CN114413409A - 用于空调故障概率的检测方法及装置、智能空调 - Google Patents

Abstract

本申请涉及智能家电技术领域，公开一种用于空调故障概率的检测方法，该方法包括：采集待分析的空调设定部件运行过程中的音频信号；调用与设定部件相对应的以Softmax分类器为输出层的本地故障概率模型；利用本地故障概率模型分析待分析的音频信号，输出待分析的音频信号发生故障的概率和不发生故障的概率；在发生故障的概率大于不发生故障的概率时，输出提示信号。通过联邦学习中心实现故障特征数据间的联合，使得模型能够充分学习故障特征，提高模型的泛化性，以实现在本地应用时，能够根据采集到的空调部件的音频信号输出相对应的故障概率。本申请还公一种用于空调故障概率的检测装置及智能空调。

Description

用于空调故障概率的检测方法及装置、智能空调

技术领域

本申请涉及智能家电技术领域，例如涉及一种用于空调故障概率的检测方法及装置、智能空调。

背景技术

目前，空调已经成为家庭生活中必不可少的家用电器。随着空调的利用率越来越高，空调的各部件出现故障的概率也随之增大。一般地，当故障程度不足以导致空调停止运行时，用户难以察觉故障的发生，但故障的存在会给空调的运行效果和部件寿命造成不良影响。

相关技术中，通过获取空调器运行的声音频率，与目标状态下空调对应部件的固有声音频率进行对比，判断空调器是否发生故障，以在发生故障时提醒用户，从而提升空调故障检测的智能性。

在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：

由于与固有声音频率进行对比的方案，所使用的故障样本数据较少，得到的故障判断结果泛化性较差，准确率较低，且只能用于确定当前空调是否已发生故障，无法实现故障发生概率的预判，用户的使用体验差。

发明内容

为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。

本公开实施例提供了一种用于空调故障概率的检测方法及装置、智能空调，以根据空调的音频信号，利用故障判断模型进行故障风险概率预判，提高空调的故障概率预判的准确性。

在一些实施例中，所述用于空调故障概率的检测方法包括：采集待分析的空调设定部件运行过程中的音频信号；调用与所述设定部件相对应的以Softmax分类器为输出层的本地故障概率模型；利用所述本地故障概率模型分析所述待分析的音频信号，输出所述待分析的音频信号发生故障的概率和不发生故障的概率；在发生故障的概率大于不发生故障的概率时，输出提示信号。

在一些实施例中，所述用于空调故障概率的检测装置包括：采集模块，被配置为采集待分析的空调设定部件运行过程中的音频信号；模型调用模块，被配置为调用与所述设定部件相对应的以Softmax分类器为输出层的本地故障概率模型；输出模块，被配置为利用所述本地故障概率模型分析所述待分析的音频信号，输出所述待分析的音频信号发生故障的概率和不发生故障的概率；并在发生故障的概率大于不发生故障的概率时，输出提示信号。

在一些实施例中，所述用于空调故障概率的检测装置包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行上述的用于空调故障概率的检测方法。

本公开实施例提供的用于空调故障概率的检测方法及装置、智能空调，可以实现以下技术效果：

本申请提出一种将神经网络模型与联邦学习相结合的方式，通过建立本地故障概率模型，并通过联邦学习中心实现故障特征数据间的联合，使得模型能够充分学习故障特征，提高模型的泛化性，以实现在本地应用时，能够根据采集到的空调部件的音频信号输出相对应的故障概率，从而实现对空调健康状态的自我评估和故障预测。如此，可以客观的分析空调的故障概率，实现提前预警，降低因发生故障而影响用户正常使用空调的概率。

以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。

附图说明

一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：

图1是本公开实施例提供的一个用于空调故障概率的检测方法的实施环境示意图；

图2是本公开实施例提供的一个用于空调故障概率的检测方法的流程示意图；

图3是本公开实施例提供的另一个用于空调故障概率的检测方法的流程示意图；

图4是本公开实施例提供的一个用于空调故障概率的检测装置的示意图；

图5是本公开实施例提供的另一个用于空调故障概率的检测装置的示意图；

图6是本公开实施例提供的另一个用于空调故障概率的检测装置的示意图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

