CN112633492A - 故障处理方法、装置、信息处理装置、存储介质和服务器 - Google Patents

故障处理方法、装置、信息处理装置、存储介质和服务器 Download PDF

Info

Publication number
CN112633492A
CN112633492A CN201910951474.7A CN201910951474A CN112633492A CN 112633492 A CN112633492 A CN 112633492A CN 201910951474 A CN201910951474 A CN 201910951474A CN 112633492 A CN112633492 A CN 112633492A
Authority
CN
China
Prior art keywords
sound data
fault
training
fault type
acquiring
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
Application number
CN201910951474.7A
Other languages
English (en)
Inventor
陈必东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Shunde Midea Electrical Heating Appliances Manufacturing Co Ltd
Original Assignee
Foshan Shunde Midea Electrical Heating Appliances Manufacturing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Shunde Midea Electrical Heating Appliances Manufacturing Co Ltd filed Critical Foshan Shunde Midea Electrical Heating Appliances Manufacturing Co Ltd
Priority to CN201910951474.7A priority Critical patent/CN112633492A/zh
Publication of CN112633492A publication Critical patent/CN112633492A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Human Computer Interaction (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Signal Processing (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种故障处理方法，包括：接收家电设备发送的至少一个特征声音数据；获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。本发明还公开了一种故障处理装置、信息处理装置、存储介质和服务器。

