | Air filter monitoring | |
WO2019128636A1 (zh) | 一种清扫方法及清洁机器人 | |
WO2011000256A1 (zh) | 清洁机器人及其脏物识别装置和该机器人的清洁方法 | |
WO2021043287A1 (zh) | 地毯检测方法、装置、扫地机器人和计算机存储介质 | |
KR20150104625A (ko) | 자주식 청소기 | |
DE102010000573A1 (de) | Verfahren zur Leistungssteuerung eines Saug-/Kehrgeräts | |
CN112650205B (zh) | 一种清洁监控方法、清洁设备、服务器及存储介质 | |
CN115227149B (zh) | 一种自动清洁设备识别地面特征的方法及装置 | |
CN114246507B (zh) | 一种类型确定方法、装置、电子设备及存储介质 | |
CN107664748B (zh) | 机器人检测地毯的方法及芯片 | |
CN111938510A (zh) | 清洁机器人、表面类型检测方法及控制方法 | |
CN112155486A (zh) | 扫地机器人的控制方法和控制装置 | |
CN112438659B (zh) | 一种扫地机器人识别地面环境的方法以及扫地机器人 | |
CN113685962A (zh) | 一种基于相关性分析的机房温度高效控制方法及其系统 | |
CN112515536A (zh) | 一种吸尘机器人的控制方法及其装置、吸尘机器人 | |
CN206102581U (zh) | 用于清洁设备的刮条、滚刷盖、滚刷组件和自动清洁设备 | |
CN111543898A (zh) | 垃圾分类清扫方法、系统、电子设备、存储介质及扫地机 | |
CN114557633A (zh) | 自动清洁设备清洁参数配置方法、装置、设备及介质 | |
CN113116247B (zh) | 清洁机器人维护方法、清洁机器人、清洁系统及存储介质 | |
CN113729558A (zh) | 清洁设备的控制方法、清洁设备以及存储介质 | |
JP2011010801A (ja) | 電気掃除機の被掃除面判別方法及びこれを使用した電気掃除機 | |
DE102011014734A1 (de) | Automatisches Reinigungsgerät und Verfahren zum Betreiben eines automatischen Reinigungsgeräts | |
CN114246508A (zh) | 一种控制方法、装置、电子设备及存储介质 | |
KR20220042746A (ko) | 진공청소기 | |
CN118633861A (zh) | 一种手持吸尘器尘满检测的方法 |
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 |