CN116611006B - 基于用户反馈的电水壶的故障识别方法及装置 - Google Patents
基于用户反馈的电水壶的故障识别方法及装置 Download PDFInfo
- Publication number
- CN116611006B CN116611006B CN202310578701.2A CN202310578701A CN116611006B CN 116611006 B CN116611006 B CN 116611006B CN 202310578701 A CN202310578701 A CN 202310578701A CN 116611006 B CN116611006 B CN 116611006B
- Authority
- CN
- China
- Prior art keywords
- working
- data
- problem report
- fault
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 113
- 238000003062 neural network model Methods 0.000 claims description 79
- 238000012216 screening Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 abstract description 27
- 238000012544 monitoring process Methods 0.000 abstract description 23
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000001914 filtration Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
- A47J27/00—Cooking-vessels
- A47J27/21—Water-boiling vessels, e.g. kettles
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Food Science & Technology (AREA)
- Cookers (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于用户反馈的电水壶的故障识别方法及装置，该方法包括：获取多个用户在历史时间段反馈的目标电水壶的历史问题报告；获取所述目标电水壶的在所述历史时间段的历史工作数据；根据所述历史问题报告和所述历史工作数据，基于神经网络预测模型，确定所述目标电水壶的不同工作部件的故障情况；根据所述目标电水壶的不同工作部件的故障情况，获取所述目标电水壶存在故障的工作部件的实时工作数据，以储存得到故障分析数据库。可见，本发明能够基于电水壶的历史问题报告和工作数据，来确定出电水壶的不同部件对应的故障情况，从而能够实现更加智能和全面地对电水壶进行部件级别的维护和故障监控，提高设备维护的效率和智能化程度。
Description
技术领域
本发明涉及设备故障维护技术领域，尤其涉及一种基于用户反馈的电水壶的故障识别方法及装置。
背景技术
随着智能家居技术的发展，越来越多的智能家居设备引入了设备智能维护技术，以通过多种技术来实现设备的故障监控，例如可以通过图像识别或是传感器识别来实现设备的故障监控或识别。
但现有技术在面对电水壶的设备故障识别问题时，仍然采用传统的用户反馈或是人工检查的方式来监控，没有考虑到利用智能化的电水壶设备的部件工作数据以及算法模型来实现更加高效和智能化的监控。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于用户反馈的电水壶的故障识别方法及装置，能够实现更加智能和全面地对电水壶进行部件级别的维护和故障监控，提高设备维护的效率和智能化程度。
为了解决上述技术问题，本发明第一方面公开了一种基于用户反馈的电水壶的故障识别方法，所述方法包括：
获取多个用户在历史时间段反馈的目标电水壶的历史问题报告；
获取所述目标电水壶的在所述历史时间段的历史工作数据；
根据所述历史问题报告和所述历史工作数据，基于神经网络预测模型，确定所述目标电水壶的不同工作部件的故障情况；
根据所述目标电水壶的不同工作部件的故障情况，获取所述目标电水壶存在故障的工作部件的实时工作数据，以储存得到故障分析数据库。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述历史问题报告和所述历史工作数据，基于神经网络预测模型，确定所述目标电水壶的不同工作部件的故障情况，包括：
根据所述历史问题报告，确定所述目标电水壶的每一工作部件对应的问题报告数据；
根据所述历史工作数据，确定每一所述工作部件对应的部件工作数据；
根据每一所述工作部件对应的所述问题报告数据和部件工作数据，基于神经网络预测模型，确定每一所述工作部件对应的故障情况。
作为一种可选的实施方式，在本发明第一方面中，所述根据每一所述工作部件对应的所述问题报告数据和部件工作数据，基于神经网络预测模型，确定每一所述工作部件对应的故障情况，包括：
根据每一所述工作部件对应的所述问题报告数据和部件工作数据，基于真实性预测神经网络模型和筛选算法，筛选得到每一所述工作部件对应的真实问题报告数据：
将每一所述工作部件对应的所述真实问题报告数据和所述部件工作数据输入至故障预测神经网络模型，以得到输出的每一所述工作部件对应的部件故障预测概率；所述故障预测神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和故障标注的第一训练数据集训练得到。
