CN105629947B - 家居设备监测方法、家居设备监测装置和终端 - Google Patents
家居设备监测方法、家居设备监测装置和终端 Download PDFInfo
- Publication number
- CN105629947B CN105629947B CN201510863954.XA CN201510863954A CN105629947B CN 105629947 B CN105629947 B CN 105629947B CN 201510863954 A CN201510863954 A CN 201510863954A CN 105629947 B CN105629947 B CN 105629947B
- Authority
- CN
- China
- Prior art keywords
- home equipment
- real
- traffic information
- time traffic
- home
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000012806 monitoring device Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 abstract description 16
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提出了一种家居设备监测方法、一种家居设备监测装置和一种终端，其中，所述家居设备监测方法包括：采集家居设备的实时运行信息；根据所述实时运行信息，为所述家居设备建立特征模型；通过贝叶斯分类器对所述特征模型与所述家居设备的安全预置模型进行比较，以确定所述实时运行信息是否发生异常。通过本发明的技术方案，可以区分用户的不同使用行为及惯性模式，在该特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性和便利性，也便于根据用户的实际习惯调整家居设备的运行状态。
Description
技术领域
本发明涉及终端技术领域，具体而言，涉及一种家居设备监测方法、一种家居设备监测装置和一种终端。
背景技术
目前，智能家居(smart home)是物联网技术的一个分支，智能家居通过物联网技术将用户家庭中的各种设备，例如，视频***、照明***、窗帘控制、空调控制、安防***、网络家电等连接到一起，提供家电控制、照明控制、电话远程控制、室内外遥控、防盗报警、环境监测、暖通控制、红外转发以及可编程定时控制等多种功能和手段。
目前存在的智能家居***大多局限在一对一的控制作用，或者使用移动终端对智能家居的远程操控，缺乏一个有效的基于用户行为或者使用惯性的风险评估及可信任反馈***。此外，很多预置程序都是厂家设定，并不能很好满足每个家庭的实际需求。
因此需要一种新的技术方案，可以进一步提升用户使用家居设备的安全性和便利性。
发明内容
本发明正是基于上述问题，提出了一种新的技术方案，可以进一步提升用户使用家居设备的安全性和便利性。
有鉴于此，本发明的一方面提出了一种家居设备监测方法，包括：采集家居设备的实时运行信息；根据所述实时运行信息，为所述家居设备建立特征模型；通过贝叶斯分类器对所述特征模型与所述家居设备的安全预置模型进行比较，以确定所述实时运行信息是否发生异常。
在该技术方案中，通过为家居设备的实时运行信息建立特征模型，并与家居设备的安全预置模型进行匹配，可以区分用户的不同使用行为及惯性模式，在该特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性和便利性，也便于根据用户的实际***均风险，它的平均风险最小，通过这种分类器对家居进行实时控制，可保护家居设备的使用安全，降低风险。
在上述技术方案中，优选地，所述根据所述实时运行信息，为所述家居设备建立特征模型，具体包括：在每种所述实时运行信息中为每个所述家居设备建立对应的一维矢量；根据所述建立对应的一维矢量的结果，为所述每种实时运行信息建立对应的特征模型。
在该技术方案中，可以为每种实时运行信息都建立对应的特征模型，每个特征模型中每个家居设备都具有对应的一维矢量。具体地，可以使用模式识别和机器学习构建用户的正常使用时的特征模型，用于和安全预置模型共同预测家居设备的异常使用信息，对于每种实时运行信息，使用一个一维矢量代表不同的家居设备，例如，对于使用时长，因为每个家庭的不同设备的使用时长是不一致的，存在使用习惯，生活规律等差异因素的影响，因此对使用时长进行建模时，设矢量P_order＝{p0，p1，...，pi，...，pN-1，pN}，其中，0≤i<N，N为家居设备的个数，pi为每个家居设备的使用时长，这样即对于每种实时运行信息建立了特征矢量，从而得到特征模型。
在上述任一技术方案中，优选地，在所述采集家居设备的实时运行信息之前，还包括：采集所述家居设备的初始运行信息；根据所述初始运行信息，为所述家居设备建立所述安全预置模型。
