冰箱故障预测方法、装置、系统及电子设备与流程

1.本技术涉及故障预测技术领域，尤其是涉及一种冰箱故障预测方法、装置、系统及电子设备。


背景技术：

2.冰箱使用过程中，可能会由于器件老化或排水孔堵塞等发生制冷故障或结冰故障等各种问题，针对这些问题，当前冰箱的售后解决方案通常为：由用户发起报修申请，或故障已发生后进行故障信息上报，相关工作人员根据用户发起的报修申请或上报的故障信息进行上门维修或处理。这种方式存在滞后性，用户体验差。


技术实现要素：

3.本技术的目的在于提供一种冰箱故障预测方法、装置、系统及电子设备，能够基于测试冰箱的历史电控数据生成的第一预测模型和/或基于冰箱故障知识库生成的第二预测模型，对目标冰箱的运行状态进行准确地故障预测，以便相关工作人员对各种故障风险进行提前处理，提高用户体验。
4.第一方面，本技术实施例提供一种冰箱故障预测方法，方法应用于服务器，服务器与目标冰箱通信连接，方法包括：获取目标冰箱在当前时间段内的多个时间点对应的电控数据；其中，电控数据包括：传感器温度、目标冰箱的设定温度和工作状态；将多个时间点对应的电控数据输入故障预测模型进行故障预测处理；其中，故障预测模型包括：基于测试冰箱的历史电控数据生成的第一预测模型和/或基于冰箱故障知识库生成的第二预测模型；根据故障预测模型的输出结果确定目标冰箱的故障预测结果。
5.在本技术较佳的实施例中，上述故障预测模型包括第一预测模型；第一预测模型为包括温度波动阈值、温度阈值和综合温度评价阈值的概率模型；传感器温度包括：冷藏传感器温度、冷冻传感器温度、冷冻化霜传感器温度；将多个时间点对应的电控数据输入故障预测模型进行故障预测处理的步骤，包括：将多个时间点对应的电控数据输入第一预测模型；第一预测模型根据多个时间点对应的电控数据中的同种传感器温度，计算传感器温度方差；传感器温度方差用于表征温度波动情况；第一预测模型根据传感器温度计算综合温度评价值；第一预测模型根据传感器温度、传感器温度方差和综合温度评价值，以及温度波动阈值、温度阈值和综合温度评价阈值输出第一预测结果。
6.在本技术较佳的实施例中，上述第一预测模型根据传感器温度计算综合温度评价值的步骤，包括：根据预设的条件概率，确定每个传感器温度对应的异常概率；其中，条件概率包括：大于或小于温度阈值时传感器温度为异常数据的概率；利用下式计算综合温度评价值：
[0007][0008]
其中，θ表示综合温度评价值；pi1表示第i条电控数据中冷藏传感器温度对应的异常概率；pi2表示第i条电控数据中冷冻传感器温度对应的异常概率；pi3表示第i条电控数据
中冷冻化霜传感器温度对应的异常概率；n表示电控数据的总个数。
[0009]
在本技术较佳的实施例中，上述第一预测模型根据传感器温度、传感器温度方差和综合温度评价值，以及温度波动阈值、温度阈值和综合温度评价阈值输出第一预测结果的步骤，包括：判断以下条件是否成立，如果存在至少两个条件成立，确定在未来指定时长内将发生制冷故障，并将制冷故障作为第一预测结果进行输出：
[0010]
冷藏传感器温度方差是否大于第一冷藏传感器温度波动阈值；
[0011]
冷冻传感器温度方差是否大于冷冻传感器温度波动阈值；
[0012]
冷冻化霜传感器温度方差是否大于冷冻化霜传感器温度波动阈值；
[0013]
综合温度评价值是否大于综合温度评价阈值。
[0014]
在本技术较佳的实施例中，上述第一预测模型根据传感器温度、传感器温度方差和综合温度评价值，以及温度波动阈值、温度阈值和综合温度评价阈值输出第一预测结果的步骤，还包括：判断以下两个条件是否均成立，如果是，确定在未来指定时长内将发生结冰故障，并将结冰故障作为第一预测结果进行输出：
[0015]
冷藏传感器方差是否大于第二冷藏传感器温度波动阈值；
[0016]
冷藏传感器温度在指定时间内出现小于冷藏传感器温度阈值的次数是否超过预设次数。
[0017]
在本技术较佳的实施例中，上述温度波动阈值、温度阈值和综合温度评价阈值的确定过程如下：获取测试冰箱的多组历史电控数据；每组历史电控数据包括：指定时间段内多个时间点下，冰箱在故障状态下的第一传感器数据和冰箱在正常状态下的第二传感器数据；基于多组第一传感器数据和第二传感器数据，绘制每种传感器对应的数据分布散点图和温度方差散点图；根据每种传感器对应的正常温度范围、数据分布散点图和温度方差散点图，确定每种传感器对应的温度波动阈值和温度阈值；根据多组历史电控数据进行数理统计，确定每种传感器温度对应的条件概率；条件概率包括：传感器温度在大于或小于其对应的温度阈值时为异常数据的概率；根据多组历史电控数据、条件概率计算综合温度评价阈值。
[0018]
