CN115984042B - 一种自适应油烟净化器服务管理系统及方法 - Google Patents

Abstract

本发明涉及油烟机管理技术领域，具体为一种自适应油烟净化器服务管理系统及方法，所述系统包括检修清洗路径规划模块，检修清洗路径规划模块获取同一监测区域内各个用户对应油烟净化器下一次的检修清洗时间区间的预测值，结合用户所属的地理位置，规划针对监测区域内所有用户的油烟净化器服务路径。本发明根据用户油烟净化器的温度变化情况及油烟堆积量变化情况，准确预测用户的油烟净化器下一次的检修清洗时间区间，并结合用户所属的地理位置，实现对油烟净化器检修清理服务中针对各个用户的执行路径的自适应规划，降低对用户油烟净化器的影响，实现对油烟净化器服务的有效管理。

Description

一种自适应油烟净化器服务管理系统及方法

技术领域

本发明涉及油烟机管理技术领域，具体为一种自适应油烟净化器服务管理系统及方法。

背景技术

油烟净化器是油烟废气的处理装置，主要用于厨房低空排放油烟的净化治理；通过风机将室内的油烟抽出室外，并经过油烟净化器净化后再排入到空气中，该过程能够有效过滤掉油烟废气中的油烟。

当前的油烟净化器通常为静电式油烟净化器，净化效率高，但是静电式的油烟净化器需要每个一段时间对油烟净化器内部进行检修清洗，若不及时进行检修清洗，则会明显影响油烟净化器对油烟废气中油烟的净化效率；油烟净化器的检修清洗间隔时间通常取决于用户对油烟净化器的使用情况，使用越频繁，则相应的检修清洗间隔时间越短；

现有的自适应油烟净化器服务管理系统中，通常是管理者根据用户相邻两次检修清洗的间隔时长及上一次检修清洗的时间来进行预测的，并且油烟净化器检修清洗服务中不同用户对应的执行路径直接取决于报警时间的先后顺序；该方式存在较大的缺陷，首先用户对油烟净化器的使用情况并非固定不变的，不同时间段内用户对油烟净化器的使用情况是存在差异的，即用户对油烟净化器的使用情况是动态变化的；同时，由于不同用户对油烟净化器的使用情况不同，相同时间内不同用户的油烟净化器产生变化的影响程度也是存在差异的，进而对油烟净化器检修清洗服务中不同用户的执行路径也是需要进行综合分析调整的。

发明内容

本发明的目的在于提供一种自适应油烟净化器服务管理系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种自适应油烟净化器服务管理方法，所述方法包括以下步骤：

S1、构建用户账号，并将用户的油烟净化器与构建的用户账号进行绑定，通过传感器每隔第一时间采集一次油烟净化器的运行数据，并上传到云端内用户账号对应的数据库中；

S2、根据用户账号对应的数据库中各个时间点上传的油烟净化器的运行数据，分析用户的油烟净化器使用过程中油烟堆积量的变化情况；

S3、获取用户的油烟净化器与炉体之间的距离，得到油烟净化器内外最大温度差与油烟堆积量之间的关系，结合S2中的分析结果评估油烟净化器的异常风险值，并预测用户的油烟净化器下一次的检修清洗时间区间；

S4、获取同一监测区域内各个用户对应油烟净化器下一次的检修清洗时间区间的预测值，结合用户所属的地理位置，规划针对监测区域内所有用户的油烟净化器服务路径。

进一步的，所述S1中油烟净化器的运行数据包括运行时间、启动电机的启动电流值、油烟净化器净化前及净化后分别对应的油烟浓度值，

所述运行时间通过时间传感器检测获取，

所述启动电机的启动电流值是通过启动电机上设置的电流检测传感器获取的，

所述油烟净化器净化前及净化后分别对应的油烟浓度值均是通过油烟传感浓度传感器获取的，

所述第一时间为数据库中预置的常数，

所述S2油烟净化器使用过程中油烟堆积量是指风机叶轮上的油烟堆积量，风机与油烟净化器相连且风机位于油烟净化器之后。

进一步的，所述S2中分析用户的油烟净化器使用过程中油烟堆积量的变化情况的方法包括以下步骤：

S21、获取用户账号对应的数据库中各个时间点上传的油烟净化器的运行数据，将用户i时间t对应油烟净化器的运行数据记为Ait，所述时间t表示距离相应油烟净化器最近一次检修清洗的间隔时长，

将Ait中的运行时间记为Ait₁，且Ait₁等于t，将Ait中启动电机的启动电流记为Ait₂，将Ait中油烟净化器净化前对应的油烟浓度值记为Ait₃，将Ait中油烟净化器净化后对应的油烟浓度值记为Ait₄；

S22、计算时间t时油烟净化器的运行数据对应的油烟净化效率值，记为Bt，所述Bt＝(Ait₃-Ait₄)/Ait₃；

S23、根据数据库中的油烟净化效率值与油烟堆积量之间的函数关系，预测油烟净化效率值为Bt时对应的油烟堆积量，记为DBt；

S24、根据数据库中启动电机的启动电流与油烟堆积量之间的函数关系，预测启动电机的启动电流为Ait₂时对应的油烟堆积量，记为DAt；

S25、得到用户i时间t时对应的油烟堆积量校准值DZit，DZit＝max{DBt，DAt}，所述max{DBt，DAt}表示DBt与DAt中的最大值；

S26、构建用户i在时间t时对应的第一油烟堆积关系数据对(t，DZit)，并根据二次函数模型在matlab中对t为不同值时对应的各个第一油烟堆积关系数据对进行线性拟合，所述拟合结果对应的函数为用户i的油烟净化器使用过程中油烟堆积量随时间t的变化函数，记为G(t)；