在该技术方案中，需要采集家居设备的初始运行信息，以便确定用户的使用行为及惯性模式，并以此建立安全预置模型，以便将由用户的实时运行信息得到的特征模型与安全预置模型相比较来确定实时运行信息是否符合用户的惯性模式，不符合时即可判断为发生异常，此时即可发出提示示警，或直接停止该家居设备的运作。通过该技术方案，便于进一步在特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性。
在上述任一技术方案中，优选地，在所述根据所述实时运行信息，为所述家居设备建立特征模型之前，还包括：对采集到的所述实时运行信息进行预处理，所述预处理包括丢弃无效数据；对预处理后的所述实时运行信息进行归一化处理。
在该技术方案中，在建模之前，可进行数据预处理，以去除实时运行信息中的无效信息，保留有效信息，在后续步骤中提升处理效率。另外，将预处理后的实时运行信息进行归一化处理，即按照实时运行信息的类型、每个家居设备对预处理后的实时运行信息进行分类，以便提升建模效率。
在上述任一技术方案中，优选地，所述实时运行信息包括以下至少之一或其组合：运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。
在该技术方案中，实时运行信息包括但不限于以下至少之一或其组合：运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。通过该技术方案，对多样化的实时运行信息进行建模，可以识别家居设备的异常实时运行信息的准确性，并保证用户使用家居设备的安全性。
本发明的另一方面提出了一种家居设备监测装置，包括：第一采集单元，采集家居设备的实时运行信息；建模单元，根据所述实时运行信息，为所述家居设备建立特征模型；比较单元，通过贝叶斯分类器对所述特征模型与所述家居设备的安全预置模型进行比较，以确定所述实时运行信息是否发生异常。
在该技术方案中，通过为家居设备的实时运行信息建立特征模型，并与家居设备的安全预置模型进行匹配，可以区分用户的不同使用行为及惯性模式，在该特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性和便利性，也便于根据用户的实际***均风险，它的平均风险最小，通过这种分类器对家居进行实时控制，可保护家居设备的使用安全，降低风险。
在上述技术方案中，优选地，所述建模单元具体用于：在每种所述实时运行信息中为每个所述家居设备建立对应的一维矢量，并根据所述建立对应的一维矢量的结果，为所述每种实时运行信息建立对应的特征模型。
在该技术方案中，可以为每种实时运行信息都建立对应的特征模型，每个特征模型中每个家居设备都具有对应的一维矢量。具体地，可以使用模式识别和机器学习构建用户的正常使用时的特征模型，用于和安全预置模型共同预测家居设备的异常使用信息，对于每种实时运行信息，使用一个一维矢量代表不同的家居设备，例如，对于使用时长，因为每个家庭的不同设备的使用时长是不一致的，存在使用习惯，生活规律等差异因素的影响，因此对使用时长进行建模时，设矢量P_order＝{p0，p1，...，pi，...，pN-1，pN}，其中，0≤i<N，N为家居设备的个数，pi为每个家居设备的使用时长，这样即对于每种实时运行信息建立了特征矢量，从而得到特征模型。
在上述任一技术方案中，优选地，还包括：第二采集单元，在所述采集家居设备的实时运行信息之前，采集所述家居设备的初始运行信息；初始建模单元，根据所述初始运行信息，为所述家居设备建立所述安全预置模型。
在该技术方案中，需要采集家居设备的初始运行信息，以便确定用户的使用行为及惯性模式，并以此建立安全预置模型，以便将由用户的实时运行信息得到的特征模型与安全预置模型相比较来确定实时运行信息是否符合用户的惯性模式，不符合时即可判断为发生异常，此时即可发出提示示警，或直接停止该家居设备的运作。通过该技术方案，便于进一步在特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性。
在上述任一技术方案中，优选地，还包括：预处理单元，在所述根据所述实时运行信息，为所述家居设备建立特征模型之前，对采集到的所述实时运行信息进行预处理，所述预处理包括丢弃无效数据；归一处理单元，对预处理后的所述实时运行信息进行归一化处理。
在该技术方案中，在建模之前，可进行数据预处理，以去除实时运行信息中的无效信息，保留有效信息，在后续步骤中提升处理效率。另外，将预处理后的实时运行信息进行归一化处理，即按照实时运行信息的类型、每个家居设备对预处理后的实时运行信息进行分类，以便提升建模效率。
在上述任一技术方案中，优选地，所述实时运行信息包括以下至少之一或其组合：运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。
在该技术方案中，实时运行信息包括但不限于以下至少之一或其组合：运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。通过该技术方案，对多样化的实时运行信息进行建模，可以识别家居设备的异常实时运行信息的准确性，并保证用户使用家居设备的安全性。
本发明的再一方面提出了一种终端，包括上述技术方案中任一项所述的家居设备监测装置，因此，该终端具有和上述技术方案中任一项所述的家居设备监测装置相同的技术效果，在此不再赘述。
