CN111650922A - 一种智能家居异常检测方法和装置 - Google Patents
一种智能家居异常检测方法和装置 Download PDFInfo
- Publication number
- CN111650922A CN111650922A CN202010464430.4A CN202010464430A CN111650922A CN 111650922 A CN111650922 A CN 111650922A CN 202010464430 A CN202010464430 A CN 202010464430A CN 111650922 A CN111650922 A CN 111650922A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic curve
- state
- determining
- matching
- 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.)
- Pending
Links
Images
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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/56—Testing of electric apparatus
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Power Engineering (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明提供了一种智能家居异常检测方法和装置,涉及智能家居技术领域。该方法包括通过获取家居设备的实时运行数据,将各实时运行数据按时间顺序匹配,生成数据特征曲线。基于第一状态曲线,对数据特征曲线进行匹配,在确定设备处于运行故障状态时,将故障状态信息发送至客户端以及运维终端。在确定设备处于运行正常状态时,根据异常识别规则和数据特征曲线,预测家居设备的运行状态,提高设备运行异常检测的精确度,并确定相应的异常状态信息。针对性地向客户端以及运维终端传输异常状态信息,可以给客户提供预警。同时运维终端能够提前做好设备故障应对措施,提高智能家居的***性能。
Description
技术领域
本发明涉及智能家居技术领域,特别是涉及一种智能家居异常检测方法和装置。
背景技术
智能家居是在物联网的影响之下物联化体现,智能家居通过物联网技术将家中的各种家居设备(如音视频设备、照明***设备、窗帘控制设备、空调控制设备、安防***设备等)连接到一起形成智能家居***。目前,随着智能家居的不断发展,为了能给用户提供更好的体验性,市面上开发了家居设备自检的方法及装置,用于解决如何根据设备种类支持周期性设备自检状态上报,以及提醒用户更换损坏设备、处理设备异常状态。
但是,在现有智能家居异常状态检测中,通常只是根据设备当前状态判断,无法对设备异常状态进行预测以及精准判断,也会造成设备异常状态的误报与漏报。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种智能家居异常检测方法和装置。
依据本发明的第一方面,提供了一种智能家居异常检测方法,所述方法包括:
获取家居设备的实时运行数据;
对所述实时运行数据进行分析,确定数据特征曲线;
匹配所述数据特征曲线,确定所述家居设备的运行状态,其中,所述运行状态包括:运行正常状态;
在所述运行状态为运行正常状态的情况下,根据异常识别规则和所述数据特征曲线,预测所述家居设备的异常状态信息。
依据本发明的第二方面,提供了一种智能家居异常检测装置,该装置包括:
数据采集模块,用于获取家居设备的实时运行数据;
数据分析模块,用于对所述实时运行数据进行分析,确定数据特征曲线;
状态匹配模块,用于匹配所述数据特征曲线,确定所述家居设备的运行状态,其中,所述运行状态包括:运行正常状态;
状态预测模块,用于在所述运行状态为运行正常状态的情况下,根据异常识别规则和所述数据特征曲线,预测所述家居设备的异常状态信息。
本发明方案中,通过获取家居设备的实时运行数据,将各实时运行数据按时间顺序匹配,生成数据特征曲线。基于第一状态曲线,对数据特征曲线进行匹配,在确定设备处于运行故障状态时,将故障状态信息发送至客户端以及运维终端。在确定设备处于运行正常状态时,根据异常识别规则和数据特征曲线,预测家居设备的运行状态,提高设备运行异常检测的精确度,并确定相应的异常状态信息。针对性地向客户端以及运维终端传输异常状态信息,可以给客户提供预警。同时运维终端能够提前做好设备故障应对措施,提高智能家居的***性能。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
在附图中:
图1是本发明实施例提供的一种智能家居异常检测方法的步骤流程图;
图2是本发明实施例提供的另一种智能家居异常检测方法的步骤流程图;
图3是本发明实施例提供的一种生成数据特征曲线的示意图;
图4是本发明实施例提供的一种智能家居异常检测装置的框图;