所述数据库中的油烟净化效率值与油烟堆积量之间的函数关系，是运用matlab根据线性回归方程公式对数据库中保存的各个油烟净化效率数据对拟合得到的，每个油烟净化效率数据对中的第一个数据为油烟净化效率值，每个油烟净化效率数据对中的第二个数据为油烟净化效率值对应时间下的油烟堆积量；

所述数据库中启动电机的启动电流与油烟堆积量之间的函数关系，是运用matlab根据线性回归方程公式对数据库中保存的各个启动电流关系数据对拟合得到的，每个启动电流关系数据对中的第一个数据为电机的启动电流，每个启动电流关系数据对中的第二个数据为电机的启动电流对应时间下的油烟堆积量。

本发明分析用户的油烟净化器使用过程中油烟堆积量的变化情况时，考虑到电机在使用过程中，叶轮是实时转动的，无法通过传感器直接进行监测，进而可以通过监测一些相关联的影响因素实现对油烟堆积量的监测(分析电机的启动电流及油烟净化器的净化效果值)，电机的启动电流直接受叶轮的重量影响，叶轮上附着的油烟堆积量越大，则叶轮的整体重量越大，电机的启动电流越大，两者呈正相关；而油烟净化的净化效果值则与叶轮上附着的油烟堆积量呈负相关；分别根据这两个因素对油烟堆积量进行预测，并结合这两个因素分别对应的预测结果，能够有效确保预测的油烟堆积量校准值的准确性。

进一步的，所述S3中获取用户的油烟净化器与炉体之间的距离及油烟净化器内温度与油烟堆积量之间的关系时，用户的油烟净化器与炉体之间的距离是定值且在相应油烟净化器安装时采集且保存到数据库中的；

获取油烟净化器内外最大温度差与油烟堆积量之间的关系时，获取用户i的油烟净化器与炉体之间的距离，记为Li，得到油烟净化器内外最大温度差与油烟堆积量之间的关系对应的函数，记为Fi(Li，DZi)，DZi表示用户i对应的油烟堆积量校准值，所述油烟净化器内外最大温度差为油烟净化器使用过程中，油烟堆积量不变时，相应的油烟净化器内外温差的最大值，

获取数据库中油烟堆积量DZi对应的油烟净化器内外最大温度差TC，构建温差数据对(Dzi，TC)，运用matlab以为函数模型对DZi为不同值分别对应的各个温差数据进行拟合，所得拟合结果对应的函数为Fi(Li，DZi)，所述c1、c2及c3均为函数模型系数。

本发明油烟净化器的温度受油烟净化器与炉体之间的距离及油烟堆积量的影响，油烟净化器与炉体之间的距离越近，则油烟净化器内的温度越高，反之，则油烟净化器内的温度越低；油烟堆积量越大，则风机抽取的油烟废气的排放速度越慢，进而使得油烟净化器内的温度越高；油烟净化器内的温度越高，则导致油烟净化器出现风险概率越高。

进一步的，所述S3中获取用户的油烟净化器与炉体之间的距离，得到油烟净化器内外最大温度差与油烟堆积量之间的关系，结合S2中的分析结果评估油烟净化器的异常风险值的方法包括以下步骤：

S311、获取油烟净化器内外最大温度差与油烟堆积量之间的关系对应的函数Fi(Li，DZi)；

S312、获取用户i的油烟净化器使用过程中油烟堆积量随时间t的变化函数G(t)；

S313、获取用户i的油烟净化器在历史使用过程中油烟净化器外部温度的最大值，记为Tiw；

S314、得到时间tr时用户i的油烟净化器对应的异常风险值Qitr，

Qitr＝e1*G(tr)+e2*[Fi(Li，G(tr))+Tiw]

其中，e1为第一权重系数，e2为第二权重系数，且e1与e2均为数据库中预置的常数，

G(tr)表示用户i时间tr时对应的油烟堆积量，

Fi(Li，G(tr))表示用户i的油烟净化器与炉体之间的距离为Li时，油烟堆积量G(tr)对应的油烟净化器内外最大温度差，

Fi(Li，G(tr))+Tiw表示用户i的油烟净化器与炉体之间的距离为Li时，油烟堆积量G(tr)对应的油烟净化器内部的最高温度；

S3中预测用户的油烟净化器下一次的检修清洗时间区间的方法包括以下步骤：

S321、获取当前时间距离相应油烟净化器最近一次检修清洗的间隔时长，记为TP；

S322、获取油烟净化器检修清洗的异常风险值区间[Qmin，Qmax]，根据用户i的油烟净化器对应的异常风险值的计算公式，得到用户i的油烟净化器相邻两次检修清洗的隔间时间区间[tmin，tmax]，

所述Qmin为数据库中预置的油烟净化器检修清洗时最小的异常风险值，所述Qmax为数据库中预置的油烟净化器检修清洗时最大的异常风险值，

所述tmin表示用户i的油烟净化器相邻两次检修清洗的最小隔间时间，tmin为Qitr等于Qmin时，Qitr＝e1*G(tr)+e2*[Fi(Li，G(tr))+Tiw]中tr对应的值，