本公开实施例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，以便这里描述的本公开实施例的实施例。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。

除非另有说明，术语“多个”表示两个或两个以上。

本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

术语“对应”可以指的是一种关联关系或绑定关系，A与B相对应指的是A与B之间是一种关联关系或绑定关系。

本公开实施例中，智能家电设备是指将微处理器、传感器技术、网络通信技术引入家电设备后形成的家电产品，具有智能控制、智能感知及智能应用的特征，智能家电设备的运作过程往往依赖于物联网、互联网以及电子芯片等现代技术的应用和处理，例如智能家电设备可以通过连接电子设备，实现用户对智能家电设备的远程控制和管理。

本公开实施例中，终端设备是指具有无线连接功能的电子设备，终端设备可以通过连接互联网，与如上的智能家电设备进行通信连接，也可以直接通过蓝牙、wifi等方式与如上的智能家电设备进行通信连接。在一些实施例中，终端设备例如为移动设备、电脑、或悬浮车中内置的车载设备等，或其任意组合。移动设备例如可以包括手机、智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备等，或其任意组合，其中，可穿戴设备例如包括：智能手表、智能手环、计步器等。

本公开实施例中主要应用联邦学习和神经网络模型的技术手段。

联邦学习本质上是一种分布式机器学习框架，其目标在于在保证数据隐私安全及合法合规的基础上，实现共同建模，提升人工智能模型的效果。其实施过程中，把每个参与共同建模的节点称为参与方，根据多参与方之间数据分布的不同，把联邦学习分为三类：横向联邦学习、纵向联邦学习和联邦迁移学习。其中，横向联邦学习的本质是样本的联合，适用于特征重叠多，用户重叠少时的场景；纵向联邦学习的本质是特征的联合，适用于用户重叠多，特征重叠少的场景。当参与者间特征和样本重叠都很少时可以考虑使用联邦迁移学习。本公开实施例即采用联邦迁移学习方案。

神经网络模型是故障判断时常使用的模型类型。由于利用空调设定部件(如压缩机、冷媒管路、风机等)的音频信号训练神经网络模型时，本地端的故障样本数据较少，因此得到的模型泛化性较差，准确率较低。而直接的将不同客户端的空调的故障样本数据集中在一起，会造成故障泄露的隐患。因此，本公开实施例利用联邦学习技术实现多客户端故障数据间的联合，使得模型能够充分学习故障特征，提高模型的泛化性，以实现在本地应用时，能够根据采集到的空调部件的音频信号输出相对应的故障概率，从而实现对空调健康状态的自我评估和故障预测。

图1是本公开实施例提供的用于空调故障概率的检测的方法的实施环境示意图。

如图1所示，该实施环境包括中心节点和多个空调节点，其中中心节点和空调节点之间均通过有线或无线的通讯网络连接。这里，中心节点是指联邦学习中心，空调节点包括参与到共同建模中的多个智能空调，或智能空调的控制端。

这里，中心节点用于向空调节点提供模型结构和预训练模型，空调节点利用本地样本数据训练预训练模型，得到训练后的模型，并提供给中心节点，中心节点整合多个空调节点提供的模型后更新中心故障概率模型，并下发至各空调节点，以更新各空调节点的本地故障概率模型。

图2是本公开实施例提供的用于空调故障概率的检测方法，应用于图1所示的环境中，可在图1所示的空调节点所对应的智能空调中执行，如由智能空调的处理器执行；也可在智能空调的控制端执行，如由智能空调通过无线通信连接的终端设备中执行；也可在服务器中执行，如由与智能空调通讯的家庭云平台。在本公开实施例中，以智能空调的处理器作为执行主体对方案进行说明。

结合图2所示，该用于空调故障概率的检测方法，包括：

步骤S201，采集待分析的空调设定部件运行过程中的音频信号。

通过获取设定部件的音频信号，从而对空调进行有针对性的部件故障概率预测。设定部件可以包括压缩机、冷媒管路、风机等运行过程中声音特征比较明显的部件。在本实施例中，以压缩机为例对方案进行具体说明。

