烹饪设备故障预测方法和装置与流程

1.本发明涉及烹饪设备技术领域，尤其涉及一种烹饪设备故障预测方法和装置。


背景技术：

2.随着烹饪设备智能化程度的提升，烹饪设备中的零部件的数量也在逐步增加，因此，烹饪设备出现故障的概率大大提升。若在烹饪设备发生故障后才对其进行维修，则会消耗较高的财力，所以有必要对烹饪设备进行故障预测。然而现有的烹饪设备大多依靠预先设定的故障预警规则进行定性的故障预测，还没有一种基于数字孪生系统对烹饪设备进行故障预测的技术方案。


技术实现要素：

3.本发明提供一种烹饪设备故障预测方法和装置，用以解决现有技术中烹饪设备大多依靠预先设定的故障预警规则进行定性的故障预测，还没有基于数字孪生系统对烹饪设备进行故障预测的技术方案的缺陷。
4.本发明提供一种烹饪设备故障预测方法，包括：
5.基于数字孪生技术建立与烹饪设备相对应的虚拟烹饪设备；
6.获取所述虚拟烹饪设备的运行数据；
7.输入所述虚拟烹饪设备的运行数据至故障预测模型，获得所述故障预测模型输出的故障预测结果，其中，所述故障预测模型基于所述烹饪设备的历史故障数据训练得到。
8.根据本发明提供的一种烹饪设备故障预测方法，所述获取所述虚拟烹饪设备的运行数据，包括：
9.获取所述烹饪设备的运行数据；
10.将所述烹饪设备的运行数据加载于所述虚拟烹饪设备，得到所述虚拟烹饪设备的运行数据。
11.根据本发明提供的一种烹饪设备故障预测方法，所述故障预测模型基于所述烹饪设备的历史故障数据训练得到，包括：
12.所述故障预测模型基于所述烹饪设备的历史故障数据对贝叶斯网络训练得到，包括：
13.将所述烹饪设备的历史故障数据划分为训练集和测试集，对训练集进行数据预处理，得到故障特征集；
14.对所述故障特征集进行聚类分析，得到故障事项集，根据所述故障事项集生成关联规则；其中，所述根据所述故障事项集生成关联规则的步骤包括从所述故障事项集中提取频繁事项，频繁事项指的是发生频次大于等于设定阈值的事项，然后根据所述频繁事项形成关联规则；
15.根据所述关联规则映射至静态贝叶斯网络，设定所述静态贝叶斯网络的参数值，得到初始故障预测模型；
16.基于所述测试集对所述初始故障预测模型进行测试，若所述初始故障预测模型的输出误差大于或等于设定值，则调整所述初始故障预测模型的参数值，直至所述初始故障预测模型的输出误差低于设定值，得到故障预测模型。
17.根据本发明提供的一种烹饪设备故障预测方法，所述故障预测结果包括故障预测概率列表和故障原因概率列表。
18.根据本发明提供的一种烹饪设备故障预测方法，还包括：
19.输入所述故障预测结果至故障预测判定模型，获得所述故障预测判定模型输出的故障预测判定结果，其中，所述故障预测判定模型基于预设的故障和预设的故障原因训练得到。
20.根据本发明提供的一种烹饪设备故障预测方法，还包括：
21.根据所述烹饪设备的历史故障数据、所述故障预测判定结果、所述预设的故障和预设的故障原因对所述故障预测模型进行调整。
22.本发明还提供一种烹饪设备故障预测装置，包括：
23.建立模块，用于基于数字孪生技术建立与烹饪设备相对应的虚拟烹饪设备；
24.获取模块，用于获取所述虚拟烹饪设备的运行数据；
25.预测模块，用于输入所述虚拟烹饪设备的运行数据至故障预测模型，获得所述故障预测模型输出的故障预测结果，其中，所述故障预测模型基于所述烹饪设备的历史故障数据训练得到。
26.本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述烹饪设备故障预测方法。
27.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述烹饪设备故障预测方法。
28.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现所述烹饪设备故障预测方法。
29.本发明提供的烹饪设备故障预测方法和装置，基于数字孪生技术建立虚拟烹饪设备，对虚拟烹饪设备进行故障预测进而实现对烹饪设备的故障预测。
附图说明
30.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
31.图1是本发明实施例提供的烹饪设备故障预测方法的流程示意图；
32.图2是本发明实施例提供的图1中步骤s120的流程示意图；
33.图3是本发明实施例提供的故障预测模型的训练流程示意图；
34.图4是本发明实施例提供的烹饪设备故障预测装置的结构示意图；
35.图5是本发明提供的电子设备的结构示意图。
具体实施方式
36.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
37.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
38.图1是本发明实施例提供的烹饪设备故障预测方法的流程示意图，参照图1，本发明提供一种烹饪设备故障预测方法，包括：
39.s110，基于数字孪生技术建立与烹饪设备相对应的虚拟烹饪设备；
40.s120，获取所述虚拟烹饪设备的运行数据；
41.s130，输入所述虚拟烹饪设备的运行数据至故障预测模型，获得所述故障预测模型输出的故障预测结果，其中，所述故障预测模型基于所述烹饪设备的历史故障数据训练得到。
42.在步骤s110中，基于数字孪生技术建立与烹饪设备相对应的虚拟烹饪设备，根据数字孪生技术的特点可知，虚拟烹饪设备是在数据空间对物理空间的烹饪设备的映射，可以为烹饪设备提供数据分析、状态预测等辅助功能，还可以帮助烹饪设备进行优化。在虚拟烹饪设备的创建过程中，会根据烹饪设备的组成、特征、功能和性能对虚拟烹饪设备进行数字化定义。
43.虚拟烹饪设备可通过软件建模得到，软件为数字孪生技术中建模常用的3d建模软件，可在上述软件中自行创建得到与所述烹饪设备相对应的虚拟烹饪设备，也可对上述软件提供的零件范例进行组合，创建得到与所述烹饪设备相对应的虚拟烹饪设备。
44.在步骤s120中，获取所述虚拟烹饪设备的运行数据以便后续的故障预测使用，无需再从烹饪设备中获取运行数据。所述虚拟烹饪设备的运行数据一方面可对烹饪设备的运行状态进行可视化展示，另一方面实现了对烹饪设备的运行数据的预处理，缩短了故障预测模型的数据输入环节所需的时间。
45.在步骤s130中，将所述虚拟烹饪设备的运行数据输入至故障预测模型，获得所述故障预测模型输出的故障预测结果，提高了故障预测的准确性。
46.现有的烹饪设备因本身的计算能力有限，没有建立对应的数学模型，只能依靠预先设定的故障预警规则进行定性的故障预测，导致故障预测的准确度较小。
47.本发明基于所述烹饪设备的历史故障数据训练得到所述故障预测模型，对所述烹饪设备的故障本质进行了深入的研究和分析，并结合所述烹饪设备的历史故障数据，选择对应的模型参数并修正，最终得到的故障预测模型能够实现对所述虚拟烹饪设备运行情况的预测，判断所述虚拟烹饪设备出现故障的概率。需要注意的是，因为所述虚拟烹饪设备为
烹饪设备的数字孪生体，所以虚拟烹饪设备的故障预测可以作为对烹饪设备的故障预测。
48.可以理解的是，本发明实施例提供了一种基于数字孪生系统对烹饪设备进行故障预测的技术方案，还通过所述故障预测模型进行故障预测，大大提高了故障预测的准确性。
49.在上述实施例的基础上，作为一个可选的实施例，如图2所示，所述获取所述虚拟烹饪设备的运行数据，包括：
50.s210，获取所述烹饪设备的运行数据。
51.s220，将所述烹饪设备的运行数据加载于所述虚拟烹饪设备，得到所述虚拟烹饪设备的运行数据。
52.在步骤s210中，可以通过网络连接获取所述烹饪设备的运行数据，例如，直接从所述烹饪设备处获取运行数据，或者，从服务器处获取运行数据，服务器处的运行数据由所述烹饪设备上传得到。
53.可以理解的是，本发明提供的烹饪设备故障预测方法，可以批量获取多个烹饪设备的运行数据，为后续的故障预测提供数据基础。另外，针对食品加工厂或食品加工流水线等需要大量烹饪设备或者大型烹饪设备的情况，其产生的运行数据较多，服务器可以协助进行数据处理，加快数据处理速度，提高故障预测速度。
54.在步骤s220中，将所述烹饪设备的运行数据加载于所述虚拟烹饪设备包括：识别每条所述烹饪设备的运行数据所对应的部件，然后从所述虚拟烹饪设备中找到同样的虚拟部件，将每条所述烹饪设备的运行数据与所述虚拟部件关联起来。
55.可以理解的是，本技术实施例提供的烹饪设备故障预测方法，能够同时获取若干所述虚拟烹饪设备的运行数据，提高了故障预测的效率。
56.在上述实施例的基础上，作为一个可选的实施例，所述故障预测模型基于所述烹饪设备的历史故障数据训练得到，包括：
57.所述故障预测模型基于所述烹饪设备的历史故障数据对贝叶斯网络训练得到。
58.贝叶斯网络(bayesian network)，又称信念网络(belief network)或是有向无环图模型(directed acyclic graphical model)，是一种概率图型模型。一个贝叶斯网络是一个有向无环图(directed acyclic graph，dag)，由代表变量结点及连接这些结点有向边构成。结点代表随机变量，结点间的有向边代表了结点间的互相关系(由父结点指向其子结点)，用条件概率进行表达关系强度，没有父结点的用先验概率进行信息表达。结点变量可以是任何问题的抽象，如：测试值，观测现象，意见征询等。适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。
59.如图3所示，所述故障预测模型基于所述烹饪设备的历史故障数据对贝叶斯网络训练得到，包括：
60.s310，将所述烹饪设备的历史故障数据划分为训练集和测试集，对训练集进行数据预处理，得到故障特征集。设所述故障特征集为x＝{x1，x2，x3}，x1代表发生故障的传感器或驱动器，x2为发生故障的传感器或驱动器的状态值，x3为故障类别。
61.s320，对所述故障特征集进行聚类分析，得到故障事项集，根据所述故障事项集生成关联规则。所述故障事项集用于统计故障事项、所述故障事项发生的频次和所述故障事项对应的故障原因。设所述故障事项集为y＝{y1，y2，y3}，y1代表故障事项，y2为所述故障事
项发生的频次，y3为所述故障事项对应的故障原因。所述根据所述故障事项集生成关联规则的步骤包括从所述故障事项集中提取频繁事项，频繁事项指的是发生频次大于等于设定阈值的事项，然后根据所述频繁事项形成关联规则。
62.s330，根据所述关联规则映射至静态贝叶斯网络，设定所述静态贝叶斯网络的参数值，得到初始故障预测模型。
63.s340，基于所述测试集对所述初始故障预测模型进行测试，若所述初始故障预测模型的输出误差大于或等于设定值，则调整所述初始故障预测模型的参数值，直至所述初始故障预测模型的输出误差低于设定值，得到故障预测模型。
64.可以理解的是，本技术实施例基于贝叶斯网络得到故障预测模型，能够提高故障预测的效率和准确度。
65.在上述实施例的基础上，作为一个可选的实施例，所述故障预测结果包括故障预测概率列表和故障原因概率列表。
66.可以理解的是，输出故障预测概率列表和故障原因概率列表，能够方便人工进行确定或者用于后续的处理依据，能够提高故障预测的准确性。
67.在上述实施例的基础上，作为一个可选的实施例，还包括：
68.输入所述故障预测结果至故障预测判定模型，获得所述故障预测判定模型输出的故障预测判定结果，其中，所述故障预测判定模型基于预设的故障和预设的故障原因训练得到。
69.可以理解的是，输入所述故障预测结果即输入所述输出故障预测概率列表和故障原因概率列表至所述故障预测判定模型，由所述故障预测判定模型进行选择判定，究竟会出现何种故障和何种原因。
70.预设的故障和预设的故障原因均为人工预先输入的真实故障和真实的故障原因，可以提高故障预测的准确性。
71.在上述实施例的基础上，作为一个可选的实施例，还包括：
72.根据所述烹饪设备的历史故障数据、所述故障预测判定结果、所述预设的故障和预设的故障原因对所述故障预测模型进行调整。
73.可以理解的是，本技术实施例中的故障预测模型是基于历史故障数据训练得到的，为了进一步提高所述故障预测模型的准确性和适应性，将所述烹饪设备的历史故障数据、所述故障预测判定结果、所述预设的故障和预设的故障原因作为新的数据样本加入到历史故障数据中，从中随机选择一定比例的测试样本，对所述故障预测模型进行训练，若所述故障预测模型的输出误差大于或等于设定值，则调整所述故障预测模型的参数值，直至所述故障预测模型的输出误差低于设定值，得到新的故障预测模型，以此提高新的故障预测模型的准确性。
74.下面对本发明提供的烹饪设备故障预测装置进行描述，下文描述的烹饪设备故障预测装置与上文描述的烹饪设备故障预测方法可相互对应参照。
75.图4是本发明实施例提供的烹饪设备故障预测装置的结构示意图；参照图4，本发明还提供一种烹饪设备故障预测装置，包括：
76.建立模块410，用于基于数字孪生技术建立与烹饪设备相对应的虚拟烹饪设备。
77.获取模块420，用于获取所述虚拟烹饪设备的运行数据。
78.预测模块430，用于输入所述虚拟烹饪设备的运行数据至故障预测模型，获得所述故障预测模型输出的故障预测结果，其中，所述故障预测模型基于所述烹饪设备的历史故障数据训练得到。
79.在一个实施例中，获取模块420具体用于：
80.获取所述烹饪设备的运行数据。
81.将所述烹饪设备的运行数据加载于所述虚拟烹饪设备，得到所述虚拟烹饪设备的运行数据。
82.在一个实施例中，预测模块430具体用于：
83.基于所述烹饪设备的历史故障数据对贝叶斯网络训练得到所述故障预测模型。
84.所述基于所述烹饪设备的历史故障数据对贝叶斯网络训练得到所述故障预测模型，包括：
85.将所述烹饪设备的历史故障数据划分为训练集和测试集，对训练集进行数据预处理，得到故障特征集。设所述故障特征集为x＝{x1，x2，x3}，x1代表发生故障的传感器或驱动器，x2为发生故障的传感器或驱动器的状态值，x3为故障类别。
86.对所述故障特征集进行聚类分析，得到故障事项集，根据所述故障事项集生成关联规则。所述故障事项集用于统计故障事项、所述故障事项发生的频次和所述故障事项对应的故障原因。设所述故障事项集为y＝{y1，y2，y3}，y1代表故障事项，y2为所述故障事项发生的频次，y3为所述故障事项对应的故障原因。所述根据所述故障事项集生成关联规则的步骤包括从所述故障事项集中提取频繁事项，频繁事项指的是发生频次大于等于设定阈值的事项，然后根据所述频繁事项形成关联规则。