Description

故障处理方法、装置、信息处理装置、存储介质和服务器
技术领域
本发明涉及人工智能技术，尤其涉及一种故障处理方法、装置、信息处理装置、计算机可读存储介质和服务器。
背景技术
针对家电设备，传统的故障分析一般为：根据用户终端的用户界面(UI，UserInterface)呈现的故障报告、故障内容进行故障诊断、猜测。但是用户并不懂得故障诊断方法，在使用过程中遇到故障时仅能将问题向厂家投诉，对故障描述可能不准确；而厂家无法即时查看设备，无法准确定位问题，进行故障排除，影响用户体验。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种故障处理方法、装置、信息处理装置、计算机可读存储介质和服务器。
本发明的技术方案是这样实现的：
本发明实施例提供了一种故障处理方法，所述方法包括：
接收家电设备发送的至少一个特征声音数据；
获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
上述方案中，所述预测第二目标故障类型之后，所述方法还包括：
根据所述故障预测模型中所述第二目标故障类型对应的声音数据和所述至少一个特征声音数据，预测发生第二目标故障的概率。
上述方案中，所述方法还包括：生成所述诊断模型；所述生成诊断模型，包括：
获取包括有发生故障时至少一个第一训练声音数据、各第一训练声音数据对应的第一故障类型的第一训练声音数据集；所述第一故障类型表征家电设备内的故障器件产生故障的原因；
对所述至少一个第一训练声音数据进行分类，获得针对至少一种第一故障类型的第一声音数据集；所述第一声音数据集包括至少一个第一训练声音数据；
获取预设的神经网络，根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，获得训练后的所述神经网络作为所述诊断模型。
上述方案中，所述根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，包括：
确定所述第一声音数据集中各第一训练声音数据的声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和梅尔频率倒谱系数(MFCC，MelFrequency Cepstrum Coefficient)；
根据所述针对至少一种第一故障类型的第一声音数据集中各第一训练声音数据的声音特征，训练所述神经网络。
上述方案中，所述确定第一目标故障类型和所述第一目标故障类型对应的解决方案，包括：
获取预设的故障类型和解决方案的对应关系；根据确定的所述第一目标故障类型查询所述对应关系，确定所述第一目标故障类型对应的解决方案。
上述方案中，所述方法还包括：生成所述故障预测模型；
所述生成故障预测模型，包括：
获取第二训练声音数据集；所述第二训练声音数据集，包括：发生故障及发生故障前预设时间段内的至少一个第二训练声音数据、各第二训练声音数据对应的第二故障类型；所述第二故障类型表征预测家电设备内的故障器件产生故障的原因；
对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据；
获取预设的逻辑回归模型，根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，获得训练后的所述逻辑回归模型作为所述故障预测模型。
本发明实施例提供了一种故障处理装置，所述装置包括：第一处理模块和第二处理模块；其中，
所述第一处理模块，用于接收家电设备发送的至少一个特征声音数据；
所述第二处理模块，用于获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
上述方案中，所述第二处理模块，还用于根据所述故障预测模型中所述第二目标故障类型对应的声音数据和所述至少一个特征声音数据，预测发生第二目标故障的概率。
上述方案中，所述装置还包括：第一预处理模块，用于生成所述诊断模型；
所述第一预处理模块，用于获取包括有发生故障时至少一个第一训练声音数据、各第一训练声音数据对应的第一故障类型的第一训练声音数据集；所述第一故障类型表征家电设备内的故障器件产生故障的原因；
对所述至少一个第一训练声音数据进行分类，获得针对至少一种第一故障类型的第一声音数据集；所述第一声音数据集包括至少一个第一训练声音数据；
获取预设的神经网络，根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，获得训练后的所述神经网络作为所述诊断模型。
上述方案中，所述第一预处理模块，用于确定所述第一声音数据集中各第一训练声音数据的声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和MFCC；根据所述针对至少一种第一故障类型的第一声音数据集中各第一训练声音数据的声音特征，训练所述神经网络。
上述方案中，所述第二处理模块，用于获取预设的故障类型和解决方案的对应关系；根据确定的所述第一目标故障类型查询所述对应关系，确定所述第一目标故障类型对应的解决方案。
上述方案中，所述装置包括：第二预处理模块，用于生成所述故障预测模型；
所述第二预处理模块，用于获取第二训练声音数据集；所述第二训练声音数据集，包括：发生故障及发生故障前预设时间段内的至少一个第二训练声音数据、各第二训练声音数据对应的第二故障类型；所述第二故障类型表征预测家电设备内的故障器件产生故障的原因；
对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据；
获取预设的逻辑回归模型，根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，获得训练后的所述逻辑回归模型作为所述故障预测模型。
本发明实施例提供了一种信息处理装置，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；
其中，所述处理器用于运行所述计算机程序时，执行以上任一所述故障处理方法的步骤。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上任一所述故障处理方法的步骤。
本发明实施例还提供了一种服务器，所述服务器包括处理器、存储有由所述处理器运行的可执行程序的存储器，所述处理器运行所述可执行程序时执行以上任一所述故障处理方法的步骤。
本发明实施例所提供的故障处理方法、装置、信息处理装置、计算机可读存储介质和服务器，接收家电设备发送的至少一个特征声音数据；获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。本发明实施例的方案中，通过分析故障时家电设备内各器件发出的声音，诊断出故障类型并提供具体地解决方案，提高故障诊断效率及问题解决效率，从而提高用户对设备的满意度。
附图说明
图1为本发明实施例提供的一种故障处理方法的流程示意图；
图2为本发明实施例提供的一种家电设备的结构示意图；
图3为本发明实施例提供的另一种故障处理方法的流程示意图；
图4为本发明实施例提供的再一种故障处理方法的流程示意图；