可选地，采集待分析的空调设定部件运行过程中的音频信号，包括：

响应于检测指令，采集设定部件运行过程中的音频序列；

利用MFCC提取音频序列的特征量，作为设定部件的音频信号。

这里，通过MFCC(Mel-frequency cepstral coefficients，梅尔频率倒谱系数)提取音频序列的特征量，主要包括预加重、分帧、加窗、快速傅里叶变换、梅尔滤波器组、离散余弦变换和动态差分参数的提取步骤，以提高对根据音频信号输出故障概率的准确性。

其中，检测指令可以是基于用户下发给空调的指令，也可以是处理器自身判断适于运行故障概率检测时，自动执行的指令。

在本实施例中，检测指令的获取，包括：持续检测运行状态下空调设定部件(压缩机)的声音信号；当声音信号的检测参数超出设定阈值时，获取检测指令。

这样，通过根据本次运行状态中空调的声音信号进行判断，不需参考空调运行记录中的历史声音信号，减少运行记录所需的存储介质，降低了数据冗余情况。在本方案的其他实施例中，也可以是在空调运行状态下，持续的以设定频率获取空调的声音信号，以进一步降低对空调声音的采样频率，降低数据冗余情况。

可选的，声音信号的检测参数包括声音信号的分贝值、频率响应值、共振峰值中的一个或多个。分贝值用于度量声音强度，可通过分贝仪进行检测获取；频率响应值与声音的声压、相位和频率有关，能够体现最低有效声音频率到的最高有效声音频率之间的范围；共振峰值，是指在声音的频谱中能量相对集中的区域，能够更好的反应声音的物理特性，集中体现声音的特征值，方便进行检测操作。

步骤S202，调用与设定部件相对应的以Softmax分类器为输出层的本地故障概率模型。

Softmax分类器用于多分类过程中，将多个神经元的输出映射到(0,1)区间内，因此可以输出概率，以表示特征对概率的影响。

这里，本地故障概率模型采用神经网络模型，并通过Softmax将神经网络的输出变成了概率分布，即将原神经网络的输出用作置信度来生成新的输出，使得新的输出体现经过神经网络的推导，输入的音频信号为故障信号的概率和/或输出的音频信号为非故障信号的概率是多大。

步骤S203，使用本地故障概率模型分析待分析的音频信号，并使用Softmax分类器预测待分析的音频信号发生故障的概率。

将提取的待分析的音频信号输出到本地故障概率模型中，通过两个具有多个单元的LSTM(Long Short-Term Memory，长短期记忆网络)层后，通过全连接层利用Softmax计算发生故障的概率和/或不会发生故障的概率。

具体地，在将音频信号输入模型之后，经过最后的全连接层会得到一个维度为1*2的向量，该向量经由softmax函数将得到该向量每个元素除以该向量所有元素之和，即两个类别(会发生故障和不会发生故障)站综合的百分比，即为本公开实施例中的发生故障的概率和不会发生故障的概率。

步骤S204，在发生故障的概率大于设定概率阈值时，输出提示信号。

设定概率阈值，用于表示空调自我评估健康程度的门限值，即当本地故障概率模型输出的发生故障的概率高于该设定概率阈值时，空调自我评估健康程度较低，通过输出提示信号提醒用户及时检修。

具体地，在发生故障的概率大于设定概率阈值时，输出提示信号，包括：根据发生故障的概率与设定概率阈值的概率差值，确定提示信号的提示强度；其中，概率差值与提示强度为正相关关系。

例如，概率差值大于警示阈值的情况下，执行第一提示模式；在概率差值小于或等于警示阈值的情况下，执行第二提示模式；其中第一提示模式的提示强度高于第二提示模式的提示强度。

这里，警示阈值用于表示模型输出的空调故障概率超出设定概率阈值的严重程度。提示强度，可通过提示时的警示程度、推送频率等形式体现。

例如，例如，第一提示模式为通过空调的电脑板发出命令并传输到空调的显示板或遥控器的显示板上，显示出红色的提示图案；第二提示模式为通过空调的电脑板发出命令并传输到空调的显示板或遥控器的显示板上，显示出黄色的提示图案。