87.根据所述关联规则映射至静态贝叶斯网络，设定所述静态贝叶斯网络的参数值，得到初始故障预测模型。
88.基于所述测试集对所述初始故障预测模型进行测试，若所述初始故障预测模型的输出误差大于或等于设定值，则调整所述初始故障预测模型的参数值，直至所述初始故障预测模型的输出误差低于设定值，得到故障预测模型。
89.在一个实施例中，预测模块430具体用于：
90.所述故障预测结果包括故障预测概率列表和故障原因概率列表。
91.在一个实施例中，本发明提供的烹饪设备故障预测装置还包括：
92.判定模块，用于输入所述故障预测结果至故障预测判定模型，获得所述故障预测判定模型输出的故障预测判定结果，其中，所述故障预测判定模型基于预设的故障和预设的故障原因训练得到。
93.在一个实施例中，本发明提供的烹饪设备故障预测装置还包括：
94.调整模块，根据所述烹饪设备的历史故障数据、所述故障预测判定结果、所述预设的故障和预设的故障原因对所述故障预测模型进行调整。
95.本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述烹饪设备故障预测方法。
96.图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和
通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行烹饪设备故障预测方法，该方法包括：
97.基于数字孪生技术建立与烹饪设备相对应的虚拟烹饪设备。
98.获取所述虚拟烹饪设备的运行数据。
99.输入所述虚拟烹饪设备的运行数据至故障预测模型，获得所述故障预测模型输出的故障预测结果，其中，所述故障预测模型基于所述烹饪设备的历史故障数据训练得到。
100.此外，上述的存储器530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。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或者该技术方案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中，包括若干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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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)、磁碟或者光盘等各种可以存储程序代码的介质。
101.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行烹饪设备故障预测方法，该方法包括：
102.基于数字孪生技术建立与烹饪设备相对应的虚拟烹饪设备。
103.获取所述虚拟烹饪设备的运行数据。
104.输入所述虚拟烹饪设备的运行数据至故障预测模型，获得所述故障预测模型输出的故障预测结果，其中，所述故障预测模型基于所述烹饪设备的历史故障数据训练得到。
105.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行烹饪设备故障预测方法，该方法包括：
106.基于数字孪生技术建立与烹饪设备相对应的虚拟烹饪设备。
107.获取所述虚拟烹饪设备的运行数据。
108.输入所述虚拟烹饪设备的运行数据至故障预测模型，获得所述故障预测模型输出的故障预测结果，其中，所述故障预测模型基于所述烹饪设备的历史故障数据训练得到。
109.以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
110.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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干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)执行各个实施例或者实施例的某些部分所述的方法。
111.最后应说明的是：以上实施例仅用以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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。