图5为本发明实施例提供的一种故障处理装置的结构示意图；
图6为本发明实施例提供的另一种信息处理装置的结构示意图。
具体实施方式
在本发明的各种实施例中，接收家电设备发送的至少一个特征声音数据；获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
下面结合实施例对本发明再作进一步详细的说明。
图1为本发明实施例提供的一种故障处理方法的流程示意图；所述方法可以应用于服务器，所述服务器可以与各个家电设备进行通信，所述家电设备包括：烹饪设备、清洁设备等；如图1所示，所述方法包括：
步骤101、接收家电设备发送的至少一个特征声音数据。
这里，所述特征声音数据，包括：家电设备的器件运行时发出的声音。所述至少一个特征声音数据，表征至少一个家电设备的器件运行时发出的声音。所述家用设备，包括：至少一个需要进行故障监控的待监控器件，针对每个待监控器件设有至少一个声音采集器；所述声音采集器可以包括：麦克风、录音器、传声器等具有声音采集功能的设备。
所述家用设备还包括：中央控制器，用于将所述至少一个声音采集器采集的声音数据发送到服务器。所述声音数据携带有所述家用设备的身份标识和/或监控的器件的身份标识。所述家电设备具有通信模块，可以通过网络与所述服务器进行数据发送和接收。
所述服务器接收到所述声音数据后，将所述声音数据与所述家用设备的身份标识对应保存。
所述家电设备，包括：烹饪设备和非烹饪设备，所述烹饪设备可以包括：电饭煲、电磁炉等；所述非烹饪设备可以包括：电视机、电冰箱、扫地机器人等。
步骤102、获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
具体地，所述运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案，包括：
所述服务器运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备是否发生故障，确定所述家电设备发生故障时，则确定第一目标故障类型和所述第一目标故障类型对应的解决方案；确定所述家电设备未发生故障时，则可以直接判定家电设备正常，无需进行任何操作，或者，也可以进一步获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
这里，所述第一目标故障类型表征家电设备内当前发生故障的故障器件及其发生故障的原因。即，所述第一目标故障类型包括以下至少一个信息：发生故障的器件及器件发生故障的原因。
具体地，所述方法还包括：生成所述诊断模型。
这里，所述生成诊断模型，包括：
获取第一训练声音数据集；这里，所述第一训练声音数据集，具体可以包括：发生故障时至少一个第一训练声音数据、各第一训练声音数据对应的第一故障类型；所述第一故障类型表征家电设备内的故障器件产生故障的原因；
对所述至少一个第一训练声音数据进行分类，获得针对至少一种第一故障类型的第一声音数据集；所述第一声音数据集包括至少一个第一训练声音数据；
获取预设的神经网络，根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，获得训练后的所述神经网络作为所述诊断模型。
所述根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络之前，所述方法还可以包括：
对所述第一声音数据集中各第一训练声音数据进行格式化处理，获得可用于进行神经网络训练的声音数据。
这里，所述用于进行神经网络训练的声音数据，包括：声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和梅尔频率倒谱系数(MFCC，MelFrequency Cepstrum Coefficient)。
所述声音特征还可以包括如下之一或任意组合：小波包分解系数、基音子带能量、幅值或功率、邻界带特征矢量、线性预测编码倒谱系数(LPCC，Linear PredictionCepstrum Coefficient)
具体地，所述根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，包括：
确定所述第一声音数据集中各第一训练声音数据的声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和MFCC；
根据所述针对至少一种第一故障类型的第一声音数据集中各第一训练声音数据的声音特征，训练所述神经网络。
具体地，所述确定第一目标故障类型和所述第一目标故障类型对应的解决方案，包括：
获取预设的故障类型和解决方案的对应关系；根据确定的所述第一目标故障类型查询所述对应关系，确定所述第一目标故障类型对应的解决方案。
这里，获取的所述第一目标故障类型及其对应的解决方案用于发送到所述家电设备和/或所述家电设备关联的移动终端，提供给用户以解决故障。
具体来说，所述解决方案包括：通过软件升级可解决故障的方案和无法通过软件升级解决故障的方案。
本实施例中，所述方法还包括：确定所述解决方案为通过软件升级可解决故障的方案时，将所述第一目标故障类型及其对应的解决方案发送到所述家电设备，并发送到所述家电设备关联的移动终端，以提醒用户升级所述家电设备的软件，以解决故障。确定所述解决方案为无法通过软件升级解决故障的方案时，将所述第一目标故障类型及其对应的解决方案发送到所述家电设备关联的移动终端，以提醒用户将家电设备送往维修点进行维修。
需要说明的是，所述移动终端可以安装有应用程序，所述应用程序为开发商开发并提供给用户下载、安装的程序；所述应用程序连接所述服务器，并向用户展示所述服务器提供的各项服务。所述服务器由家电设备的开发商开发并维护。
本实施例中，考虑到家电设备运行一段时间后，可能存在异常(如即将产生故障)，因此本实施例中，还提供有故障预测模型，用以预测所述家电设备是否存在异常(即是否可能发生故障；举例来说，家电设备目前可能未发生故障，但可能存在故障隐患，此时家电设备的某些器件发出的声音可能掺杂有杂音，因此可以根据声音数据预测故障)。从而，本实施例中，所述服务器确定所述家电设备运行一段时间后，可以获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
需要说明的是，本实施例中，所述获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，还可以是在确定所述家电设备未发生故障后，即刻进行预测。具体来说，所述方法还可以包括：确定所述家电设备未发生故障时，进一步获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备是否存在异常，预测所述家电设备存在异常时，预测所述家电设备的第二目标故障类型。
这里，所述第二目标故障类型为预测的家电设备可能会发生故障的故障器件，及其发生故障的原因。即，所述第二目标故障类型包括以下至少一个信息：可能会发生故障的器件、及该器件可能发生故障的原因。
具体来说，所述预测第二目标故障类型之后，所述方法还可以包括：
