基于大数据的冰箱制冷异常检测方法及装置与流程

1.本说明书一个或多个实施例涉及冰箱制冷检测技术领域，尤其涉及一种基于大数据的冰箱制冷异常检测方法及装置。


背景技术：

2.冰箱是家庭生活中必不可少的家用电器，冰箱在制冷过程中，可能会出现压缩机不启动、系统冰堵、蒸发器霜堵、制冷剂泄漏等故障，造成冰箱的制冷状态异常。从维修记录中发现，从冰箱制冷开始出现异常到影响使用之间存在一个持续时间，而只有当冰箱制冷出现严重问题以至于影响使用时，用户才会去主动报修，此时已经对用户的生活和财产造成了影响。因此，在冰箱影响使用前及时的对冰箱进行检修，是很有必要的。
3.目前，很多方案采用制冷故障提醒设备，这种方案只能在冰箱制冷功能影响使用时进行报警提醒，不能在冰箱制冷功能影响使用之前提醒用户进行检修。


技术实现要素：

4.本说明书一个或多个实施例描述了一种基于大数据的冰箱制冷异常检测方法及装置，可以提高制冷异常判断的准确度，及时提供人员检修。
5.第一方面，本发明提供一种基于大数据的冰箱制冷异常检测方法，所述方法由冰箱内的控制器执行，所述方法包括：
6.获取预设型号的多个冰箱的多次因制冷异常而进行的维修分别对应的维修记录数据；
7.根据每一次维修对应的维修记录数据，计算每一次维修对应的异常持续时间中的每一天的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数；所述异常持续时间为每一次维修对应的第一天出现制冷异常到维修之间的时间；
8.将每一天的压缩机运行参数、冷藏室温度变化参数以及冷冻室温度变化参数输入至预先训练的状态判断模型中，得到所述每一天对应的制冷状态，所述制冷状态包括制冷正常和制冷异常；
9.针对每一次维修，计算所述制冷状态为制冷异常的天数与该次维修对应的异常持续时间之间的比值；并根据所述多次维修各自对应的所述比值，确定所述预设型号的冰箱对应的异常天数占比阈值；
10.在一个所述预设型号的冰箱出现异常时，确定在本次异常的一个移动时间窗口内每一天对应的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数，并将所述移动时间窗口内每一天对应的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数输入至所述状态判断模型中，得到每一天对应的制冷状态，计算在所述移动时间窗口内所述制冷状态为制冷异常的天数，并计算所述移动时间窗口内所述制冷状态为制冷异常的天数与所述移动时间窗口的比值，若该比值大于等于所述异常天数占比阈值，则确定该冰箱出现制冷异常。
11.第二方面，本发明提供一种基于大数据的冰箱制冷异常检测装置，包括：
12.数据获取模块，用于获取预设型号的多个冰箱的多次因制冷异常而进行的维修分别对应的维修记录数据；
13.参数计算模块，用于根据每一次维修对应的维修记录数据，计算每一次维修对应的异常持续时间中的每一天的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数；所述异常持续时间为每一次维修对应的第一天出现制冷异常到维修之间的时间；
14.模型判断模块，用于将每一天的压缩机运行参数、冷藏室温度变化参数以及冷冻室温度变化参数输入至预先训练的状态判断模型中，得到所述每一天对应的制冷状态，所述制冷状态包括制冷正常和制冷异常；
15.阈值计算模块，用于针对每一次维修，计算所述制冷状态为制冷异常的天数与该次维修对应的异常持续时间之间的比值；并根据所述多次维修各自对应的所述比值，确定所述预设型号的冰箱对应的异常天数占比阈值；
