设备故障的确定方法及装置、存储介质、电子装置制造方法及图纸

本发明专利技术提供了一种设备故障的确定方法及装置、存储介质、电子装置，其中，所述方法包括：获取目标设备的运行数据，其中，所述运行数据包括：设备故障数据、设备状态数据；通过对所述运行数据中的所述设备故障数据和所述设备状态数据进行处理，得到测试数据集；通过对预先获取的所述目标设备的维修信息进行处理，得到训练数据集，其中，所述训练数据集包括：所述维修信息中的设备故障和所述设备故障的标签；将所述训练数据集和所述测试数据集输入机器学习模型进行故障分类，确定所述目标设备的故障类型。通过本发明专利技术，解决了故障反馈准确率低的问题，进而达到了提高故障判断准确率和完整度的效果。

【技术实现步骤摘要】
设备故障的确定方法及装置、存储介质、电子装置
本专利技术涉及家电故障分析领域，具体而言，涉及一种设备故障的确定方法及装置、存储介质、电子装置。
技术介绍
物联网家电是指将物联网技术应用在冰箱、洗衣进、空调、彩电等产品中。基于物联网家电故障自反馈系统是根据家电上报的故障或者状态数据，根据人工制订规则，将符合规则的故障数据推送到售后系统，售后系统根据录入的售后信息进行售后服务。基于物联网家电故障自反馈系统具有如下的缺陷：制订的故障规则不够准确且不够完整，导致售后反映故障率匹配率低且会消耗大量的工作量。针对相关技术中，故障反馈准确率低的问题，目前尚未存在有效的解决方案。
技术实现思路
本专利技术实施例提供了一种设备故障的确定方法及装置、存储介质、电子装置，以至少解决相关技术中故障反馈准确率低的问题。根据本专利技术的一个实施例，提供了一种设备故障的确定方法，包括：获取目标设备的运行数据，其中，所述运行数据包括：设备故障数据、设备状态数据；通过对所述运行数据中的所述设备故障数据和所述设备状态数据进行处理，得到测试数据集；通过对预先获取的所述目标设备的维修信息进行处理，得到训练数据集，其中，所述训练数据集包括：所述维修信息中的设备故障和所述设备故障的标签；将所述训练数据集和所述测试数据集输入机器学习模型进行故障分类，确定所述目标设备的故障类型。根据本专利技术的另一个实施例，提供了一种设备故障的确定装置，包括：获取模块，用于获取目标设备的运行数据，其中，所述运行数据包括：设备故障数据、设备状态数据；测试集模块，用于通过对所述运行数据中的所述设备故障数据和所述设备状态数据进行处理，得到测试数据集；训练集模块，用于通过对预先获取的所述目标设备的维修信息进行处理，得到训练数据集，其中，所述训练数据集包括：所述维修信息中的设备故障和所述设备故障的标签；故障分类模块，用于将所述训练数据集和所述测试数据集输入机器学习模型进行故障分类，确定所述目标设备的故障类型。根据本专利技术的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。根据本专利技术的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。通过本专利技术，由于获取测试数据集合训练数据集后，将所述训练数据集和所述测试数据集输入机器学习模型进行故障分类，从而能够确定所述目标设备的故障类型。因此，可以解决故障反馈准确率低的问题，达到提高故障判断准确率和完整度的效果。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的系统架构示意图；图2是根据本专利技术实施例的设备故障的确定方法的流程图；图3是根据本专利技术实施例的设备故障的确定装置的结构框图；图4是本专利技术实施例中的设备故障的确定方法处理逻辑示意图；图5是本专利技术优选实施例中的系统架构示意图。具体实施方式下文中将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。实施例1本申请实施例一所提供的方法实施例中在如图1所示的系统架构中执行，其中，图1中包括：故障自主反馈系统10、消息分发系统20、工单信息同步系统30、训练集系统40。在上述系统中，通过售后系统中回传的工单信息，金额过训练集系统40得到训练集，并通过故障自主反馈系统10机器学习模型，得到故障规则。故障自主反馈系统10实时接收网器的故障和状态数据，并对数据进行规则匹配，然后将筛选出的故障机器信息推送到售后系统，由售后系统进行确认并进行服务，然后再反馈到工单信息同步系统30。在所述故障自主反馈系统10中，采用sparkml，订阅物联网中家用电器的故障数据和状态数据，进行过滤、量化处理后进入训练模型，经过计算后将故障信息推送到kafka消息平台。在所述消息分发系统20中消息分发采用java程序，线程循环读取故障自反馈主程序发送过来的故障信息，然后根据配置信息，将故障信息通过rest接口发送至售后系统。在所述工单信息同步系统30中，工单信息同步系统采用java程序，服务端接收售后回传的工单信息，然后发送至大数据平台。在所述训练集系统40中将同步过来的工单信息进行落地，然后去数据仓库里进行条件关联，将关联出来的数据进行过滤，量化处理，然后以约定的格式存储在redis。在本实施例中提供了一种运行于上述系统架构的设备故障的确定方法，图2是根据本专利技术实施例的设备故障的确定的流程图，如图2所示，该流程包括如下步骤：步骤S202，获取目标设备的运行数据，其中，所述运行数据包括：设备故障数据、设备状态数据；步骤S204，通过对所述运行数据中的所述设备故障数据和所述设备状态数据进行处理，得到测试数据集；步骤S206，通过对预先获取的所述目标设备的维修信息进行处理，得到训练数据集，其中，所述训练数据集包括：所述维修信息中的设备故障和所述设备故障的标签；步骤S208，将所述训练数据集和所述测试数据集输入机器学习模型进行故障分类，确定所述目标设备的故障类型。通过上述步骤，由于获取测试数据集合训练数据集后，将所述训练数据集和所述测试数据集输入机器学习模型进行故障分类，从而能够确定所述目标设备的故障类型。因此，可以解决故障反馈准确率低的问题，达到提高故障判断准确率和完整度的效果。在上述步骤S202中，通过订阅的方式获取物联网中家电的运行数据，在所述运行数据中包括了设备故障数据和设备状态数据。在上述步骤S204中，通过对所述运行数据中的设备故障数据和设备状态数据进行处理得到测试数据集。在所述测试数据集中经过处理包括了设备故障数据和设备状态数据。在上述步骤S206中，通过对预先获取的目标设备的维修信息进行处理后得到训练数据集，在所述训练数据集中包括了维修信息中的设备故障和设备故障的标签，即在训练数据集中包括的是真实维修信息中记录的设备故障以及设备故障对应的标签。比如，设备故障为冰箱压缩机，设备故障的标签为制冷不足的问题。在上述步骤S208中，通过在机器学习模型通过所述训练数据集和所述测试数据集进行故障分类。作为本实施例中的优选，所述确定所述目标设备的故障类型之后，所述方法还包括：将所述故障类型推送至消息队列；将所述消息队列中的故障类型通过预设接口发送至售后系统；接收所述售后系统返回的对所述目标设备进行维修的工单信息；将所述工单信息与数据库中设备信息的进行关联，并将关联结果保本文档来自技高网...