根据所述故障预测模型中所述第二目标故障类型对应的声音数据和所述至少一个特征声音数据，预测发生所述第二目标故障类型的概率。
这里，所述根据所述故障预测模型中所述第二目标故障类型对应的声音数据和所述至少一个特征声音数据，预测发生第二目标故障的概率，具体包括：
根据所述第二目标故障类型，从所述接收的至少一个特征声音数据中确定所述可能会发生故障的器件对应的声音数据；
将所述故障预测模型中的第二目标故障类型对应的声音数据与所述可能会发生故障的器件对应的声音数据进行匹配，以确定发生第二目标故障的概率。
这里，预测所述家电设备的第二目标故障类型之后，所述方法还可以包括：
将预测的第二目标故障类型发送到所述家电设备关联的移动终端，用以通知用户；和/或，
将所述第二目标故障类型和所述家电设备关联的移动终端的信息发送给家电设备的开发商，由开发商的维修人员联系用户解决该故障。
所述家电设备关联的移动终端的信息，可以包括：移动终端的对应的通信号码(如用户的手机号码)、移动终端内安装的应用程序的登陆账号。所述应用程序为开发商开发并提供给用户下载安装的程序，所述应用程序连接所述服务器。
需要说明的是，家电设备发生故障可能是非连续性的，比如使用五次仅一次会发生故障，这种情况下使用上述诊断模型可能无法识别出第一目标故障类型，因此提供了故障预测模型，用以预测所述家电设备可能发生的故障，即确定所述第二目标故障类型。
这里，所述预测所述家电设备的第二目标故障类型之后，所述方法还可以包括：获取预设的故障类型和解决方案的对应关系；根据确定的所述第二目标故障类型查询所述对应关系，确定所述第二目标故障类型对应的解决方案。
相应的，确定所述第二目标故障类型对应的解决方案为通过软件升级可解决故障的方案时，将预测的第二目标故障类型发送到所述家电设备关联的移动终端时，可以将所述第二故障类型对应的解决方案发送给家电设备。
具体地，所述方法还包括：生成所述故障预测模型。
这里，所述生成故障预测模型，包括：
获取第二训练声音数据集；所述第二训练声音数据集，包括：发生故障及发生故障前预设时间段内的至少一个第二训练声音数据、各第二训练声音数据对应的第二故障类型；所述第二故障类型表征预测家电设备内的故障器件产生故障的原因；
对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据；
获取预设的逻辑回归模型，根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，获得训练后的所述逻辑回归模型作为所述故障预测模型。
这里，具体可以运用线性逻辑回归预测算法或非线性逻辑回归预测方法，根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型。
具体地，所述根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，包括：
确定所述第二声音数据集中各第二训练声音数据的声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和MFCC；
根据所述针对至少一种第二故障类型的第二声音数据集中各第二训练声音数据的声音特征，训练所述神经网络。
这里，所述逻辑回归算法可以采用线性回归预测法或非线性回归预测法。
所述根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型之前，所述方法还可以包括：
对所述第二声音数据集中各第二训练声音数据进行格式化处理，获得目标格式的第二训练声音数据。
相应的，根据所述目标格式的第二训练声音数据训练所述逻辑回归模型。
图2为本发明实施例提供的一种家电设备的结构示意图；如图2所示，所述家电设备可以为一种烹饪设备，所述烹饪设备可以包括中央控制器，以及至少一个声音采集器。
所述声音采集器可以包括：第1个麦克风到第n个麦克风(例如图2中所示的第1个麦克风、第2个麦克风、第K个麦克风、第n个麦克风)。
每个声音采集器设置在易发生故障且能够发生噪声源的器件的附件，以采集该器件的声音。
图3为本发明实施例提供的另一种故障处理方法的流程示意图；如图3所示，所述方法应用于服务端，所述方法包括：
步骤301、获取第一训练声音数据集。
所述第一训练声音数据集，包括：发生故障时至少一个第一训练声音数据、各第一训练声音数据对应的第一故障类型；所述第一故障类型表征家电设备内的故障器件产生故障的原因。
步骤302、对所述第一训练声音数据集进行预处理。
这里，所述预处理可以包括：分类和格式化处理。具体来说，所述预处理包括：对所述至少一组第一训练声音数据进行分类，获得针对至少一种第一故障类型的第一声音数据集，所述第一声音数据集包括至少一个第一训练声音数据；对各第一训练声音数据进行格式化处理，获得可用于进行声音数据分析的格式。
这里，所述对所述至少一个训练声音数据进行分类，包括：确定每个训练声音数据对应的第一故障类型；所述第一故障类型指针对某一个器件发生故障的故障原因；根据所述第一故障类型进行分类，获得针对至少一种第一故障类型的第一声音数据集。
步骤303、根据所述第一训练声音数据集进行基于深度神经网络的分类训练，获得诊断模型。
具体地，所述步骤303包括：获取预设的神经网络，根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，获得训练后的所述神经网络作为所述诊断模型。
所述诊断模型，用于根据声音数据，确定发生故障的器件及该器件发生故障的原因，从而获得故障类型。
这里步骤303的操作具体可以参考图1所示方法中所述的生成诊断模型，这里不再赘述。
步骤304、获得待识别的家电设备发送的声音数据，运用所述诊断模型进行故障识别，获得诊断结果。
具体地，所述步骤304包括：接收所述家电设备发送的声音数据；所述声音数据可以携带有其对应的器件的标识(ID)；
所述诊断模型识别所述声音数据，获得诊断结果；所述诊断结果包括：第一目标故障类型、所述第一目标故障类型对应的解决方案。
获得的所述诊断结果可以发送到所述家电设备和/或家电设备关联的移动终端，用以告知用户具体地故障类型和解决方案。
运用上述方法，服务端收到故障诊断请求，所述故障诊断请求包括故障时器件发出的所述声音数据，根据所述声音数据进行故障诊断；所述服务器能够在故障发生的情况下通过诊断模型定位到故障类型，具体包括：某个器件、发生故障的原因等，同时确定故障原因是软件问题还是硬件问题，在确定故障原因是软件问题时，通过软件升级的方法解决问题。
图4为本发明实施例提供的再一种故障处理方法的流程示意图；如图4所示，所述方法，包括：
步骤401、获取第二训练声音数据集。
这里，所述第二训练声音数据集，包括：发生故障及发生故障前预设时间段内的至少一个第二训练声音数据、各第二训练声音数据对应的第二故障类型；所述第二故障类型表征预测家电设备内的故障器件产生故障的原因。
步骤402、对所述第二训练声音数据集进行预处理。
这里，所述步骤402，包括：对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据；对所述第二训练声音数据进行格式化处理，获得可用于进行声音数据分析的格式。
