电器的故障确定方法及装置与流程

本申请涉及电器故障监测领域，具体而言，涉及一种电器的故障确定方法及装置。

背景技术：

随着人工智能技术的不断发展，在烤箱方面，出现了许多的服务于家庭或餐厅的电烤箱，以减少人工烤制的操作，节省人力资源，但是当前的电烤箱在使用后，无法及时检测电烤箱是否出现故障。也即，电烤箱处于长期使用的状态，并且在电烤箱出现故障后，才对电烤箱进行维修，而这种使用电烤箱的方式，会导致电烤箱的损坏较快。另外，如果不及时检查电烤箱是否出现故障，会使得，电烤箱在工作状态下出现损坏，最终会导致用的体验度下降。

针对相关技术中电烤箱的故障无法及时检测的问题，目前尚未提出有效的解决方案。

技术实现要素：

本申请提供一种电器的故障确定方法及装置，以解决相关技术中电烤箱的故障无法及时检测的问题。

根据本申请的一个方面，提供了一种电器的故障确定方法。该方法包括：采集包含电器的内部部件的图像信息；使用第一模型对所述图像信息进行分析，确定所述图像信息中内部部件发生故障的故障概率；依据所述内部部件发生故障的故障概率确定所述电器的状态，其中，所述电器的状态至少包括：正常状态和故障状态。

可选的，采集包含电器的内部部件的图像信息之后，所述方法还包括：对所述图像信息进行二值化处理，得到处理后的图像信息；使用第一模型对所述图像信息进行分析，确定所述图像信息中内部部件发生故障的故障概率包括：使用第一模型对所述处理后的图像信息进行分析，确定所述图像信息中内部部件发生故障的故障概率。

可选的，在使用第一模型对所述图像信息进行分析，确定所述图像信息中内部部件发生故障的故障概率之前，所述方法还包括：获取所述电器对应的多组训练数据，其中，每组训练数据均包括：包含电器的内部部件的图像信息和该图像信息中内部部件发生故障的故障概率，且每组训练数据包含的图像信息的采集时间均不同；通过机器学习训练所述多组训练数据，得到所述第一模型。

可选的，在通过机器学习训练所述多组训练数据，得到所述第一模型之后，所述方法还包括：获取所述电器对应的多组测试数据，其中，每组测试数据均包括：包含电器的内部部件的图像信息和该图像信息中内部部件发生故障的故障概率，且每组测试数据包含的图像信息的采集时间与当下时间的时间差小于第一阈值；使用所述多组测试数据对所述第一模型进行测试，确定所述第一模型对应的预测准确度；在所述第一模型对应的预测准确度大于第二阈值时，继续执行使用第一模型对所述图像信息进行分析，确定所述图像信息中内部部件发生故障的故障概率的步骤。

可选的，使用第一模型对所述图像信息进行分析，确定所述图像信息中内部部件发生故障的故障概率包括：使用第一模型对所述图像信息进行分析，将所述图像信息中的未发生故障的内部部件过滤，并确定所述图像信息中的其余的内部部件为目标部件；使用第一模型对所述目标部件对应的图像信息进行分析，确定所述目标部件发生故障的故障概率。

可选的，依据所述内部部件发生故障的故障概率确定所述电器的状态包括：在所述电器存在故障概率大于第三阈值的内部部件的情况下，确定所述电器的状态为故障状态，并确定故障概率大于第三阈值的内部部件为故障部件；在所述电器不存在故障概率大于第三阈值的内部部件的情况下，确定所述电器的状态为正常状态。

可选的，在依据所述内部部件发生故障的故障概率确定所述电器的状态之后，所述方法还包括：发送所述电器对应的提示信息，其中，所述提示信息包括：所述电器的状态、所述电器的内部部件发生故障的故障概率。

可选的，所述电器包括至少以下任意之一：电烤箱、冰箱、空调、电饭煲。

根据本申请的另一方面，提供了一种电器的故障确定装置。该装置包括：采集单元，用于采集包含电器的内部部件的图像信息；分析单元，用于使用第一模型对所述图像信息进行分析，确定所述图像信息中内部部件发生故障的故障概率；确定单元，用于依据所述内部部件发生故障的故障概率确定所述电器的状态，其中，所述电器的状态至少包括：正常状态和故障状态。