图5是本发明实施例可以应用于其中的示例性***架构图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
参照图1,示出了本发明实施例提供的一种智能家居异常检测方法的步骤流程图,所述方法可以包括:
步骤101、获取家居设备的实时运行数据。
本发明实施例中,可以通过服务器,从各家居设备获取实时运行数据。其中,可在家居设备的运行过程中进行检测,从而获取设备的电压、电流等物理值作为实时运行数据,上传到服务器。实时运行数据指的是设备运行过程中的实时数据,本实施例中,实时运行数据可为各种可能影响设备状态的数据。实时运行数据的类型可包括电流类、电压类,相应实时运行数据可包括电流数据、电压数据等。
步骤102、对所述实时运行数据进行分析,确定数据特征曲线。
本发明实施例中,可以按照时间顺序,对家居设备的各实时运行数据进行匹配,得到能够体现相应运行数据的特征的运行特征信息,例如可以是某一类实时运行数据对应的有向线段、特征向量等。再根据运行特征信息,得到数据特征曲线。该数据特征曲线指的是能够体现设备运行过程中指定类型的运行数据的特征的曲线。例如,可以按照实时运行数据的类型分别进行分析,例如按照时间顺序分析电压波动信息,得到相应的电压变化曲线,按照时间顺序分析电流变化,得到相应的电流变化曲线等。
步骤103、匹配所述数据特征曲线,确定所述家居设备的运行状态是否为运行正常状态。
本发明实施例中,可以预设第一特征曲线,第一特征曲线可以理解为根据设备运行正常时的运行数据,生成的特征曲线。该第一特征曲线可通过收集家居设备在正常运行状态的运行数据,然后分析其在运行过程中相应数据的变化,从而生成曲线作为第一特征曲线,该第一特征曲线可按照数据的类型分为各类型所对应的特征曲线,每种特征曲线可以描述相应类型数据在设备正常运行时的变化特征。在一些示例中,该曲线的变化可以不关联具体的数值,而是描述变化的趋势等,当然结合具体的设备如某一指定型号的设备,也可关联数值确定变化,具体可依据需求以及设备的实际运行确定,本申请实施例对此不作限定。
因此,基于第一特征曲线可以确定设备正常运行状态下的各类运行数据对应的变化状态,对于依据相应类别的实时运行数据所确定的数据特征曲线,可以将该数据特征曲线和第一特征曲线进行匹配,可以确定家居设备的运行状态,如正常运行,出现故障等,其中,运行状态可以包括运行正常状态或运行故障状态。
在运行状态为运行正常状态的情况下,执行步骤104;否则,执行步骤105。
104、根据异常识别规则和所述数据特征曲线,预测所述家居设备的异常状态信息。
本发明实施例中,还可以收集出现故障的设备对应的运行数据,可以按照家居设备出现各运行故障状态类型,例如短路、断电以及损坏等来收集历史运行数据,然后分别确定各类型的故障对应的特征曲线,可以称为第二特征曲线,其中,由于各种类型故障的原因不同,因此每种类型的第二特征曲线可能包括多个特征曲线,将各第二特征曲线,构成异常识别规则。
在发生故障后,设备可能停止运行,而在设备由于故障而停止运行之前,其运行数据通常会出现一些变化,例如由于电流过大而导致短路,则可能在设定时间内电流增大超过一定的幅度等,所以收集这类故障发生前以及发生过程中的运行数据并分析得到第二特征曲线。可以基于设备实时运行数据,通过与各第二特征曲线进行匹配,从而预测设备是否可能出现故障。
匹配到某一个第二特征曲线,可以确定相应的两点特征,其一是故障状态类型,其二是哪一种数据类型对应的曲线。因此,确定设备可能出现故障,可以得到相应的故障状态类型以及数据类型。其中,故障状态类型可采用代码表示,如字符a、b、c等,a表示设备短路、b表示设备断电、c表示设备损坏等。例如可采用字符U代表电压类、可采用字符I表示电流类。
可以将两种类型对应的信息,作为异常状态信息,发送至客户端以及运维终端,可以给用户提供预警,同时也可将异常状态信息发送至运维终端,以使运维终端能够提前采取设备故障应对措施,提高智能家居的***性能。
步骤105、确定家居设备处于运行故障状态,得到故障状态信息。
本发明实施例中,未匹配到相应的第一特征曲线,可以确定家居设备已经出现故障。因此,可将表示设备故障的信息如故障标记,作为故障状态信息,发送至客户端以及运维终端。
综上所述,通过获取家居设备的实时运行数据,将各实时运行数据按时间顺序匹配,生成数据特征曲线。基于第一状态曲线,对数据特征曲线进行匹配,在确定设备处于运行故障状态时,将故障状态信息发送至客户端以及运维终端。在确定设备处于运行正常状态时,根据异常识别规则和数据特征曲线,预测家居设备的运行状态,提高设备运行异常检测的精确度,并确定相应的异常状态信息。针对性地向客户端以及运维终端传输异常状态信息,可以给客户提供预警。同时运维终端能够提前做好设备故障应对措施,提高智能家居的***性能。
参照图2,示出了本发明实施例提供的另一种智能家居异常检测方法的步骤流程图,所述方法可以包括:
步骤201、获取家居设备的实时运行数据。
本发明实施例中,可以通过服务器,从各家居设备获取实时运行数据。其中,可在家居设备的运行过程中进行检测,从而获取设备的电压、电流等物理值作为实时运行数据,上传到服务器。实时运行数据指的是设备运行过程中的实时数据,本实施例中,实时运行数据可为各种可能影响设备状态的数据。实时运行数据的类型可包括电流类、电压类,相应实时运行数据可包括电流数据、电压数据等。