这里，所述对所述至少一个第二训练声音数据进行预处理，包括：确定各第二训练声音数据对应的第二故障类型，根据所述第二故障类型对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据。
步骤403、根据所述针对至少一种第二故障类型的第二声音数据集训练逻辑回归模型，获得故障预测模型。
具体地，所述步骤403包括：获取预设的逻辑回归模型，运用逻辑回归算法根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，获得训练后的所述逻辑回归模型作为所述故障预测模型。
所述故障预测模型，用于根据声音数据，预测可能发生故障的器件及该器件可能发生故障的原因。所述逻辑回归算法可以采用线性回归预测法或非线性回归预测法。
这里步骤403的操作具体可以参考图1所示方法中所述的生成故障预测模型，这里不再赘述。
步骤404、获得待识别的家电设备发送的声音数据，运用所述故障预测模型进行故障识别，获得预测结果。
具体地，所述步骤404包括：接收所述家电设备发送的声音数据，所述声音数据可以携带有该声音数据对应的器件的ID；
所述故障预测模型识别所述声音数据，获得预测结果；所述预测结果包括以下至少一个：第二目标故障类型、发生第二目标故障的概率、所述第二故障类型对应的解决方案。
所述预测结果可以发送到所述家电设备和/或家电设备关联的移动终端，用以告知用户具体地故障类型和解决方案。
本实施例中，所述方法是在服务端不断的收到家电设备上报的声音数据，待声音数据收集到一定数量以后，即可获得预设时间段内的声音数据，对所述声音数据进行预处理后输入故障预测模型；通过机器学习逻辑回归算法，预测基于该声音数据，家电设备是否正常运行或者设备将会发生的状态的预测，如果预测设备会有故障发生，则提醒用户或者服务端、甚至开发商进行设备维护，能够通过模型定位到故障类型，具体到某个器件及原因，同时确定故障原因是软件问题还是硬件问题，在确定故障原因是软件问题时，通过软件升级的方法解决问题。
本发明实施例还提供了一种方法，将图3和图4所示的方法结合起来，即在接收家电设备发送的声音数据后；获取预设的诊断模型，根据所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。这里，所述运用所述故障预测模型识别所述至少一个特征声音数据，可以发生在确定所述家电设备未发生故障时即刻进行；也可以是在家电设备运行一段时间后自主进行故障预测，即确定家电设备运行一段时候后，获取预设的故障预测模型，根据所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备的第二目标故障类型；这里不做限定。其具体步骤与上述故障处理方法实施例属于同一构思，其具体实现过程详见图1、图3、和/或图4所示方法实施例，这里不再赘述。
图5为本发明实施例提供的一种故障处理装置的结构示意图；如图5所示，所述装置，包括：所述第一处理模块501、所述第二处理模块502。其中，
所述第一处理模块501，用于接收家电设备发送的至少一个特征声音数据；
所述第二处理模块502，用于获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
具体地，所述第二处理模块502，还用于根据所述故障预测模型中所述第二目标故障类型对应的声音数据和所述至少一个特征声音数据，预测发生第二目标故障的概率。
具体地，所述装置还包括：第一预处理模块，用于生成所述诊断模型。
所述第一预处理模块，用于获取包括有发生故障时至少一个第一训练声音数据、各第一训练声音数据对应的第一故障类型的第一训练声音数据集；所述第一故障类型表征家电设备内的故障器件产生故障的原因；
对所述至少一个第一训练声音数据进行分类，获得针对至少一种第一故障类型的第一声音数据集；所述第一声音数据集包括至少一个第一训练声音数据；
获取预设的神经网络，根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，获得训练后的所述神经网络作为所述诊断模型。
所述第一预处理模块，具体用于确定所述第一声音数据集中各第一训练声音数据的声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和MFCC；根据所述针对至少一种第一故障类型的第一声音数据集中各第一训练声音数据的声音特征，训练所述神经网络。
具体地，所述第二处理模块502，用于获取预设的故障类型和解决方案的对应关系；根据确定的所述第一目标故障类型查询所述对应关系，确定所述第一目标故障类型对应的解决方案。
具体地，所述装置包括：第二预处理模块，用于生成所述故障预测模型。
所述第二预处理模块，用于获取第二训练声音数据集；所述第二训练声音数据集，包括：发生故障及发生故障前预设时间段内的至少一个第二训练声音数据、各第二训练声音数据对应的第二故障类型；所述第二故障类型表征预测家电设备内的故障器件产生故障的原因；
对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据；
获取预设的逻辑回归模型，根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，获得训练后的所述逻辑回归模型作为所述故障预测模型。
需要说明的是：上述实施例提供的故障处理装置在进行故障处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的故障处理装置与故障处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
为实现本发明实施例的方法，本发明实施例提供一种信息处理装置，如图6所示，该装置60包括：处理器601和用于存储能够在所述处理器上运行的计算机程序的存储器602；其中，所述处理器601用于运行所述计算机程序时，执行：接收家电设备发送的至少一个特征声音数据；获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
在一实施例中，所述处理器601用于运行所述计算机程序时，执行：根据所述故障预测模型中所述第二目标故障类型对应的声音数据和所述至少一个特征声音数据，预测发生第二目标故障的概率。
在一实施例中，所述处理器601用于运行所述计算机程序时，执行：获取包括有发生故障时至少一个第一训练声音数据、各第一训练声音数据对应的第一故障类型的第一训练声音数据集；所述第一故障类型表征家电设备内的故障器件产生故障的原因；对所述至少一个第一训练声音数据进行分类，获得针对至少一种第一故障类型的第一声音数据集；所述第一声音数据集包括至少一个第一训练声音数据；获取预设的神经网络，根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，获得训练后的所述神经网络作为所述诊断模型。
在一实施例中，所述处理器601用于运行所述计算机程序时，执行：确定所述第一声音数据集中各第一训练声音数据的声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和MFCC；根据所述针对至少一种第一故障类型的第一声音数据集中各第一训练声音数据的声音特征，训练所述神经网络。