又例如，第一提示模式为空调通过云端或家庭组网，向用户的智能设备以第一提示频率推送提示信息；第二提示模式向用户的智能设备以第二提示频率推送提示信息。第一提示频率高于第二提示频率。

再例如，提示模式为通过家庭组网在具有显示装置的智能家电上显示故障检测提示信息。当执行第一提示模式时，提示信息在显示装置上的遮挡面积大于第二提示模式的提示信息。智能家电可以为电视、电脑。

这样，通过建立本地故障概率模型，并通过联邦学习中心实现故障特征数据间的联合，使得模型能够充分学习故障特征，提高模型的泛化性，以实现在本地应用时，能够根据采集到的空调部件的音频信号输出相对应的故障概率，从而实现对空调健康状态的自我评估和故障预测。如此，可以客观的分析空调的故障概率，实现提前预警，降低因发生故障而影响用户正常使用空调的概率。

可选地，本地故障概率模型的构建过程，包括：

根据联邦学习中心下发的模型结构和预训练模型，构建本地故障概率模型；

获得空调运行样本数据作为训练集，对本地故障概率模型进行训练，并在训练设定迭代轮次后，将训练后的模型上传至联邦学习中心。

这里，通过联邦学习中心，解决本地训练时样本较小的问题，同时相对于数据集中式的训练方法，能够在避免数据泄露的前提下训练具有该更高准确性和更强泛化性的联合模型。

参照图1所示的环境，联邦学习中心即中心节点，通过任务调度器将模型类型和预训练模型下发至各空调节点端，各空调节点基于模型结构构建本地故障概率模型，并根据预训练模型对本地故障概率模型进行初始化。这里，模型结构可以包括模型参数的集合，以及各参数的组织结构。

随后根据本地的空调运行样本数据作为训练集，对本地故障概率模型进行训练。其中，样本数据可以在进行数据增强后用于模型训练，以使得模型能够充分学习样本特征。

设定迭代轮次，用于表示训练后模型的准确率较高的情况。一般地，可以根据多个本地模型训练后准确率达到80％以上的次数的平均值获取。每完成一轮训练，进行概率准确度测试，在测试结合的准确率高于80％时，记录训练次数，并上传至中心节点。

进一步地，本地故障概率模型的构建过程，还包括：

获得联邦学习中心下发的中心故障概率模型；中心故障概率模型为根据多个上传至联邦学习中心的本地故障概率模型进行融合训练后得到的；

根据中心故障概率模型更新本地故障概率模型的配置参数。

这里，由于各空调节点训练模型的速度不同，因此中心节点收到各空调节点上传的训练后的模型时会进行暂存，在接收多个空调节点上传的训练后的模型后，对多个模型进行融合。示例地，当收到上传训练后的模型的空调节点的数量占参与到共同建模的总的节点数量的一半以上时，执行模型融合训练操作。相对于在收集到全部节点的训练后模型，再进行平均融合，这里采用的动态联邦方法具有更高的融合效率和融合准确性。

在中心节点将模型融合之后，对融合后的模型进行测试，形成中心故障概率模型，并下发至参与训练的各个空调节点，空调节点接收到中心故障概率模型后，利用中心故障概率模型对本地故障概率模型进行更新。

这里，空调节点接收到中心节点下发的中心故障概率模型后，需要根据本地数据对其准确率进行评估，以确定是否对本地故障概率模型进行更新。具体地，根据中心故障概率模型更新本地故障概率网络模型的配置参数，包括：

获取本地故障概率网络模型的加权值，以及应用本地空调运行样本数据训练后的第一故障判断准确率；

获取中心故障概率模型应用本地空调运行样本数据训练后的第二故障判断准确率；

在第一故障判断准确率和加权值的乘积小于第二故障判断准确率的情况下，根据中心故障概率模型更新本地故障概率模型。

如此，如果中心故障概率模型的准确率高于加权值与本地故障概率模型准确率的乘积，则利用中心故障概率模型对本地故障概率模型进行更新，否则则拒绝更新。

这里，由于本地故障概率模型是根据本地空调运行样本数据训练后得到的，因此对于本地空调运行样本数据来说，其概率预测的准确度会更高一些，因此通过加权权重的方式，降低本地数据对准确率的影响。因此，加权值的取值范围为(0,1)，可以是0.9、0.8或0.7。