对所述实时运行数据进行分析,确定数据特征曲线,包括如下步骤:步骤202-203。
步骤202、根据所述实时运行数据,确定对应的特征向量。
本发明实施例中,可以对家居设备的各实时运行数据进行匹配,得到能够体现相应运行数据的特征,例如实时运行数据的变化趋势,以及在同一变化趋势的数据属性,变化趋势可为电压数据按照时序对应的大小变化。数据属性可以理解为对单个趋势段的N个实时运行数据进行状态描述的数值类型,如起点、终点、最大值、最小值、平均值等。
例如,可以通过预设状态标识类型,确定每个实时运行数据的变化趋势。如状态标识类型可以包括上升、下降、平齐等,在获取实时运行数据后,对第i-1个和第i个对应的电压值进行波动分析:
若X(i)-X(i-1)>0,则第i个实时运行数据为上升。
若X(i)-X(i-1)=0,则对第i个实时运行数据为平齐。
若X(i)-X(i-1)<0,则对第i个实时运行数据为下降。
因此,可以按照状态标识的类型,对各实时运行数据进行匹配,将连续采用同一类型标记的N个实时运行数据,通过语素符号表示。语素符号可以理解为对N个实时运行数据的整体变化趋势的描述。语素符号的类型可以是数字符号类,如-2、-1、0、1、2、3等。例如匹配到5个电压数据,对应的状态标识类型均为下降,则可以采用语素符号-1,表示电压数据对应的一个下降段。相应地,采用语素符号0,表示电压数据对应的一个平滑段。采用语素符号1,表示电压数据对应的一个上升段。此外,还可以采用语素符号2,表示各实时运行数据中的电压最大值,采用语素符号-2,表示各实时运行数据中的电压最小值。同时,为了能够扩大误差允许范围,提高数据匹配的灵活性,可以采用语素符号3,等同-2、-1、0、1、2中任意一个语素符号。
因此,根据语素符号和数据属性,可以得到相应电压数据的特征向量。其表达式为Z=(J,M0,M1,M2,...,Mn-1)。其中,Z为特征向量;J为语素符号;M0、M1、...以及Mn-1可为对应语素值的数据属性。
步骤203、按照时间顺序将各特征向量,构成数据特征曲线。
本发明实施例中,可以按照时间顺序,将各特征向量的起点、终点依次连接,从而形成数据特征曲线。该数据特征曲线可体现设备运行过程中电压数据变化的特征的曲线。例如,依据时间顺序,将获取到的电压数据进行分析,得到下述4个特征向量:
ZA=(-2,M0,M1,...,Mn-1);ZB=(1,M0,M1,...,Mn-1);
ZC=(0,M0,M1,...,Mn-1);ZD=(-1,M0,M1,...,Mn-1)。
对ZA、ZB、ZC以及ZD进行连接,参照图3,示出了数据特征曲线的一种示例,得到从A点到D点的数据特征曲线。
该数据特征曲线也可只采用语素符号形成曲线特征,描述A点到D点的变化趋势,例如(-2,1,0,-1)。其中,-2表示A点对应曲线的波谷;1表示从A点到B点对应曲线的上升段;0表示从B点到C点对应曲线的平滑段;-1表示从C点到D点对应曲线的下降段。
步骤204、根据所述运行识别规则,对所述数据特征曲线进行匹配,确定家居设备的运行状态是否为运行正常状态。
所述运行识别规则依据第一特征曲线确定,所述第一特征曲线依据正常运行的所述家居设备的历史运行数据确定。
本发明实施例中,可以预设第一特征曲线,第一特征曲线可以理解为根据设备正常运行时的历史电压运行数据,生成的特征曲线。该第一特征曲线可通过收集家居设备在正常运行状态的电压数据,然后分析设备在运行过程中电压数据的变化,从而将电压变化曲线,作为第一特征曲线,将各第一特征曲线,构成运行识别规则。
因此,基于第一特征曲线可以确定设备正常运行状态下的电压数据对应的变化状态,依据相应电压类的实时运行数据所确定的数据特征曲线,可以根据运行识别规则,匹配该数据特征曲线,可以确定家居设备的运行状态,如正常运行,出现故障等,其中,运行状态可以包括运行正常状态或运行故障状态。
例如,第一特征曲线的变化可以不关联具体的数据,只是描述变化的趋势,如针对某一个家居设备,其正常运行对应的第一特征曲线的曲线变化特征为(-2,1,0,3),将特征向量ZA、ZB、ZC以及ZD形成的数据特征曲线的曲线变化特征(-2,1,0,-1)与其匹配,可以确定家居设备的运行状态为运行正常状态。
在运行状态为运行正常状态的情况下,执行步骤205;否则,执行步骤208。
步骤205、将所述数据特征曲线,与所述异常识别规则中各第二特征曲线分别进行匹配。
所述第二特征曲线依据出现故障的家居设备的历史运行数据确定。
本发明实施例中,还可以收集出现故障的设备对应的运行数据,可以按照家居设备出现各运行故障状态类型,如短路、断电以及损坏等来收集历史运行数据,然后分别确定各类型的故障对应的特征曲线,作为第二特征曲线。其中,由于各种类型故障的原因不同,因此每种类型对应的第二特征曲线可能包括多个特征曲线,将各第二特征曲线,构成异常识别规则。
在发生故障后,设备可能停止运行,而在设备由于故障而停止运行之前,其运行数据通常会出现一些变化,例如由于电流过大而导致短路,则可能在设定时间内电流增大超过一定的幅度等,所以收集这类故障发生前以及发生过程中的运行数据并分析得到第二特征曲线。可以基于设备实时运行数据,通过与各第二特征曲线进行匹配,从而预测设备是否可能出现故障。