在一实施例中，所述处理器601用于运行所述计算机程序时，执行：获取预设的故障类型和解决方案的对应关系；根据确定的所述第一目标故障类型查询所述对应关系，确定所述第一目标故障类型对应的解决方案。
在一实施例中，所述处理器601用于运行所述计算机程序时，执行：获取第二训练声音数据集；所述第二训练声音数据集，包括：发生故障及发生故障前预设时间段内的至少一个第二训练声音数据、各第二训练声音数据对应的第二故障类型；所述第二故障类型表征预测家电设备内的故障器件产生故障的原因；对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据；获取预设的逻辑回归模型，根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，获得训练后的所述逻辑回归模型作为所述故障预测模型。
需要说明的是：上述实施例提供的信息处理装置与故障处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
当然，实际应用时，如图6所示，该装置60还可以包括：至少一个网络接口603。信息处理装置60中的各个组件通过总线***604耦合在一起。可理解，总线***604用于实现这些组件之间的连接通信。总线***604除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线***604。其中，所述处理器601的个数可以为至少一个。网络接口603用于信息处理装置60与其他设备之间有线或无线方式的通信。本发明实施例中的存储器602用于存储各种类型的数据以支持装置60的操作。
上述本发明实施例揭示的方法可以应用于处理器601中，或者由处理器601实现。处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器601可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，所述信息处理装置60可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
具体地，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行：接收家电设备发送的至少一个特征声音数据；获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
在一实施例中，所述计算机程序被处理器运行时，执行：根据所述故障预测模型中所述第二目标故障类型对应的声音数据和所述至少一个特征声音数据，预测发生第二目标故障的概率。
在一实施例中，所述计算机程序被处理器运行时，执行：获取包括有发生故障时至少一个第一训练声音数据、各第一训练声音数据对应的第一故障类型的第一训练声音数据集；所述第一故障类型表征家电设备内的故障器件产生故障的原因；对所述至少一个第一训练声音数据进行分类，获得针对至少一种第一故障类型的第一声音数据集；所述第一声音数据集包括至少一个第一训练声音数据；获取预设的神经网络，根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，获得训练后的所述神经网络作为所述诊断模型。
在一实施例中，所述计算机程序被处理器运行时，执行：确定所述第一声音数据集中各第一训练声音数据的声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和MFCC；根据所述针对至少一种第一故障类型的第一声音数据集中各第一训练声音数据的声音特征，训练所述神经网络。
在一实施例中，所述计算机程序被处理器运行时，执行：获取预设的故障类型和解决方案的对应关系；根据确定的所述第一目标故障类型查询所述对应关系，确定所述第一目标故障类型对应的解决方案。
在一实施例中，所述计算机程序被处理器运行时，执行：获取第二训练声音数据集；所述第二训练声音数据集，包括：发生故障及发生故障前预设时间段内的至少一个第二训练声音数据、各第二训练声音数据对应的第二故障类型；所述第二故障类型表征预测家电设备内的故障器件产生故障的原因；对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据；获取预设的逻辑回归模型，根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，获得训练后的所述逻辑回归模型作为所述故障预测模型。
本发明实施例还提供了一种服务器，所述服务器包括处理器、存储有由所述处理器运行的可执行程序的存储器；所述处理器运行所述可执行程序时，执行：接收家电设备发送的至少一个特征声音数据；获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
所述处理器还用于运行所述计算机程序时，执行：根据所述故障预测模型中所述第二目标故障类型对应的声音数据和所述至少一个特征声音数据，预测发生第二目标故障的概率。
所述处理器还用于运行所述计算机程序时，执行：获取包括有发生故障时至少一个第一训练声音数据、各第一训练声音数据对应的第一故障类型的第一训练声音数据集；所述第一故障类型表征家电设备内的故障器件产生故障的原因；对所述至少一个第一训练声音数据进行分类，获得针对至少一种第一故障类型的第一声音数据集；所述第一声音数据集包括至少一个第一训练声音数据；获取预设的神经网络，根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，获得训练后的所述神经网络作为所述诊断模型。
所述处理器还用于运行所述计算机程序时，执行：确定所述第一声音数据集中各第一训练声音数据的声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和MFCC；根据所述针对至少一种第一故障类型的第一声音数据集中各第一训练声音数据的声音特征，训练所述神经网络。
所述处理器还用于运行所述计算机程序时，执行：获取预设的故障类型和解决方案的对应关系；根据确定的所述第一目标故障类型查询所述对应关系，确定所述第一目标故障类型对应的解决方案。
所述处理器还用于运行所述计算机程序时，执行：获取第二训练声音数据集；所述第二训练声音数据集，包括：发生故障及发生故障前预设时间段内的至少一个第二训练声音数据、各第二训练声音数据对应的第二故障类型；所述第二故障类型表征预测家电设备内的故障器件产生故障的原因；对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据；获取预设的逻辑回归模型，根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，获得训练后的所述逻辑回归模型作为所述故障预测模型。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (15)