根据本申请的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的电器的故障确定方法。

根据本申请的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的电器的故障确定方法。

通过本申请，采用以下步骤：采集包含电器的内部部件的图像信息；使用第一模型对所述图像信息进行分析，确定所述图像信息中内部部件发生故障的故障概率；依据所述内部部件发生故障的故障概率确定所述电器的状态，其中，所述电器的状态至少包括：正常状态和故障状态，解决了相关技术中电烤箱的故障无法及时检测的问题。

也即，通过在电器内部设置图像采集装置，以实时获取电器内部各个部件的图像信息，进而通过图像信息确定电器内部的部件是否有所损害，以便及时确定电器内部部件是否发生故障，令工作人员及时对故障部件进行检查维修，达到了及时对电器进行维护，保证电器的长期、稳定运行的技术效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的电器的故障确定方法的流程图；以及

图2是根据本申请实施例提供的电器的故障确定装置的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本申请的实施例，提供了一种电器的故障确定方法。

图1是根据本申请实施例的电器的故障确定方法的流程图。如图1所示，该方法包括以下步骤：

步骤s102，采集包含电器的内部部件的图像信息。

步骤s104，使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率。

步骤s106，依据内部部件发生故障的故障概率确定电器的状态，其中，电器的状态至少包括：正常状态和故障状态。

本申请实施例提供的电器的故障确定方法，通过采集包含电器的内部部件的图像信息；使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率；依据内部部件发生故障的故障概率确定电器的状态，其中，电器的状态至少包括：正常状态和故障状态，解决了相关技术中电烤箱的故障无法及时检测的问题。

也即，通过在电器内部设置图像采集装置，以实时获取电器内部各个部件的图像信息，进而通过图像信息确定电器内部的部件是否有所损害，以便及时确定电器内部部件是否发生故障，令工作人员及时对故障部件进行检查维修，达到了及时对电器进行维护，保证电器的长期、稳定运行的技术效果。

为了保证能够及时确定电器的运行稳定情况，在一个可选的示例中，步骤s102包括：实时采集包含电器的内部部件的图像信息；在另一个可选的示例中，步骤s102包括：采集电器的内部部件的图像信息，其中，图像信息数据的采集时间间隔预设时间段。

为了降低第一模型对图像信息的分析难度，在一个可选的示例中，在步骤s102之后，即采集包含电器的内部部件的图像信息之后，方法还包括：对图像信息进行二值化处理，得到处理后的图像信息。同时，使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率包括：使用第一模型对处理后的图像信息进行分析，确定图像信息中内部部件发生故障的故障概率。

也即，通过在获取到包含电器的内部部件的图像信息之后，还需对该图像信息继进行二值化处理，即将图像信息上的像素点的灰度值设置为0或225，令图像信息呈现出明显的黑白效果。进一步地，令第一模型对二值化处理后的图像信息分析，达到减少第一模型需要分析的图像信息的数据量，以提高第一模型的处理效率的技术效果。

在使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率之前，可选地，在本申请实施例提供的电器的故障确定方法中，方法还包括：获取电器对应的多组训练数据，其中，每组训练数据均包括：包含电器的内部部件的图像信息和该图像信息中内部部件发生故障的故障概率，且每组训练数据包含的图像信息的采集时间均不同；通过机器学习训练多组训练数据，得到第一模型。

进一步地，为了保证第一模型对内部部件的故障概率的预测准确度，在通过机器学习训练多组训练数据，得到第一模型之后，可选地，在本申请实施例提供的电器的故障确定方法中，方法还包括：获取电器对应的多组测试数据，其中，每组测试数据均包括：包含电器的内部部件的图像信息和该图像信息中内部部件发生故障的故障概率，且每组测试数据包含的图像信息的采集时间与当下时间的时间差小于第一阈值；使用多组测试数据对第一模型进行测试，确定第一模型对应的预测准确度；在第一模型对应的预测准确度大于第二阈值时，继续执行使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率的步骤。

也即，通过将大量的图像信息以及该图像信息对应的内部部件的故障概率进行分组，得到多组训练数据和多组测试数据，其中，多组训练数据大多为各个时刻下的图像信息和该图像信息对应的分析数据(该图像信息对应的内部部件的故障概率)，而多组测试数据大多为近期采集到的图像信息和该图像信息对应的分析数据(该图像信息对应的内部部件的故障概率)，通过机器学习训练多组训练数据，得到第一模型，以及使用多组测试模型测试第一模型的预测精准度，使得本申请实施例中的预测图形信息对应的内部部件的故障概率的第一模型的预测准确度得到一定的保证，降低失误几率。