通过以上技术方案，可以区分用户的不同使用行为及惯性模式，在该特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性和便利性，也便于根据用户的实际习惯调整家居设备的运行状态。
附图说明
图1示出了根据本发明的一个实施例的家居设备监测方法的流程图；
图2示出了根据本发明的一个实施例的家居设备监测装置的框图；
图3示出了根据本发明的一个实施例的终端的框图；
图4示出了根据本发明的另一个实施例的家居设备监测方法的流程图；
图5示出了根据本发明的另一个实施例的家居设备监测装置的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了根据本发明的一个实施例的家居设备监测方法的流程图。
如图1所示，根据本发明的一个实施例的家居设备监测方法，包括：
步骤102，采集家居设备的实时运行信息；
步骤104，根据所述实时运行信息，为所述家居设备建立特征模型；
步骤106，通过贝叶斯分类器对特征模型与所述家居设备的安全预置模型进行比较，以确定所述实时运行信息是否发生异常。
在该技术方案中，通过为家居设备的实时运行信息建立特征模型，并与家居设备的安全预置模型进行匹配，可以区分用户的不同使用行为及惯性模式，在该特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性和便利性，也便于根据用户的实际***均风险，它的平均风险最小，通过这种分类器对家居进行实时控制，可保护家居设备的使用安全，降低风险。
在上述技术方案中，优选地，步骤104具体包括：在每种所述实时运行信息中为每个所述家居设备建立对应的一维矢量；根据所述建立对应的一维矢量的结果，为所述每种实时运行信息建立对应的特征模型。
在该技术方案中，可以为每种实时运行信息都建立对应的特征模型，每个特征模型中每个家居设备都具有对应的一维矢量。具体地，可以使用模式识别和机器学习构建用户的正常使用时的特征模型，用于和安全预置模型共同预测家居设备的异常使用信息，对于每种实时运行信息，使用一个一维矢量代表不同的家居设备，例如，对于使用时长，因为每个家庭的不同设备的使用时长是不一致的，存在使用习惯，生活规律等差异因素的影响，因此对使用时长进行建模时，设矢量P_order＝{p0，p1，...，pi，...，pN-1，pN}，其中，0≤i<N，N为家居设备的个数，pi为每个家居设备的使用时长，这样即对于每种实时运行信息建立了特征矢量，从而得到特征模型。
在上述任一技术方案中，优选地，在步骤102之前还包括：采集所述家居设备的初始运行信息；根据所述初始运行信息，为所述家居设备建立所述安全预置模型。
在该技术方案中，需要采集家居设备的初始运行信息，以便确定用户的使用行为及惯性模式，并以此建立安全预置模型，以便将由用户的实时运行信息得到的特征模型与安全预置模型相比较来确定实时运行信息是否符合用户的惯性模式，不符合时即可判断为发生异常，此时即可发出提示示警，或直接停止该家居设备的运作。通过该技术方案，便于进一步在特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性。
在上述任一技术方案中，优选地，在步骤104之前还包括：对采集到的所述实时运行信息进行预处理，所述预处理包括丢弃无效数据；对预处理后的所述实时运行信息进行归一化处理。
在该技术方案中，在建模之前，可进行数据预处理，以去除实时运行信息中的无效信息，保留有效信息，在后续步骤中提升处理效率。另外，将预处理后的实时运行信息进行归一化处理，即按照实时运行信息的类型、每个家居设备对预处理后的实时运行信息进行分类，以便提升建模效率。
在上述任一技术方案中，优选地，所述实时运行信息包括以下至少之一或其组合：运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。
在该技术方案中，实时运行信息包括但不限于以下至少之一或其组合：运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。通过该技术方案，对多样化的实时运行信息进行建模，可以识别家居设备的异常实时运行信息的准确性，并保证用户使用家居设备的安全性。
图2示出了根据本发明的一个实施例的家居设备监测装置的框图。
如图2所示，根据本发明的一个实施例的家居设备监测装置200，包括：第一采集单元202、建模单元204和比较单元206。
其中，第一采集单元202用于采集家居设备的实时运行信息；建模单元204用于根据实时运行信息，为家居设备建立特征模型；比较单元206用于通过贝叶斯分类器对特征模型与家居设备的安全预置模型进行比较，以确定实时运行信息是否发生异常。
在该技术方案中，通过为家居设备的实时运行信息建立特征模型，并与家居设备的安全预置模型进行匹配，可以区分用户的不同使用行为及惯性模式，在该特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性和便利性，也便于根据用户的实际***均风险，它的平均风险最小，通过这种分类器对家居进行实时控制，可保护家居设备的使用安全，降低风险。
在上述技术方案中，优选地，建模单元204具体用于：在每种实时运行信息中为每个家居设备建立对应的一维矢量，并根据所述建立对应的一维矢量的结果，为每种实时运行信息建立对应的特征模型。