所述tmax表示用户i的油烟净化器相邻两次检修清洗的最大隔间时间，tmax为Qitr等于Qmax时，Qitr＝e1*G(tr)+e2*[Fi(Li，G(tr))+Tiw]中tr对应的值；

S323、得到用户i的油烟净化器下一次的检修清洗时间区间的预测值Ui，所述Ui＝[TSmin，TSmax]，所述TSmin＝tmin-TP+TH，所述TSmax＝tmax-TP+TH，

其中，TH表示当前时间对应的时间点。

本发明预测用户的油烟净化器下一次的检修清洗时间区间的过程中，油烟净化器检修清洗的异常风险值区间[Qmin，Qmax]是数据库中提前预置的，异常风险值小于Qmin，则说明油烟净化器不需要进行检修清洗，而异常风险值大于Qmax，则说明油烟净化器此时的状态异常，已经超过了提醒用户进行检修清洗的范围，若继续使用，会对设备的使用寿命造成影响，不能正常继续工作；得到的用户i的油烟净化器相邻两次检修清洗的隔间时间区间[tmin，tmax]，为后续步骤中规划针对监测区域内所有用户的油烟净化器服务路径提供了数据参照。

进一步的，所述S4中规划针对监测区域内所有用户的油烟净化器服务路径的方法包括以下步骤：

S41、获取监测区域内所有用户的油烟净化器下一次检修清洗分别对应的时间区间，并得到监测区域内所有用户的油烟净化器下一次检修清洗的综合时间区间UZi，

UZi＝U1∪U2∪...∪Ui...∪Ui1，

其中，U1表示监测区域内第一个用户的油烟净化器下一次检修清洗的时间区间，U2表示监测区域内第二个用户的油烟净化器下一次检修清洗的时间区间，Ui表示监测区域内第i个用户的油烟净化器下一次检修清洗的时间区间，Ui1表示监测区域内第i1个用户的油烟净化器下一次检修清洗的时间区间，且监测区域内用户的总个数为i1；

S42、获取监测区域内用户i对应的地理位置，记为Mi，将i为不同值时对应的各个Mi进行组合排序，生成不同的服务路径，每条服务路径对应一个组合排序结果，组合排序结果的个数为1×2×3×...×i1；

S43、计算每条服务路径的服务自适应偏差影响值，将第k条服务路径的服务自适应偏差影响值记为βk，

Tkg＝Tk(g-1)+tq+Y_(k,g)/v0

当Tkg∈U_(k，g)时，

E(Tkg，U_(k,g))＝0

当时，

E(Tkg，U_(k,g))＝(1/α[U_(k,g)])*min{|Tkg-U_(k,g)|}

其中，E(Tkg，U_(k，g))表示第k条服务路径中第g个地理位置对应用户的服务自适应偏差影响值，

Tkg表示第k条服务路径中第g个地理位置对应用户的检修清洗开始时间，

当g＝2时，Tk(g-1)表示第k条服务路径中第1个地理位置对应用户的检修清洗开始时间，且Tk(g-1)的值等于相应用户的油烟净化器下一次检修清洗的时间区间中的最小值；

U_(k，g)表示第k条服务路径中第g个地理位置对应用户的油烟净化器下一次检修清洗的时间区间，

tq表示数据库中预置的检修清洗一次油烟净化器所需的时长，

Y_(k，g)表示第k条服务路径中第g-1个地理位置与第g个地理位置之间的距离，

v0表示数据库中预置的去给用户检修清洗油烟净化器过程中移动速度，

min{|Tkg-U_(k，g)|}表示Tkg分别减去U_(k，g)中对应的各个数值后，对应差值的绝对值中的最小值，

α[U_(k，g)]表示检修清洗的时间区间U_(k，g)中最大时间与最小时间的差值；

S44、得到针对监测区域内所有用户的油烟净化器服务路径的规划路径，所述规划路径为生成的1×2×3×...×i1条服务路径中，对应的服务自适应偏差影响值最小的服务路径，并反馈给管理员。

一种自适应油烟净化器服务管理系统，所述系统包括以下模块：

用户数据采集上传模块，所述用户数据采集上传模块用于构建用户账号，并将用户的油烟净化器与构建的用户账号进行绑定，通过传感器每隔第一时间采集一次油烟净化器的运行数据，并上传到云端内用户账号对应的数据库中；

油烟堆积量分析模块，所述油烟堆积量分析模块根据用户账号对应的数据库中各个时间点上传的油烟净化器的运行数据，分析用户的油烟净化器使用过程中油烟堆积量的变化情况；

异常风险评估模块，所述异常风险评估模块获取用户的油烟净化器与炉体之间的距离，得到油烟净化器内外最大温度差与油烟堆积量之间的关系，结合油烟堆积量分析模块中的分析结果评估油烟净化器的异常风险值，并预测用户的油烟净化器下一次的检修清洗时间区间；

检修清洗路径规划模块，检修清洗路径规划模块获取同一监测区域内各个用户对应油烟净化器下一次的检修清洗时间区间的预测值，结合用户所属的地理位置，规划针对监测区域内所有用户的油烟净化器服务路径。

进一步的，所述用户数据采集上传模块中油烟净化器的运行数据包括运行时间、启动电机的启动电流值、油烟净化器净化前及净化后分别对应的油烟浓度值，所述第一时间为数据库中预置的常数，