在本技术较佳的实施例中，上述故障预测模型包括第二预测模型；工作状态包括：化霜状态和压缩机开停机状态；设定温度包括：冷冻室设定温度、冷藏室设定温度；第二预测模型包括：多个顺序排列的状态判断条件与故障原因的对应关系；将多个时间点对应的电控数据输入第二预测模型进行故障预测处理的步骤，包括：将多个时间点对应的电控数据输入第二预测模型；第二预测模型根据多个电控数据中的传感器温度、设定温度及工作状态，依次判断是否满足状态判断条件；将满足的目标状态判断条件对应的故障原因作为第二预测结果。
[0019]
在本技术较佳的实施例中，上述故障原因包括至少包括以下中的多项：冷藏风门被堵打不开、冷藏风门被堵关不上、风机不转、冷冻霜堵、冷媒泄露压缩机不转、冷冻传感器温飘。
[0020]
在本技术较佳的实施例中，上述故障预测模型包括第一预测模型和第二预测模型；将目标冰箱的多个时间点对应的电控数据输入故障预测模型进行故障预测处理的步骤，包括：将目标冰箱的多个电控数据分别输入第一预测模型和第二预测模型进行故障预测处理，得到第一预测模型的第一输出结果和第二预测模型的第二输出结果；根据故障预
测模型的输出结果确定目标冰箱的故障预测结果的步骤，包括：将第一输出结果和第二输出结果进行合并，将合并后的结果作为目标冰箱的故障预测结果。
[0021]
在本技术较佳的实施例中，上述方法还包括：向目标冰箱对应的用户终端发送目标冰箱的故障预测结果。
[0022]
第二方面，本技术实施例还提供一种冰箱故障预测装置，装置应用于服务器，服务器与目标冰箱通信连接，装置包括：数据获取模块，用于获取目标冰箱在当前时间段内的多个时间点对应的电控数据；其中，电控数据包括：传感器温度、目标冰箱的设定温度和工作状态；故障预测模块，用于将多个时间点对应的电控数据输入故障预测模型进行故障预测处理；其中，故障预测模型包括：基于测试冰箱的历史电控数据生成的第一预测模型和/或基于冰箱故障知识库生成的第二预测模型；结果确定模块，用于根据故障预测模型的输出结果确定目标冰箱的故障预测结果。
[0023]
第三方面，本技术实施例还提供一种冰箱故障预测系统，系统包括服务器和目标冰箱；服务器与目标冰箱通信连接；服务器用于执行如第一方面所述的方法。
[0024]
第四方面，本技术实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面所述的方法。
[0025]
第五方面，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面所述的方法。
[0026]
本技术实施例提供的冰箱故障预测方法、装置、系统及电子设备中，服务器首先获取目标冰箱在当前时间段内的多个时间点对应的电控数据；该电控数据中包括以下信息：传感器温度、目标冰箱的设定温度和工作状态；然后将上述电控数据输入故障预测模型进行故障预测处理；其中，故障预测模型包括：基于测试冰箱的历史电控数据生成的第一预测模型和/或基于冰箱故障知识库生成的第二预测模型；根据上述至少一个预测模型的输出结果确定目标冰箱的故障预测结果。本技术实施例可以基于测试冰箱的历史电控数据生成的第一预测模型和/或基于冰箱故障知识库生成的第二预测模型，对目标冰箱的运行状态进行准确地故障预测，以便相关工作人员对各种故障风险进行提前处理，提高用户体验。
附图说明
[0027]
为了更清楚地说明本技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，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。
[0028]
图1为本技术实施例提供的一种冰箱故障预测方法的流程图；
[0029]
图2为本技术实施例提供的另一种冰箱故障预测方法的流程图；
[0030]
图3为本技术实施例提供的一种第一预测模型中制冷故障预测机制的示意图；
[0031]
图4为本技术实施例提供的一种第一预测模型中结冰故障预测机制的示意图；
[0032]
图5为本技术实施例提供的一种数据分布散点图和温度方差散点图；
[0033]
图6为本技术实施例提供的另一种冰箱故障预测方法的流程图；
[0034]
图7为本技术实施例提供的一种第二预测模型的判断逻辑示意图；
[0035]
图8为本技术实施例提供的另一种冰箱故障预测方法的示意图；
[0036]
图9为本技术实施例提供的一种冰箱故障预测装置的结构框图；
[0037]
图10为本技术实施例提供的一种冰箱故障预测系统的示意图；
[0038]
图11为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0039]
下面将结合实施例对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
[0040]