16.异常判断模块，用于在一个所述预设型号的冰箱出现异常时，确定在本次异常的一个移动时间窗口内每一天对应的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数，并将所述移动时间窗口内每一天对应的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数输入至所述状态判断模型中，得到每一天对应的制冷状态，计算在所述移动时间窗口内所述制冷状态为制冷异常的天数，并计算所述移动时间窗口内所述制冷状态为制冷异常的天数与所述移动时间窗口的比值，若该比值大于等于所述异常天数占比阈值，则确定该冰箱出现制冷异常。
17.本发明提供的基于大数据的冰箱制冷异常检测方法及装置，首先获取多次因制冷异常而进行维修的维修记录数据，然后基于这些维修记录数据计算每一天对应的多个冰箱运行参数，然后将每一天对应的冰箱运行参数输入到状态判断模型中，得到这一天是否出现制冷异常。进而针对每一次维修，计算出现制冷异常的天数与异常持续时间的比值。然后根据多次维修对应的比值确定异常天数占比阈值，并依据异常天数占比阈值对冰箱是否出现异常进行判断。可见，本发明是基于历史维修数据确定异常天数占比阈值，这种基于大数据确定阈值的方式比较具有统计价值，可以适用于大多数制冷异常的判断过程。而且，由于用户使用冰箱的情况复杂，对冰箱的制冷状态有很大的影响，因此本发明并非仅根据一天的制冷状态就决定冰箱是否真的出现制冷异常，而是根据在一个异常持续时间内出现异常的天数的占比来判断，这样可以避免个别情况对制冷状态判断准确率的影响。还有，在上述过程中，采用状态判断模型来对一天是否出现制冷异常进行判断，由于状态判断模型为提前训练的机器学习模型，而机器学习模型的建模过程非常成熟，因此状态判断模型的判断精准度是很高的，可以进一步提高冰箱整体是否真的出现制冷异常的判断准确度。另外，通过上述方法可以及时提供用户申请检修，可以在冰箱影响用户使用之前进行检修，减少用户损失，提高用户使用体验。
附图说明
18.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例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说明书的一些实施例，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。
19.图1是本说明书一个实施例中基于大数据的冰箱制冷异常检测方法的流程示意图；
20.图2是本说明书一个实施例中冰箱门感应电路的结构框图。
具体实施方式
21.下面结合附图，对本说明书提供的方案进行描述。
22.第一方面，本发明提供一种基于大数据的冰箱制冷异常检测方法，所述方法由冰箱内的控制器执行，如图1所示，该方法包括如下步骤s110～s150：
23.s110、获取预设型号的多个冰箱的多次因制冷异常而进行的维修分别对应的维修记录数据；
24.在具体实施时，在冰箱内设置有物联网通讯模块，以便控制器能够通过物联网通讯模块从大数据平台获取上述维修记录数据。
25.可理解的是，同一型号的冰箱内的构造、功能、整体结构是相同的，只有相同型号的冰箱的维修记录数据才会具有参考价值。这里的维修是指因冰箱制冷异常而进行的维修，其它类型的故障所进行的维修不包括在内。
26.其中，每一次维修都会产生维修记录数据，而维修记录数据可以包括此次开始出现异常的时间即第一天出现异常的时间、维修的时间、在第一天出现异常到维修这段时间内冰箱的运行数据，这些运行数据都会记录在冰箱的数存储模块中，通过物联网通讯模块将这些数据上传至大数据平台上，然后大数据平台会对原始数据进行清洗并将清洗后的数据进行存储。这些运行数据可以包括在每一天的多个时间点对应的压缩机转速、通过传感器所检测到的冷藏室的温度、用户对冷藏室所设置的温度、通过传感器所检测到的冷冻室的温度、用户对冷冻室所设置的温度等，当然还可以包括其它的数据。