作为一种可选的实施方式，在本发明第一方面中，所述根据每一所述工作部件对应的所述问题报告数据和部件工作数据，基于真实性预测神经网络模型和筛选算法，筛选得到每一所述工作部件对应的真实问题报告数据，包括：
对于每一所述工作部件，将该工作部件的所有所述问题报告数据输入至第一神经网络模型中，以得到输出的每一所述问题报告数据对应的第一真实性预测概率；所述第一神经网络模型通过包括有多个训练问题报告数据集合和对应的真实性标注的训练数据集训练得到；
将该工作部件的每一所述问题报告数据和对应的同一历史时间段的所述部件工作数据输入至第二神经网络模型，以得到输出的每一所述问题报告对应的第二真实性预测概率；所述第二神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和真实性标注的训练数据集训练得到；
根据所述第一真实性预测概率和所述第二真实性预测概率，计算每一所述问题报告数据对应的真实性参数；
根据所述真实性参数，对该工作部件对应的所有所述问题报告数据进行筛选，得到该工作部件对应的所述真实性参数大于预设的参数阈值的真实问题报告数据。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述第一真实性预测概率和所述第二真实性预测概率，计算每一所述问题报告数据对应的真实性参数，包括：
计算每一所述问题报告数据对应的所述第一真实性预测概率和所述第二真实性预测概率的加权求和值，以得到每一所述问题报告数据对应的真实性参数；其中，所述第一真实性预测概率或所述第二真实性预测概率的计算权重包括第一权重和第二权重；所述第一权重与对应的神经网络模型的训练预测准确率成正比；所述第二权重与对应的问题报告数据在所述目标电水壶的所有真实的问题报告数据的历史出现次数成正比。
作为一种可选的实施方式，在本发明第一方面中，所述第一神经网络模型和所述第二神经网络模型通过同一套第二训练数据集进行训练；所述第二训练数据集包括多个训练问题报告数据集合和对应的第一真实性标注，以及所述训练问题报告数据集合中每一训练问题报告数据对应的训练部件工作数据和第二真实性标注。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标电水壶的不同工作部件的故障情况，获取所述目标电水壶存在故障的工作部件的实时工作数据，包括：
根据每一所述工作部件对应的部件故障预测概率，筛选出所述目标电水壶的所有所述部件故障预测概率高于预设的概率阈值的工作部件，得到多个故障工作部件；
获取每一所述故障工作部件的实时工作数据；
以及，所述方法还包括：
将所述实时工作数据输入至第三神经网络模型进行预测，以得到输出的预测故障类型；所述第三神经网络模型通过所述第一训练数据集训练得到；
对所述预测故障类型以及所述故障工作部件对应的所述问题报告数据进行匹配，在不匹配的情况下，将所述问题报告数据确定为不真实的问题报告数据，并从所述故障分析数据库中删除。
本发明第二方面公开了一种基于用户反馈的电水壶的故障识别装置，所述装置包括：
第一获取模块，用于获取多个用户在历史时间段反馈的目标电水壶的历史问题报告；
第二获取模块，用于获取所述目标电水壶的在所述历史时间段的历史工作数据；
确定模块，用于根据所述历史问题报告和所述历史工作数据，基于神经网络预测模型，确定所述目标电水壶的不同工作部件的故障情况；
储存模块，用于根据所述目标电水壶的不同工作部件的故障情况，获取所述目标电水壶存在故障的工作部件的实时工作数据，以储存得到故障分析数据库。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述历史问题报告和所述历史工作数据，基于神经网络预测模型，确定所述目标电水壶的不同工作部件的故障情况的具体方式，包括：
根据所述历史问题报告，确定所述目标电水壶的每一工作部件对应的问题报告数据；
根据所述历史工作数据，确定每一所述工作部件对应的部件工作数据；
根据每一所述工作部件对应的所述问题报告数据和部件工作数据，基于神经网络预测模型，确定每一所述工作部件对应的故障情况。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据每一所述工作部件对应的所述问题报告数据和部件工作数据，基于神经网络预测模型，确定每一所述工作部件对应的故障情况的具体方式，包括：
根据每一所述工作部件对应的所述问题报告数据和部件工作数据，基于真实性预测神经网络模型和筛选算法，筛选得到每一所述工作部件对应的真实问题报告数据：
将每一所述工作部件对应的所述真实问题报告数据和所述部件工作数据输入至故障预测神经网络模型，以得到输出的每一所述工作部件对应的部件故障预测概率；所述故障预测神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和故障标注的第一训练数据集训练得到。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据每一所述工作部件对应的所述问题报告数据和部件工作数据，基于真实性预测神经网络模型和筛选算法，筛选得到每一所述工作部件对应的真实问题报告数据的具体方式，包括：
对于每一所述工作部件，将该工作部件的所有所述问题报告数据输入至第一神经网络模型中，以得到输出的每一所述问题报告数据对应的第一真实性预测概率；所述第一神经网络模型通过包括有多个训练问题报告数据集合和对应的真实性标注的训练数据集训练得到；
将该工作部件的每一所述问题报告数据和对应的同一历史时间段的所述部件工作数据输入至第二神经网络模型，以得到输出的每一所述问题报告对应的第二真实性预测概率；所述第二神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和真实性标注的训练数据集训练得到；
