一种电器的故障预测方法、装置、存储介质及电器制造方法及图纸

本发明专利技术公开了一种电器的故障预测方法、装置、存储介质及电器，该方法包括：建立电器的历史运行状态与历史故障情况之间的关系；获取已建立所述关系的电器的实际运行状态；将所述关系中与所述实际运行状态相应的所述历史运行状态对应的所述历史故障情况，作为与所述实际运行状态对应的实际故障情况，以得到对电器的故障预测结果。本发明专利技术的方案，可以克服现有技术中对机组损害大、维护及时性差和用户体验差等缺陷，实现对机组损害小、维护及时性好和用户体验好的有益效果。

【技术实现步骤摘要】
一种电器的故障预测方法、装置、存储介质及电器
本专利技术属于空调
，具体涉及一种电器的故障预测方法、装置、存储介质及电器，尤其涉及一种空调故障预测的方法、与该方法对应的装置、存储有该方法指令的计算机可读存储介质、以及能够执行该方法指令或存储有该装置的电器。
技术介绍
空调(即空气调节器)，可以对建筑/构筑物内环境空气的温度、湿度、洁净度、速度等参数进行调节和控制。目前空调在用户使用过程正常运行时，运行参数偏离正常运行状态，直至空调已经过自身的检验逻辑判断出故障时，此时空调已无法正常使用，需要用户进行报修、专业人员进行维修操作，一方面对空调机组本身损害较大，一方面影响用户使用。现有技术中，存在对机组损害大、维护及时性差和用户体验差等缺陷。
技术实现思路
本专利技术的目的在于，针对上述缺陷，提供一种电器的故障预测方法、装置、存储介质及电器，以解决现有技术中空调经过自身的检验逻辑判断出故障时已无法正常使用导致对机组损害大的问题，达到对机组损害小的效果。本专利技术提供一种电器的故障预测方法，包括：建立电器的历史运行状态与历史故障情况之间的关系；获取已建立所述关系的电器的实际运行状态；将所述关系中与所述实际运行状态相应的所述历史运行状态对应的所述历史故障情况，作为与所述实际运行状态对应的实际故障情况，以得到对电器的故障预测结果。可选地，其中，建立电器的历史运行状态与历史故障情况之间的关系，包括：收集相同类型的电器在不同用户中的历史使用情况；其中，所述历史使用情况，包括：电器运行过程中的历史运行状态和历史故障情况；通过大数据分析及挖掘技术，对所述历史使用情况进行分析，得到以所述历史运行状态为输入参数、并以所述历史故障情况为输出参数的数据对，作为样本数据；利用神经网络算法，对所述样本数据进行训练和测试，以得到所需的所述历史运行状态与所述历史故障情况之间的关系。可选地，其中，收集相同类型的电器在不同用户中的历史使用情况，包括：通过无线收发装置，接收预设时长内相同类型的电器在不同用户中的历史使用情况；和/或，对所述历史使用情况进行分析，包括：根据所需预测的至少一种故障类型，利用支持向量机学习、机器学习、数据分析中的至少一种方式，对所述历史使用情况进行分析，得到分析结果；结合预设的专家经验，将所述分析结果中对所述故障类型有影响、和/或与所述故障类型有关联的历史运行状态作为输入参数，并将所述分析结果中与所述输入参数相应的历史故障情况作为输出参数；和/或，对所述样本数据进行训练和测试，包括：将所述样本数据划分为训练样本数据和测试样本数据；选取神经网络算法的网络结构，初始化所述网络结构的连接权值；通过所述网络结构和所述连接权值，对所述训练样本数据进行训练；通过所述训练完成的网络结构和连接权值，对所述测试样本数据进行测试。可选地，其中，对所述训练样本数据进行训练，包括：将所述训练样本数据的输入参数输入到所述网络结构中，得到理论输出参数；获取所述理论输出参数与所述训练样本数据的输出参数之间的训练误差，并确定所述训练误差是否在目标训练误差范围内；当所述训练误差在所述目标训练误差范围内时，停止训练；或当所述训练误差在所述目标训练误差范围外时，对所述连接权值进行调整；和/或，对所述测试样本数据进行测试，包括：将所述测试样本数据的输入参数输入所述网络结构中，得到理论输出参数；获取所述理论输出参数与所述测试样本数据的输出参数之间的测试误差，并确定所述测试误差是否在目标测试误差范围内；当所述测试误差在所述目标测试误差范围内时，停止测试；或当所述测试误差在所述目标测试误差范围外时，重新训练所述网络结构；和/或，扩大相同类型的电器在不同用户中的历史使用情况的收集范围，以对相同类型的电器在不同用户中的历史使用情况进行重新收集。