所述油烟堆积量分析模块内，油烟净化器使用过程中油烟堆积量是指风机叶轮上的油烟堆积量，风机与油烟净化器相连且风机位于油烟净化器之后。

与现有技术相比，本发明所达到的有益效果是：本发明根据用户油烟净化器的温度变化情况及油烟堆积量变化情况，分析油烟净化器的异常风险值，进一步准确预测用户的油烟净化器下一次的检修清洗时间区间，并结合用户所属的地理位置，实现对油烟净化器检修清理服务中针对各个用户的执行路径的自适应规划，确保对各个用户执行检修清洗服务的过程中，依据用户油烟净化器自身的情况，实现对执行顺序的规划调整，降低对用户油烟净化器的影响，实现对油烟净化器服务的有效管理。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种自适应油烟净化器服务管理方法的结构示意图；

图2是本发明一种自适应油烟净化器服务管理系统的流程示意图。

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，显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。

请参阅图1，本发明提供技术方案：一种自适应油烟净化器服务管理方法，所述方法包括以下步骤：

S1、构建用户账号，并将用户的油烟净化器与构建的用户账号进行绑定，通过传感器每隔第一时间采集一次油烟净化器的运行数据，并上传到云端内用户账号对应的数据库中；

所述S1中油烟净化器的运行数据包括运行时间、启动电机的启动电流值、油烟净化器净化前及净化后分别对应的油烟浓度值，

所述运行时间通过时间传感器检测获取，

所述启动电机的启动电流值是通过启动电机上设置的电流检测传感器获取的，

所述油烟净化器净化前及净化后分别对应的油烟浓度值均是通过油烟传感浓度传感器获取的，

所述第一时间为数据库中预置的常数；

S2、根据用户账号对应的数据库中各个时间点上传的油烟净化器的运行数据，分析用户的油烟净化器使用过程中油烟堆积量的变化情况；

所述S2油烟净化器使用过程中油烟堆积量是指风机叶轮上的油烟堆积量，风机与油烟净化器相连且风机位于油烟净化器之后；

所述S2中分析用户的油烟净化器使用过程中油烟堆积量的变化情况的方法包括以下步骤：

S21、获取用户账号对应的数据库中各个时间点上传的油烟净化器的运行数据，将用户i时间t对应油烟净化器的运行数据记为Ait，所述时间t表示距离相应油烟净化器最近一次检修清洗的间隔时长，

将Ait中的运行时间记为Ait₁，且Ait₁等于t，将Ait中启动电机的启动电流记为Ait₂，将Ait中油烟净化器净化前对应的油烟浓度值记为Ait₃，将Ait中油烟净化器净化后对应的油烟浓度值记为Ait₄；

S22、计算时间t时油烟净化器的运行数据对应的油烟净化效率值，记为Bt，所述Bt＝(Ait₃-Ait₄)/Ait₃；

本实施例中油烟净化器在检修清洗完后的油烟净化效率值可达到95％，但是在长时间不检修清洗的情况下，油烟净化器的油烟净化效率值可低至为0；

S23、根据数据库中的油烟净化效率值与油烟堆积量之间的函数关系，预测油烟净化效率值为Bt时对应的油烟堆积量，记为DBt；

S24、根据数据库中启动电机的启动电流与油烟堆积量之间的函数关系，预测启动电机的启动电流为Ait₂时对应的油烟堆积量，记为DAt；

S25、得到用户i时间t时对应的油烟堆积量校准值DZit，DZit＝max{DBt，DAt}，所述max{DBt，DAt}表示DBt与DAt中的最大值；

S26、构建用户i在时间t时对应的第一油烟堆积关系数据对(t，DZit)，并根据二次函数模型在matlab中对t为不同值时对应的各个第一油烟堆积关系数据对进行线性拟合，所述拟合结果对应的函数为用户i的油烟净化器使用过程中油烟堆积量随时间t的变化函数，记为G(t)；

所述数据库中的油烟净化效率值与油烟堆积量之间的函数关系，是运用matlab根据线性回归方程公式对数据库中保存的各个油烟净化效率数据对拟合得到的，每个油烟净化效率数据对中的第一个数据为油烟净化效率值，每个油烟净化效率数据对中的第二个数据为油烟净化效率值对应时间下的油烟堆积量；

所述数据库中启动电机的启动电流与油烟堆积量之间的函数关系，是运用matlab根据线性回归方程公式对数据库中保存的各个启动电流关系数据对拟合得到的，每个启动电流关系数据对中的第一个数据为电机的启动电流，每个启动电流关系数据对中的第二个数据为电机的启动电流对应时间下的油烟堆积量。

S3、获取用户的油烟净化器与炉体之间的距离，得到油烟净化器内外最大温度差与油烟堆积量之间的关系，结合S2中的分析结果评估油烟净化器的异常风险值，并预测用户的油烟净化器下一次的检修清洗时间区间；

所述S3中获取用户的油烟净化器与炉体之间的距离及油烟净化器内温度与油烟堆积量之间的关系时，用户的油烟净化器与炉体之间的距离是定值且在相应油烟净化器安装时采集且保存到数据库中的；