27.s120、根据每一次维修对应的维修记录数据，计算每一次维修对应的异常持续时间中的每一天的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数；
28.其中，所述异常持续时间为每一次维修对应的第一天出现制冷异常到维修之间的时间。由于冰箱从第一天出现制冷异常到维修之间存在一个持续时间，这个持续时间可以称为异常持续时间。
29.在具体实施时，可以采用第一公式计算所述压缩机运行参数，所述第一公式包括：
[0030][0031]
式中，p
压缩机
为所述压缩机运行参数，t为在一天内所述压缩机的运行总时间，r
i
为所述压缩机的第i个转速，t
i
为所述压缩机在第i个转速下的运行时间。
[0032]
可见，通过第一公式，考虑变频冰箱根据冰箱状态运行转速不同的情况，综合不同转速与转速持续时间来衡量压缩机运行状态。
[0033]
在具体实施时，可以采用第二公式计算所述冷藏室温度变化参数，所述第二公式包括：
[0034][0035]
式中，p
冷藏室
为所述冷藏室温度变化参数，temperature1
i
为所述冷藏室在一天内第i个时间采集点对应的温度检测值，setting1
i
为所述冷藏室在一天内第i个时间采集点对应的用户设定温度值，n为所述时间采集点的总个数。
[0036]
可见，在第二公式中，计算的是冷藏室在一天中的整体温度状态，综合考虑了传感器检测到的温度值和用户设定的温度值，来衡量冷藏室的整体温度状态，不会因为个别时间点的温度异常导致这一天的冷藏室温度变化参数都不能用。
[0037]
在具体实施时，可以采用第三公式计算所述冷冻室温度变化参数，所述第三公式包括：
[0038][0039]
式中，p
冷冻室
为所述冷藏室温度变化参数，temperature2
i
为所述冷冻室在一天内第i个时间采集点对应的温度检测值，setting2
i
为所述冷冻室在一天内第i个时间采集点对应的用户设定温度值，n为所述时间采集点的总个数。
[0040]
可见，在第三公式中，计算的是冷冻室在一天中的整体温度状态，综合考虑了传感器检测到的温度值和用户设定的温度值，来衡量冷冻室的整体温度状态，不会因为个别时间点的温度异常导致这一天的冷冻室温度变化参数都不能用。
[0041]
可理解的是，上述压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数为可以反映出冰箱制冷功能情况的有关参数。
[0042]
s130、将每一天的压缩机运行参数、冷藏室温度变化参数以及冷冻室温度变化参数输入至预先训练的状态判断模型中，得到所述每一天对应的制冷状态，所述制冷状态包括制冷正常和制冷异常；
[0043]
其中，状态判断模型为一个二分类模型，可以根据输入数据输出两个概率值，一个概率值为这一天制冷正常的概率和这一天制冷异常的概率，然后根据这两个概率的大小差异，便可以得到这一天对应的制冷状态是正常还是异常。该状态判断模型为预先训练得到的机器学习模型，在预先训练过程中，需要大量训练样本，每一个训练样本中都包括一天对应的压缩机运行参数、冷藏室温度变化参数、冷冻室温度变化参数以及对这一天标记的制冷状态，通过对训练样本的训练，可以得到所需的状态判断模型。
[0044]
可理解的是，将一天的压缩机运行参数、冷藏室温度变化参数以及冷冻室温度变化参数输入状态判断模型中，可以得到这一天的制冷状态。即针对每一次维修对应的异常持续时间中的每一天，通过该状态判断模型都会得到一个制冷状态，例如，异常持续时间为m天，则通过该状态判断模型会得到m个制冷状态。
[0045]
由于用户使用冰箱的情况复杂，对冰箱的制冷状态有很大的影响，因此不能单纯的以一天的状态来判断冰箱是否制冷异常，而是通过在一个异常持续时间内出现异常的天数的占比来判断，可以避免个别情况对制冷状态判断准确率的影响。
