预测滤芯堵塞的方法和预测滤芯堵塞的装置制造方法及图纸

本公开是关于一种预测滤芯堵塞的方法和预测滤芯堵塞的装置。滤芯用于智能清扫设备，预测滤芯堵塞的方法：获取在第一时间段内的智能清扫设备的第一清扫数据；基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞，其中，预先训练的二分类对应关系表示第二清扫数据与滤芯是否将在第二时间段内堵塞之间的对应关系。本公开的预测滤芯堵塞的方法能够根据扫地机器人的数据、基于预先训练的二分类对应关系来预测扫地机器人的滤芯在未来一段时间内是否会发生堵塞，预测准确率高，便于用户提前更换滤芯，用户体验好。

【技术实现步骤摘要】
预测滤芯堵塞的方法和预测滤芯堵塞的装置
本公开涉及通信
，尤其涉及预测滤芯堵塞的方法和预测滤芯堵塞的装置。
技术介绍
相关技术中，扫地机器人作为IOT产品而应用广泛。然而，在实际使用中，由于扫地机器人的滤芯在工作过程中不断接触灰尘而易于堵塞。一方面，当扫地机器人的滤芯堵塞后，用户可能由于不知晓滤芯堵塞的情况而继续使用扫地机器人，造成浪费电力的同时又无法将地面清扫干净，影响用户体验。另一方面，当扫地机器人的滤芯堵塞后，用户会联系售后或商家更换，在此等待期间，无法使用扫地机器人。
技术实现思路
为克服相关技术中存在的问题，本公开提供一种预测滤芯堵塞的方法和一种预测滤芯堵塞的装置。根据本公开的第一方面，提供了一种预测滤芯堵塞的方法，滤芯用于智能清扫设备，预测滤芯堵塞的方法包括：获取在第一时间段内的智能清扫设备的第一清扫数据；基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞，其中，预先训练的二分类对应关系表示第二清扫数据与滤芯是否将在第二时间段内堵塞之间的对应关系。在一些实施方式中，预测滤芯堵塞的方法还包括：判断第一清扫数据是否包括用于指示滤芯是否发生堵塞的标签；如果第一清扫数据包括标签并且标签指示滤芯发生堵塞，则将滤芯堵塞的消息发送给智能清扫设备的用户；如果第一清扫数据不包括标签或者第一清扫数据包括标签并且标签指示滤芯未发生堵塞，则基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据。在一些实施方式中，标签通过如下步骤生成：响应于智能清扫设备的启动而接收用于检测智能清扫设备的滤芯是否堵塞的检测信号；基于检测信号生成用于指示滤芯是否发生堵塞的标签。在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长进行累积，并将累积后的清扫时长数值更新为第二清扫数据在该预设时间区间的第二清扫时长；针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积进行累积，并将累积后的清扫面积数值更新为第二清扫数据在该预设时间区间的第二清扫面积；将预设时间区间按照时间顺序更新为第二清扫发生时间。在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取平均值，并将该平均值更新为第二清扫数据在该预设时间区间的第二清扫时长；针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取平均值，并将该平均值更新为第二清扫数据在该预设时间区间的第二清扫面积；将预设时间区间按照时间顺序更新为第二清扫发生时间。在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取方差值，并将该方差值更新为第二清扫数据在该预设时间区间的第二清扫时长；针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取方差值，并将该方差值更新为第二清扫数据在该预设时间区间的第二清扫面积；将预设时间区间按照时间顺序更新为第二清扫发生时间。在一些实施方式中，根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞包括：将第二清扫数据作为二分类特征输入到预先训练的二分类预测模型中；根据预先训练的二分类预测模型的输出结果以预测滤芯是否将在第一时间段之后的第二时间段内堵塞。在一些实施方式中，预测滤芯堵塞的方法还包括：如果预测滤芯将在第二时间段内堵塞，则将滤芯将在第二时间段内堵塞的消息发送给智能清扫设备的用户。在一些实施方式中，第二清扫数据的数量为至少一个，每个第二清扫数据还包括智能清扫设备所处的地理位置的污染值。在一些实施方式中，预先训练的二分类对应关系包括预先训练的二分类预测模型，二分类预测模型的预先训练包括：获取在第三时间段内的出现滤芯堵塞的智能清扫设备的编号；获取编号的智能清扫设备的在第三时间段之前的第四时间段内的第三清扫数据；基于第三清扫数据生成以预设时间区间为单位的按照时间排序的第四清扫数据；将第四清扫数据作为二分类特征输入到二分类预测模型中以预测滤芯是否将在第三时间段内堵塞；根据二分类预测模型的预测结果与出现滤芯堵塞的结果进行比较来预先训练二分类预测模型。在一些实施方式中，预先训练的二分类对应关系包括预先训练的二分类预测模型，二分类预测模型的预先训练包括：获取在第五时间段内的未出现滤芯堵塞的智能清扫设备的编号；获取编号的智能清扫设备的在第五时间段之前的第六时间段内的第五清扫数据；基于第五清扫数据生成以预设时间区间为单位的按照时间排序的第六清扫数据；将第六清扫数据作为二分类特征输入到二分类预测模型中以预测滤芯是否将在第五时间段内堵塞；根据二分类预测模型的预测结果与未出现滤芯堵塞的结果进行比较来预先训练二分类预测模型。根据本公开的第二方面，提供了一种预测滤芯堵塞的装置，滤芯用于智能清扫设备，预测滤芯堵塞的装置包括：第一清扫数据获取模块，配置用于获取在第一时间段内的智能清扫设备的第一清扫数据；第二清扫数据生成模块，配置用于基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；滤芯堵塞预测模块，配置用于根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞，其中，预先训练的二分类对应关系表示第二清扫数据与滤芯是否将在第二时间段内堵塞之间的对应关系。在一些实施方式中，预测滤芯堵塞的装置还包括：标签判断模块，配置用于判断第一清扫数据是否包括用于指示滤芯是否发生堵塞的标签；如果第一清扫数据包括标签并且标签指示滤芯发生堵塞，则将滤芯堵塞的消息发送给智能清扫设备的用户；如果第一清扫数据不包括标签或者第一清扫数据包括标签并且标签指示滤芯未发生堵塞，则基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据。在一些实施方本文档来自技高网...