1.一种故障处理方法，其特征在于，所述方法包括：
接收家电设备发送的至少一个特征声音数据；
获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
2.根据权利要求1所述的方法，其特征在于，所述预测第二目标故障类型之后，所述方法还包括：
根据所述故障预测模型中所述第二目标故障类型对应的声音数据和所述至少一个特征声音数据，预测发生第二目标故障的概率。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：生成所述诊断模型；所述生成诊断模型，包括：
获取包括有发生故障时至少一个第一训练声音数据、各第一训练声音数据对应的第一故障类型的第一训练声音数据集；所述第一故障类型表征家电设备内的故障器件产生故障的原因；
对所述至少一个第一训练声音数据进行分类，获得针对至少一种第一故障类型的第一声音数据集；所述第一声音数据集包括至少一个第一训练声音数据；
获取预设的神经网络，根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，获得训练后的所述神经网络作为所述诊断模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，包括：
确定所述第一声音数据集中各第一训练声音数据的声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和梅尔频率倒谱系数MFCC；
根据所述针对至少一种第一故障类型的第一声音数据集中各第一训练声音数据的声音特征，训练所述神经网络。
5.根据权利要求1所述的方法，其特征在于，所述确定第一目标故障类型和所述第一目标故障类型对应的解决方案，包括：
获取预设的故障类型和解决方案的对应关系；根据确定的所述第一目标故障类型查询所述对应关系，确定所述第一目标故障类型对应的解决方案。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：生成所述故障预测模型；
所述生成故障预测模型，包括：
获取第二训练声音数据集；所述第二训练声音数据集，包括：发生故障及发生故障前预设时间段内的至少一个第二训练声音数据、各第二训练声音数据对应的第二故障类型；所述第二故障类型表征预测家电设备内的故障器件产生故障的原因；
对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据；
获取预设的逻辑回归模型，根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，获得训练后的所述逻辑回归模型作为所述故障预测模型。
7.一种故障处理装置，其特征在于，所述装置包括：第一处理模块和第二处理模块；其中，
所述第一处理模块，用于接收家电设备发送的至少一个特征声音数据；
所述第二处理模块，用于获取预设的诊断模型，运用所述诊断模型识别所述至少一个特征声音数据，确定所述家电设备发生故障时，确定第一目标故障类型和所述第一目标故障类型对应的解决方案；和/或，获取预设的故障预测模型，运用所述故障预测模型识别所述至少一个特征声音数据，预测所述家电设备存在异常时，预测第二目标故障类型。
8.根据权利要求7所述的装置，其特征在于，所述第二处理模块，还用于根据所述故障预测模型中所述第二目标故障类型对应的声音数据和所述至少一个特征声音数据，预测发生第二目标故障的概率。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括：第一预处理模块，用于生成所述诊断模型；
所述第一预处理模块，用于获取包括有发生故障时至少一个第一训练声音数据、各第一训练声音数据对应的第一故障类型的第一训练声音数据集；所述第一故障类型表征家电设备内的故障器件产生故障的原因；
对所述至少一个第一训练声音数据进行分类，获得针对至少一种第一故障类型的第一声音数据集；所述第一声音数据集包括至少一个第一训练声音数据；
获取预设的神经网络，根据所述针对至少一种第一故障类型的第一声音数据集训练所述神经网络，获得训练后的所述神经网络作为所述诊断模型。
10.根据权利要求9所述的装置，其特征在于，所述第一预处理模块，用于确定所述第一声音数据集中各第一训练声音数据的声音特征；所述声音特征，包括以下至少一个：声谱图、短时幅值过零率、短时平均能量和梅尔频率倒谱系数MFCC；根据所述针对至少一种第一故障类型的第一声音数据集中各第一训练声音数据的声音特征，训练所述神经网络。
11.根据权利要求7所述的装置，其特征在于，所述第二处理模块，用于获取预设的故障类型和解决方案的对应关系；根据确定的所述第一目标故障类型查询所述对应关系，确定所述第一目标故障类型对应的解决方案。
12.根据权利要求8所述的装置，其特征在于，所述装置包括：第二预处理模块，用于生成所述故障预测模型；
所述第二预处理模块，用于获取第二训练声音数据集；所述第二训练声音数据集，包括：发生故障及发生故障前预设时间段内的至少一个第二训练声音数据、各第二训练声音数据对应的第二故障类型；所述第二故障类型表征预测家电设备内的故障器件产生故障的原因；
对所述至少一个第二训练声音数据进行分类，获得针对至少一种第二故障类型的第二声音数据集，所述第二声音数据集包括至少一个第二训练声音数据；
获取预设的逻辑回归模型，根据所述针对至少一种第二故障类型的第二声音数据集训练所述逻辑回归模型，获得训练后的所述逻辑回归模型作为所述故障预测模型。
13.一种信息处理装置，其特征在于，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；
其中，所述处理器用于运行所述计算机程序时，执行权利要求1至6任一所述方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法的步骤。
15.一种服务器，所述服务器包括处理器、存储有由所述处理器运行的可执行程序的存储器，其特征在于，所述处理器运行所述可执行程序时执行如权利要求1至6任一所述方法的步骤。
CN201910951474.7A 2019-10-08 2019-10-08 故障处理方法、装置、信息处理装置、存储介质和服务器 Pending CN112633492A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910951474.7A CN112633492A (zh) 2019-10-08 2019-10-08 故障处理方法、装置、信息处理装置、存储介质和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910951474.7A CN112633492A (zh) 2019-10-08 2019-10-08 故障处理方法、装置、信息处理装置、存储介质和服务器