目前，冰箱的售后方式还停留在依赖用户的主动反馈上，即，当用户发现冰箱发生故障后，通过客户端上传该冰箱的故障信息并提交维修申请，相关工作人员在接收到该申请后进行上门维修处理，这种方式存在一定的滞后性，不能提前获知用户冰箱的运行情况，无法在故障发生前进行提前维护，容易给用户造成损失，用户体验度不高。基于此，本技术实施例提供一种冰箱故障预测方法、装置、系统及电子设备，可以基于测试冰箱的历史电控数据生成的第一预测模型和/或基于冰箱故障知识库生成的第二预测模型，对目标冰箱的运行状态进行准确地故障预测，以便相关工作人员对各种故障风险进行提前处理，提高用户体验。
[0041]
为便于对本实施例进行理解，首先对本技术实施例所公开的一种冰箱故障预测方法进行详细介绍。
[0042]
实施例一：
[0043]
图1为本技术实施例提供的一种冰箱故障预测方法的流程图，该方法应用于服务器，服务器与目标冰箱通信连接，实际应用中，与服务器通信连接的冰箱可以包括多个，服务器可以对每一个冰箱的运行状态进行故障监测和预测，故障预测过程都是一样的，这里以一个目标冰箱的故障预测过程为例进行说明，该冰箱故障预测方法具体包括以下几个步骤：
[0044]
步骤s102，获取目标冰箱在当前时间段内的多个时间点对应的电控数据。
[0045]
该步骤中，当前时间段内的多个时间点，可以是均匀间隔的多个时间点，也可以是不均匀间隔的多个时间点，在本技术实施例中，采用最近12小时内每隔半小时采集的电控数据，即24个均匀间隔时间点采集的电控数据。
[0046]
电控数据可以包括：传感器温度、目标冰箱的设定温度和工作状态；其中，传感器温度可以包括冷藏传感器温度、冷冻传感器温度、冷冻化霜传感器温度；目标冰箱的设定温度可以包括：冷冻室设定温度、冷藏室设定温度；工作状态可以包括：化霜状态和压缩机开停机状态。
[0047]
如果故障预测模型发生调整或优化，为了满足模型预测需求，电控数据还可以包括其它数据。
[0048]
步骤s104，将多个时间点对应的电控数据输入故障预测模型进行故障预测处理。
[0049]
上述故障预测模型包括：基于测试冰箱的历史电控数据生成的第一预测模型和/
或基于冰箱故障知识库生成的第二预测模型；也就是说，本技术实施例中的故障预测模型可以是基于测试冰箱的历史电控数据生成的第一预测模型，也可以是基于冰箱故障知识库生成的第二预测模型，还可以同时包含上述两种预测模型。
[0050]
本技术实施例中，测试冰箱的历史电控数据可以包括测试冰箱的多组历史电控数据；每组历史电控数据可以包括：指定时间段内多个时间点下，冰箱在故障状态下的第一传感器数据和冰箱在正常状态下的第二传感器数据；比如，12小时内每隔半小时，分别对故障冰箱和正常冰箱采集24条电控数据，如24条正常冰箱传感器数据和24条故障冰箱传感器数据；或者在冰箱发生故障前后分别采集12条传感器数据，即24条故障冰箱传感器数据，以及在冰箱维修好之后采集24条传感器数据，即24条正常冰箱传感器数据。
[0051]
第一预测模型的生成过程有多种方式，其采用的方法包括但不限于如下几种：线性回归方法(最小二乘、岭回归等)、决策树方法、神经网络训练方法、支持向量机方法和数据统计分析方法。
[0052]
冰箱故障知识库中存储有冰箱故障的判断逻辑，该判断逻辑是基于历史经验和冰箱制冷机理总结得出的，其判断的逻辑与流程反应了冰箱设备的状态。第二预测模型就是基于该判断逻辑生成的故障点预测模型，可以预测出冰箱的故障原因。
[0053]
将上述电控数据输入故障预测模型进行故障预测处理，即可得到模型的输出结果，比如，第一预测模型输出第一预测结果，第二预测模型输出第二预测结果。
[0054]
步骤s106，根据故障预测模型的输出结果确定目标冰箱的故障预测结果。
[0055]
如果故障预测模型包括基于测试冰箱的历史电控数据生成的第一预测模型，则将第一预测模型输出的第一预测结果作为目标冰箱的故障预测结果；如果故障预测模型包括基于冰箱故障知识库生成的第二预测模型，则将第二预测模型输出的第二预测结果作为目标冰箱的故障预测结果；如果故障预测模型包括同时包括第一预测模型和第二预测模型，则将第一预测模型输出的第一预测结果和第二预测模型输出的第二预测结果进行合并，作为目标冰箱的故障预测结果。
[0056]
本技术实施例提供的冰箱故障预测方法中，服务器首先获取目标冰箱在当前时间段内的多个时间点对应的电控数据；该电控数据中包括以下信息：传感器温度、目标冰箱的设定温度和工作状态；然后将上述电控数据输入故障预测模型进行故障预测处理；其中，故障预测模型包括：基于测试冰箱的历史电控数据生成的第一预测模型和/或基于冰箱故障知识库生成的第二预测模型；根据上述至少一个预测模型的输出结果确定目标冰箱的故障预测结果。本技术实施例可以基于测试冰箱的历史电控数据生成的第一预测模型和/或基于冰箱故障知识库生成的第二预测模型，对目标冰箱的运行状态进行准确地故障预测，以便相关工作人员对各种故障风险进行提前处理，提高用户体验。
[0057]
实施例二：