获取油烟净化器内外最大温度差与油烟堆积量之间的关系时，获取用户i的油烟净化器与炉体之间的距离，记为Li，得到油烟净化器内外最大温度差与油烟堆积量之间的关系对应的函数，记为Fi(Li，DZi)，DZi表示用户i对应的油烟堆积量校准值，所述油烟净化器内外最大温度差为油烟净化器使用过程中，油烟堆积量不变时，相应的油烟净化器内外温差的最大值，

获取数据库中油烟堆积量DZi对应的油烟净化器内外最大温度差TC，构建温差数据对(Dzi，TC)，运用matlab以为函数模型对DZi为不同值分别对应的各个温差数据进行拟合，所得拟合结果对应的函数为Fi(Li，DZi)，所述c1、c2及c3均为函数模型系数。

所述S3中获取用户的油烟净化器与炉体之间的距离，得到油烟净化器内外最大温度差与油烟堆积量之间的关系，结合S2中的分析结果评估油烟净化器的异常风险值的方法包括以下步骤：

S311、获取油烟净化器内外最大温度差与油烟堆积量之间的关系对应的函数Fi(Li，DZi)；

S312、获取用户i的油烟净化器使用过程中油烟堆积量随时间t的变化函数G(t)；

S313、获取用户i的油烟净化器在历史使用过程中油烟净化器外部温度的最大值，记为Tiw；

S314、得到时间tr时用户i的油烟净化器对应的异常风险值Qitr，

Qitr＝e1*G(tr)+e2*[Fi(Li，G(tr))+Tiw]

其中，e1为第一权重系数，e2为第二权重系数，且e1与e2均为数据库中预置的常数，

G(tr)表示用户i时间tr时对应的油烟堆积量，

Fi(Li，G(tr))表示用户i的油烟净化器与炉体之间的距离为Li时，油烟堆积量G(tr)对应的油烟净化器内外最大温度差，

Fi(Li，G(tr))+Tiw表示用户i的油烟净化器与炉体之间的距离为Li时，油烟堆积量G(tr)对应的油烟净化器内部的最高温度；

本实施例中油烟净化器对应的异常风险值受到两个量的影响，且通过加权的方式得到油烟净化器对应的异常风险值的，

若同一用户距离相应油烟净化器最近一次检修清洗的间隔时长相同时，对应的油烟堆积量及油烟净化器内外最大温度差分别为X1及X2，

若相应用户的油烟净化器在历史使用过程中油烟净化器外部温度的最大值为X3，

则相应用户在相应时间对应的油烟净化器对应的异常风险值为e1×X1+e2×(X2+X3)；

S3中预测用户的油烟净化器下一次的检修清洗时间区间的方法包括以下步骤：

S321、获取当前时间距离相应油烟净化器最近一次检修清洗的间隔时长，记为TP；

S322、获取油烟净化器检修清洗的异常风险值区间[Qmin，Qmax]，根据用户i的油烟净化器对应的异常风险值的计算公式，得到用户i的油烟净化器相邻两次检修清洗的隔间时间区间[tmin，tmax]，

所述Qmin为数据库中预置的油烟净化器检修清洗时最小的异常风险值，所述Qmax为数据库中预置的油烟净化器检修清洗时最大的异常风险值，

所述tmin表示用户i的油烟净化器相邻两次检修清洗的最小隔间时间，tmin为Qitr等于Qmin时，Qitr＝e1*G(tr)+e2*[Fi(Li，G(tr))+Tiw]中tr对应的值，

所述tmax表示用户i的油烟净化器相邻两次检修清洗的最大隔间时间，tmax为Qitr等于Qmax时，Qitr＝e1*G(tr)+e2*[Fi(Li，G(tr))+Tiw]中tr对应的值；

S323、得到用户i的油烟净化器下一次的检修清洗时间区间的预测值Ui，所述Ui＝[TSmin，TSmax]，所述TSmin＝tmin-TP+TH，所述TSmax＝tmax-TP+TH，

其中，TH表示当前时间对应的时间点。

S4、获取同一监测区域内各个用户对应油烟净化器下一次的检修清洗时间区间的预测值，结合用户所属的地理位置，规划针对监测区域内所有用户的油烟净化器服务路径。

所述S4中规划针对监测区域内所有用户的油烟净化器服务路径的方法包括以下步骤：

S41、获取监测区域内所有用户的油烟净化器下一次检修清洗分别对应的时间区间，并得到监测区域内所有用户的油烟净化器下一次检修清洗的综合时间区间UZi，

UZi＝U1∪U2∪...∪Ui...∪Ui1，

其中，U1表示监测区域内第一个用户的油烟净化器下一次检修清洗的时间区间，U2表示监测区域内第二个用户的油烟净化器下一次检修清洗的时间区间，Ui表示监测区域内第i个用户的油烟净化器下一次检修清洗的时间区间，Ui1表示监测区域内第i1个用户的油烟净化器下一次检修清洗的时间区间，且监测区域内用户的总个数为i1；

本实施例中若监测区域内有三个用户，分别为甲、乙及丙，

若用户甲的油烟净化器下一次检修清洗的时间区间为[2022120115,2022120312]，其中，2022120115表示2022年12月1日15时，2022120312表示2022年12月3日12时，

若用户乙的油烟净化器下一次检修清洗的时间区间为[2022120112,2022120212]，其中，2022120112表示2022年12月1日12时，2022120212表示2022年12月2日12时，

若用户丙的油烟净化器下一次检修清洗的时间区间为[2022120213,2022120416]，其中，2022120213表示2022年12月2日13时，2022120416表示2022年12月4日16时，