根据所述第一真实性预测概率和所述第二真实性预测概率，计算每一所述问题报告数据对应的真实性参数；
根据所述真实性参数，对该工作部件对应的所有所述问题报告数据进行筛选，得到该工作部件对应的所述真实性参数大于预设的参数阈值的真实问题报告数据。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述第一真实性预测概率和所述第二真实性预测概率，计算每一所述问题报告数据对应的真实性参数的具体方式，包括：
计算每一所述问题报告数据对应的所述第一真实性预测概率和所述第二真实性预测概率的加权求和值，以得到每一所述问题报告数据对应的真实性参数；其中，所述第一真实性预测概率或所述第二真实性预测概率的计算权重包括第一权重和第二权重；所述第一权重与对应的神经网络模型的训练预测准确率成正比；所述第二权重与对应的问题报告数据在所述目标电水壶的所有真实的问题报告数据的历史出现次数成正比。
作为一种可选的实施方式，在本发明第二方面中，所述第一神经网络模型和所述第二神经网络模型通过同一套第二训练数据集进行训练；所述第二训练数据集包括多个训练问题报告数据集合和对应的第一真实性标注，以及所述训练问题报告数据集合中每一训练问题报告数据对应的训练部件工作数据和第二真实性标注。
作为一种可选的实施方式，在本发明第二方面中，所述储存模块根据所述目标电水壶的不同工作部件的故障情况，获取所述目标电水壶存在故障的工作部件的实时工作数据的具体方式，包括：
根据每一所述工作部件对应的部件故障预测概率，筛选出所述目标电水壶的所有所述部件故障预测概率高于预设的概率阈值的工作部件，得到多个故障工作部件；
获取每一所述故障工作部件的实时工作数据；
以及，所述装置还包括删除模块，用于执行以下操作：
将所述实时工作数据输入至第三神经网络模型进行预测，以得到输出的预测故障类型；所述第三神经网络模型通过所述第一训练数据集训练得到；
对所述预测故障类型以及所述故障工作部件对应的所述问题报告数据进行匹配，在不匹配的情况下，将所述问题报告数据确定为不真实的问题报告数据，并从所述故障分析数据库中删除。
本发明第三方面公开了另一种基于用户反馈的电水壶的故障识别装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于用户反馈的电水壶的故障识别方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于用户反馈的电水壶的故障识别方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明能够基于神经网络预测模型，以及电水壶的历史问题报告和工作数据，来确定出电水壶的不同部件对应的故障情况，从而能够实现更加智能和全面地对电水壶进行部件级别的维护和故障监控，提高设备维护的效率和智能化程度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例公开的一种基于用户反馈的电水壶的故障识别方法的流程示意图；
图2是本发明实施例公开的一种基于用户反馈的电水壶的故障识别装置的结构示意图；
图3是本发明实施例公开的另一种基于用户反馈的电水壶的故障识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于用户反馈的电水壶的故障识别方法及装置，能够基于神经网络预测模型，以及电水壶的历史问题报告和工作数据，来确定出电水壶的不同部件对应的故障情况，从而能够实现更加智能和全面地对电水壶进行部件级别的维护和故障监控，提高设备维护的效率和智能化程度。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于用户反馈的电水壶的故障识别方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该基于用户反馈的电水壶的故障识别方法可以包括以下操作：
101、获取多个用户在历史时间段反馈的目标电水壶的历史问题报告。
可选的，历史问题报告的数据类型可以为文本、语音或图像、视频等数据，可以进一步的采用相应的数据分析算法来提取出其中的问题数据，例如问题的类型和问题的描述。
102、获取目标电水壶的在历史时间段的历史工作数据。
可选的，历史工作数据可以包括由不同工作部件对应的工作数据，具体的，工作部件可以为电水壶的加热部件、图像获取部件、温度传感部件、湿度传感部件、处理器部件或其他具备通信记录功能的工作部件。
103、根据历史问题报告和历史工作数据，基于神经网络预测模型，确定目标电水壶的不同工作部件的故障情况。
104、根据目标电水壶的不同工作部件的故障情况，获取目标电水壶存在故障的工作部件的实时工作数据，以储存得到故障分析数据库。
可选的，故障分析数据库可以用于在后续建立对电水壶的设备类型对应的故障分析算法模型或是设备研发时提供参照或数据。
可见，实施本发明实施例所描述的方法能够基于神经网络预测模型，以及电水壶的历史问题报告和工作数据，来确定出电水壶的不同部件对应的故障情况，从而能够实现更加智能和全面地对电水壶进行部件级别的维护和故障监控，提高设备维护的效率和智能化程度。
作为一种可选的实施例，上述步骤中的，根据历史问题报告和历史工作数据，基于神经网络预测模型，确定目标电水壶的不同工作部件的故障情况，包括：
根据历史问题报告，确定目标电水壶的每一工作部件对应的问题报告数据；
根据历史工作数据，确定每一工作部件对应的部件工作数据；
根据每一工作部件对应的问题报告数据和部件工作数据，基于神经网络预测模型，确定每一工作部件对应的故障情况。
通过上述实施例，根据每一工作部件对应的问题报告数据和部件工作数据，基于神经网络预测模型来确定每一工作部件对应的故障情况，从而能够准确确定每一部件的故障情况，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，上述步骤中的，根据每一工作部件对应的问题报告数据和部件工作数据，基于神经网络预测模型，确定每一工作部件对应的故障情况，包括：
根据每一工作部件对应的问题报告数据和部件工作数据，基于真实性预测神经网络模型和筛选算法，筛选得到每一工作部件对应的真实问题报告数据：
将每一工作部件对应的真实问题报告数据和部件工作数据输入至故障预测神经网络模型，以得到输出的每一工作部件对应的部件故障预测概率；故障预测神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和故障标注的第一训练数据集训练得到。
通过上述实施例，能够先根据真实性预测神经网络模型和筛选算法筛选得到真实问题报告数据，再基于故障预测神经网络模型来确定每一工作部件对应的故障情况，从而能够根据真实的问题报告来准确确定每一部件的故障情况，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，上述步骤中的，根据每一工作部件对应的问题报告数据和部件工作数据，基于真实性预测神经网络模型和筛选算法，筛选得到每一工作部件对应的真实问题报告数据，包括：
对于每一工作部件，将该工作部件的所有问题报告数据输入至第一神经网络模型中，以得到输出的每一问题报告数据对应的第一真实性预测概率；第一神经网络模型通过包括有多个训练问题报告数据集合和对应的真实性标注的训练数据集训练得到；
将该工作部件的每一问题报告数据和对应的同一历史时间段的部件工作数据输入至第二神经网络模型，以得到输出的每一问题报告对应的第二真实性预测概率；第二神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和真实性标注的训练数据集训练得到；
根据第一真实性预测概率和第二真实性预测概率，计算每一问题报告数据对应的真实性参数；
根据真实性参数，对该工作部件对应的所有问题报告数据进行筛选，得到该工作部件对应的真实性参数大于预设的参数阈值的真实问题报告数据。
通过上述实施例，能够根据两个神经网络模型来综合确定问题报告数据的真实性，再筛选得到真实问题报告数据，从而能够在后续根据真实的问题报告来准确确定每一部件的故障情况，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，上述步骤中的，根据第一真实性预测概率和第二真实性预测概率，计算每一问题报告数据对应的真实性参数，包括：
计算每一问题报告数据对应的第一真实性预测概率和第二真实性预测概率的加权求和值，以得到每一问题报告数据对应的真实性参数；其中，第一真实性预测概率或第二真实性预测概率的计算权重包括第一权重和第二权重；第一权重与对应的神经网络模型的训练预测准确率成正比；第二权重与对应的问题报告数据在目标电水壶的所有真实的问题报告数据的历史出现次数成正比。
可选的，第二权重也可以跟对应的问题报告数据在目标电水壶的所有真实的问题报告数据的数量占比成正比。
可选的，可以通过权重计算算法以及操作人员的经验或实验数据，来确定第一权重或第二权重，并在实际实施的过程中的进行调整以达到最佳的筛选效果。
通过上述实施例，能够根据第一真实性预测概率和第二真实性预测概率的加权求和值来综合确定问题报告数据的真实性，从而能够在后续根据真实的问题报告来准确确定每一部件的故障情况，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，上述步骤中的，第一神经网络模型和第二神经网络模型通过同一套第二训练数据集进行训练；第二训练数据集包括多个训练问题报告数据集合和对应的第一真实性标注，以及训练问题报告数据集合中每一训练问题报告数据对应的训练部件工作数据和第二真实性标注。
通过上述实施例，能够通过同一第二训练数据集来同时训练第一神经网络模型和第二神经网络模型，以使得两个模型的模型参数之间获得关联性，以使得后续两个模型的输出预测结果能够用来做加权计算，且最终的计算结果也更加真实，后续可以用两个模型的输出概率的加权求和值来综合确定问题报告数据的真实性，从而能够在后续根据真实的问题报告来准确确定每一部件的故障情况，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，上述步骤中的，根据目标电水壶的不同工作部件的故障情况，获取目标电水壶存在故障的工作部件的实时工作数据，包括：
根据每一工作部件对应的部件故障预测概率，筛选出目标电水壶的所有部件故障预测概率高于预设的概率阈值的工作部件，得到多个故障工作部件；
获取每一故障工作部件的实时工作数据。
通过上述实施例，能够筛选出目标电水壶的所有部件故障预测概率高于预设的概率阈值的工作部件，从而能够取每一故障工作部件的实时工作数据，建立起故障分析数据库，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，该方法还包括：
将实时工作数据输入至第三神经网络模型进行预测，以得到输出的预测故障类型；第三神经网络模型通过第一训练数据集训练得到；
对预测故障类型以及故障工作部件对应的问题报告数据进行匹配，在不匹配的情况下，将问题报告数据确定为不真实的问题报告数据，并从故障分析数据库中删除。
通过上述实施例，能够通过基于同一训练数据集训练的神经网络来反向预测实时工作数据对应的故障类型，以对原先获取的问题报告数据进行真实性查验，进一步地确定出不真实的问题报告数据，提高故障分析数据库的真实性，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于用户反馈的电水壶的故障识别装置的结构示意图。其中，图2所描述的装置可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该装置可以包括：
第一获取模块201，用于获取多个用户在历史时间段反馈的目标电水壶的历史问题报告。
可选的，历史问题报告的数据类型可以为文本、语音或图像、视频等数据，可以进一步的采用相应的数据分析算法来提取出其中的问题数据，例如问题的类型和问题的描述。
第二获取模块202，用于获取目标电水壶的在历史时间段的历史工作数据。
可选的，历史工作数据可以包括由不同工作部件对应的工作数据，具体的，工作部件可以为电水壶的加热部件、图像获取部件、温度传感部件、湿度传感部件、处理器部件或其他具备通信记录功能的工作部件。
确定模块203，用于根据历史问题报告和历史工作数据，基于神经网络预测模型，确定目标电水壶的不同工作部件的故障情况。
储存模块204，用于根据目标电水壶的不同工作部件的故障情况，获取目标电水壶存在故障的工作部件的实时工作数据，以储存得到故障分析数据库。
可选的，故障分析数据库可以用于在后续建立对电水壶的设备类型对应的故障分析算法模型或是设备研发时提供参照或数据。
可见，实施本发明实施例所描述的装置能够基于神经网络预测模型，以及电水壶的历史问题报告和工作数据，来确定出电水壶的不同部件对应的故障情况，从而能够实现更加智能和全面地对电水壶进行部件级别的维护和故障监控，提高设备维护的效率和智能化程度。
作为一种可选的实施例，确定模块203根据历史问题报告和历史工作数据，基于神经网络预测模型，确定目标电水壶的不同工作部件的故障情况的具体方式，包括：
根据历史问题报告，确定目标电水壶的每一工作部件对应的问题报告数据；
根据历史工作数据，确定每一工作部件对应的部件工作数据；
根据每一工作部件对应的问题报告数据和部件工作数据，基于神经网络预测模型，确定每一工作部件对应的故障情况。
通过上述实施例，根据每一工作部件对应的问题报告数据和部件工作数据，基于神经网络预测模型来确定每一工作部件对应的故障情况，从而能够准确确定每一部件的故障情况，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，确定模块203根据每一工作部件对应的问题报告数据和部件工作数据，基于神经网络预测模型，确定每一工作部件对应的故障情况的具体方式，包括：
根据每一工作部件对应的问题报告数据和部件工作数据，基于真实性预测神经网络模型和筛选算法，筛选得到每一工作部件对应的真实问题报告数据：
将每一工作部件对应的真实问题报告数据和部件工作数据输入至故障预测神经网络模型，以得到输出的每一工作部件对应的部件故障预测概率；故障预测神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和故障标注的第一训练数据集训练得到。
通过上述实施例，能够先根据真实性预测神经网络模型和筛选算法筛选得到真实问题报告数据，再基于故障预测神经网络模型来确定每一工作部件对应的故障情况，从而能够根据真实的问题报告来准确确定每一部件的故障情况，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，确定模块203根据每一工作部件对应的问题报告数据和部件工作数据，基于真实性预测神经网络模型和筛选算法，筛选得到每一工作部件对应的真实问题报告数据的具体方式，包括：
对于每一工作部件，将该工作部件的所有问题报告数据输入至第一神经网络模型中，以得到输出的每一问题报告数据对应的第一真实性预测概率；第一神经网络模型通过包括有多个训练问题报告数据集合和对应的真实性标注的训练数据集训练得到；
将该工作部件的每一问题报告数据和对应的同一历史时间段的部件工作数据输入至第二神经网络模型，以得到输出的每一问题报告对应的第二真实性预测概率；第二神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和真实性标注的训练数据集训练得到；
根据第一真实性预测概率和第二真实性预测概率，计算每一问题报告数据对应的真实性参数；
根据真实性参数，对该工作部件对应的所有问题报告数据进行筛选，得到该工作部件对应的真实性参数大于预设的参数阈值的真实问题报告数据。
通过上述实施例，能够根据两个神经网络模型来综合确定问题报告数据的真实性，再筛选得到真实问题报告数据，从而能够在后续根据真实的问题报告来准确确定每一部件的故障情况，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，确定模块203根据第一真实性预测概率和第二真实性预测概率，计算每一问题报告数据对应的真实性参数的具体方式，包括：
计算每一问题报告数据对应的第一真实性预测概率和第二真实性预测概率的加权求和值，以得到每一问题报告数据对应的真实性参数；其中，第一真实性预测概率或第二真实性预测概率的计算权重包括第一权重和第二权重；第一权重与对应的神经网络模型的训练预测准确率成正比；第二权重与对应的问题报告数据在目标电水壶的所有真实的问题报告数据的历史出现次数成正比。
可选的，第二权重也可以跟对应的问题报告数据在目标电水壶的所有真实的问题报告数据的数量占比成正比。
可选的，可以通过权重计算算法以及操作人员的经验或实验数据，来确定第一权重或第二权重，并在实际实施的过程中的进行调整以达到最佳的筛选效果。
通过上述实施例，能够根据第一真实性预测概率和第二真实性预测概率的加权求和值来综合确定问题报告数据的真实性，从而能够在后续根据真实的问题报告来准确确定每一部件的故障情况，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，第一神经网络模型和第二神经网络模型通过同一套第二训练数据集进行训练；第二训练数据集包括多个训练问题报告数据集合和对应的第一真实性标注，以及训练问题报告数据集合中每一训练问题报告数据对应的训练部件工作数据和第二真实性标注。
通过上述实施例，能够通过同一第二训练数据集来同时训练第一神经网络模型和第二神经网络模型，以使得两个模型的模型参数之间获得关联性，以使得后续两个模型的输出预测结果能够用来做加权计算，且最终的计算结果也更加真实，后续可以用两个模型的输出概率的加权求和值来综合确定问题报告数据的真实性，从而能够在后续根据真实的问题报告来准确确定每一部件的故障情况，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，储存模块204根据目标电水壶的不同工作部件的故障情况，获取目标电水壶存在故障的工作部件的实时工作数据的具体方式，包括：
根据每一工作部件对应的部件故障预测概率，筛选出目标电水壶的所有部件故障预测概率高于预设的概率阈值的工作部件，得到多个故障工作部件；
获取每一故障工作部件的实时工作数据。
通过上述实施例，能够筛选出目标电水壶的所有部件故障预测概率高于预设的概率阈值的工作部件，从而能够取每一故障工作部件的实时工作数据，建立起故障分析数据库，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
作为一种可选的实施例，该装置还包括删除模块，用于执行以下操作：
将实时工作数据输入至第三神经网络模型进行预测，以得到输出的预测故障类型；第三神经网络模型通过第一训练数据集训练得到；
对预测故障类型以及故障工作部件对应的问题报告数据进行匹配，在不匹配的情况下，将问题报告数据确定为不真实的问题报告数据，并从故障分析数据库中删除。
通过上述实施例，能够通过基于同一训练数据集训练的神经网络来反向预测实时工作数据对应的故障类型，以对原先获取的问题报告数据进行真实性查验，进一步地确定出不真实的问题报告数据，提高故障分析数据库的真实性，实现更加智能和全面地对电水壶进行部件级别的维护和故障监控。
实施例三
请参阅图3，图3是本发明实施例公开的另一种基于用户反馈的电水壶的故障识别装置的结构示意图。如图3所示，该装置可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于用户反馈的电水壶的故障识别方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于用户反馈的电水壶的故障识别方法中的部分或全部步骤。
上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
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、设备、非易失性计算机可读存储介质实施例而言，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。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、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、嵌入式处理机或其他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他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他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他可编程数据处理设备上，使得在计算机或其他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，从而在计算机或其他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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
最后应说明的是：本发明实施例公开的一种基于用户反馈的电水壶的故障识别方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (7)
1.一种基于用户反馈的电水壶的故障识别方法，其特征在于，所述方法包括：
获取多个用户在历史时间段反馈的目标电水壶的历史问题报告；
获取所述目标电水壶的在所述历史时间段的历史工作数据；
根据所述历史问题报告，确定所述目标电水壶的每一工作部件对应的问题报告数据；
根据所述历史工作数据，确定每一所述工作部件对应的部件工作数据；
对于每一所述工作部件，将该工作部件的所有所述问题报告数据输入至第一神经网络模型中，以得到输出的每一所述问题报告数据对应的第一真实性预测概率；所述第一神经网络模型通过包括有多个训练问题报告数据集合和对应的真实性标注的训练数据集训练得到；
将该工作部件的每一所述问题报告数据和对应的同一历史时间段的所述部件工作数据输入至第二神经网络模型，以得到输出的每一所述问题报告对应的第二真实性预测概率；所述第二神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和真实性标注的训练数据集训练得到；
根据所述第一真实性预测概率和所述第二真实性预测概率，计算每一所述问题报告数据对应的真实性参数；
根据所述真实性参数，对该工作部件对应的所有所述问题报告数据进行筛选，得到该工作部件对应的所述真实性参数大于预设的参数阈值的真实问题报告数据；
将每一所述工作部件对应的所述真实问题报告数据和所述部件工作数据输入至故障预测神经网络模型，以得到输出的每一所述工作部件对应的部件故障预测概率；所述故障预测神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和故障标注的第一训练数据集训练得到；
根据所述目标电水壶的不同工作部件的故障情况，获取所述目标电水壶存在故障的工作部件的实时工作数据，以储存得到故障分析数据库。
2.根据权利要求1所述的基于用户反馈的电水壶的故障识别方法，其特征在于，所述根据所述第一真实性预测概率和所述第二真实性预测概率，计算每一所述问题报告数据对应的真实性参数，包括：
计算每一所述问题报告数据对应的所述第一真实性预测概率和所述第二真实性预测概率的加权求和值，以得到每一所述问题报告数据对应的真实性参数；其中，所述第一真实性预测概率或所述第二真实性预测概率的计算权重包括第一权重和第二权重；所述第一权重与对应的神经网络模型的训练预测准确率成正比；所述第二权重与对应的问题报告数据在所述目标电水壶的所有真实的问题报告数据的历史出现次数成正比。
3.根据权利要求1或2所述的基于用户反馈的电水壶的故障识别方法，其特征在于，所述第一神经网络模型和所述第二神经网络模型通过同一套第二训练数据集进行训练；所述第二训练数据集包括多个训练问题报告数据集合和对应的第一真实性标注，以及所述训练问题报告数据集合中每一训练问题报告数据对应的训练部件工作数据和第二真实性标注。
4.根据权利要求1所述的基于用户反馈的电水壶的故障识别方法，其特征在于，所述根据所述目标电水壶的不同工作部件的故障情况，获取所述目标电水壶存在故障的工作部件的实时工作数据，包括：
根据每一所述工作部件对应的部件故障预测概率，筛选出所述目标电水壶的所有所述部件故障预测概率高于预设的概率阈值的工作部件，得到多个故障工作部件；
获取每一所述故障工作部件的实时工作数据；
以及，所述方法还包括：
将所述实时工作数据输入至第三神经网络模型进行预测，以得到输出的预测故障类型；所述第三神经网络模型通过所述第一训练数据集训练得到；
对所述预测故障类型以及所述故障工作部件对应的所述问题报告数据进行匹配，在不匹配的情况下，将所述问题报告数据确定为不真实的问题报告数据，并从所述故障分析数据库中删除。
5.一种基于用户反馈的电水壶的故障识别装置，其特征在于，所述装置包括：
第一获取模块，用于获取多个用户在历史时间段反馈的目标电水壶的历史问题报告；
第二获取模块，用于获取所述目标电水壶的在所述历史时间段的历史工作数据；
确定模块，用于根据所述历史问题报告和所述历史工作数据，基于神经网络预测模型，确定所述目标电水壶的不同工作部件的故障情况，具体包括：
根据所述历史问题报告，确定所述目标电水壶的每一工作部件对应的问题报告数据；
根据所述历史工作数据，确定每一所述工作部件对应的部件工作数据；
对于每一所述工作部件，将该工作部件的所有所述问题报告数据输入至第一神经网络模型中，以得到输出的每一所述问题报告数据对应的第一真实性预测概率；所述第一神经网络模型通过包括有多个训练问题报告数据集合和对应的真实性标注的训练数据集训练得到；
将该工作部件的每一所述问题报告数据和对应的同一历史时间段的所述部件工作数据输入至第二神经网络模型，以得到输出的每一所述问题报告对应的第二真实性预测概率；所述第二神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和真实性标注的训练数据集训练得到；
根据所述第一真实性预测概率和所述第二真实性预测概率，计算每一所述问题报告数据对应的真实性参数；
根据所述真实性参数，对该工作部件对应的所有所述问题报告数据进行筛选，得到该工作部件对应的所述真实性参数大于预设的参数阈值的真实问题报告数据；
将每一所述工作部件对应的所述真实问题报告数据和所述部件工作数据输入至故障预测神经网络模型，以得到输出的每一所述工作部件对应的部件故障预测概率；所述故障预测神经网络模型通过包括有多个训练问题报告数据和对应的训练部件工作数据和故障标注的第一训练数据集训练得到；
储存模块，用于根据所述目标电水壶的不同工作部件的故障情况，获取所述目标电水壶存在故障的工作部件的实时工作数据，以储存得到故障分析数据库。
6.一种基于用户反馈的电水壶的故障识别装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-4任一项所述的基于用户反馈的电水壶的故障识别方法。
7.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-4任一项所述的基于用户反馈的电水壶的故障识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310578701.2A CN116611006B (zh) | 2023-05-22 | 2023-05-22 | 基于用户反馈的电水壶的故障识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310578701.2A CN116611006B (zh) | 2023-05-22 | 2023-05-22 | 基于用户反馈的电水壶的故障识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116611006A CN116611006A (zh) | 2023-08-18 |
| CN116611006B true CN116611006B (zh) | 2024-02-20 |
Family
ID=87684854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310578701.2A Active CN116611006B (zh) | 2023-05-22 | 2023-05-22 | 基于用户反馈的电水壶的故障识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116611006B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116796208B (zh) * | 2023-08-23 | 2023-11-24 | 广州吉谷电器有限公司 | 基于历史数据的电水壶过热保护方法及装置 |
| CN118195591A (zh) * | 2024-04-22 | 2024-06-14 | 广东壹健康健康产业集团股份有限公司 | 基于维修记录的指环质量监控方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679649A (zh) * | 2017-09-13 | 2018-02-09 | 珠海格力电器股份有限公司 | 一种电器的故障预测方法、装置、存储介质及电器 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| CN115329840A (zh) * | 2022-07-07 | 2022-11-11 | 深圳市腾讯计算机系统有限公司 | 模型训练方法、故障定位方法、装置及存储介质 |
| CN115456071A (zh) * | 2022-09-08 | 2022-12-09 | 日立楼宇技术（广州）有限公司 | 一种故障报告的核对方法、装置、设备及存储介质 |
| CN115640895A (zh) * | 2022-10-21 | 2023-01-24 | 华能烟台新能源有限公司 | 一种变压器故障预测方法、装置及电子设备 |
-
2023
- 2023-05-22 CN CN202310578701.2A patent/CN116611006B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679649A (zh) * | 2017-09-13 | 2018-02-09 | 珠海格力电器股份有限公司 | 一种电器的故障预测方法、装置、存储介质及电器 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| CN115329840A (zh) * | 2022-07-07 | 2022-11-11 | 深圳市腾讯计算机系统有限公司 | 模型训练方法、故障定位方法、装置及存储介质 |
| CN115456071A (zh) * | 2022-09-08 | 2022-12-09 | 日立楼宇技术（广州）有限公司 | 一种故障报告的核对方法、装置、设备及存储介质 |
| CN115640895A (zh) * | 2022-10-21 | 2023-01-24 | 华能烟台新能源有限公司 | 一种变压器故障预测方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于BP神经网络模型的故障预测分析;何勇枢;陈赣;;微计算机信息(16);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116611006A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116611006B (zh) | 基于用户反馈的电水壶的故障识别方法及装置 | |
| CN109711440B (zh) | 一种数据异常检测方法和装置 | |
| CN109255486B (zh) | 一种策略配置的优化方法及装置 | |
| CN110008080A (zh) | 基于时间序列的业务指标异常检测方法、装置和电子设备 | |
| CN112148768A (zh) | 一种指标时间序列异常检测方法、系统及存储介质 | |
| CN110472802B (zh) | 一种数据特征评估方法、装置及设备 | |
| CN111524118B (zh) | 变压器的运行状态检测方法、装置、计算机设备和存储介质 | |
| CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
| CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
| CN112511818A (zh) | 视频播放质量检测方法、装置 | |
| CN110188793B (zh) | 数据异常分析方法及装置 | |
| CN112882934B (zh) | 基于缺陷增长的测试分析方法及系统 | |
| CN110838306A (zh) | 语音信号检测方法、计算机存储介质及相关设备 | |
| CN112446389A (zh) | 一种故障判别方法及装置 | |
| CN117227177A (zh) | 基于设备间监督的多任务打印控制方法及系统 | |
| CN116482460A (zh) | 电网设备故障诊断方法及相关设备 | |
| CN115827318A (zh) | 数据中心的异常处理方法、装置、电子设备及介质 | |
| CN108470242A (zh) | 风险管控方法、装置、及服务器 | |
| CN113361811A (zh) | 运行状态预测方法、系统、设备及计算机可读存储介质 | |
| CN117475367B (zh) | 基于多规则协调的污水图像处理方法及系统 | |
| CN116796208B (zh) | 基于历史数据的电水壶过热保护方法及装置 | |
| CN117216505B (zh) | 基于智慧家居使用记录的用户习惯预测方法及系统 | |
| JP7123267B1 (ja) | 運転改善支援プログラム、運転改善支援装置および運転改善支援方法 | |
| CN116560993A (zh) | 测试环境的构建方法、装置、处理器以及电子设备 | |
| CN117221846A (zh) | 多蓝牙传感器的自组网方法及蓝牙网络 |
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 |