[0058]
本技术实施例提供另一种冰箱故障预测方法，在实施例一的基础上，本技术实施例重点介绍一下利用第一预测模型进行故障预测的过程，第一预测模型为包括温度波动阈值、温度阈值和综合温度评价阈值的概率模型，具体来说，可以是贝叶斯概率模型，上述三种阈值可以是基于历史电控数据通过数学统计概率分析得出，具体的确定过程在后续进行详细说明。其中，温度波动阈值用于评价温度波动情况，而温度波动可以通过温度方差来体现，因此，该温度波动阈值可以和计算出的温度方差进行比较。参见图2所示的冰箱故障预
测方法的流程图，该方法具体包括以下步骤：
[0059]
步骤s202，获取目标冰箱在当前时间段内的多个时间点对应的电控数据。
[0060]
本技术实施例中，主要用到的电控数据中的传感器温度，该传感器温度包括：冷藏传感器温度、冷冻传感器温度、冷冻化霜传感器温度。
[0061]
还以前述例子进行说明，即目标冰箱在当前时间段内的多个时间点对应的电控数据，包括：最近12小时内每隔半小时采集的电控数据，该电控数据包括冷藏传感器温度、冷冻传感器温度、冷冻化霜传感器温度，也就是24个冷藏传感器温度、24个冷冻传感器温度和24个冷冻化霜传感器温度。
[0062]
步骤s204，将多个时间点对应的电控数据输入第一预测模型。
[0063]
将上述24个冷藏传感器温度、24个冷冻传感器温度和24个冷冻化霜传感器温度输入第一预测模型，以使第一预测模型进行故障预测处理。
[0064]
步骤s206，第一预测模型根据多个时间点对应的电控数据中的同种传感器温度，计算传感器温度方差。
[0065]
传感器温度方差用于表征温度波动情况，方差越小，波动越小。基于上述24个冷藏传感器温度、24个冷冻传感器温度和24个冷冻化霜传感器温度，可以分别计算出冷藏传感器温度方差、冷冻传感器温度方差和冷冻化霜传感器温度方差。
[0066]
步骤s208，第一预测模型根据传感器温度计算综合温度评价值。
[0067]
综合温度评价值具体计算过程如下：
[0068]
(1)根据预设的条件概率，确定每个传感器温度对应的异常概率；其中，条件概率包括：大于或小于温度阈值时传感器温度为异常数据的概率。
[0069]
这里的条件概率同前述的三种阈值一样，也是基于历史电控数据通过数学统计概率分析得出，具体的确定过程在后续进行详细说明。本技术实施例中，条件概率如下：
[0070][0071][0072][0073]
其中，p1、p2和p3分别表示冷藏传感器温度、冷冻传感器温度和冷冻化霜传感器温度分别对应的条件概率；12、-1和1分别表示冷藏传感器温度阈值、冷冻传感器温度阈值和冷冻化霜传感器温度阈值。
[0074]
比如，上述24个冷藏传感器温度、24个冷冻传感器温度和24个冷冻化霜传感器温度中，有一个冷藏传感器温度为13，13大于冷藏传感器温度阈值12，那么该冷藏传感器温度13为异常数据的概率为0.80。依此类推，基于上述条件概率，可以查找出每个传感器温度对应的异常概率，即可以得到每种传感器温度分别对应的24个异常概率。
[0075]
(2)利用下式计算综合温度评价值：
[0076]
[0077]
其中，θ表示综合温度评价值；pi1表示第i条电控数据中冷藏传感器温度对应的异常概率；pi2表示第i条电控数据中冷冻传感器温度对应的异常概率；pi3表示第i条电控数据中冷冻化霜传感器温度对应的异常概率；n表示电控数据的总个数。
[0078]
将上述每种传感器温度分别对应的24个异常概率代入上述算式，可以计算出综合温度评价值。综合温度评价值可以从整体上反映传感器温度的正常或异常情况。
[0079]
步骤s210，第一预测模型根据传感器温度、传感器温度方差和综合温度评价值，以及温度波动阈值、温度阈值和综合温度评价阈值输出第一预测结果。
[0080]
具体的，可以将传感器温度和温度阈值进行比对；将传感器温度方差和温度波动阈值进行比对；将综合温度评价值和综合温度评价阈值进行比对，根据比对的结果确定第一预测结果。
[0081]
本技术实施例中，第一预测模型包括两种故障类型预测机制：
[0082]
第一种，制冷故障预测机制：判断以下条件是否成立，如果存在至少两个条件成立，确定在未来指定时长内将发生制冷故障，并将制冷故障作为第一预测结果进行输出：
[0083]
1)冷藏传感器温度方差是否大于第一冷藏传感器温度波动阈值；
[0084]
2)冷冻传感器温度方差是否大于冷冻传感器温度波动阈值；
[0085]
3)冷冻化霜传感器温度方差是否大于冷冻化霜传感器温度波动阈值；
[0086]
4)综合温度评价值是否大于综合温度评价阈值。
[0087]
参见图3所示的第一预测模型中制冷故障预测机制的示意图，由图3中可知，第一冷藏传感器温度波动阈值为8；冷冻传感器温度波动阈值为45；冷冻化霜传感器温度波动阈值为80；综合温度评价阈值为2.75；即在四个条件：冷藏传感器温度方差是否大于8；冷冻传感器温度方差是否大于45；冷冻化霜传感器温度方差是否大于80；综合温度评价值是否大于2.75中；有两个及以上满足则确定在未来指定时长内出现制冷故障。