[0046]
s140、针对每一次维修，计算所述制冷状态为制冷异常的天数与该次维修对应的
异常持续时间之间的比值；并根据所述多次维修各自对应的所述比值，确定所述预设型号的冰箱对应的异常天数占比阈值；
[0047]
例如，针对每一次维修，异常持续时间为m天，则通过该状态判断模型会得到m个制冷状态，这m个制冷状态中有r个制冷异常，也就是说有r天出现了制冷异常，这样针对这一次维修，所述制冷状态为制冷异常的天数与该次维修对应的异常持续时间之间的比值为r/m。
[0048]
可理解的是，若在s110中共获取了w次维修对应的维修记录数据，则会产生w个比值，根据这w个比值确定异常天数占比阈值。
[0049]
在具体实施时，s140中确定异常天数占比阈值的方法可以包括：在所述多次维修各自对应的所述比值中选取一个比值作为所述异常天数占比阈值，该比值与其余各个比值之间的差值的和最小。
[0050]
其中，异常天数占比阈值与其余各个比值时间的差值的总和最小，也就是说，异常天数占比阈值是在所有比值中比值集中范围内最靠近中心的比值。
[0051]
s150、在一个所述预设型号的冰箱出现异常时，确定在本次异常的一个移动时间窗口内每一天对应的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数，并将所述移动时间窗口内每一天对应的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数输入至所述状态判断模型中，得到每一天对应的制冷状态，计算在所述移动时间窗口内所述制冷状态为制冷异常的天数，并计算所述移动时间窗口内所述制冷状态为制冷异常的天数与所述移动时间窗口的比值，若该比值大于等于所述异常天数占比阈值，则确定该冰箱出现制冷异常。
[0052]
可理解的是，s110～s140为实际应用前的准备工作，而s150为真正的应用过程。在该步骤中，每一天对应的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数仍可以采用上述第一公式、第二公式和第三公式计算得到。每一天对应的制冷状态仍采用状态判断模型进行确定。
[0053]
其中，移动时间窗口中包括的天数可以根据需要设置，例如，设置为7天。步长可以选择一个1。移动时间窗口每一次移动后，确定该窗口内出现制冷异常的天数，然后计算该天数与该窗口的比值，若该比值小于异常天数占比阈值，则此时冰箱是否真的没有制冷异常需要进一步判断，具体判断方式下文中会有描述，如果经过进一步判断，确定冰箱真的没有制冷异常，则将移动时间窗口再次按照步长移动一次，再次进行判断。而如果该比值大于等于异常天数占比阈值，则确定冰箱真的存在制冷异常，需要进行报警或提示人员检修。
[0054]
本发明提供的基于大数据的冰箱制冷异常检测方法，首先获取多次因制冷异常而进行维修的维修记录数据，然后基于这些维修记录数据计算每一天对应的多个冰箱运行参数，然后将每一天对应的冰箱运行参数输入到状态判断模型中，得到这一天是否出现制冷异常。进而针对每一次维修，计算出现制冷异常的天数与异常持续时间的比值。然后根据多次维修对应的比值确定异常天数占比阈值，并依据异常天数占比阈值对冰箱是否出现异常进行判断。可见，本发明是基于历史维修数据确定异常天数占比阈值，这种基于大数据确定阈值的方式比较具有统计价值，可以适用于大多数制冷异常的判断过程。而且，由于用户使用冰箱的情况复杂，对冰箱的制冷状态有很大的影响，因此本发明并非仅根据一天的制冷状态就决定冰箱是否真的出现制冷异常，而是根据在一个异常持续时间内出现异常的天数