【技术保护点】
1.一种预测滤芯堵塞的方法，其特征在于，所述滤芯用于智能清扫设备，所述方法包括：/n获取在第一时间段内的所述智能清扫设备的第一清扫数据；/n基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；/n根据所述第二清扫数据以及预先训练的二分类对应关系预测所述滤芯是否将在第一时间段之后的第二时间段内堵塞，/n其中，所述预先训练的二分类对应关系表示所述第二清扫数据与所述滤芯是否将在第二时间段内堵塞之间的对应关系。/n

【技术特征摘要】
1.一种预测滤芯堵塞的方法，其特征在于，所述滤芯用于智能清扫设备，所述方法包括：
获取在第一时间段内的所述智能清扫设备的第一清扫数据；
基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；
根据所述第二清扫数据以及预先训练的二分类对应关系预测所述滤芯是否将在第一时间段之后的第二时间段内堵塞，
其中，所述预先训练的二分类对应关系表示所述第二清扫数据与所述滤芯是否将在第二时间段内堵塞之间的对应关系。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述第一清扫数据是否包括用于指示所述滤芯是否发生堵塞的标签；
如果所述第一清扫数据包括所述标签并且所述标签指示所述滤芯发生堵塞，则将所述滤芯堵塞的消息发送给所述智能清扫设备的用户；
如果所述第一清扫数据不包括所述标签或者所述第一清扫数据包括所述标签并且所述标签指示所述滤芯未发生堵塞，则基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据。


3.根据权利要求2所述的方法，其特征在于，所述标签通过如下步骤生成：
响应于所述智能清扫设备的启动而接收用于检测所述智能清扫设备的所述滤芯是否堵塞的检测信号；
基于所述检测信号生成所述用于指示所述滤芯是否发生堵塞的标签。