这样，通过建立本地故障概率模型，并通过联邦学习中心实现故障特征数据间的联合，使得模型能够充分学习故障特征，提高模型的泛化性，以实现在本地应用时，能够根据采集到的空调部件的音频信号输出相对应的故障概率，从而实现对空调健康状态的自我评估和故障预测。如此，可以客观的分析空调的故障概率，实现提前预警，降低因发生故障而影响用户正常使用空调的概率。

图3是本公开实施例提供的用于空调故障概率的检测方法，应用于图1所示的环境中，可在图3所示的空调节点所对应的智能空调中执行，如由智能空调的处理器执行；也可在智能空调的控制端执行，如由智能空调通过无线通信连接的终端设备中执行；也可在服务器中执行，如由与智能空调通讯的家庭云平台。在本公开实施例中，以智能空调的处理器作为执行主体对方案进行说明。

结合图3所示，该用于空调故障概率的检测方法，包括：

步骤S201，采集待分析的空调设定部件运行过程中的音频信号。

步骤S202，调用与设定部件相对应的以Softmax分类器为输出层的本地故障概率模型。

步骤S203，使用本地故障概率模型分析待分析的音频信号，并使用Softmax分类器预测待分析的音频信号发生故障的概率。

步骤S204，在发生故障的概率大于设定概率阈值时，输出提示信号。

步骤S305，在发生故障的概率小于设定概率阈值时，根据发生故障的概率与设定概率阈值的概率差值的绝对值，确定下一次进行故障概率检测的间隔时长。

如此，在确定当前空调的健康状况良好，发生故障的概率比较小的时候，根据获取的发生故障的概率确定下次检测的间隔时长，以避免频繁的执行故障检测操作，造成数据冗余，流量浪费等问题。

具体地，用于下一次进行故障概率检测的间隔时长的确定，包括：发生故障的概率与设定概率阈值的概率差值的绝对值大于第一阈值的情况下，确定间隔时长为T1；在发生故障的概率与设定概率阈值的概率差值的绝对值小于或等于第一阈值，且大于第二阈值的情况下，确定间隔时长为T2；在发生故障的概率与设定概率阈值的概率差值的绝对值小于或等于第二阈值的情况下，确定间隔时长为T3；其中，T1＞T2＞T3。

这样，通过建立本地故障概率模型，并通过联邦学习中心实现故障特征数据间的联合，使得模型能够充分学习故障特征，提高模型的泛化性，以实现在本地应用时，能够根据采集到的空调部件的音频信号输出相对应的故障概率，从而实现对空调健康状态的自我评估和故障预测。如此，可以客观的分析空调的故障概率，实现提前预警，降低因发生故障而影响用户正常使用空调的概率。

结合图4所示，本公开实施例提供一种用于空调故障概率的检测装置，该用于空调故障概率的检测装置可采用软件、硬件或软硬结合的形式实现。

如图4所示，该用于空调故障概率的检测装置包括采集模块41、模型调用模块42和警示模块43。

其中，采集模块41被配置为采集待分析的空调设定部件运行过程中的音频信号；模型调用模块42被配置为调用与设定部件相对应的以Softmax分配器为输出层的本地故障概率网络模型；输出模块43被配置为使用本地故障概率网络模型分析待分析的音频信号，并使用Softmax分配器预测待分析的音频信号发生故障的概率；在发生故障的概率值大于设定概率阈值时，输出提示信号。

可选地，如图5所示，该用于空调故障概率的检测装置包括信采集模块41、模型调用模块42和警示模块43，还包括间隔检测时长获取模块54。该间隔检测时长获取模块54被配置在发生故障的概率小于设定概率阈值时，根据发生故障的概率与设定概率阈值的概率差值的绝对值，确定下一次进行故障概率检测的间隔时长。