[0088]
第二种，结冰故障预测机制：判断以下两个条件是否均成立，如果是，确定在未来指定时长内将发生结冰故障，并将结冰故障作为第一预测结果进行输出：
[0089]
1)冷藏传感器方差是否大于第二冷藏传感器温度波动阈值；
[0090]
2)冷藏传感器温度在指定时间内出现小于冷藏传感器温度阈值的次数是否超过预设次数。
[0091]
参见图4所示的第一预测模型中结冰故障预测机制的示意图，由图4中可知，第二冷藏传感器温度波动阈值为7；指定时间为12；冷藏传感器温度阈值为2；预设次数为2。在冷藏传感器方差大于7，且冷藏传感器温度在12小时内出现小于2的次数超过2次时，确定在未来指定时长内出现结冰故障。
[0092]
下面对上述温度波动阈值、温度阈值和综合温度评价阈值的确定过程进行详细阐述，具体包括以下步骤：
[0093]
(1)获取测试冰箱的多组历史电控数据；每组历史电控数据包括：指定时间段内多个时间点下，冰箱在故障状态下的第一传感器数据和冰箱在正常状态下的第二传感器数据。比如，12小时内每隔半小时采集一次数据，得到的24条电控数据，每组历史电控数据包括24条正常状态下的第二传感器数据和24条故障状态下的第一传感器数据。
[0094]
(2)基于多组第一传感器数据和第二传感器数据，绘制每种传感器对应的数据分布散点图和温度方差散点图。
[0095]
数据分布散点图和温度方差散点图如图5所示，数据分布散点图包括三种传感器数据分布散点图，(图5中仅示出了冷藏传感器的数据分布散点图)；数据分布散点图中，横坐标表示数据标识，即第1个数据，第2个数据，本实施例中，选取了故障冰箱、正常冰箱各4000多组数据；纵坐标单位是℃。数据分布图中一个横坐标对应一个纵坐标数值。温度方差散点图中包括三种传感器温度方差散点图，(图5中仅示出了冷藏传感器的温度方差散点图)；横坐标表示冰箱的编号，如1号冰箱，2号冰箱，图中选取了故障冰箱、正常冰箱各160台冰箱，纵坐标代表每台冰箱12h内24条传感器温度数据的方差值，单位是℃的平方。
[0096]
(3)根据每种传感器对应的正常温度范围、数据分布散点图和温度方差散点图，确定每种传感器对应的温度波动阈值和温度阈值。
[0097]
通过大量故障数据和正常数据的对比，发现故障前后的传感器数据会在某个值附近出现较为明显的分界，即超过该值的数据主要是由故障冰箱传感器上报，同时阈值的确定也借鉴了每种传感器对应的正常温度范围，例如冷藏间室温度范围通常在2-8℃，冷冻间室通常在零下。根据每种传感器对应的正常温度范围、数据分布散点图和温度方差散点图进行综合分析，可以确定每种传感器对应的温度波动阈值和温度阈值。
[0098]
阈值的确定的原则就是：尽可能的在超过阈值的时候，大部分的数据都是故障冰箱产生的数据，即第一传感器数据。
[0099]
(4)根据多组历史电控数据进行数理统计，确定每种传感器温度对应的条件概率；条件概率包括：传感器温度在大于或小于其对应的温度阈值时为异常数据的概率。
[0100]
条件概率可以根据每个温度阈值上下的数据的分布统计得出，以p1冷藏传感器温度对应的条件概率为例进行说明，基于上述数据分布散点图，可以统计出：在冷藏传感器温度小于冷藏传感器温度阈值12时，故障冰箱数据占比48％(0.48)，当冷藏传感器温度大于12时，故障冰箱数据占比80％(0.80)，即正常冰箱有可能会产生异常数据，即将发生故障的冰箱或已发生故障的冰箱也可能会上报较为正常的数据，只不过概率分布不同。
[0101]
为了清楚地说明条件概率的计算过程，以选取同样数量的故障数据与正常数据为例进行说明，如有1000个正常冰箱数据，1000个故障冰箱数据，在冷藏传感器温度小于冷藏传感器温度阈值12时，故障冰箱数据有900个，正常冰箱数据有975个，这种情况下，冷藏传感器温度为异常数据的概率就是900/(975+900)＝0.48；同理，在冷藏传感器温度大于等于冷藏传感器温度阈值12时，故障冰箱数据有100个，正常冰箱数据有25个，这种情况下，冷藏传感器温度为异常数据的概率就是100/(25+100)＝0.80。
[0102]
(5)根据多组历史电控数据、条件概率计算综合温度评价阈值。
[0103]
在得到上面的条件概率后，可以确定出每组历史电控数据中每种传感器温度对应的异常概率，进一步根据上述综合温度评价值的计算公式，可以计算出最终的综合温度评价阈值。具体的计算过程也可以参见前述综合温度评价值的计算过程，在此不再赘述。
[0104]
本技术实施例提供的冰箱故障预测方法，通过基于测试冰箱的历史电控数据生成的第一预测模型，进行故障预测，第一预测模型为包含有多种阈值的数学模型，通过当前数据和阈值进行比较，可以整体上判断冰箱是否存在制冷故障或结冰故障，其优点是覆盖面广，可以大范围的监控联网冰箱的状态。