在该技术方案中，可以为每种实时运行信息都建立对应的特征模型，每个特征模型中每个家居设备都具有对应的一维矢量。具体地，可以使用模式识别和机器学习构建用户的正常使用时的特征模型，用于和安全预置模型共同预测家居设备的异常使用信息，对于每种实时运行信息，使用一个一维矢量代表不同的家居设备，例如，对于使用时长，因为每个家庭的不同设备的使用时长是不一致的，存在使用习惯，生活规律等差异因素的影响，因此对使用时长进行建模时，设矢量P_order＝{p0，p1，...，pi，...，pN-1，pN}，其中，0≤i<N，N为家居设备的个数，pi为每个家居设备的使用时长，这样即对于每种实时运行信息建立了特征矢量，从而得到特征模型。
在上述任一技术方案中，优选地，还包括：第二采集单元208和初始建模单元210。
其中，第二采集单元208用于在采集家居设备的实时运行信息之前，采集家居设备的初始运行信息；初始建模单元210用于根据初始运行信息，为家居设备建立安全预置模型。
在该技术方案中，需要采集家居设备的初始运行信息，以便确定用户的使用行为及惯性模式，并以此建立安全预置模型，以便将由用户的实时运行信息得到的特征模型与安全预置模型相比较来确定实时运行信息是否符合用户的惯性模式，不符合时即可判断为发生异常，此时即可发出提示示警，或直接停止该家居设备的运作。通过该技术方案，便于进一步在特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性。
在上述任一技术方案中，优选地，还包括：预处理单元212和归一处理单元214。
其中，预处理单元212用于在根据实时运行信息，为家居设备建立特征模型之前，对采集到的实时运行信息进行预处理，预处理包括丢弃无效数据；归一处理单元214用于对预处理后的实时运行信息进行归一化处理。
在该技术方案中，在建模之前，可进行数据预处理，以去除实时运行信息中的无效信息，保留有效信息，在后续步骤中提升处理效率。另外，将预处理后的实时运行信息进行归一化处理，即按照实时运行信息的类型、每个家居设备对预处理后的实时运行信息进行分类，以便提升建模效率。
在上述任一技术方案中，优选地，实时运行信息包括以下至少之一或其组合：运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。
在该技术方案中，实时运行信息包括但不限于以下至少之一或其组合：运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。通过该技术方案，对多样化的实时运行信息进行建模，可以识别家居设备的异常实时运行信息的准确性，并保证用户使用家居设备的安全性。
图3示出了根据本发明的一个实施例的终端的框图。
如图3所示，根据本发明的一个实施例的终端300，包括图2示出的家居设备监测装置200，因此，该终端300具有和图2示出的家居设备监测装置200相同的技术效果，在此不再赘述。
图4示出了根据本发明的另一个实施例的家居设备监测方法的流程图。
如图4所示，根据本发明的另一个实施例的家居设备监测方法，包括：
步骤402，通过数据采集模块采集家居设备的实时运行信息。例如，检测空调是否打开，窗帘是否拉上，门是否关闭，洗衣机是否运转，室内温度值、湿度值等。
步骤404，为家居设备进行信息预处理。
步骤406，根据预处理后的实时运行信息进行建模。
步骤408，通过贝叶斯分类器确定实时运行信息是否发生异常，当判断结果为是时，进入步骤410，否则，返回步骤402。
步骤410，发出警示和/或对家具设备进行安全控制。
具体来说，如图5所示，同时结合图4的实施例所述的步骤，家居设备监测***500包括数据分析模块502和数据采集模块504。
其中，数据分析模块502接收数据采集模块504从家居设备600获取的上传数据进行分析，进行数据建模分析，用户使用实时建立的特征模型506与内置的安全预置模型508进行匹配。数据分析模块502将分析的结果发送给数据反馈模块510。
其中，用户的行为模式包括：设定时间，即对家居设备设定的时间；设定参数，即用户经常设定的参数；设定顺序，即任一家居设备的操作流程及单个家居设备的操作顺序；使用时长，即不同季节、时间段对不同家居设备的使用时长；操作类型，包括移动终端操作、家庭计算机操作、云平台操作等；操作设备参数，比如，移动终端的操作设备参数包括操作设备型号、厂家地址、识别码地址等，云平台操作的操作设备参数包括包括浏览器类型、版本等。
另外，家居设备监测***500还包括数据预处理模块，用于处理采集数据，保留有用数据，丢弃无用数据，进行数据归一化处理。
家居设备监测***500还包括特征矢量生成模块，其可以为每种实时运行信息都建立对应的特征模型，每个特征模型中每个家居设备都具有对应的一维矢量。具体地，可以使用模式识别和机器学习构建用户的正常使用时的特征模型，用于和安全预置模型共同预测家居设备的异常使用信息，对于每种实时运行信息，使用一个一维矢量代表不同的家居设备，例如，对于使用时长，因为每个家庭的不同设备的使用时长是不一致的，存在使用习惯，生活规律等差异因素的影响，因此对使用时长进行建模时，设矢量P_order＝{p0，p1，...，pi，...，pN-1，pN}，其中，0≤i<N，N为家居设备的个数，pi为每个家居设备的使用时长，这样即对于每种实时运行信息建立了特征矢量，从而得到特征模型。
家居设备监测***500还包括贝叶斯分类器，将家居设备的正常和异常状态信息反馈给用户。用户根据需要，可对家居设备进行实时操作。其中异常信息评估与检测通常采用最小风险贝叶斯分类器。贝叶斯分类器是用于分类的贝叶斯网络，该网络中应包含类结点C，其中C的取值来自于类集合{c1，c2，...，cm}，还包含一组结点X＝{X1，X2，..，Xn}，表示用于分类的特征。对于贝叶斯分类器，若某一待分类的样本D，其分类特征值为x＝{x1，x2，...，xn}，则样本D属于类别ci的概率P(C＝ci|X1＝x1，X2＝{x2，...，Xn＝xn}，{i＝1，2，...，m}应满足下式：
P(C＝ci|X＝x)＝ax{P(C＝c1|X＝x)，P(C＝c2|X＝x)，...，P(C＝cm|X＝x)}
由于客观事物的复杂性，以及外界因素的不同影响，贝叶斯分类器分类器作出各种判决时的风险是不一样的。例如，将异常行为误判为正常行为的风险就比将正常行为误判为异常行为的风险大。因此，在贝叶斯分类器中引入了风险的概念，在实际应用中需要根据具体情况决定各种风险的大小，通常用一组系数Cij来表示，Cij表示分类器将被识别样本分类为ωi，而该样本的真正类别为ωj时的风险。设计最小风险分类器的基本思想是：用后验概率计算将x分类为ωi的条件风险比较各Ri(x)的大小与最小值对应的类别是分类的结果。评价这种分类器的标准是平均风险，它的平均风险最小。
家居设备监测***500还包括异常警告与控制模块512，异常警告与控制模块512根据抽象特征，建立用户行为矢量、建模、并通过贝叶斯分类器评估与检测步骤向用户700提示异常使用信息，接收用户700的指令，对家居进行实时控制，从而保护智能家居的使用安全，降低风险。
以上结合附图详细说明了本发明的技术方案，通过本发明的技术方案，可以区分用户的不同使用行为及惯性模式，在该特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性和便利性，也便于根据用户的实际习惯调整家居设备的运行状态。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种家居设备监测方法，其特征在于，包括：
采集家居设备的实时运行信息；
根据所述实时运行信息，为所述家居设备建立特征模型；
通过贝叶斯分类器对特征模型与所述家居设备的安全预置模型进行比较，以确定所述实时运行信息是否发生异常；
在所述采集家居设备的实时运行信息之前，还包括：
采集所述家居设备的初始运行信息；
根据所述初始运行信息，为所述家居设备建立所述安全预置模型；
所述根据所述实时运行信息，为所述家居设备建立特征模型，具体包括：
在每种所述实时运行信息中为每个所述家居设备建立对应的一维矢量；
根据所述建立对应的一维矢量的结果，为所述每种实时运行信息建立对应的特征模型。
2.根据权利要求1所述的家居设备监测方法，其特征在于，在所述根据所述实时运行信息，为所述家居设备建立特征模型之前，还包括：
对采集到的所述实时运行信息进行预处理，所述预处理包括丢弃无效数据；
对预处理后的所述实时运行信息进行归一化处理。
3.根据权利要求2所述的家居设备监测方法，其特征在于，所述实时运行信息包括以下至少之一或其组合：
运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。
4.一种家居设备监测装置，其特征在于，包括：
第一采集单元，采集家居设备的实时运行信息；
建模单元，根据所述实时运行信息，为所述家居设备建立特征模型；
比较单元，通过贝叶斯分类器对所述特征模型与所述家居设备的安全预置模型进行比较，以确定所述实时运行信息是否发生异常；
第二采集单元，在所述采集家居设备的实时运行信息之前，采集所述家居设备的初始运行信息；
初始建模单元，根据所述初始运行信息，为所述家居设备建立所述安全预置模型；
所述建模单元具体用于：
在每种所述实时运行信息中为每个所述家居设备建立对应的一维矢量，并根据所述建立对应的一维矢量的结果，为所述每种实时运行信息建立对应的特征模型。
5.根据权利要求4所述的家居设备监测装置，其特征在于，还包括：
预处理单元，在所述根据所述实时运行信息，为所述家居设备建立特征模型之前，对采集到的所述实时运行信息进行预处理，所述预处理包括丢弃无效数据；
归一处理单元，对预处理后的所述实时运行信息进行归一化处理。
6.根据权利要求5所述的家居设备监测装置，其特征在于，所述实时运行信息包括以下至少之一或其组合：
运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。
7.一种终端，其特征在于，包括如权利要求4至6中任一项所述的家居设备监测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510863954.XA CN105629947B (zh) | 2015-11-30 | 2015-11-30 | 家居设备监测方法、家居设备监测装置和终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510863954.XA CN105629947B (zh) | 2015-11-30 | 2015-11-30 | 家居设备监测方法、家居设备监测装置和终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105629947A CN105629947A (zh) | 2016-06-01 |
| CN105629947B true CN105629947B (zh) | 2019-02-01 |
Family
ID=56045002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510863954.XA Active CN105629947B (zh) | 2015-11-30 | 2015-11-30 | 家居设备监测方法、家居设备监测装置和终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105629947B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106842970B (zh) * | 2017-02-24 | 2019-09-20 | 清华大学 | 一种监测装置及监测方法 |
| CN108415262A (zh) * | 2018-03-06 | 2018-08-17 | 西北工业大学 | 智能网关对家电设备的控制方法 |
| CN110209127A (zh) * | 2019-03-29 | 2019-09-06 | 深圳市九洲电器有限公司 | 智能家居安全控制方法 |
| CN112165453B (zh) * | 2020-09-01 | 2021-07-20 | 珠海格力电器股份有限公司 | 智能设备防入侵方法、装置、智能设备和服务器 |
| CN112346349B (zh) * | 2020-10-22 | 2022-07-15 | 珠海格力电器股份有限公司 | 智能设备的控制方法、装置、电子设备和存储介质 |
| CN112415981A (zh) * | 2020-11-10 | 2021-02-26 | 珠海格力电器股份有限公司 | 智能家电的异常状态检测方法、存储介质及计算机设备 |
| CN112558493A (zh) * | 2020-12-22 | 2021-03-26 | 珠海格力电器股份有限公司 | 一种智能设备交互方法、装置、智能中控设备及存储介质 |
| CN114265324B (zh) * | 2021-12-23 | 2023-07-28 | 建信金融科技有限责任公司 | 设备运行状态的监测方法、装置及终端设备 |
| CN114694366A (zh) * | 2022-04-01 | 2022-07-01 | 深圳市多亲科技有限公司 | 一种带有辅助和监护功能的智能遥控装置及其操作方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254226A (zh) * | 2011-06-15 | 2011-11-23 | 河海大学 | 基于bp神经网络的人类活动在智能家居环境中的辨识方法 |
| US8095488B1 (en) * | 2007-12-31 | 2012-01-10 | Symantec Corporation | Method and apparatus for managing configurations |
| CN103203753A (zh) * | 2012-01-12 | 2013-07-17 | 三星电子株式会社 | 用于识别和处理异常情况的机器人和方法 |
| CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
| CN104008332A (zh) * | 2014-04-30 | 2014-08-27 | 浪潮电子信息产业股份有限公司 | 一种基于Android平台的入侵检测*** |
| CN104063747A (zh) * | 2014-06-26 | 2014-09-24 | 上海交通大学 | 一种分布式***中的性能异常预测方法及*** |
-
2015
- 2015-11-30 CN CN201510863954.XA patent/CN105629947B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8095488B1 (en) * | 2007-12-31 | 2012-01-10 | Symantec Corporation | Method and apparatus for managing configurations |
| CN102254226A (zh) * | 2011-06-15 | 2011-11-23 | 河海大学 | 基于bp神经网络的人类活动在智能家居环境中的辨识方法 |
| CN103203753A (zh) * | 2012-01-12 | 2013-07-17 | 三星电子株式会社 | 用于识别和处理异常情况的机器人和方法 |
| CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
| CN104008332A (zh) * | 2014-04-30 | 2014-08-27 | 浪潮电子信息产业股份有限公司 | 一种基于Android平台的入侵检测*** |
| CN104063747A (zh) * | 2014-06-26 | 2014-09-24 | 上海交通大学 | 一种分布式***中的性能异常预测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105629947A (zh) | 2016-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105629947B (zh) | 家居设备监测方法、家居设备监测装置和终端 | |
| CN107564231B (zh) | 基于物联网的建筑物火灾预警及火灾态势评估***及方法 | |
| CN109872491B (zh) | 火灾监控方法、装置、电子设备及*** | |
| US10833888B2 (en) | IoT device plug-in method and device in data analysis-based automation systems | |
| CN109445292B (zh) | 自动化执行结果收集方法、装置、***及存储介质 | |
| CN107479393A (zh) | 一种基于大数据的智能家居*** | |
| CN104656531A (zh) | 一种智能设备的监控方法和装置 | |
| CN105989683A (zh) | 增强型住宅安全*** | |
| CN103327126A (zh) | 家居全方位远程控制***、控制方法及监控方法 | |
| CN106154847A (zh) | 室内空气监测和家电智能控制*** | |
| CN110147762A (zh) | 一种嵌入式消防误报消除*** | |
| CN112333142A (zh) | 一种智能设备检测***及其检测方法 | |
| Sultan Mahmud et al. | Smart fire detection system with early notifications using machine learning | |
| CN110324216A (zh) | 自动化配置方法、装置、***、服务器及存储介质 | |
| CN114489070A (zh) | 家居巡检方法、非易失性可读存储介质和计算机设备 | |
| CN106843187A (zh) | 一种家庭智能监控*** | |
| Raj et al. | Real time complex event processing and analytics for smart building | |
| Saha et al. | IoT based smart home automation and monitoring system | |
| US20210133462A1 (en) | State and event monitoring | |
| CN112034727A (zh) | 基于智能情景的家居设备管理方法及智能家居控制装置 | |
| Ioannidis et al. | Occupancy-driven facility management and building performance analysis | |
| CN108428316A (zh) | 一种安防监控方法、装置、安防设备和家用电器 | |
| CN115524985A (zh) | 用于智能家居***控制的方法、装置、***及存储介质 | |
| CN110970800B (zh) | 一种变电站辅助控制***中设备联动的方法及装置 | |
| Kaur et al. | Smart homes: Sensible living using internet of things |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231213 Address after: 518000 floor 21, block a, Kupai building, intersection of Keyuan Avenue and Baoshen Road, north high tech Zone, songpingshan community, Xili street, Nanshan District, Shenzhen, Guangdong Patentee after: YULONG COMPUTER TELECOMMUNICATION SCIENTIFIC (SHENZHEN) Co.,Ltd. Address before: 523000 Dongguan Songshan Lake Hi-tech Industrial Development Zone, Guangdong Province Patentee before: DONGGUAN COOLPAD SOFTWARE TECH Co.,Ltd. |
|
| TR01 | Transfer of patent right |