可选地，其中，在所述历史使用情况中，所述历史运行状态和所述历史故障情况，均按时间顺序排列；和/或，所述输入参数，包括：单一的历史运行状态；和/或，按设定规律自所述历史运行状态中提取相应特征，并由所述特征组成的一维数组或两维以上数组；和/或，所述网络结构，包括：输入结点数、输出结点数、网络层数中的至少之一；和/或，对所述连接权值进行调整，包括：根据与所述连接权值和所述训练样本的时间序列相关的调整系数，通过训练误差反向传递法对所述连接权值进行调整。可选地，还包括：根据所述故障预测结果，确定所述实际故障情况的故障程度是否达到设定的预警程度；当所述实际故障情况的故障程度达到设定的预警程度时，发起提示；和/或，对所述历史运行状态与所述历史故障情况之间的关系进行更新；和/或，对所述历史运行状态、所述历史故障情况、所述实际运行状态、所述实际故障情况中的至少之一进行显示。可选地，其中，对所述历史运行状态与所述历史故障情况之间的关系进行更新，包括：当该方法还包括对与所述关系相关的网络结构的连接权值进行调整时，收集相同类型的电器在不同用户中的新的使用情况；将新的使用情况作为新的样本数据，对所述网络结构的连接权值进行调整；和/或，将新的使用情况和历史使用情况一起作为新的样本数据，对用于调整所述连接权值的调整系数进行调整后，重新训练所述网络结构；和/或，所述故障预测结果，包括：自当前时刻起一段时间之后的实际故障情况。与上述方法相匹配，本专利技术另一方面提供一种电器的故障预测装置，包括：控制单元，用于建立电器的历史运行状态与历史故障情况之间的关系；通讯单元，用于获取已建立所述关系的电器的实际运行状态；所述控制单元，还用于将所述关系中与所述实际运行状态相应的所述历史运行状态对应的所述历史故障情况，作为与所述实际运行状态对应的实际故障情况，以得到对电器的故障预测结果。可选地，其中，所述控制单元建立电器的历史运行状态与历史故障情况之间的关系，具体包括：收集相同类型的电器在不同用户中的历史使用情况；其中，所述历史使用情况，包括：电器运行过程中的历史运行状态和历史故障情况；通过大数据分析及挖掘技术，对所述历史使用情况进行分析，得到以所述历史运行状态为输入参数、并以所述历史故障情况为输出参数的数据对，作为样本数据；利用神经网络算法，对所述样本数据进行训练和测试，以得到所需的所述历史运行状态与所述历史故障情况之间的关系。可选地，其中，所述控制单元收集相同类型的电器在不同用户中的历史使用情况，具体包括：通过无线收发装置，接收预设时长内相同类型的电器在不同用户中的历史使用情况；和/或，所述控制单元对所述历史使用情况进行分析，具体包括：根据所需预测的至少一种故障类型，利用支持向量机学习、机器学习、数据分析中的至少一种方式，对所述历史使用情况进行分析，得到分析结果；结合预设的专家经验，将所述分析结果中对所述故障类型有影响、和/或与所述故障类型有关联的历史运行状态作为输入参数，并将所述分析结果中与所述输入参数相应的历史故障情况作为输出参数；和/或，所述控制单元对所述样本数据进行训练和测试，具体包括：将所述样本数据划分为训练样本数据和测试样本数据；选取神经网络算法的网络结构，初始化所述网络结构的连接权值；通过所述网络结构和所述连接权值，对所述训练样本数据进行训练；通过所述训练完成的网络结构和连接权值，对所述测试样本数据进行测试。可选地，其中，所述控制单元对所述训练样本数据进行训本文档来自技高网...