例如,当设备出现短路时,在设备停止运行之前,其电压值在设定时间内急剧降低,对应的电流值急剧增加,可以分别收集在短路故障发生前两种数据类型对应的数据,分析得到不同数据类型对应的第二特征曲线。可以按照相应的数据类型,将数据特征曲线与第二特征曲线匹配,从而预测设备是否会出现故障。
步骤206、确定所述数据特征曲线和第二特征曲线的匹配度。
本发明实施例中,针对某一家居设备,通过关联实时运行数据对应的数据确定变化,可以提高预测家居设备运行状态的精确度。例如,数据特征曲线可能发生与第二特征曲线存在部分匹配的情况,因此,在收集出现故障的设备对应的运行数据,可以生成历史运行数据对应的特征向量,按时序将各特征向量,构成第二特征曲线。
这样,针对某一匹配到的第二特征曲线,可以确定出对应的特征向量,由此,可以与数据特征曲线对应的特征向量进行匹配,从而可以将语素符号J、以及数据属性M0,M1,...,Mn-1中任一项或多项属性值的差值个数,构成差异信息。根据差异信息,得出数据特征曲线和第二特征曲线的匹配度,匹配度可为数据特征曲线与第二特征曲线中的各数据变化的相似度,例如50%、70%等。
步骤207、依据所述匹配度,确定所述家居设备的异常状态信息。
本发明实施例中,确定匹配度后,可以预测设备是否会出现故障。例如,匹配度为90%,根据此匹配度,可以确定数据特征曲线和第二特征曲线对应的特征向量之间的差值个数少,其从设备实时获取的相应类型的数据变化,与相应故障类型对应的第二特征曲线相似度高,可以预测家居设备会出现故障。
根据匹配到的第二特征曲线,可以确定相应的两点特征,其一是故障状态类型,其二是哪一种数据类型对应的曲线。因此,确定设备可能出现故障,可以得到相应的故障状态类型以及数据类型,可以将两种类型对应的信息,作为异常状态信息,并发送至客户端,可以给用户提供预警,同时也可将异常状态信息发送至运维终端,以使运维终端能够提前采取设备故障应对措施,提高智能家居的***性能。
一种可选地发明实施例,步骤207可以包括如下步骤:
S41、确定满足匹配条件的所述匹配度,确定所述匹配度对应第二特征曲线的故障信息。
本发明实施例中,可以通过预设匹配条件,匹配条件可为匹配度的限定范围,例如匹配度高于90%、70%-90%等。故障信息可以理解设备可能发生运行故障的概率,如100%、85%等。可以通过收集通过各第二特征曲线,预测家居设备运行状态的历史数据,建立起匹配条件与故障信息之间的映射关系。从而,在确定匹配度的情况下,可以找到该匹配度满足的匹配条件,并通过该匹配条件,确定相应第二特征曲线的故障信息,便于降低误报和漏报频率。
S42、依据所述故障信息,确定所述家居设备的异常运行信息。
本发明实施例中,第二特征曲线可以是通过收集设备在不同运行故障状态类型下、不同数据类型对应的历史运行数据生成,因此,针对某一第二特征曲线,可以确定相应故障状态类型,以及相应的数据类型。
其中,故障状态类型可采用代码表示,如字符a、b、c等,a表示设备短路、b表示设备断电、c表示设备损坏等。例如,可采用字符U代表电压类、可采用字符I表示电流类。
因此,可以将故障信息、故障状态类型以及对应的数据类型,为家居设备的异常运行信息。
例如,异常运行信息可为“85%,c,U”。
S43、根据所述实时运行数据,确定所述家居设备的地址信息。
将所述异常运行信息和所述地址信息,确定为异常状态信息。
本发明实施例中,服务器从各家居设备获取实时运行数据,针对获取到的实时运行数据,可以确定对应家居设备的地址信息,例如IP地址等。因此,根据地址信息,可以确定唯一的家居设备。
因此,可以将异常运行信息、地址信息组合,构成异常状态信息。例如,异常状态信息可以为“100.4.5.6,85%,c,U”。
并将异常状态信息发送至客户端以及运维终端。这样,可以给用户提供预警,同时也可将异常状态信息发送至运维终端,以使运维终端能够提前采取设备故障应对措施,提高智能家居的***性能。
步骤208、确定家居设备处于运行故障状态,得到故障状态信息。
本发明实施例中,未匹配到相应的第一特征曲线,可以确定家居设备已经出现故障。因此,可将表示设备故障的信息如故障标记,作为故障状态信息,发送至客户端以及运维终端。
综上所述,通过获取家居设备的实时运行数据,生成清楚描述实时运行数据的特征向量,将各特征向量按照时间顺序匹配,生成数据特征曲线。基于第一状态曲线,对数据特征曲线进行匹配。确定为运行故障状态时,将故障状态信息发送至客户端以及运维终端。确定为运行正常状态时,根据异常识别规则中各第二特征曲线,匹配数据特征曲线,确定出匹配度,再根据匹配度确定相应的异常状态信息。基于此,针对性地向客户端以及运维终端传输异常状态信息,可以给客户提供预警。同时运维终端能够提前做好设备故障应对措施,提高智能家居的***性能。
参照图4,示出了本发明实施例提供的一种智能家居异常检测装置,所述装置可以包括:
数据采集模块401,用于获取家居设备的实时运行数据。
数据分析模块402,用于对所述实时运行数据进行分析,确定数据特征曲线。
状态匹配模块403,用于匹配所述数据特征曲线,确定所述家居设备的运行状态,其中,所述运行状态包括:运行正常状态。
状态预测模块404,用于在所述运行状态为运行正常状态的情况下,根据异常识别规则和所述数据特征曲线,预测所述家居设备的异常状态信息。