的占比来判断，这样可以避免个别情况对制冷状态判断准确率的影响。还有，在上述过程中，采用状态判断模型来对一天是否出现制冷异常进行判断，由于状态判断模型为提前训练的机器学习模型，而机器学习模型的建模过程非常成熟，因此状态判断模型的判断精准度是很高的，可以进一步提高冰箱整体是否真的出现制冷异常的判断准确度。另外，通过上述方法可以及时提供用户申请检修，可以在冰箱影响用户使用之前进行检修，减少用户损失，提高用户使用体验。
[0055]
在具体实施时，s150还可以包括：
[0056]
若所述移动时间窗口内所述制冷状态为制冷异常的天数与所述移动时间窗口之间的比值小于所述异常天数占比阈值，则检测所述冷藏室内的当前温度和所述冷冻室内的当前温度；若所述冷藏室内的当前温度和所述冷冻室内的当前温度中的至少一个大于等于对应的温度报警阈值，则该冰箱出现制冷异常；若所述冷藏室内的当前温度和所述冷冻室内的当前温度均小于对应的温度报警阈值，则该冰箱未出现制冷异常。
[0057]
也就是说，如果所述移动时间窗口内所述制冷状态为制冷异常的天数与所述移动时间窗口的比值小于异常天数占比阈值，并不代表冰箱真的没有制冷故障，有可能因受移动窗口的大小、步长等因素影响未能真正判断出来。因此检测冷藏室和冷冻室的当前温度，如果至少一个当前温度过高，已经超过正常的波动范围，则说明冰箱存在制冷异常。而如果冷藏室和冷冻室的当前温度均小于对应的温度报警阈值，即在正常的波动范围内，才能说明该冰箱未出现制冷异常。可见，通过这种方式可以排除设置参数不合理造成的判断误差，提高准确度。
[0058]
在具体实施时，当冷藏室内出现制冷异常时，而很多时候申报了维修，但维修人员因为各种原因来现场进行维修还需要一些时间，而如果温度过高，就会加速食材的腐败程度。此时为了杀菌以减慢腐败程度，所述冰箱的冷藏室内可以设置有紫外线发生器和冰箱门感应电路，所述冰箱外壁上可以设置有显示屏，所述紫外线发生器、所述显示屏和所述冰箱门感应电路均与冰箱内的控制器连接；所述冰箱门感应电路用于检测冰箱门状态，所述冰箱门状态包括开启和关闭。此时，方法还可以包括：
[0059]
s160、若确定所述冰箱在一个移动时间窗口内出现制冷异常，则向所述显示屏发送报警信息，以提示用户冰箱出现制冷异常；并在一个移动时间窗口内出现制冷异常时，若所述冰箱门状态为关闭，则启动所述紫外线发生器，以使所述紫外线发生器对冰箱内的食材进行紫外线照射。
[0060]
也就是说，采用冰箱门感应电路来感应冰箱门是关闭还是打开，当冰箱门关闭且冰箱出现制冷异常时，则启动紫外线发生器，对冷藏室内的食材进行紫外线照射，以杀灭细菌，减缓腐败速度。而当冰箱门打开时，为了避免紫外线对人员造成伤害，需要关闭紫外线发生器。同时，为了使用户尽快申报维修，控制器可以向显示屏发出报警信息，这样用户看到报警信息后就知道冰箱出现制冷异常，以便申请保修。
[0061]
在具体实施时，为了使紫外线可以照射到各个角度和方向，因此冰箱的冷藏室内还可以设置有安装部件和旋转部件，所述旋转部件设置在所述安装部件上，所述紫外线发生器安装在所述旋转部件上，所述旋转部件与所述控制器连接。此时，方法还可以包括：
[0062]
s170、在一个移动时间窗口内出现制冷异常且所述冰箱门状态为关闭时，控制所述紫外线发生器开启以及控制所述旋转部件旋转，以使所述紫外线发生器向不同的方向进
行紫外线照射。
[0063]
也就是说，控制器不仅可以控制紫外线发生器的开启和关闭，也可以控制旋转部件的旋转和停止，当紫外线发生器为开启状态时，旋转部件为旋转状态；当紫外线发生器为关闭状态时，旋转部件为停止状态。这样紫外线发生器在紫外线照射的过程中可以不断的改变方向和角度，减少杀菌死角。
[0064]
在具体实施时，冰箱门感应电路可以采用多种结构形式实现，下面提供一种，参见图2：
[0065]