需要说明的是：每个图像信息对应一个分析结果，即每个图像信息均对应一个该图像信息表示的内部部件的故障概率，即每个图像信息的采集时刻均对应一个该时刻的内部部件的故障概率。

此外，在本申请实施例提供的电器的故障确定方法中，使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率还可以包括：使用第一模型对图像信息进行分析，将图像信息中的未发生故障的内部部件过滤，确定图像信息中的其余的内部部件为目标部件；使用第一模型对目标部件对应的图像信息进行分析，确定目标部件发生故障的故障概率。

也即，通过将图像信息传输至第一模型中，令第一模型对图像信息中未发生故障的内部部件进行过滤，并确定可能发生故障的内部部件，以及将该可能发生故障的内部部件的图像信息提取出来，对照多组训练数据，确定出可能发生故障的内部部件发生故障的概率。

需要说明的是：上述目标部件可以为可能发生故障的内部部件。

需要说明的是：上述未发生故障的内部部件的故障概率为零，因此不需要第一模型对未发生故障的内部部件进行进一步分析，以确定该未发生故障的内部部件的故障概率。

进一步地，在本申请实施例提供的电器的故障确定方法中，依据内部部件发生故障的故障概率确定电器的状态可以包括：在电器存在故障概率大于第三阈值的内部部件的情况下，确定电器的状态为故障状态，并确定故障概率大于第三阈值的内部部件为故障部件；在电器不存在故障概率大于第三阈值的内部部件的情况下，确定电器的状态为正常状态。

也即，在确定电器的内部部件的故障概率之后，通过判断内部部件的故障概率是否大于第三阈值，以区分出故障概率较低、且无较大安全威胁的内部部件，和故障概率较高、极易出现故障的故障部件，并且在电器内存在故障部件的情况下，才确定该电器的状态为故障状态，若非此则确定该电器的状态为正常状态，避免了电器但凡出现存在故障概率的内部部件就申报该电器故障的情况发生。

其中，在一个可选的示例中，第一阈值、第二阈值、第三阈值可以由用户自动调节，也可以为出厂设定值。

需要说明的是：电器的故障状态并非限定该电器已经发生故障，而是指该电器存在极易故障的故障部件，或该电器存在已经故障的故障部件。

为了令用户或维修人员能够及时掌握电器的故障情况，可选地，在本申请实施例提供的电器的故障确定方法中，在依据内部部件发生故障的故障概率确定电器的状态之后，方法还包括：发送电器对应的提示信息，其中，提示信息包括：电器的状态、电器的内部部件发生故障的故障概率。

也即，在获取到图像信息，并依据该图像信息确定电器的状态，以及电器的内部部件发生故障的故障概率之后，及时向用户/维修人员发送提示信息，以便用户/维修人员能够及时掌握电器的故障情况。

作为一个可选的示例，上述电器上可以设置语音提示装置，当电器判断出用户/维修人员距该电器之间的距离小于第四阈值的情况下，发送电器故障的提示信息。

作为另一个可选的示例，上述电器与用户.维修人员的移动终端相连接，在确定出电器的状态，以及电器的内部部件发生故障的故障概率时，向该移动终端发送提示信息。

作为另一个可选的示例，上述电器连接有显示器，在确定出电器的状态，以及电器的内部部件发生故障的故障概率时，该显示器显示提示信息。

需要说明的是：该提示信息的发送条件可以为仅仅在确定电器的状态为故障状态时，发送提示信息；也可以为不论电器的状态为故障状态还是正常状态，均发送提示信息。其中，上述提示信息中均包括电器的状态，也均包括电器的内部部件发生故障的故障概率。

需要说明的是：本申请实施例提供的电器的故障确定方法中，电器可以为任意家用生活电器，也可以为任意工业电器。

以该电器为家用生活电器进行举例说明，在一种可选的示例中，电器包括至少以下任意之一：电烤箱、冰箱、空调、电饭煲、电磁炉、洗衣机、电热水器等。

综上，本申请通过在电烤箱内部设置图像采集装置，定时采集电烤箱内部的图像，并将图像输入到第一模型(故障过滤模型)中，确定出电烤箱内部的状态，同时分析出电烤箱内部各个部件的故障概率。如：对电烤箱内部的顶部和底部的部件进行重点分析，多采集几张图片，然后通过第一模型(故障过滤模型)对采集的图像进行分析，确定出电烤箱是否发生存在故障概率的内部部件，以指示电烤箱是否出现故障。而人们只需要在看到图像显示电烤箱的当下状态为故障状态，且内部部件的故障概率较高时，通知维修人员及时对故障部件进行维修，保证电烤箱的长期稳定运行。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种电器的故障确定装置，需要说明的是，本申请实施例的电器的故障确定装置可以用于执行本申请实施例所提供的用于电器的故障确定方法。以下对本申请实施例提供的电器的故障确定装置进行介绍。