【技术保护点】
1.一种设备故障的确定方法，其特征在于，包括：/n获取目标设备的运行数据，其中，所述运行数据包括：设备故障数据、设备状态数据；/n通过对所述运行数据中的所述设备故障数据和所述设备状态数据进行处理，得到测试数据集；/n通过对预先获取的所述目标设备的维修信息进行处理，得到训练数据集，其中，所述训练数据集包括：所述维修信息中的设备故障和所述设备故障的标签；/n将所述训练数据集和所述测试数据集输入机器学习模型进行故障分类，确定所述目标设备的故障类型。/n

【技术特征摘要】
1.一种设备故障的确定方法，其特征在于，包括：
获取目标设备的运行数据，其中，所述运行数据包括：设备故障数据、设备状态数据；
通过对所述运行数据中的所述设备故障数据和所述设备状态数据进行处理，得到测试数据集；
通过对预先获取的所述目标设备的维修信息进行处理，得到训练数据集，其中，所述训练数据集包括：所述维修信息中的设备故障和所述设备故障的标签；
将所述训练数据集和所述测试数据集输入机器学习模型进行故障分类，确定所述目标设备的故障类型。


2.根据权利要求1所述的方法，其特征在于，所述确定所述目标设备的故障类型之后，所述方法还包括：
将所述故障类型推送至消息队列；
将所述消息队列中的故障类型通过预设接口发送至售后系统；
接收所述售后系统返回的对所述目标设备进行维修的工单信息；
将所述工单信息与数据库中设备信息的进行关联，并将关联结果保存至所述训练数据集。


3.根据权利要求2所述的方法，其特征在于，所述通过对所述运行数据中的所述设备故障数据和所述设备状态数据进行处理，得到测试数据集包括：
在所述设备故障数据中包括正在维修的所述设备故障数据的情况下，将所述正在维修的所述设备故障数据进行过滤；
在所述运行数据中的所述设备状态数据中包括正在维修的所述设备状态数据的情况下，将所述正在维修的所述设备状态数据进行过滤；
根据过滤结果对所述设备故障数据和所述设备状态数据进行量化，得到所述测试数据集。


4.根据权利要求2所述的方法，其特征在于，所述通过对所述目标设备的维修信息进行处理，得到训练数据集包括：
将所述工单信息与所述数据库中的历史设备信息进行关联，得到第一关联数据；
根据设备故障特征对所述第一关联数据进行量化，得到所述维修信息中的设备故障和所述设备故障的标签，其中，所述设备故障的标签包括：不同设备故障特征的分类结果；
根据所述维修信息中的设备故障和所述设备故障的标签建立得到训练数据集。


5.根据权利要求1所述的方法，其特征在于，所述通过对所述运行数据中的所述设备故障数据和所述设备状态数据进行处理，得到测试数据集包括：
通过对所述运行数据中的所述设备故障数据进行量化处理，得到第一测试数据集，其中，所述第一测试数据集包括：设备故障数据的故障分类特征；
通过对所述运行数据中的所述设备状态数...

【专利技术属性】
技术研发人员：乔丹，
申请(专利权)人：海尔优家智能科技北京有限公司，
类型：发明
国别省市：北京;11