所述冰箱门感应电路可以包括电源vcc、第一电阻r1、第二电阻r2、第一电容c1和冷藏室的冰箱门开关sq1，其中：所述电源vcc与所述第二电阻r2的一端连接，所述第二电阻r2的另一端连接至所述第一电阻r1的一端、所述第一电容c1的一端和所述冰箱门开关sq1的一端，所述第一电阻r1的另一端与所述控制器的输入端io1连接，所述第一电容c1的另一端接地，所述第一冰箱门开关sq1的另一端接地；所述冰箱门开关sq1用于在所述冷藏室的冰箱门打开时闭合，在所述冰箱门关闭时断开；所述控制器用于在在一个移动时间窗口内出现制冷异常且接收到高电平时控制所述紫外线发生器开启以及控制所述旋转部件旋转。
[0066]
也就是说，当冰箱门关闭时，冰箱门开关断开，此时电源、第二电阻、冰箱门开关这一条支路是断开的，此时电源会通过第五电阻和第二电阻会把控制器的输入端的电压拉高，即此时控制器的输入端的电压为高电平。而当冰箱门打开时，冰箱门开关闭合，此时电源、第二电阻、冰箱门开关这一条支路是导通的，第一电阻和第二电阻之间的连接点的电压很低，所以将控制器的输入端的电压拉的很低，即低电平。
[0067]
当冰箱在一个时间窗口内出现异常时，且接收到高电平，即此时冰箱门关闭，此时可以控制紫外线发生器开启以及控制旋转部件旋转。而如果接收到的是低电平，说明冰箱门打开，此时控制器需要控制紫外线发生器关闭以及控制旋转部件停止。
[0068]
在上述冰箱门感应电路中，设置了第一电容，第一电容可以去抖和滤除静电干扰，可以保证冰箱门感应电路的感应成功率。同时，在控制器的输入端连接了第一电阻，第一电阻可以取较大值，例如，2k～5k欧姆，作用是防电流冲击，即防止控制器的输入端被静电击穿或者瞬间大电流烧坏，对控制器的输入口起到保护作用。
[0069]
第二方面，本发明提供一种基于大数据的冰箱制冷异常检测装置，包括：
[0070]
数据获取模块，用于获取预设型号的多个冰箱的多次因制冷异常而进行的维修分别对应的维修记录数据；
[0071]
参数计算模块，用于根据每一次维修对应的维修记录数据，计算每一次维修对应的异常持续时间中的每一天的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数；所述异常持续时间为每一次维修对应的第一天出现制冷异常到维修之间的时间；
[0072]
模型判断模块，用于将每一天的压缩机运行参数、冷藏室温度变化参数以及冷冻室温度变化参数输入至预先训练的状态判断模型中，得到所述每一天对应的制冷状态，所述制冷状态包括制冷正常和制冷异常；
[0073]
阈值计算模块，用于针对每一次维修，计算所述制冷状态为制冷异常的天数与该次维修对应的异常持续时间之间的比值；并根据所述多次维修各自对应的所述比值，确定所述预设型号的冰箱对应的异常天数占比阈值；
[0074]
异常判断模块，用于在一个所述预设型号的冰箱出现异常时，确定在本次异常的
一个移动时间窗口内每一天对应的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数，并将所述移动时间窗口内每一天对应的压缩机运行参数、冷藏室温度变化参数和冷冻室温度变化参数输入至所述状态判断模型中，得到每一天对应的制冷状态，计算在所述移动时间窗口内所述制冷状态为制冷异常的天数，并计算所述移动时间窗口内所述制冷状态为制冷异常的天数与所述移动时间窗口的比值，若该比值大于等于所述异常天数占比阈值，则确定该冰箱出现制冷异常。
[0075]
可理解的是，本发明提供的装置的有关内容的解释、有益效果、具体实施方式、举例等内容可以参考第一方面中的相应部分。
[0076]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0077]
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
[0078]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。