Publications (1)

Publication Number Publication Date
CN112633492A true CN112633492A (zh) 2021-04-09

Family

ID=75283334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910951474.7A Pending CN112633492A (zh) 2019-10-08 2019-10-08 故障处理方法、装置、信息处理装置、存储介质和服务器

Country Status (1)

Country Link
CN (1) CN112633492A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116403605A (zh) * 2023-06-08 2023-07-07 宁德时代新能源科技股份有限公司 设备故障预测方法、堆垛机故障预测方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104506886A (zh) * 2014-12-15 2015-04-08 四川长虹电器股份有限公司 一种故障处理方法及云端服务器
WO2018169302A1 (ko) * 2017-03-16 2018-09-20 피플리안주식회사 스마트폰을 이용한 휠체어 고장 진단 및 알림 시스템
CN108597057A (zh) * 2018-04-28 2018-09-28 济南浪潮高新科技投资发展有限公司 一种基于噪音深度学习的无人机故障预测诊断***及方法
KR101892516B1 (ko) * 2017-03-29 2018-10-04 주식회사 한국정보시스템 이기종 네트워크의 장애예측 방법, 장치 및 프로그램
CN109974845A (zh) * 2019-02-28 2019-07-05 合肥美的电冰箱有限公司 故障警示方法、计算机可读存储介质和制冷设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104506886A (zh) * 2014-12-15 2015-04-08 四川长虹电器股份有限公司 一种故障处理方法及云端服务器
WO2018169302A1 (ko) * 2017-03-16 2018-09-20 피플리안주식회사 스마트폰을 이용한 휠체어 고장 진단 및 알림 시스템
KR101892516B1 (ko) * 2017-03-29 2018-10-04 주식회사 한국정보시스템 이기종 네트워크의 장애예측 방법, 장치 및 프로그램
CN108597057A (zh) * 2018-04-28 2018-09-28 济南浪潮高新科技投资发展有限公司 一种基于噪音深度学习的无人机故障预测诊断***及方法
CN109974845A (zh) * 2019-02-28 2019-07-05 合肥美的电冰箱有限公司 故障警示方法、计算机可读存储介质和制冷设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116403605A (zh) * 2023-06-08 2023-07-07 宁德时代新能源科技股份有限公司 设备故障预测方法、堆垛机故障预测方法及相关装置
CN116403605B (zh) * 2023-06-08 2024-06-07 宁德时代新能源科技股份有限公司 堆垛机故障预测方法及相关装置

Similar Documents

Publication Publication Date Title
US8291264B2 (en) Method and system for failure prediction with an agent
US9979560B2 (en) Diagnostic apparatus and method for home appliance
CN1087268C (zh) 电梯门性能的监视
US20210064518A1 (en) Methods Circuits Devices Systems and Functionally Associated Machine Executable Code For Automatic Failure Cause Identification in Software Code Testing
CN103543698B (zh) 家用电器及其***
CN111578444A (zh) 一种空调故障预测方法、装置、存储介质及空调
KR20070117954A (ko) 이동 통신 단말에 대한 디바이스 관리 장치 및 방법 그리고그 시스템
CN110674009B (zh) 应用服务器性能监测方法、装置、存储介质及电子设备
CN111578445A (zh) 用于空调器的控制方法、装置及空调器
KR20110010375A (ko) 가전기기 진단 시스템 및 그 진단방법
US11210160B1 (en) Computer information technology alert remediation selection based on alert similarity
CN112633492A (zh) 故障处理方法、装置、信息处理装置、存储介质和服务器
CN113670434A (zh) 变电站设备声音异常识别方法、装置和计算机设备
CN116680146A (zh) 一种保障应用软件安全可靠运行的方法和装置
CN101646982A (zh) 用于监视***健康的方法和装置
CN106887228A (zh) 机器人的语音控制方法、装置及机器人
US20200182945A1 (en) Method and system for diagnostics and monitoring of electric machines
CN113138898A (zh) 对业务***异常进行识别预警的方法、装置和电子设备
KR20130063866A (ko) 엠투엠 단말기 진단시스템 및 방법
CN107145405A (zh) 服务器的基板管理控制器以及其操作方法以及控制电路
KR101416938B1 (ko) 가전기기, 진단장치 및 그 진단방법
CN112445193A (zh) 一种预测空调故障的方法、装置、设备以及存储介质
CN114487663A (zh) 用电异常分析方法和装置、电子设备、存储介质
CN112712443A (zh) 换流站的事件分析方法及分析装置
WO2016079634A1 (en) Remote diagnostic system and method for diagnosing electric appliances

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