则监测区域内所有用户的油烟净化器下一次检修清洗的综合时间区间为：

[2022120115,2022120312]∪[2022120112,2022120212]∪[2022120213,2022120416]，

即：[2022120112,2022120416]；

S42、获取监测区域内用户i对应的地理位置，记为Mi，将i为不同值时对应的各个Mi进行组合排序，生成不同的服务路径，每条服务路径对应一个组合排序结果，组合排序结果的个数为1×2×3×...×i1；

S43、计算每条服务路径的服务自适应偏差影响值，将第k条服务路径的服务自适应偏差影响值记为βk，

Tkg＝Tk(g-1)+tq+Y_(k,g)/v0

当Tkg∈U_(k，g)时，

E(Tkg，U_(k,g))＝0

当时，

E(Tkg，U_(k,g))＝(1/α[U_(k,g)])*min{|Tkg-U_(k,g)|}

其中，E(Tkg，U_(k，g))表示第k条服务路径中第g个地理位置对应用户的服务自适应偏差影响值，

Tkg表示第k条服务路径中第g个地理位置对应用户的检修清洗开始时间，

当g＝2时，Tk(g-1)表示第k条服务路径中第1个地理位置对应用户的检修清洗开始时间，且Tk(g-1)的值等于相应用户的油烟净化器下一次检修清洗的时间区间中的最小值；

U_(k，g)表示第k条服务路径中第g个地理位置对应用户的油烟净化器下一次检修清洗的时间区间，

tq表示数据库中预置的检修清洗一次油烟净化器所需的时长，

Y_(k，g)表示第k条服务路径中第g-1个地理位置与第g个地理位置之间的距离，

v0表示数据库中预置的去给用户检修清洗油烟净化器过程中移动速度，

min{|Tkg-U_(k，g)|}表示Tkg分别减去U_(k，g)中对应的各个数值后，对应差值的绝对值中的最小值，

α[U_(k，g)]表示检修清洗的时间区间U_(k，g)中最大时间与最小时间的差值；

S44、得到针对监测区域内所有用户的油烟净化器服务路径的规划路径，所述规划路径为生成的1×2×3×...×i1条服务路径中，对应的服务自适应偏差影响值最小的服务路径，并反馈给管理员。

如图2所示，一种自适应油烟净化器服务管理系统，所述系统包括以下模块：

用户数据采集上传模块，所述用户数据采集上传模块用于构建用户账号，并将用户的油烟净化器与构建的用户账号进行绑定，通过传感器每隔第一时间采集一次油烟净化器的运行数据，并上传到云端内用户账号对应的数据库中；所述用户数据采集上传模块中油烟净化器的运行数据包括运行时间、启动电机的启动电流值、油烟净化器净化前及净化后分别对应的油烟浓度值，所述第一时间为数据库中预置的常数，

油烟堆积量分析模块，所述油烟堆积量分析模块根据用户账号对应的数据库中各个时间点上传的油烟净化器的运行数据，分析用户的油烟净化器使用过程中油烟堆积量的变化情况；所述油烟堆积量分析模块内，油烟净化器使用过程中油烟堆积量是指风机叶轮上的油烟堆积量，风机与油烟净化器相连且风机位于油烟净化器之后；

异常风险评估模块，所述异常风险评估模块获取用户的油烟净化器与炉体之间的距离，得到油烟净化器内外最大温度差与油烟堆积量之间的关系，结合油烟堆积量分析模块中的分析结果评估油烟净化器的异常风险值，并预测用户的油烟净化器下一次的检修清洗时间区间；

检修清洗路径规划模块，检修清洗路径规划模块获取同一监测区域内各个用户对应油烟净化器下一次的检修清洗时间区间的预测值，结合用户所属的地理位置，规划针对监测区域内所有用户的油烟净化器服务路径。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种自适应油烟净化器服务管理方法，其特征在于，所述方法包括以下步骤：

S1、构建用户账号，并将用户的油烟净化器与构建的用户账号进行绑定，通过传感器每隔第一时间采集一次油烟净化器的运行数据，并上传到云端内用户账号对应的数据库中；

S2、根据用户账号对应的数据库中各个时间点上传的油烟净化器的运行数据，分析用户的油烟净化器使用过程中油烟堆积量的变化情况；

S3、获取用户的油烟净化器与炉体之间的距离，得到油烟净化器内外最大温度差与油烟堆积量之间的关系，结合S2中的分析结果评估油烟净化器的异常风险值，并预测用户的油烟净化器下一次的检修清洗时间区间；

S4、获取同一监测区域内各个用户对应油烟净化器下一次的检修清洗时间区间的预测值，结合用户所属的地理位置，规划针对监测区域内所有用户的油烟净化器服务路径；

所述S1中油烟净化器的运行数据包括运行时间、启动电机的启动电流值、油烟净化器净化前及净化后分别对应的油烟浓度值，

所述运行时间通过时间传感器检测获取，

所述启动电机的启动电流值是通过启动电机上设置的电流检测传感器获取的，

所述油烟净化器净化前及净化后分别对应的油烟浓度值均是通过油烟传感浓度传感器获取的，

所述第一时间为数据库中预置的常数，

所述S2油烟净化器使用过程中油烟堆积量是指风机叶轮上的油烟堆积量，风机与油烟净化器相连且风机位于油烟净化器之后；

所述S2中分析用户的油烟净化器使用过程中油烟堆积量的变化情况的方法包括以下步骤：

S21、获取用户账号对应的数据库中各个时间点上传的油烟净化器的运行数据，将用户i时间t对应油烟净化器的运行数据记为Ait，所述时间t表示距离相应油烟净化器最近一次检修清洗的间隔时长，