结合图6所示，本公开实施例提供一种用于空调故障概率的检测装置，包括处理器(processor)600和存储器(memory)601。可选地，该装置还可以包括通信接口(Communication Interface)602和总线603。其中，处理器600、通信接口602、存储器601可以通过总线603完成相互间的通信。通信接口602可以用于信息传输。处理器600可以调用存储器601中的逻辑指令，以执行上述实施例的用于空调故障概率的检测方法。

此外，上述的存储器601中的逻辑指令可以通过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。

存储器601作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器600通过运行存储在存储器601中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中用于空调故障概率的检测方法。

存储器601可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器601可以包括高速随机存取存储器，还可以包括非易失性存储器。

本公开实施例提供了一种智能空调，包含上述的用于空调故障概率的检测装置。

本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述用于空调故障概率的检测方法。

本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述用于空调故障概率的检测方法。

上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。

本公开实施例的技术方案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，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，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，可以仅仅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。另外，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。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网络单元上。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。另外，在本公开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。

附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (10)

1.一种用于空调故障概率的检测方法，其特征在于，包括：

采集待分析的空调设定部件运行过程中的音频信号；

调用与所述设定部件相对应的以Softmax分类器为输出层的本地故障概率模型；

使用所述本地故障概率模型分析所述待分析的音频信号，并使用所述Softmax分类器预测所述待分析的音频信号发生故障的概率；

在发生故障的概率大于设定概率阈值时，输出提示信号。

2.根据权利要求1所述的检测方法，其特征在于，所述采集待分析的空调设定部件运行过程中的音频信号，包括：

响应于检测指令，采集所述设定部件运行过程中的音频序列；

利用MFCC提取所述音频序列的特征量，作为所述设定部件的音频信号。

3.根据权利要求1所述的检测方法，其特征在于，所述本地故障概率模型的构建过程，包括：

根据联邦学习中心下发的模型结构和预训练模型，构建本地故障概率模型；

获得空调运行样本数据作为训练集，对所述本地故障概率模型进行训练，并在训练设定迭代轮次后，将训练后的模型上传至联邦学习中心。

4.根据权利要求3所述的检测方法，其特征在于，所述本地故障概率模型的构建过程，还包括：

获得联邦学习中心下发的中心故障概率模型；所述中心故障概率模型为根据多个上传至所述联邦学习中心的本地故障概率模型进行融合训练后得到的；

根据所述中心故障概率模型更新所述本地故障概率模型的配置参数。

5.根据权利要求4所述的检测方法，其特征在于，所述根据所述中心故障概率模型更新所述本地故障概率模型的配置参数，包括：

获取所述本地故障概率模型的加权值，以及应用本地空调运行样本数据训练后的第一故障判断准确率；

获取所述中心故障概率模型应用本地空调运行样本数据训练后的第二故障判断准确率；

在所述第一故障判断准确率和加权值的乘积小于所述第二故障判断准确率的情况下，根据所述中心故障概率模型更新所述本地故障概率模型。

6.根据权利要求1所述的检测方法，其特征在于，所述在发生故障的概率大于设定概率阈值时，输出提示信号，包括：

根据所述发生故障的概率与设定概率阈值的概率差值，确定所述提示信号的提示强度；

其中，所述概率差值与所述提示强度为正相关关系。

7.根据权利要求1至6任一所述的检测方法，其特征在于，还包括：

在所述发生故障的概率小于所述设定概率阈值时，根据所述发生故障的概率与所述设定概率阈值的概率差值的绝对值，确定下一次进行故障概率检测的间隔时长。

8.一种用于空调故障概率的检测装置，其特征在于，包括：

采集模块，被配置为采集待分析的空调设定部件运行过程中的音频信号；

模型调用模块，被配置为调用与所述设定部件相对应的以Softmax分类器为输出层的本地故障概率模型；

输出模块，被配置为使用所述本地故障概率模型分析所述待分析的音频信号，并使用所述Softmax分类器预测所述待分析的音频信号发生故障的概率；在发生故障的概率大于设定概率阈值时，输出提示信号。

9.一种用于空调故障概率的检测装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至7任一项所述的用于空调故障概率的检测方法。

10.一种智能空调，其特征在于，包括如权利要求8或9所述的用于空调故障概率的检测装置。

Images