一种可选地发明实施例,所述数据分析模块可以包括:
数据转换子模块,用于根据所述实时运行数据,确定对应的特征向量。
曲线生成子模块,用于按照时间顺序将各特征向量,构成数据特征曲线。
一种可选地发明实施例,所述状态匹配模块可以包括:
第一特征匹配子模块,用于根据所述运行识别规则,对所述数据特征曲线进行匹配,确定所述家居设备的运行状态,所述运行识别规则依据第一特征曲线确定,所述第一特征曲线依据正常运行的所述家居设备的历史运行数据确定。
一种可选地发明实施例,所述状态预测模块可以包括:
第二特征匹配子模块,用于将所述数据特征曲线,与所述异常识别规则中各第二特征曲线分别进行匹配,所述第二特征曲线依据出现故障的家居设备的历史运行数据确定。
匹配度解析子模块,用于确定所述数据特征曲线和第二特征曲线的匹配度。
状态信息生成子模块,用于依据所述匹配度,确定所述家居设备的异常状态信息。
一种可选地发明实施例,所述状态信息生成子模块可以包括:
故障信息确定单元,用于确定满足匹配条件的所述匹配度,确定所述匹配度对应第二特征曲线的故障信息。
运行信息确定单元,用于依据所述故障信息,确定所述家居设备的异常运行信息。
地址获取单元,用于根据所述实时运行数据,确定所述家居设备的地址信息。
异常信息生成单元,用于将所述异常运行信息和所述地址信息,确定为异常状态信息。
综上所述,通过获取家居设备的实时运行数据,生成清楚描述实时运行数据的特征向量,将各特征向量按照时间顺序匹配,生成数据特征曲线。基于第一状态曲线,对数据特征曲线进行匹配。确定为运行故障状态时,将故障状态信息发送至客户端以及运维终端。确定为运行正常状态时,根据异常识别规则中各第二特征曲线,匹配数据特征曲线,确定出匹配度,再根据匹配度确定相应的异常状态信息。基于此,针对性地向客户端以及运维终端传输异常状态信息,可以给客户提供预警。同时运维终端能够提前做好设备故障应对措施,提高智能家居的***性能。
参照图5,示出了可以应用于本申请的智能家居异常检测方法或者是智能家居异常检测装置的示例性***架构。***架构可以包括第一家居设备501、第二家居设备502、第三家居设备503、网关504、云平台505、客户端506以及运维终端507。
第一家居设备501可以是窗帘控制设备,第二家居设备502可以是空调控制设备,第三家居设备503可以是照明***设备,通过第一家居设备501、第二家居设备502、第三家居设备503组成一个智能家居***,所有的家居设备将相应的设备数据通过网关504进行交互,例如AIOT(Artificial Intelligence&InternetofThings,人工智能物联网)网关,由AIOT网关服务器将从各家居设备,获取到的实时运行数据进行预处理,预处理可以包括数据清洗、数据整合、数据转换等。然后将实时运行数据传输至云平台505,通过云平台服务器,将实时运行数据生成的数据特征曲线进行匹配,确定家居设备对应的运行状态。若为运行故障状态,云平台505将故障状态信息发送至客户端506以及运维终端507。确定为运行正常状态时,云平台505再对数据特征曲线进行匹配,确定出匹配度,根据匹配度确定相应的异常状态信息。云平台505将异常状态信息发送至客户端506和运维终端507。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见
本领域技术人员易于想到的是:上述各个实施例的任意组合应用都是可行的,故上述各个实施例之间的任意组合都是本发明的实施方案,但是由于篇幅限制,本说明书在此就不一一详述了。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
一种电子设备,包括:
一个或多个处理器;
存储器;
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行上述实施例所述的方法。
一种计算机可读存储介质,存储与电子设备结合使用的计算机程序,所述计算机程序可被处理器执行以完成上述实施例的基于语音的输入方法。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种智能家居异常检测方法和一种智能家居异常检测装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的正常技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种智能家居异常检测方法,其特征在于,所述方法包括:
获取家居设备的实时运行数据;
对所述实时运行数据进行分析,确定数据特征曲线;
匹配所述数据特征曲线,确定所述家居设备的运行状态,其中,所述运行状态包括:运行正常状态;
在所述运行状态为运行正常状态的情况下,根据异常识别规则和所述数据特征曲线,预测所述家居设备的异常状态信息。
2.根据权利要求1所述的方法,其特征在于,所述对所述实时运行数据进行分析,确定数据特征曲线,包括:
根据所述实时运行数据,确定对应的特征向量;
按照时间顺序将各特征向量,构成数据特征曲线。
3.根据权利要求1所述的方法,其特征在于,所述匹配所述数据特征曲线,确定所述家居设备的运行状态,包括:
根据所述运行识别规则,对所述数据特征曲线进行匹配,确定所述家居设备的运行状态,所述运行识别规则依据第一特征曲线确定,所述第一特征曲线依据正常运行的所述家居设备的历史运行数据确定。
4.根据权利要求1所述的方法,其特征在于,所述根据异常识别规则和所述数据特征曲线,预测所述家居设备的异常状态信息,包括:
将所述数据特征曲线,与所述异常识别规则中各第二特征曲线分别进行匹配,所述第二特征曲线依据出现故障的家居设备的历史运行数据确定;
确定所述数据特征曲线和第二特征曲线的匹配度;
依据所述匹配度,确定所述家居设备的异常状态信息。
5.根据权利要求4所述的方法,其特征在于,所述依据所述匹配度,确定所述家居设备的异常状态信息,包括:
确定满足匹配条件的所述匹配度,确定所述匹配度对应第二特征曲线的故障信息;
依据所述故障信息,确定所述家居设备的异常运行信息;
根据所述实时运行数据,确定所述家居设备的地址信息;
将所述异常运行信息和所述地址信息,确定为异常状态信息。
6.一种智能家居异常检测装置,其特征在于,所述装置包括:
数据采集模块,用于获取家居设备的实时运行数据;
数据分析模块,用于对所述实时运行数据进行分析,确定数据特征曲线;
状态匹配模块,用于匹配所述数据特征曲线,确定所述家居设备的运行状态,其中,所述运行状态包括:运行正常状态;
状态预测模块,用于在所述运行状态为运行正常状态的情况下,根据异常识别规则和所述数据特征曲线,预测所述家居设备的异常状态信息。
7.根据权利要求6所述的装置,其特征在于,所述数据分析模块包括:
数据转换子模块,用于根据所述实时运行数据,确定对应的特征向量;
曲线生成子模块,按照时间顺序将各特征向量,构成数据特征曲线。
8.根据权利要求6所述的装置,其特征在于,所述状态匹配模块包括:
第一特征匹配子模块,用于根据所述运行识别规则,对所述数据特征曲线进行匹配,确定所述家居设备的运行状态,所述运行识别规则依据第一特征曲线确定,所述第一特征曲线依据正常运行的所述家居设备的历史运行数据确定。
9.根据权利要求6所述的装置,其特征在于,所述状态预测模块包括:
第二特征匹配子模块,用于将所述数据特征曲线,与所述异常识别规则中各第二特征曲线分别进行匹配,所述第二特征曲线依据出现故障的家居设备的历史运行数据确定;
匹配度解析子模块,用于确定所述数据特征曲线和第二特征曲线的匹配度;
状态信息生成子模块,用于依据所述匹配度,确定所述家居设备的异常状态信息。
10.根据权利要求9所述的装置,其特征在于,所述状态信息生成子模块包括:
故障信息确定单元,用于确定满足匹配条件的所述匹配度,确定所述匹配度对应第二特征曲线的故障信息;
运行信息确定单元,用于依据所述故障信息,确定所述家居设备的异常运行信息;
地址获取单元,用于根据所述实时运行数据,确定所述家居设备的地址信息;
异常信息生成单元,用于将所述异常运行信息和所述地址信息,确定为异常状态信息。
11.一种电子设备,包括:
一个或多个处理器;
存储器;
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,存储与电子设备结合使用的计算机程序,所述计算机程序可被处理器执行以完成权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464430.4A CN111650922A (zh) | 2020-05-27 | 2020-05-27 | 一种智能家居异常检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464430.4A CN111650922A (zh) | 2020-05-27 | 2020-05-27 | 一种智能家居异常检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111650922A true CN111650922A (zh) | 2020-09-11 |
Family
ID=72350675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010464430.4A Pending CN111650922A (zh) | 2020-05-27 | 2020-05-27 | 一种智能家居异常检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111650922A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418053A (zh) * | 2020-11-18 | 2021-02-26 | 华北电力大学 | 一种基于递进式识别来监测异常状态的***及方法 |
CN112671585A (zh) * | 2020-12-25 | 2021-04-16 | 珠海格力电器股份有限公司 | 智能家居设备的异常处理方法及装置、处理器、电子设备 |
CN112990059A (zh) * | 2021-03-30 | 2021-06-18 | 安徽天能清洁能源科技有限公司 | 一种基于曲线形状描述的iv曲线诊断的方法及装置 |