图2是根据本申请实施例的电器的故障确定装置的示意图。如图2所示，该装置包括：采集单元21、分析单元23和确定单元25。

采集单元21，用于采集包含电器的内部部件的图像信息。

分析单元23，用于使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率。

确定单元25，用于依据内部部件发生故障的故障概率确定电器的状态，其中，电器的状态至少包括：正常状态和故障状态。

可选地，在本申请实施例提供的电器的故障确定装置中，装置还包括：二值化处理模块，用于采集包含电器的内部部件的图像信息之后，对图像信息进行二值化处理，得到处理后的图像信息；分析单元23包括：分析模块，用于使用第一模型对处理后的图像信息进行分析，确定图像信息中内部部件发生故障的故障概率。

可选地，在本申请实施例提供的电器的故障确定装置中，装置还包括：第一获取单元，用于在使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率之前，获取电器对应的多组训练数据，其中，每组训练数据均包括：包含电器的内部部件的图像信息和该图像信息中内部部件发生故障的故障概率，且每组训练数据包含的图像信息的采集时间均不同；训练单元，用于通过机器学习训练多组训练数据，得到第一模型。

可选地，在本申请实施例提供的电器的故障确定装置中，装置还包括：第二获取单元，用于在通过机器学习训练多组训练数据，得到第一模型之后，获取电器对应的多组测试数据，其中，每组测试数据均包括：包含电器的内部部件的图像信息和该图像信息中内部部件发生故障的故障概率，且每组测试数据包含的图像信息的采集时间与当下时间的时间差小于第一阈值；测试单元，用于使用多组测试数据对第一模型进行测试，确定第一模型对应的预测准确度；执行单元，用于在第一模型对应的预测准确度大于第二阈值时，继续执行使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率的步骤。

可选地，在本申请实施例提供的电器的故障确定装置中，分析单元23包括：过滤模块，用于使用第一模型对图像信息进行分析，将图像信息中的未发生故障的内部部件过滤，并确定图像信息中的其余的内部部件为目标部件；第一确定模块，用于使用第一模型对目标部件对应的图像信息进行分析，确定目标部件发生故障的故障概率。

可选地，在本申请实施例提供的电器的故障确定装置中，确定单元25包括：第二确定模块，用于在电器存在故障概率大于第三阈值的内部部件的情况下，确定电器的状态为故障状态，并确定故障概率大于第三阈值的内部部件为故障部件；第三确定模块，用于在电器不存在故障概率大于第三阈值的内部部件的情况下，确定电器的状态为正常状态。

可选地，在本申请实施例提供的电器的故障确定装置中，装置还包括：提示单元，用于在依据内部部件发生故障的故障概率确定电器的状态之后，发送电器对应的提示信息，其中，提示信息包括：电器的状态、电器的内部部件发生故障的故障概率。

可选地，在本申请实施例提供的电器的故障确定装置中，电器包括至少以下任意之一：电烤箱、冰箱、空调、电饭煲。

本申请实施例提供的电器的故障确定装置，通过采集单元21采集包含电器的内部部件的图像信息；分析单元23使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率；确定单元25依据内部部件发生故障的故障概率确定电器的状态，其中，电器的状态至少包括：正常状态和故障状态，解决了相关技术中电烤箱的故障无法及时检测的问题。

也即，通过在电器内部设置图像采集装置，以实时获取电器内部各个部件的图像信息，进而通过图像信息确定电器内部的部件是否有所损害，以便及时确定电器内部部件是否发生故障，令工作人员及时对故障部件进行检查维修，达到了及时对电器进行维护，保证电器的长期、稳定运行的技术效果。

电器的故障确定装置包括处理器和存储器，上述采集单元21、分析单元23和确定单元25等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来及时对电器进行维护，保证电器的长期、稳定运行。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现电器的故障确定方法。

本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行电器的故障确定方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：采集包含电器的内部部件的图像信息；使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率；依据内部部件发生故障的故障概率确定电器的状态，其中，电器的状态至少包括：正常状态和故障状态。