【技术保护点】
一种电器的故障预测方法，其特征在于，包括：建立电器的历史运行状态与历史故障情况之间的关系；获取已建立所述关系的电器的实际运行状态；将所述关系中与所述实际运行状态相应的所述历史运行状态对应的所述历史故障情况，作为与所述实际运行状态对应的实际故障情况，以得到对电器的故障预测结果。

【技术特征摘要】
1.一种电器的故障预测方法，其特征在于，包括：建立电器的历史运行状态与历史故障情况之间的关系；获取已建立所述关系的电器的实际运行状态；将所述关系中与所述实际运行状态相应的所述历史运行状态对应的所述历史故障情况，作为与所述实际运行状态对应的实际故障情况，以得到对电器的故障预测结果。2.根据权利要求1所述的方法，其特征在于，其中，建立电器的历史运行状态与历史故障情况之间的关系，包括：收集相同类型的电器在不同用户中的历史使用情况；其中，所述历史使用情况，包括：电器运行过程中的历史运行状态和历史故障情况；通过大数据分析及挖掘技术，对所述历史使用情况进行分析，得到以所述历史运行状态为输入参数、并以所述历史故障情况为输出参数的数据对，作为样本数据；利用神经网络算法，对所述样本数据进行训练和测试，以得到所需的所述历史运行状态与所述历史故障情况之间的关系。3.根据权利要求2所述的方法，其特征在于，其中，收集相同类型的电器在不同用户中的历史使用情况，包括：通过无线收发装置，接收预设时长内相同类型的电器在不同用户中的历史使用情况；和/或，对所述历史使用情况进行分析，包括：根据所需预测的至少一种故障类型，利用支持向量机学习、机器学习、数据分析中的至少一种方式，对所述历史使用情况进行分析，得到分析结果；结合预设的专家经验，将所述分析结果中对所述故障类型有影响、和/或与所述故障类型有关联的历史运行状态作为输入参数，并将所述分析结果中与所述输入参数相应的历史故障情况作为输出参数；和/或，对所述样本数据进行训练和测试，包括：将所述样本数据划分为训练样本数据和测试样本数据；选取神经网络算法的网络结构，初始化所述网络结构的连接权值；通过所述网络结构和所述连接权值，对所述训练样本数据进行训练；通过所述训练完成的网络结构和连接权值，对所述测试样本数据进行测试。4.根据权利要求3所述的方法，其特征在于，其中，对所述训练样本数据进行训练，包括：将所述训练样本数据的输入参数输入到所述网络结构中，得到理论输出参数；获取所述理论输出参数与所述训练样本数据的输出参数之间的训练误差，并确定所述训练误差是否在目标训练误差范围内；当所述训练误差在所述目标训练误差范围内时，停止训练；或当所述训练误差在所述目标训练误差范围外时，对所述连接权值进行调整；和/或，对所述测试样本数据进行测试，包括：将所述测试样本数据的输入参数输入所述网络结构中，得到理论输出参数；获取所述理论输出参数与所述测试样本数据的输出参数之间的测试误差，并确定所述测试误差是否在目标测试误差范围内；当所述测试误差在所述目标测试误差范围内时，停止测试；或当所述测试误差在所述目标测试误差范围外时，重新训练所述网络结构；和/或，扩大相同类型的电器在不同用户中的历史使用情况的收集范围，以对相同类型的电器在不同用户中的历史使用情况进行重新收集。5.根据权利要求4所述的方法，其特征在于，其中，在所述历史使用情况中，所述历史运行状态和所述历史故障情况，均按时间顺序排列；和/或，所述输入参数，包括：单一的历史运行状态；和/或，按设定规律自所述历史运行状态中提取相应特征，并由所述特征组成的一维数组或两维以上数组；和/或，所述网络结构，包括：输入结点数、输出结点数、网络层数中的至少之一；和/或，对所述连接权值进行调整，包括：根据与所述连接权值和所述训练样本的时间序列相关的调整系数，通过训练误差反向传递法对所述连接权值进行调整。6.根据权利要求1-5之一所述的方法，其特征在于，还包括：根据所述故障预测结果，确定所述实际故障情况的故障程度是否达到设定的预警程度；当所述实际故障情况的故障程度达到设定的预警程度时，发起提示；和/或，对所述历史运行状态与所述历史故障情况之间的关系进行更新；和/或，对所述历史运行状态、所述历史故障情况、所述实际运行状态、所述实际故障情况中的至少之一进行显示。7.根据权利要求6所述的方法，其特征在于，其中，对所述历史运行状态与所述历史故障情况之间的关系进行更新，包括：当该方法还包括对与所述关系相关的网络结构的连接权值进行调整时，收集相同类型的电器在不同用户中的新的使用情况；将新的使用情况作为新的样本数据，对所述网络结构的连接权值进行调整；和/或，将新的使用情况和历史使用情况一起作为新的样本数据，对用于调整所述连接权值的调整系数进行调整后，重新训练所述网络结构；和/或，所述故障预测结果，包括：自当前时刻起一段时间之后的实际故障情况。8.一种电器的故障预测装置，其特征在于，包括：控制单元，用于建立电器的历史运行状态与历史故障情况之间的关系；通讯单元，用于获取已建立所述关系的电器的实际运行状态；所述控制单元，还用于将所述关系中与所述实际运行状态相应的所述历史运行状态对应的所述历史故障情况，作为与所述实际运行状态对应的实际故障情况，以得到对电器的故障预测结果。9.根据权利要求8所述的装置，其特征在于，其中，所述控制单元建立电器...

【专利技术属性】
技术研发人员：刘佰兰，宋德超，陈忡，田涛，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：广东,44