将Ait中的运行时间记为Ait₁，且Ait₁等于t，将Ait中启动电机的启动电流记为Ait₂，将Ait中油烟净化器净化前对应的油烟浓度值记为Ait₃，将Ait中油烟净化器净化后对应的油烟浓度值记为Ait₄；

S22、计算时间t时油烟净化器的运行数据对应的油烟净化效率值，记为Bt，所述Bt＝(Ait₃-Ait₄)/Ait₃；

S23、根据数据库中的油烟净化效率值与油烟堆积量之间的函数关系，预测油烟净化效率值为Bt时对应的油烟堆积量，记为DBt；

S24、根据数据库中启动电机的启动电流与油烟堆积量之间的函数关系，预测启动电机的启动电流为Ait₂时对应的油烟堆积量，记为DAt；

S25、得到用户i时间t时对应的油烟堆积量校准值DZit，DZit＝max{DBt，DAt}，所述max{DBt，DAt}表示DBt与DAt中的最大值；

S26、构建用户i在时间t时对应的第一油烟堆积关系数据对(t，DZit)，并根据二次函数模型在matlab中对t为不同值时对应的各个第一油烟堆积关系数据对进行线性拟合，所述拟合结果对应的函数为用户i的油烟净化器使用过程中油烟堆积量随时间t的变化函数，记为G(t)；

所述数据库中的油烟净化效率值与油烟堆积量之间的函数关系，是运用matlab根据线性回归方程公式对数据库中保存的各个油烟净化效率数据对拟合得到的，每个油烟净化效率数据对中的第一个数据为油烟净化效率值，每个油烟净化效率数据对中的第二个数据为油烟净化效率值对应时间下的油烟堆积量；

所述数据库中启动电机的启动电流与油烟堆积量之间的函数关系，是运用matlab根据线性回归方程公式对数据库中保存的各个启动电流关系数据对拟合得到的，每个启动电流关系数据对中的第一个数据为电机的启动电流，每个启动电流关系数据对中的第二个数据为电机的启动电流对应时间下的油烟堆积量；

所述S3中获取用户的油烟净化器与炉体之间的距离及油烟净化器内温度与油烟堆积量之间的关系时，用户的油烟净化器与炉体之间的距离是定值且在相应油烟净化器安装时采集且保存到数据库中的；

获取油烟净化器内外最大温度差与油烟堆积量之间的关系时，获取用户i的油烟净化器与炉体之间的距离，记为Li，得到油烟净化器内外最大温度差与油烟堆积量之间的关系对应的函数，记为Fi(Li，DZi)，DZi表示用户i对应的油烟堆积量校准值，所述油烟净化器内外最大温度差为油烟净化器使用过程中，油烟堆积量不变时，相应的油烟净化器内外温差的最大值，

获取数据库中油烟堆积量DZi对应的油烟净化器内外最大温度差TC，构建温差数据对(DZi，TC)，运用matlab以为函数模型对DZi为不同值分别对应的各个温差数据进行拟合，所得拟合结果对应的函数为Fi(Li，DZi)，所述c1、c2及c3均为函数模型系数；

所述S3中获取用户的油烟净化器与炉体之间的距离，得到油烟净化器内外最大温度差与油烟堆积量之间的关系，结合S2中的分析结果评估油烟净化器的异常风险值的方法包括以下步骤：

S311、获取油烟净化器内外最大温度差与油烟堆积量之间的关系对应的函数Fi(Li，DZi)；

S312、获取用户i的油烟净化器使用过程中油烟堆积量随时间t的变化函数G(t)；

S313、获取用户i的油烟净化器在历史使用过程中油烟净化器外部温度的最大值，记为Tiw；

S314、得到时间tr时用户i的油烟净化器对应的异常风险值Qitr，

Qitr＝e1*G(tr)+e2*[Fi(Li，G(tr))+Tiw]

其中，e1为第一权重系数，e2为第二权重系数，且e1与e2均为数据库中预置的常数，

G(tr)表示用户i时间tr时对应的油烟堆积量，

Fi(Li，G(tr))表示用户i的油烟净化器与炉体之间的距离为Li时，油烟堆积量G(tr)对应的油烟净化器内外最大温度差，

Fi(Li，G(tr))+Tiw表示用户i的油烟净化器与炉体之间的距离为Li时，油烟堆积量G(tr)对应的油烟净化器内部的最高温度；

S3中预测用户的油烟净化器下一次的检修清洗时间区间的方法包括以下步骤：

S321、获取当前时间距离相应油烟净化器最近一次检修清洗的间隔时长，记为TP；

S322、获取油烟净化器检修清洗的异常风险值区间[Qmin，Qmax]，根据用户i的油烟净化器对应的异常风险值的计算公式，得到用户i的油烟净化器相邻两次检修清洗的隔间时间区间[tmin，tmax]，