可选的，采集包含电器的内部部件的图像信息之后，方法还包括：对图像信息进行二值化处理，得到处理后的图像信息；使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率包括：使用第一模型对处理后的图像信息进行分析，确定图像信息中内部部件发生故障的故障概率。

可选的，在使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率之前，方法还包括：获取电器对应的多组训练数据，其中，每组训练数据均包括：包含电器的内部部件的图像信息和该图像信息中内部部件发生故障的故障概率，且每组训练数据包含的图像信息的采集时间均不同；通过机器学习训练多组训练数据，得到第一模型。

可选的，在通过机器学习训练多组训练数据，得到第一模型之后，方法还包括：获取电器对应的多组测试数据，其中，每组测试数据均包括：包含电器的内部部件的图像信息和该图像信息中内部部件发生故障的故障概率，且每组测试数据包含的图像信息的采集时间与当下时间的时间差小于第一阈值；使用多组测试数据对第一模型进行测试，确定第一模型对应的预测准确度；在第一模型对应的预测准确度大于第二阈值时，继续执行使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率的步骤。

可选的，使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率包括：使用第一模型对图像信息进行分析，将图像信息中的未发生故障的内部部件过滤，并确定图像信息中的其余的内部部件为目标部件；使用第一模型对目标部件对应的图像信息进行分析，确定目标部件发生故障的故障概率。

可选的，依据内部部件发生故障的故障概率确定电器的状态包括：在电器存在故障概率大于第三阈值的内部部件的情况下，确定电器的状态为故障状态，并确定故障概率大于第三阈值的内部部件为故障部件；在电器不存在故障概率大于第三阈值的内部部件的情况下，确定电器的状态为正常状态。

可选的，在依据内部部件发生故障的故障概率确定电器的状态之后，方法还包括：发送电器对应的提示信息，其中，提示信息包括：电器的状态、电器的内部部件发生故障的故障概率。

可选的，电器包括至少以下任意之一：电烤箱、冰箱、空调、电饭煲。本文中的设备可以是服务器、pc、pad、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：采集包含电器的内部部件的图像信息；使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率；依据内部部件发生故障的故障概率确定电器的状态，其中，电器的状态至少包括：正常状态和故障状态。

可选的，采集包含电器的内部部件的图像信息之后，方法还包括：对图像信息进行二值化处理，得到处理后的图像信息；使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率包括：使用第一模型对处理后的图像信息进行分析，确定图像信息中内部部件发生故障的故障概率。

可选的，在使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率之前，方法还包括：获取电器对应的多组训练数据，其中，每组训练数据均包括：包含电器的内部部件的图像信息和该图像信息中内部部件发生故障的故障概率，且每组训练数据包含的图像信息的采集时间均不同；通过机器学习训练多组训练数据，得到第一模型。

可选的，在通过机器学习训练多组训练数据，得到第一模型之后，方法还包括：获取电器对应的多组测试数据，其中，每组测试数据均包括：包含电器的内部部件的图像信息和该图像信息中内部部件发生故障的故障概率，且每组测试数据包含的图像信息的采集时间与当下时间的时间差小于第一阈值；使用多组测试数据对第一模型进行测试，确定第一模型对应的预测准确度；在第一模型对应的预测准确度大于第二阈值时，继续执行使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率的步骤。

可选的，使用第一模型对图像信息进行分析，确定图像信息中内部部件发生故障的故障概率包括：使用第一模型对图像信息进行分析，将图像信息中的未发生故障的内部部件过滤，并确定图像信息中的其余的内部部件为目标部件；使用第一模型对目标部件对应的图像信息进行分析，确定目标部件发生故障的故障概率。

可选的，依据内部部件发生故障的故障概率确定电器的状态包括：在电器存在故障概率大于第三阈值的内部部件的情况下，确定电器的状态为故障状态，并确定故障概率大于第三阈值的内部部件为故障部件；在电器不存在故障概率大于第三阈值的内部部件的情况下，确定电器的状态为正常状态。

可选的，在依据内部部件发生故障的故障概率确定电器的状态之后，方法还包括：发送电器对应的提示信息，其中，提示信息包括：电器的状态、电器的内部部件发生故障的故障概率。

可选的，电器包括至少以下任意之一：电烤箱、冰箱、空调、电饭煲。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、设备(系统)、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设备上，使得在计算机或其他可编程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。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，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、商品或者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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。