4.根据权利要求1所述的方法，其特征在于，所述第一清扫数据的数量为至少一个，每个所述第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，所述第二清扫数据的数量为至少一个，每个所述第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，
其中，基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：
针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长进行累积，并将累积后的清扫时长数值更新为所述第二清扫数据在该预设时间区间的第二清扫时长；
针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积进行累积，并将累积后的清扫面积数值更新为所述第二清扫数据在该预设时间区间的第二清扫面积；将所述预设时间区间按照时间顺序更新为所述第二清扫发生时间。


5.根据权利要求1所述的方法，其特征在于，所述第一清扫数据的数量为至少一个，每个所述第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，所述第二清扫数据的数量为至少一个，每个所述第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，
其中，基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：
针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取平均值，并将该平均值更新为所述第二清扫数据在该预设时间区间的第二清扫时长；
针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取平均值，并将该平均值更新为所述第二清扫数据在该预设时间区间的第二清扫面积；
将所述预设时间区间按照时间顺序更新为所述第二清扫发生时间。


6.根据权利要求1所述的方法，其特征在于，所述第一清扫数据的数量为至少一个，每个所述第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，所述第二清扫数据的数量为至少一个，每个所述第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，
其中，基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：
针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取方差值，并将该方差值更新为所述第二清扫数据在该预设时间区间的第二清扫时长；
针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取方差值，并将该方差值更新为所述第二清扫数据在该预设时间区间的第二清扫面积；
将所述预设时间区间按照时间顺序更新为所述第二清扫发生时间。


7.根据权利要求1所述的方法，其特征在于，根据所述第二清扫数据以及预先训练的二分类对应关系预测所述滤芯是否将在第一时间段之后的第二时间段内堵塞包括：
将所述第二清扫数据作为二分类特征输入到预先训练的二分类预测模型中；
根据预先训练的二分类预测模型的输出结果以预测所述滤芯是否将在第一时间段之后的第二时间段内堵塞。


8.根据权利要求1或7所述的方法，其特征在于，所述方法还包括：
如果预测所述滤芯将在第二时间段内堵塞，则将所述滤芯将在第二时间段内堵塞的消息发送给所述智能清扫设备的用户。


9.根据权利要求1所述的方法，其特征在于，
所述第二清扫数据的数量为至少一个，每个所述第二清扫数据还包括所述智能清扫设备所处的地理位置的污染值。


10.根据权利要求1所述的方法，其特征在于，
所述预先训练的二分类对应关系包括预先训练的二分类预测模型，所述二分类预测模型的所述预先训练包括：
获取在第三时间段内的出现滤芯堵塞的所述智能清扫设备的编号；
获取所述编号的所述智能清扫设备的在所述第三时间段之前的第四时间段内的第三清扫数据；
基于所述第三清扫数据生成以预设时间区间为单位的按照时间排序的第四清扫数据；
将所述第四清扫数据作为二分类特征输入到所述二分类预测模型中以预测所述滤芯是否将在所述第三时间段内堵塞；
根据所述二分类预测模型的预测结果与所述出现滤芯堵塞的结果进行比较来预先训练所述二分类预测模型。


11.根据权利要求1所述的方法，其特征在于，
所述预先训练的二分类对应关系包括预先训练的二分类预测模型，所述二分类预测模型的所述预先训练包括：
获取在第五时间段内的未出现滤芯堵塞的所述智能清扫设备的编号；
获取所述编号的所述智能清扫设备的在所述第五时间段之前的第六时间段内的第五清扫数据；
基于所述第五清扫数据生成以预设时间区间为单位的按照时间排序的第六清扫数据；
将所述第六清扫数据作为二分类特征输入到所述二分类预测模型中以预测所述滤芯是否将在所述第五时间段内堵塞；
根据所述二分类预测模型的预测结果与所述未出现滤芯堵塞的结果进行比较来预先训练所述二分类预测模型。


12.一种预测滤芯堵塞的装置，其特征在于，所述滤芯用于智能清扫设备，所述装置包括：
第一清扫数据获取模块，配置用于获取在第一时间段内的所述智能清扫设备的第一清扫数据；
第二清扫数...

【专利技术属性】
技术研发人员：孟庆春，赵辉华，
申请(专利权)人：北京小米智能科技有限公司，
类型：发明
国别省市：北京;11