所述Qmin为数据库中预置的油烟净化器检修清洗时最小的异常风险值，所述Qmax为数据库中预置的油烟净化器检修清洗时最大的异常风险值，

所述tmin表示用户i的油烟净化器相邻两次检修清洗的最小隔间时间，tmin为Qitr等于Qmin时，Qitr＝e1*G(tr)+e2*[Fi(Li，G(tr))+Tiw]中tr对应的值，

所述tmax表示用户i的油烟净化器相邻两次检修清洗的最大隔间时间，tmax为Qitr等于Qmax时，Qitr＝e1*G(tr)+e2*[Fi(Li，G(tr))+Tiw]中tr对应的值；

S323、得到用户i的油烟净化器下一次的检修清洗时间区间的预测值Ui，所述Ui＝[TSmin，TSmax]，所述TSmin＝tmin-TP+TH，所述TSmax＝tmax-TP+TH，

其中，TH表示当前时间对应的时间点。

2.根据权利要求1所述的一种自适应油烟净化器服务管理方法，其特征在于：所述S4中规划针对监测区域内所有用户的油烟净化器服务路径的方法包括以下步骤：

S41、获取监测区域内所有用户的油烟净化器下一次检修清洗分别对应的时间区间，并得到监测区域内所有用户的油烟净化器下一次检修清洗的综合时间区间UZi，

UZi＝U1∪U2∪...∪Ui...∪Ui1，

其中，U1表示监测区域内第一个用户的油烟净化器下一次检修清洗的时间区间，U2表示监测区域内第二个用户的油烟净化器下一次检修清洗的时间区间，Ui表示监测区域内第i个用户的油烟净化器下一次检修清洗的时间区间，Ui1表示监测区域内第i1个用户的油烟净化器下一次检修清洗的时间区间，且监测区域内用户的总个数为i1；

S42、获取监测区域内用户i对应的地理位置，记为Mi，将i为不同值时对应的各个Mi进行组合排序，生成不同的服务路径，每条服务路径对应一个组合排序结果，组合排序结果的个数为1×2×3×...×i1；

S43、计算每条服务路径的服务自适应偏差影响值，将第k条服务路径的服务自适应偏差影响值记为βk，

Tkg＝Tk(g-1)+tq+Y_(k,g)/v0

当Tkg∈U_(k，g)时，

E(Tkg，U_(k,g))＝0

当时，

E(Tkg，U_(k,g))＝(1/α[U_(k,g)])*min{|Tkg-U_(k,g)|}

其中，E(Tkg，U_(k，g))表示第k条服务路径中第g个地理位置对应用户的服务自适应偏差影响值，

Tkg表示第k条服务路径中第g个地理位置对应用户的检修清洗开始时间，

当g＝2时，Tk(g-1)表示第k条服务路径中第1个地理位置对应用户的检修清洗开始时间，且Tk(g-1)的值等于相应用户的油烟净化器下一次检修清洗的时间区间中的最小值；

U_(k，g)表示第k条服务路径中第g个地理位置对应用户的油烟净化器下一次检修清洗的时间区间，

tq表示数据库中预置的检修清洗一次油烟净化器所需的时长，

Y_(k，g)表示第k条服务路径中第g-1个地理位置与第g个地理位置之间的距离，

v0表示数据库中预置的去给用户检修清洗油烟净化器过程中移动速度，

min{|Tkg-U_(k，g)|}表示Tkg分别减去U_(k，g)中对应的各个数值后，对应差值的绝对值中的最小值,

α[U_(k，g)]表示检修清洗的时间区间U_(k，g)中最大时间与最小时间的差值；

S44、得到针对监测区域内所有用户的油烟净化器服务路径的规划路径，所述规划路径为生成的1×2×3×...×i1条服务路径中，对应的服务自适应偏差影响值最小的服务路径，并反馈给管理员。

3.应用权利要求1-2中任意一项所述的一种自适应油烟净化器服务管理方法的自适应油烟净化器服务管理系统，其特征在于，所述系统包括以下模块：

用户数据采集上传模块，所述用户数据采集上传模块用于构建用户账号，并将用户的油烟净化器与构建的用户账号进行绑定，通过传感器每隔第一时间采集一次油烟净化器的运行数据，并上传到云端内用户账号对应的数据库中；

油烟堆积量分析模块，所述油烟堆积量分析模块根据用户账号对应的数据库中各个时间点上传的油烟净化器的运行数据，分析用户的油烟净化器使用过程中油烟堆积量的变化情况；

异常风险评估模块，所述异常风险评估模块获取用户的油烟净化器与炉体之间的距离，得到油烟净化器内外最大温度差与油烟堆积量之间的关系，结合油烟堆积量分析模块中的分析结果评估油烟净化器的异常风险值，并预测用户的油烟净化器下一次的检修清洗时间区间；

检修清洗路径规划模块，检修清洗路径规划模块获取同一监测区域内各个用户对应油烟净化器下一次的检修清洗时间区间的预测值，结合用户所属的地理位置，规划针对监测区域内所有用户的油烟净化器服务路径。

4.根据权利要求3所述的一种自适应油烟净化器服务管理系统，其特征在于：所述用户数据采集上传模块中油烟净化器的运行数据包括运行时间、启动电机的启动电流值、油烟净化器净化前及净化后分别对应的油烟浓度值，所述第一时间为数据库中预置的常数，

所述油烟堆积量分析模块内，油烟净化器使用过程中油烟堆积量是指风机叶轮上的油烟堆积量，风机与油烟净化器相连且风机位于油烟净化器之后。