[发明专利]基于LSTM循环神经网络的冰箱故障预测系统

权利要求书

1.一种基于LSTM循环神经网络的冰箱故障预测系统，其特征在于，包括数据存储平台、数据算法平台和故障管理平台，其中：

所述数据存储平台用于：接收并存储从多个冰箱的物联网通信模块发送来的冰箱运行数据，所述冰箱运行数据中带有时间标签和冰箱的标识信息；

所述数据算法平台用于：预先训练得到LSTM循环神经网络模型，并对所述数据存储平台中的所述冰箱运行数据进行预处理；

所述故障管理平台用于：从所述数据算法平台中获取在第一预设时间窗口内预处理后的且具有同一标识信息的冰箱运行数据，并将该冰箱运行数据输入至所述LSTM循环神经网络模型中，得到所述标识信息对应的冰箱在第二预设时间窗口内是否发生预设故障，若发生所述预设故障，则将所述预设故障上报至对应冰箱的用户终端；其中，所述第一预设时间窗口在当前时刻之前且与所述当前时刻相邻，所述第二预设时间窗口在所述当前时刻之后且与所述当前时刻相隔预设时长；

所述第一预设时间窗口内具有同一标识信息的冰箱运行数据包括在所述第一预设时间窗口的每一天中，冰箱内蒸发器的传感器温度参数和化霜加热器的状态参数；

所述数据算法平台对所述冰箱运行数据进行预处理的过程包括：根据所述第一预设时间窗口内每一天对应的冰箱运行数据，计算所述每一天对应的运行特征统计量T_i，将所述第一预设时间窗口中各天对应的运行特征统计量按照时间顺序形成特征序列{T₁，T₂……T_i……T_N}，N为所述第一预设时间窗口的天数；

所述故障管理平台中从所述数据算法平台中获取在第一预设时间窗口内预处理后的且具有同一标识信息的冰箱运行数据，并将该冰箱运行数据输入至所述LSTM循环神经网络模型中，得到所述标识信息对应的冰箱在第二预设时间窗口内发生预设故障的概率的过程包括：

从所述数据算法平台中获取所述第一预设时间窗口对应的所述特征序列{T₁，T₂……T_i……T_N}，并将所述特征序列{T₁，T₂……T_i……T_N}输入至预先训练的所述LSTM循环神经网络模型中，得到所述标识信息对应的冰箱在第二预设时间窗口内是否会发生化霜系统异常的预测结果；

所述数据算法平台在根据所述第一预设时间窗口内每一天对应的冰箱运行数据，计算所述每一天对应的运行特征统计量T_i之前，还用于：对所述第一预设时间窗口内的所述每一天中所述化霜加热器的各个开启时段内所述蒸发器的传感器所检测到的温度进行异常数据剔除，所述异常数据剔除的过程包括：

将在所述每一天中所述化霜加热器的各个开启时段内所述蒸发器的传感器所检测到的温度按照从大到小的顺序进行排序，得到所述每一天对应的温度序列；

获取所述温度序列中1/5位置处、2/5位置处和3/5位置处的温度值，并计算所述温度序列的标准差和均值；

根据所述1/5位置处、2/5位置处和3/5位置处的温度值以及所述标准差和均值，确定温度置信区间；

根据所述温度置信区间，剔除所述温度序列中位于所述温度置信区间之外的温度值；

所述数据算法平台中所述根据所述1/5位置处、2/5位置处和3/5位置处的温度值以及所述标准差和均值，确定温度置信区间，包括：

根据标准差δ和均值μ，确定对应的区间大小调节值N，所述区间大小调节值N能够使所述温度序列中95％～98％的温度值均落在区间[μ-a1×N×δ,μ+a2×N×δ]内，a1和a2为预设系数且均位于[0.8，1]范围内；

根据所述1/5位置处、2/5位置处和3/5位置处的温度值，计算温度差距参数；

根据所述区间大小调节值和所述温度差距参数，确定所述温度置信区间；

所述数据算法平台中采用第二公式计算所述温度差距参数，所述第二公式包括：

M＝min{(Q₂-Q₁)/5,(Q₃-Q₂)/5,2*(Q₃-Q₁)/5}

式中，M为所述温度差距参数，Q₁为1/5位置处的温度值，Q₂为2/5位置处的温度值，Q₃为3/5位置处的温度值；

所述数据算法平台中所述根据所述区间大小调节值和所述温度差距参数，确定所述温度置信区间，包括：采用第三公式计算所述温度置信区间，所述第三公式包括：

P＝[(Q1+Q2)/2-N×M,(Q3+Q2)/2+N×M]

式中，P为所述温度置信区间，M为所述温度差距参数，N为所述区间大小调节值，Q₁为1/5位置处的温度值，Q₂为2/5位置处的温度值，Q₃为3/5位置处的温度值。