基于用户反馈的电水壶的故障识别方法及装置与流程

本发明涉及设备故障维护，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：

1、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。

2、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。

技术实现思路

1、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。

2、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：

3、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；

4、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；

5、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；

6、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。

7、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：

8、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；

9、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；

10、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。

11、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：

12、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：

13、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。

14、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：

15、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；

16、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；

17、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；

18、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。

19、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：

20、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。

21、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。

22、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：

23、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；

24、获取每一所述故障工作部件的实时工作数据；

25、以及，所述方法还包括：

26、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；

27、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。

28、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：

29、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；

30、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；

31、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；

32、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。

33、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：

34、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；

35、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；

36、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。

37、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：

38、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：

39、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。

40、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：

41、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；

42、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；

43、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；

44、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。

45、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：

46、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。

47、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。

48、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：

49、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；

50、获取每一所述故障工作部件的实时工作数据；

51、以及，所述装置还包括删除模块，用于执行以下操作：

52、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；

53、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。

54、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：

55、存储有可执行程序代码的存储器；

56、与所述存储器耦合的处理器；

57、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。

58、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。

59、与现有技术相比，本发明具有以下有益效果：

60、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。