[发明专利]故障的确定方法、装置、存储介质及电子装置

说明书

本发明公开了一种故障的确定方法、装置、存储介质及电子装置。其中，该方法包括：对获取的家电设备的故障数据进行滤波处理；提取滤波处理后的故障数据的故障特征数据；将故障特征数据进行分类，得到训练数据集；利用训练数据集对故障分析模型进行训练，其中，故障分析模型是基于深度学习建立的；利用故障分析模型确定家电设备的故障。本发明解决了现有技术中对家电设备的故障确定不准确的技术问题。

技术领域

本发明涉及家电领域，具体而言，涉及一种故障的确定方法、装置、存储介质及电子装置。

背景技术

随着工业数据的逐渐增多，空调行业的运行数据也日益增多，空调噪声诊断日益凸显，传统的噪声诊断都是使用一些专家经验，通过人为的对噪声数据经过傅里叶变换，查看频域的一些特征，总结空调故障所在的具体频段。人为分析的故障所在频段的方法判断故障所在的频段，主要有三方面的问题。一方面是具有主观色彩，各个空调故障发生的频段不可能仅靠人为的所有的故障都能够准确的找到，另外一个方面是每个人的判定标准不同会找到的同一类故障所在的频段不同，导致专家经验不同，最后，耗时，费力，投入人力成本太大。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种故障的确定方法、装置、存储介质及电子装置，以至少解决现有技术中对家电设备的故障确定不准确的技术问题。

根据本发明实施例的一个方面，提供了一种故障的确定方法，包括：对获取的家电设备的故障数据进行滤波处理；提取滤波处理后的故障数据的故障特征数据；将所述故障特征数据进行分类，得到训练数据集；利用所述训练数据集对故障分析模型进行训练，其中，所述故障分析模型是基于深度学习建立的；利用所述故障分析模型确定所述家电设备的故障。

可选地，对获取的所述家电设备的故障数据进行滤波处理包括：在所述故障数据为噪声信号时，采用加权的方式调整所述噪声信号的不均衡；将所述噪声信号从时域信号转换为频域信号；利用滤波器对所述频域信号进行滤波；确定滤波后的所述噪声信号的频率和所述噪声信号所在的频率段。

可选地，提取滤波处理后的故障数据的故障特征数据包括：在所述故障数据为噪声信号时，利用傅里叶变换算法提取所述噪声信号的时频特征图，其中，所述时频特征图是基于所述噪声信号从时域信号转换为频域信号的特征变化得到的。

可选地，将所述故障特征数据进行分类，得到所述训练数据集包括：标记所述故障特征数据的故障类型；基于所述故障类型分类出所述训练数据集。

可选地，标记所述故障特征数据的故障类型之后，所述方法还包括：基于所述故障类型还将所述故障特征数据分类出测试数据集和验证数据集。

可选地，利用所述训练数据集对所述故障分析模型进行训练之后，所述方法还包括：将所述测试数据集输入到所述故障分析模型中，测试所述故障分析模型的训练效果；将所述验证数据集输入到所述故障分析模型中，采用正则化的方式验证所述故障分析模型的分析效果。

可选地，利用所述故障分析模型确定所述家电设备的故障包括：将重新获取的所述家电设备的故障数据输入所述故障分析模型；利用从所述故障分析模型中输出的与所述重新获取的故障数据对应的故障值确定所述家电设备的故障。

根据本发明的另一个实施例，还提供一种故障的确定方法，包括：将重新获取的家电设备的故障数据输入故障分析模型，其中，所述故障分析模型是基于所述家电设备的多个故障数据训练得到的；利用从所述故障分析模型中输出的与所述重新获取的故障数据对应的故障值确定所述家电设备的故障。