[0105]
实施例三：
[0106]
本技术实施例提供另一种冰箱故障预测方法，在实施例一的基础上，本技术实施
例重点介绍一下利用第二预测模型进行故障预测的过程，第二预测模型为基于冰箱故障知识库生成的，其包括：多个顺序排列的状态判断条件与故障原因的对应关系；上述故障原因包括至少包括以下中的多项：冷藏风门被堵打不开、冷藏风门被堵关不上、风机不转、冷冻霜堵、冷媒泄露压缩机不转、冷冻传感器温飘。
[0107]
参见图6所示的冰箱故障预测方法的流程图，该方法具体包括以下步骤：
[0108]
步骤s602，获取目标冰箱在当前时间段内的多个时间点对应的电控数据。
[0109]
在本技术实施例中，主要用到的电控数据包括：传感器温度，如冷藏传感器温度、冷冻传感器温度、冷冻化霜传感器温度，此外，还包括工作状态和设定温度；其中，工作状态包括：化霜状态和压缩机开停机状态；设定温度包括：冷冻室设定温度、冷藏室设定温度。
[0110]
步骤s604，将多个时间点对应的电控数据输入第二预测模型。
[0111]
步骤s606，第二预测模型根据多个电控数据中的传感器温度、设定温度及工作状态，依次判断是否满足状态判断条件。参见图7所示，第二预测模型中的状态判断条件包括：冷冻化霜传感器温度-冷冻传感器温度大于等于10、冷冻传感器温度-冷冻室设定温度的绝对值小于等于5等等。
[0112]
在本技术实施例提供的多种状态判断条件中，涉及到开机点温度和停机点温度，如图7所示，开机点温度、停机点温度指的是，当间室的温度与设定温度存在一定误差的时候，冰箱自动开启制冷与停止制冷的数值，该数值可以通过用户的设定温度计算得出，用户的设定温度在电控数据中可以解析得出。在图7中，还有连续三条关门数据且非化霜数据的判断过程，指的是用户在开关门后与化霜状态下冷藏传感器温度与冷冻传感器温度会有较大的波动不利于分析，容易产生误判，所以将这部分数据排除。
[0113]
步骤s608，将满足的目标状态判断条件对应的故障原因作为第二预测结果。
[0114]
根据上述电控数据判断可以满足哪个状态判断条件，将满足的目标状态判断条件对应的故障原因作为第二预测结果。
[0115]
本技术实施例提供的冰箱故障预测方法中，通过基于冰箱故障知识库生成的第二预测模型进行故障预测，第二预测模型包含有性能工程师的判断逻辑，该判断逻辑是在历史经验和冰箱制冷机理的基础上得到的，因此，通过第二预测模型可以较明确地分析出冰箱故障的原因，以便相关工作人员更好地进行故障排查或维修处理。
[0116]
实施例四：
[0117]
本技术实施例提供另一种冰箱故障预测方法，在实施例一、二、三的基础上，本技术实施例重点介绍一下同时利用第一预测模型和第二预测模型进行冰箱故障预测结果的确定过程，参见图8所示：获取目标冰箱在当前时间段内的多个时间点对应的电控数据。这里的电控数据包括第一预测模型需要用到的数据和第二预测模型需要用到的数据，可参见前述实施例，在此不再赘述。将目标冰箱的多个电控数据分别输入第一预测模型和第二预测模型进行故障预测处理，得到第一预测模型的第一输出结果和第二预测模型的第二输出结果。将第一输出结果和第二输出结果进行合并，将合并后的结果作为目标冰箱的故障预测结果。
[0118]
比如，首先实时采集目标冰箱12小时内连续的24条数据，这些数据包括冷藏传感器温度，冷冻传感器温度，冷冻化霜传感器温度，冷藏室设定温度，冷冻室设定温度，化霜状态，压缩机开停机状态，环境温度，然后把数据分别代入两个模型中进行分别判断，判断得
到预测结果是第一预测模型(数学模型)与第二预测模型(判断逻辑)输出结果的综合，通常第一预测模型给出制冷故障或是结冰故障的故障大类，第二预测模型可以给出具体的可能故障点，如风机打不开。
[0119]
假设最终故障预测结果为不制冷，风机打不开，那么其中，不制冷就是第一预测模型给出的结论，风机打不开就是第二预测模型给出的结论，需要说明的是，结论输出的规则就是只要有一个判断有故障就输出结论，例如不制冷也是可能的输出结果。
[0120]
在得到故障预测结果后，向目标冰箱对应的用户终端发送目标冰箱的故障预测结果。这里的用户终端可以是智能手机、电脑等。
[0121]
本技术实施例提供的冰箱故障预测方法中，同时通过两种模型进行故障预测，数学模型可以预测制冷故障、结冰故障，这两大类的故障类型；判断逻辑除了可以预测这两大类故障，还可以进一步确实出大致的故障点，例如判断出产生制冷故障，同时可判断出是由于风机原因导致的。本技术实施例通过两种预测模型的融合完成对冰箱状态的监控及判断，即结合了数理统计与冰箱故障知识，克服了传统的大数据分析缺乏的内在性能逻辑，同时数据模型的引入也提高了知识性模型的泛化性能，为相关状态的预测提供了科学的数据支持，两者的结合为冰箱运行状态的预测提供了更为稳定可靠的技术方案。并且通过交互的方式完成对用户的提醒，相较于现有的一些方案，更加具有针对性，实时性更高，同时该方案也更加适合复杂的用户环境，可以为用户提供科学有效的家电设备管理方式，解决了用户的痛点。
[0122]
实施例五：
[0123]
基于上述方法实施例，本技术实施例还提供一种冰箱故障预测装置，装置应用于服务器，服务器与目标冰箱通信连接，参见图9所示，该装置包括：
[0124]
数据获取模块92，用于获取目标冰箱在当前时间段内的多个时间点对应的电控数据；其中，电控数据包括：传感器温度、目标冰箱的设定温度和工作状态；故障预测模块94，用于将多个时间点对应的电控数据输入故障预测模型进行故障预测处理；其中，故障预测模型包括：基于测试冰箱的历史电控数据生成的第一预测模型和/或基于冰箱故障知识库生成的第二预测模型；结果确定模块96，用于根据故障预测模型的输出结果确定目标冰箱的故障预测结果。
[0125]
本技术实施例提供的冰箱故障预测装置，可以基于测试冰箱的历史电控数据生成的第一预测模型和/或基于冰箱故障知识库生成的第二预测模型，对目标冰箱的运行状态进行准确地故障预测，以便相关工作人员对各种故障风险进行提前处理，提高用户体验。
[0126]
上述故障预测模型包括第一预测模型；第一预测模型为包括温度波动阈值、温度阈值和综合温度评价阈值的概率模型；传感器温度包括：冷藏传感器温度、冷冻传感器温度、冷冻化霜传感器温度；上述故障预测模块94还用于：将多个时间点对应的电控数据输入第一预测模型；第一预测模型根据多个时间点对应的电控数据中的同种传感器温度，计算传感器温度方差；传感器温度方差用于表征温度波动情况；第一预测模型根据传感器温度计算综合温度评价值；第一预测模型根据传感器温度、传感器温度方差和综合温度评价值，以及温度波动阈值、温度阈值和综合温度评价阈值输出第一预测结果。
[0127]
上述故障预测模块94还用于：根据预设的条件概率，确定每个传感器温度对应的异常概率；其中，条件概率包括：大于或小于温度阈值时传感器温度为异常数据的概率；利
用下式计算综合温度评价值：
[0128][0129]
其中，θ表示综合温度评价值；pi1表示第i条电控数据中冷藏传感器温度对应的异常概率；pi2表示第i条电控数据中冷冻传感器温度对应的异常概率；pi3表示第i条电控数据中冷冻化霜传感器温度对应的异常概率；n表示电控数据的总个数。
[0130]
上述故障预测模块94还用于：判断以下条件是否成立，如果存在至少两个条件成立，确定在未来指定时长内将发生制冷故障，并将制冷故障作为第一预测结果进行输出：
[0131]
冷藏传感器温度方差是否大于第一冷藏传感器温度波动阈值；
[0132]
冷冻传感器温度方差是否大于冷冻传感器温度波动阈值；
[0133]
冷冻化霜传感器温度方差是否大于冷冻化霜传感器温度波动阈值；
[0134]
综合温度评价值是否大于综合温度评价阈值。
[0135]
上述故障预测模块94还用于：判断以下两个条件是否均成立，如果是，确定在未来指定时长内将发生结冰故障，并将结冰故障作为第一预测结果进行输出：
[0136]
冷藏传感器方差是否大于第二冷藏传感器温度波动阈值；
[0137]
冷藏传感器温度在指定时间内出现小于冷藏传感器温度阈值的次数是否超过预设次数。
[0138]
上述装置还包括阈值确定模块，用于获取测试冰箱的多组历史电控数据；每组历史电控数据包括：指定时间段内多个时间点下，冰箱在故障状态下的第一传感器数据和冰箱在正常状态下的第二传感器数据；基于多组第一传感器数据和第二传感器数据，绘制每种传感器对应的数据分布散点图和温度方差散点图；根据每种传感器对应的正常温度范围、数据分布散点图和温度方差散点图，确定每种传感器对应的温度波动阈值和温度阈值；根据多组历史电控数据进行数理统计，确定每种传感器温度对应的条件概率；条件概率包括：传感器温度在大于或小于其对应的温度阈值时为异常数据的概率；根据多组历史电控数据、条件概率计算综合温度评价阈值。
[0139]
上述故障预测模型包括第二预测模型；工作状态包括：化霜状态和压缩机开停机状态；设定温度包括：冷冻室设定温度、冷藏室设定温度；第二预测模型包括：多个顺序排列的状态判断条件与故障原因的对应关系；上述故障预测模块94还用于：将多个时间点对应的电控数据输入第二预测模型；第二预测模型根据多个电控数据中的传感器温度、设定温度及工作状态，依次判断是否满足状态判断条件；将满足的目标状态判断条件对应的故障原因作为第二预测结果。
[0140]
上述故障原因包括至少包括以下中的多项：冷藏风门被堵打不开、冷藏风门被堵关不上、风机不转、冷冻霜堵、冷媒泄露压缩机不转、冷冻传感器温飘。
[0141]