CN113411792A (zh) * | 2021-05-06 | 2021-09-17 | 宁波奥克斯电气股份有限公司 | 一种设备配网方法、装置、家电设备及终端设备 |
CN114630352A (zh) * | 2020-12-11 | 2022-06-14 | ***通信集团湖南有限公司 | 一种接入设备的故障监测方法和装置 |
CN115660636A (zh) * | 2022-10-10 | 2023-01-31 | 卓思韦尔(北京)信息技术有限公司 | 基于物联网数据的楼宇智能运维方法、装置、设备及介质 |
CN116610983A (zh) * | 2023-05-29 | 2023-08-18 | 深圳市鼎信科技有限公司 | 空气净化控制***的异常分析方法及*** |
CN116893622A (zh) * | 2023-08-18 | 2023-10-17 | 武汉世聪智能科技有限公司 | 基于边缘计算的智能家居协调控制*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004214785A (ja) * | 2002-12-27 | 2004-07-29 | Matsushita Electric Ind Co Ltd | 機器管理システム、機器管理方法、管理装置、被管理機器、管理装置用機器管理プログラム及び被管理機器用機器管理プログラム |
CN102158527A (zh) * | 2011-01-18 | 2011-08-17 | 青岛海信电器股份有限公司 | 家用电器维护***及具有自检功能的家用电器 |
CN104866632A (zh) * | 2015-04-30 | 2015-08-26 | 广东美的制冷设备有限公司 | 家电设备的故障数据获取方法、装置及终端 |
CN110779168A (zh) * | 2019-11-18 | 2020-02-11 | 珠海格力电器股份有限公司 | 一种空调定期维护提醒方法 |
CN111126632A (zh) * | 2019-11-25 | 2020-05-08 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
-
2020
- 2020-05-27 CN CN202010464430.4A patent/CN111650922A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004214785A (ja) * | 2002-12-27 | 2004-07-29 | Matsushita Electric Ind Co Ltd | 機器管理システム、機器管理方法、管理装置、被管理機器、管理装置用機器管理プログラム及び被管理機器用機器管理プログラム |
CN102158527A (zh) * | 2011-01-18 | 2011-08-17 | 青岛海信电器股份有限公司 | 家用电器维护***及具有自检功能的家用电器 |
CN104866632A (zh) * | 2015-04-30 | 2015-08-26 | 广东美的制冷设备有限公司 | 家电设备的故障数据获取方法、装置及终端 |
CN110779168A (zh) * | 2019-11-18 | 2020-02-11 | 珠海格力电器股份有限公司 | 一种空调定期维护提醒方法 |
CN111126632A (zh) * | 2019-11-25 | 2020-05-08 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
Non-Patent Citations (1)
Title |
---|
余志鸿等: "《传播符号学》", 30 April 2007 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418053B (zh) * | 2020-11-18 | 2023-12-26 | 华北电力大学 | 一种基于递进式识别来监测异常状态的***及方法 |
WO2022105286A1 (zh) * | 2020-11-18 | 2022-05-27 | 华北电力大学 | 一种基于递进式识别来监测异常状态的***及方法 |
CN112418053A (zh) * | 2020-11-18 | 2021-02-26 | 华北电力大学 | 一种基于递进式识别来监测异常状态的***及方法 |
CN114630352A (zh) * | 2020-12-11 | 2022-06-14 | ***通信集团湖南有限公司 | 一种接入设备的故障监测方法和装置 |
CN114630352B (zh) * | 2020-12-11 | 2023-08-15 | ***通信集团湖南有限公司 | 一种接入设备的故障监测方法和装置 |
CN112671585A (zh) * | 2020-12-25 | 2021-04-16 | 珠海格力电器股份有限公司 | 智能家居设备的异常处理方法及装置、处理器、电子设备 |
CN112671585B (zh) * | 2020-12-25 | 2023-04-28 | 珠海格力电器股份有限公司 | 智能家居设备的异常处理方法及装置、处理器、电子设备 |