上述故障预测模型包括第一预测模型和第二预测模型；上述故障预测模块94还用于，将目标冰箱的多个电控数据分别输入第一预测模型和第二预测模型进行故障预测处理，得到第一预测模型的第一输出结果和第二预测模型的第二输出结果；上述结果确定模块96，还用于将第一输出结果和第二输出结果进行合并，将合并后的结果作为目标冰箱的故障预测结果。
[0142]
在本技术较佳的实施例中，上述方法还包括：向目标冰箱对应的用户终端发送目标冰箱的故障预测结果。
[0143]
本技术实施例提供的冰箱故障预测装置，其实现原理及产生的技术效果和前述冰箱故障预测方法实施例相同，为简要描述，冰箱故障预测装置的实施例部分未提及之处，可参考前述冰箱故障预测方法实施例中相应内容。
[0144]
实施例六：
[0145]
基于上述方法实施例，本技术实施例还提供一种冰箱故障预测系统，参见图10所示，该系统包括服务器和目标冰箱；目标冰箱可以为多个，如图中所示的多个用户冰箱；服务器与用户冰箱通信连接；服务器用于执行如前述方法实施例中的方法。
[0146]
本实施例中的系统，通过前述实施例中的冰箱故障预测方法，可监测在短中期内大概率会发生安全、功能等故障的用户冰箱，以使相工运维人员做相应的处理。具体的，通过故障预测分析模型得到故障结果预警后，向目标冰箱的用户终端发送提示信息，通知售后等方式提前进行处理，在造成损失、客户投诉之前主动上门处理；同时对于已经发生的故障可以收集故障信息，便于售后精准维修，提高一次性修复率。
[0147]
本技术实施例提供的冰箱故障预测系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，冰箱故障预测系统的实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0148]
本技术实施例还提供了一种电子设备，如图11所示，为该电子设备的结构示意图，其中，该电子设备包括处理器111和存储器110，该存储器110存储有能够被该处理器111执行的计算机可执行指令，该处理器111执行该计算机可执行指令以实现上述方法。
[0149]
在图11示出的实施方式中，该电子设备还包括总线112和通信接口113，其中，处理器111、通信接口113和存储器110通过总线112连接。
[0150]
其中，存储器110可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口113(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线112可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线112可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0151]
处理器111可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器111中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器111可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可
擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器111读取存储器中的信息，结合其硬件完成前述实施例的方法的步骤。
[0152]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述方法，具体实现可参见前述方法实施例，在此不再赘述。
[0153]
本技术实施例所提供的冰箱故障预测方法、装置、系统和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0154]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本技术的范围。
[0155]
所述功能如果以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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术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)执行本技术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。
[0156]
在本技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0157]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。