CN112990059A (zh) * | 2021-03-30 | 2021-06-18 | 安徽天能清洁能源科技有限公司 | 一种基于曲线形状描述的iv曲线诊断的方法及装置 |
CN113411792A (zh) * | 2021-05-06 | 2021-09-17 | 宁波奥克斯电气股份有限公司 | 一种设备配网方法、装置、家电设备及终端设备 |
CN115660636A (zh) * | 2022-10-10 | 2023-01-31 | 卓思韦尔(北京)信息技术有限公司 | 基于物联网数据的楼宇智能运维方法、装置、设备及介质 |
CN116610983B (zh) * | 2023-05-29 | 2023-11-03 | 深圳市鼎信科技有限公司 | 空气净化控制***的异常分析方法及*** |
CN116610983A (zh) * | 2023-05-29 | 2023-08-18 | 深圳市鼎信科技有限公司 | 空气净化控制***的异常分析方法及*** |
CN116893622A (zh) * | 2023-08-18 | 2023-10-17 | 武汉世聪智能科技有限公司 | 基于边缘计算的智能家居协调控制*** |
CN116893622B (zh) * | 2023-08-18 | 2024-03-08 | 武汉世聪智能科技有限公司 | 基于边缘计算的智能家居协调控制*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650922A (zh) | 一种智能家居异常检测方法和装置 | |
US20200371491A1 (en) | Determining Operating State from Complex Sensor Data | |
US20170314961A1 (en) | A data analytic engine towards the self-management of complex physical systems | |
KR102118670B1 (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
JP6609050B2 (ja) | 時間的因果グラフにおける異常フュージョン | |
JP6815480B2 (ja) | 時系列内の前兆部分列を発見する方法及びシステム | |
US20190197236A1 (en) | Reconstruction-based anomaly detection | |
CN112148768A (zh) | 一种指标时间序列异常检测方法、***及存储介质 | |
Vodenčarević et al. | Identifying behavior models for process plants | |
CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
US9860109B2 (en) | Automatic alert generation | |
US11796993B2 (en) | Systems, methods, and devices for equipment monitoring and fault prediction | |
EP2859450A1 (en) | Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring | |
KR102416474B1 (ko) | 기계학습 기반 고장 진단 장치 및 방법 | |
US20230085991A1 (en) | Anomaly detection and filtering of time-series data | |
CN111524118A (zh) | 变压器的运行状态检测方法、装置、计算机设备和存储介质 | |
CN114004331A (zh) | 一种基于关键指标和深度学习的故障分析方法 | |
Wang et al. | Incremental causal graph learning for online root cause analysis | |
US11841295B2 (en) | Asset agnostic anomaly detection using clustering and auto encoder | |
CN113141273B (zh) | 基于预警信息的自修复方法、装置、设备及存储介质 | |
CN116823233B (zh) | 一种基于全周期运维的用户数据处理方法及*** | |
KR20210011822A (ko) | 인공 지능 기반 비정상 로그를 탐지하는 방법 및 이를 구현하는 시스템 | |
CN108362957B (zh) | 设备故障诊断方法、装置、储存介质和电子设备 | |
KR20220159672A (ko) | 오토 인코더 기반 이상 데이터 감지 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |