一种电器的故障预测方法、装置、存储介质及电器与流程

本发明属于空调技术领域，具体涉及一种电器的故障预测方法、装置、存储介质及电器，尤其涉及一种空调故障预测的方法、与该方法对应的装置、存储有该方法指令的计算机可读存储介质、以及能够执行该方法指令或存储有该装置的电器。

背景技术：

空调(即空气调节器)，可以对建筑/构筑物内环境空气的温度、湿度、洁净度、速度等参数进行调节和控制。目前空调在用户使用过程正常运行时，运行参数偏离正常运行状态，直至空调已经过自身的检验逻辑判断出故障时，此时空调已无法正常使用，需要用户进行报修、专业人员进行维修操作，一方面对空调机组本身损害较大，一方面影响用户使用。

现有技术中，存在对机组损害大、维护及时性差和用户体验差等缺陷。

技术实现要素：

本发明的目的在于，针对上述缺陷，提供一种电器的故障预测方法、装置、存储介质及电器，以解决现有技术中空调经过自身的检验逻辑判断出故障时已无法正常使用导致对机组损害大的问题，达到对机组损害小的效果。

本发明提供一种电器的故障预测方法，包括：建立电器的历史运行状态与历史故障情况之间的关系；获取已建立所述关系的电器的实际运行状态；将所述关系中与所述实际运行状态相应的所述历史运行状态对应的所述历史故障情况，作为与所述实际运行状态对应的实际故障情况，以得到对电器的故障预测结果。

可选地，其中，建立电器的历史运行状态与历史故障情况之间的关系，包括：收集相同类型的电器在不同用户中的历史使用情况；其中，所述历史使用情况，包括：电器运行过程中的历史运行状态和历史故障情况；通过大数据分析及挖掘技术，对所述历史使用情况进行分析，得到以所述历史运行状态为输入参数、并以所述历史故障情况为输出参数的数据对，作为样本数据；利用神经网络算法，对所述样本数据进行训练和测试，以得到所需的所述历史运行状态与所述历史故障情况之间的关系。

可选地，其中，收集相同类型的电器在不同用户中的历史使用情况，包括：通过无线收发装置，接收预设时长内相同类型的电器在不同用户中的历史使用情况；和/或，对所述历史使用情况进行分析，包括：根据所需预测的至少一种故障类型，利用支持向量机学习、机器学习、数据分析中的至少一种方式，对所述历史使用情况进行分析，得到分析结果；结合预设的专家经验，将所述分析结果中对所述故障类型有影响、和/或与所述故障类型有关联的历史运行状态作为输入参数，并将所述分析结果中与所述输入参数相应的历史故障情况作为输出参数；和/或，对所述样本数据进行训练和测试，包括：将所述样本数据划分为训练样本数据和测试样本数据；选取神经网络算法的网络结构，初始化所述网络结构的连接权值；通过所述网络结构和所述连接权值，对所述训练样本数据进行训练；通过所述训练完成的网络结构和连接权值，对所述测试样本数据进行测试。

可选地，其中，对所述训练样本数据进行训练，包括：将所述训练样本数据的输入参数输入到所述网络结构中，得到理论输出参数；获取所述理论输出参数与所述训练样本数据的输出参数之间的训练误差，并确定所述训练误差是否在目标训练误差范围内；当所述训练误差在所述目标训练误差范围内时，停止训练；或当所述训练误差在所述目标训练误差范围外时，对所述连接权值进行调整；和/或，对所述测试样本数据进行测试，包括：将所述测试样本数据的输入参数输入所述网络结构中，得到理论输出参数；获取所述理论输出参数与所述测试样本数据的输出参数之间的测试误差，并确定所述测试误差是否在目标测试误差范围内；当所述测试误差在所述目标测试误差范围内时，停止测试；或当所述测试误差在所述目标测试误差范围外时，重新训练所述网络结构；和/或，扩大相同类型的电器在不同用户中的历史使用情况的收集范围，以对相同类型的电器在不同用户中的历史使用情况进行重新收集。

可选地，其中，在所述历史使用情况中，所述历史运行状态和所述历史故障情况，均按时间顺序排列；和/或，所述输入参数，包括：单一的历史运行状态；和/或，按设定规律自所述历史运行状态中提取相应特征，并由所述特征组成的一维数组或两维以上数组；和/或，所述网络结构，包括：输入结点数、输出结点数、网络层数中的至少之一；和/或，对所述连接权值进行调整，包括：根据与所述连接权值和所述训练样本的时间序列相关的调整系数，通过训练误差反向传递法对所述连接权值进行调整。

可选地，还包括：根据所述故障预测结果，确定所述实际故障情况的故障程度是否达到设定的预警程度；当所述实际故障情况的故障程度达到设定的预警程度时，发起提示；和/或，对所述历史运行状态与所述历史故障情况之间的关系进行更新；和/或，对所述历史运行状态、所述历史故障情况、所述实际运行状态、所述实际故障情况中的至少之一进行显示。

可选地，其中，对所述历史运行状态与所述历史故障情况之间的关系进行更新，包括：当该方法还包括对与所述关系相关的网络结构的连接权值进行调整时，收集相同类型的电器在不同用户中的新的使用情况；将新的使用情况作为新的样本数据，对所述网络结构的连接权值进行调整；和/或，将新的使用情况和历史使用情况一起作为新的样本数据，对用于调整所述连接权值的调整系数进行调整后，重新训练所述网络结构；和/或，所述故障预测结果，包括：自当前时刻起一段时间之后的实际故障情况。

与上述方法相匹配，本发明另一方面提供一种电器的故障预测装置，包括：控制单元，用于建立电器的历史运行状态与历史故障情况之间的关系；通讯单元，用于获取已建立所述关系的电器的实际运行状态；所述控制单元，还用于将所述关系中与所述实际运行状态相应的所述历史运行状态对应的所述历史故障情况，作为与所述实际运行状态对应的实际故障情况，以得到对电器的故障预测结果。

可选地，其中，所述控制单元建立电器的历史运行状态与历史故障情况之间的关系，具体包括：收集相同类型的电器在不同用户中的历史使用情况；其中，所述历史使用情况，包括：电器运行过程中的历史运行状态和历史故障情况；通过大数据分析及挖掘技术，对所述历史使用情况进行分析，得到以所述历史运行状态为输入参数、并以所述历史故障情况为输出参数的数据对，作为样本数据；利用神经网络算法，对所述样本数据进行训练和测试，以得到所需的所述历史运行状态与所述历史故障情况之间的关系。

可选地，其中，所述控制单元收集相同类型的电器在不同用户中的历史使用情况，具体包括：通过无线收发装置，接收预设时长内相同类型的电器在不同用户中的历史使用情况；和/或，所述控制单元对所述历史使用情况进行分析，具体包括：根据所需预测的至少一种故障类型，利用支持向量机学习、机器学习、数据分析中的至少一种方式，对所述历史使用情况进行分析，得到分析结果；结合预设的专家经验，将所述分析结果中对所述故障类型有影响、和/或与所述故障类型有关联的历史运行状态作为输入参数，并将所述分析结果中与所述输入参数相应的历史故障情况作为输出参数；和/或，所述控制单元对所述样本数据进行训练和测试，具体包括：将所述样本数据划分为训练样本数据和测试样本数据；选取神经网络算法的网络结构，初始化所述网络结构的连接权值；通过所述网络结构和所述连接权值，对所述训练样本数据进行训练；通过所述训练完成的网络结构和连接权值，对所述测试样本数据进行测试。

可选地，其中，所述控制单元对所述训练样本数据进行训练，具体包括：将所述训练样本数据的输入参数输入到所述网络结构中，得到理论输出参数；获取所述理论输出参数与所述训练样本数据的输出参数之间的训练误差，并确定所述训练误差是否在目标训练误差范围内；当所述训练误差在所述目标训练误差范围内时，停止训练；或当所述训练误差在所述目标训练误差范围外时，对所述连接权值进行调整；和/或，所述控制单元对所述测试样本数据进行测试，具体包括：将所述测试样本数据的输入参数输入所述网络结构中，得到理论输出参数；获取所述理论输出参数与所述测试样本数据的输出参数之间的测试误差，并确定所述测试误差是否在目标测试误差范围内；当所述测试误差在所述目标测试误差范围内时，停止测试；或当所述测试误差在所述目标测试误差范围外时，重新训练所述网络结构；和/或，扩大相同类型的电器在不同用户中的历史使用情况的收集范围，以对相同类型的电器在不同用户中的历史使用情况进行重新收集。

可选地，其中，在所述历史使用情况中，所述历史运行状态和所述历史故障情况，均按时间顺序排列；和/或，所述输入参数，包括：单一的历史运行状态；和/或，按设定规律自所述历史运行状态中提取相应特征，并由所述特征组成的一维数组或两维以上数组；和/或，所述网络结构，包括：输入结点数、输出结点数、网络层数中的至少之一；和/或，所述控制单元对所述连接权值进行调整，具体包括：根据与所述连接权值和所述训练样本的时间序列相关的调整系数，通过训练误差反向传递法对所述连接权值进行调整。

可选地，还包括：所述控制单元，还用于根据所述故障预测结果，确定所述实际故障情况的故障程度是否达到设定的预警程度；当所述实际故障情况的故障程度达到设定的预警程度时，发起提示；和/或，所述控制单元，还用于对所述历史运行状态与所述历史故障情况之间的关系进行更新；和/或，所述控制单元，还用于对所述历史运行状态、所述历史故障情况、所述实际运行状态、所述实际故障情况中的至少之一进行显示。

可选地，其中，所述控制单元对所述历史运行状态与所述历史故障情况之间的关系进行更新，具体包括：当该装置还包括所述控制单元还用于对与所述关系相关的网络结构的连接权值进行调整时，收集相同类型的电器在不同用户中的新的使用情况；将新的使用情况作为新的样本数据，对所述网络结构的连接权值进行调整；和/或，将新的使用情况和历史使用情况一起作为新的样本数据，对用于调整所述连接权值的调整系数进行调整后，重新训练所述网络结构；和/或，所述故障预测结果，包括：自当前时刻起一段时间之后的实际故障情况。

与上述方法相匹配，本发明再一方面提供一种存储介质，包括：所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行以上所述的电器的故障预测方法。

与上述方法或装置相匹配，本发明再一方面提供一种空调，包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行以上所述的电器的故障预测方法；或者，以上所述的电器的故障预测装置。

本发明的方案，通过提前预测空调故障的发生，为及时对空调进行防护保养提供依据，能减低空调机组的损害和更低限度降低对用户的使用影响。

进一步，本发明的方案，通过收集的空调机组大量的历史运行状态及故障情况进行分析和挖掘，建立空调的运行状态与故障情况的关系，用于提前预测故障的发生，及早对空调进行检查维护，则能减低空调机组的损害和更低限度降低对用户的使用影响。

进一步，本发明的方案，通过在空调实质地发生故障之前就能提示用户或售后人员空调机组可能发生故障并指出故障类型，能减低空调机组的损害和更低限度降低对用户的使用影响。

进一步，本发明的方案，通过对空调的运行状态与故障情况的关系进行维护和更新，可以提高预测的准确率。

由此，本发明的方案，通过建立空调的运行状态与故障情况的关系，根据空调的运行状态预测空调的故障情况，解决现有技术中空调经过自身的检验逻辑判断出故障时已无法正常使用导致对机组损害大的问题，从而，克服现有技术中对机组损害大、维护及时性差和用户体验差的缺陷，实现对机组损害小、维护及时性好和用户体验好的有益效果。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的电器的故障预测方法的一实施例的流程示意图；

图2为本发明的方法中建立电器的历史运行状态与历史故障情况之间的关系的一实施例的流程示意图；

图3为本发明的方法中对所述历史使用情况进行分析的一实施例的流程示意图；

图4为本发明的方法中对所述样本数据进行训练和测试的一实施例的流程示意图；

图5为本发明的方法中对所述训练样本数据进行训练的一实施例的流程示意图；

图6为本发明的方法中对所述测试样本数据进行测试的一实施例的流程示意图；

图7为本发明的方法中故障预警的一实施例的流程示意图；

图8为本发明的电器的故障预测装置的一实施例的结构示意图；

图9为本发明的电器中空调的故障预测装置的一实施例的原理示意图。

结合附图，本发明实施例中附图标记如下：

102-控制单元；104-通讯单元。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

根据本发明的实施例，提供了一种电器的故障预测方法，如图1所示本发明的方法的一实施例的流程示意图。该电器的故障预测方法可以包括：

在步骤s110处，建立电器的历史运行状态与历史故障情况之间的关系。

在一个可选例子中，可以结合图2所示本发明的方法中建立电器的历史运行状态与历史故障情况之间的关系的一实施例的流程示意图，进一步说明步骤s110中建立电器的历史运行状态与历史故障情况之间的关系的具体过程。

步骤s210，收集相同类型的电器在不同用户中的历史使用情况。

其中，所述历史使用情况，可以包括：电器运行过程中的历史运行状态和历史故障情况。

例如：通过预测空调故障的系统装置，搜集同一类空调在不同用户中的使用情况，包括空调在运行过程上的各种状态参数(含运行参数、故障状态等)。

可选地，在所述历史使用情况中，所述历史运行状态和所述历史故障情况，均按时间顺序排列。

例如：空调在过去一年里的运行数据汇总，并且按时间顺序进行排列。根据时间序列得到的故障状态。

由此，通过按时间顺序排列历史运行状态和历史故障情况，有利于提升对相应关系确定的精准性，还有利于提升故障预测的可靠性。

可选地，步骤s210中收集相同类型的电器在不同用户中的历史使用情况，可以包括：通过无线收发装置，接收预设时长内相同类型的电器在不同用户中的历史使用情况。

例如：收集到的运行数据，指的是一段时间的空调运行状态，而不只是某一个时刻点的状态。

由此，通过收集一段时间内的历史使用情况，有利于获取大量数据进而提升对历史运行状态和历史故障情况确定的精准性和可靠性。

步骤s220，通过大数据分析及挖掘技术，对所述历史使用情况进行分析，得到以所述历史运行状态为输入参数、并以所述历史故障情况为输出参数的数据对，作为样本数据。

其中，所述输入参数，可以包括：单一的历史运行状态；和/或，按设定规律自所述历史运行状态中提取相应特征，并由所述特征组成的一维数组或两维以上数组。

例如：输入参数不仅可以为单一的参数，也包括按一定规律提取特征组成的输入参数一维或多维数组。

由此，通过多种形式的输入参数，有利于提升输入方式的灵活性和便捷性。

可选地，可以结合图3所示本发明的方法中对所述历史使用情况进行分析的一实施例的流程示意图，进一步说明步骤s220中对所述历史使用情况进行分析的具体过程。

步骤s310，根据所需预测的至少一种故障类型，利用支持向量机学习、机器学习、数据分析中的至少一种方式，对所述历史使用情况进行分析，得到分析结果。

步骤s320，结合预设的专家经验，将所述分析结果中对所述故障类型有影响、和/或与所述故障类型有关联的历史运行状态作为输入参数，并将所述分析结果中与所述输入参数相应的历史故障情况作为输出参数。

例如：事先确定好需要预测的若干故障，通过对数据的分析和结合专家经验知识，分别选取对可能对这些故障存在影响或者有关联关系的状态参数作为输入参数，相应的故障状态作为输出参数。

由此，通过按所需故障类型对历史使用情况进行分析，而且结合专家经验，可以提升对历史运行状态与历史故障情况之间关系确定的精准性和可靠性。

步骤s230，利用神经网络算法，对所述样本数据进行训练和测试，以得到所需的所述历史运行状态与所述历史故障情况之间的关系。

例如：利用大数据分析及挖掘等相关的算法技术，通过对收集的空调机组大量的历史运行状态及故障情况进行分析和挖掘，利用诸如支持向量机或其他机器学习方法或者数据分析方法，对空调运行状态参数和故障间的非线性关系或规律进行挖掘和学习，从而为实时的故障预测提供算法依据。

例如：针对已有的输入输出集合，可以通过诸如支持向量机或其他机器学习方法或者数据分析方法等分析输入与输出间的关系，假设y为输出，x为输入(x可以是一维或多组的数组)，y和x间存在函数关系：y＝f(x)。

其中，函数f中存在诸多若干未知变量，而诸如支持向量机或其他机器学习或者数据分析等算法，可以根据已有的输入输出近似模拟出这种对应关系，即求解f中若干未知变量的值，得到确切的函数式f。

由此，通过收集电器的历史使用情况，进行分析和挖掘，得到历史使用情况中历史运行状态与历史故障情况之间的对应关系，有利于提升故障预测的精准性和可靠性。

可选地，可以结合图4所示本发明的方法中对所述样本数据进行训练和测试的一实施例的流程示意图，进一步说明步骤s230中对所述样本数据进行训练和测试的具体过程。

步骤s410，将所述样本数据划分为训练样本数据和测试样本数据。

例如：将所述样本数据中的一部分作为训练样本数据，另一部分作为测试样本数据。

例如：将得到的输入、输出参数对，一部分用作训练本样数据，一部分用作测试样本数据。

步骤s420，选取神经网络算法的网络结构，初始化所述网络结构的连接权值。

其中，所述网络结构，可以包括：输入结点数、输出结点数、网络层数中的至少之一。

由此，通过多种形式的网络结构，有利于提升训练和测试的灵活性和通用性。

例如：选取网络：根据选取的输入、输出参数，选定lstm网络结构(例如：该网络结构，可以包括：输入输出结点数、网络层数等)，初始化网络连接权值wk。

步骤s430，通过所述网络结构和所述连接权值，对所述训练样本数据进行训练。

更可选地，可以结合图5所示本发明的方法中对所述训练样本数据进行训练的一实施例的流程示意图，进一步说明步骤s430中对所述训练样本数据进行训练的具体过程。

步骤s510，将所述训练样本数据的输入参数输入到所述网络结构中，得到理论输出参数。

步骤s520，获取所述理论输出参数与所述训练样本数据的输出参数之间的训练误差，并确定所述训练误差是否在目标训练误差范围内。

步骤s530，当所述训练误差在所述目标训练误差范围内时，停止训练。

或步骤s540，当所述训练误差在所述目标训练误差范围外时，对所述连接权值(例如：wk)进行调整。

例如：训练网络：将训练样本数据的输入量输入到网络中，得到理论输出值a(x)，和样本数据中对应的实际输出值y(x)进行比较得到误差值e(x)＝‖y(x)-a(x)‖。

若e(x)满足在目标值之内，即|e(x)|<∈时，停止训练；否则，按照误差反向传递等方法对wk进行调整。

由此，通过对训练样本数据进行训练，可以获得所需历史运行状态与历史故障情况之间的初步关系，可靠性高，精准性好。

在一个更可选具体例子中，步骤s540中对所述连接权值进行调整，可以包括：根据与所述连接权值和所述训练样本的时间序列相关的调整系数(例如：参数η)，通过训练误差反向传递法对所述连接权值进行调整。

例如：按照误差反向传递等方法对wk进行调整：

c(w，b)为训练集的误差能量函数(以标准方差函数为例)，n为训练样本的总数量，求和是在总的训练样本x上进行：

更新权值：

式2中参数η的值可以预设，也可以根据时间序列进行调整(比如时间排序靠后的训练数据，η取值大一些，则起的作用较大)。

由此，通过对连接权值进行调整，有利于提升对训练网络构建的可靠性，进而可以提升训练结果的精准性。

步骤s440，通过所述训练完成的网络结构和连接权值，对所述测试样本数据进行测试。

由此，通过对训练样本数据进行训练，再基于训练结果对测试样本数据进行测试，可以获得更加精准、更加可靠的历史运行状态与历史故障情况的对应关系，处理过程可靠、安全，处理方式简便、精准。

更可选地，可以结合图6所示本发明的方法中对所述测试样本数据进行测试的一实施例的流程示意图，进一步说明步骤s440中对所述测试样本数据进行测试的具体过程。

步骤s610，将所述测试样本数据的输入参数输入所述网络结构中，得到理论输出参数。

步骤s620，获取所述理论输出参数与所述测试样本数据的输出参数之间的测试误差，并确定所述测试误差是否在目标测试误差范围内。

步骤s630，当所述测试误差在所述目标测试误差范围内时，停止测试。

或步骤s640，当所述测试误差在所述目标测试误差范围外时，重新训练所述网络结构；和/或，扩大相同类型的电器在不同用户中的历史使用情况的收集范围，以对相同类型的电器在不同用户中的历史使用情况进行重新收集。

例如：将测试样本数据输入已训练好的网络，如果测试集的误差能量函数c不满足预设值时，需要重复前述训练网络的步骤，必要时，重新搜集更多的数据或者选择别的输入参数。

由此，通过在训练结果的基础上进行测试，以对训练结果进行验证，有利于提升对历史运行状态与历史故障情况之间的关系确定的精准性和可靠性。

在步骤s120处，获取已建立所述关系的电器的实际运行状态。

在步骤s130处，将所述关系中与所述实际运行状态相应的所述历史运行状态对应的所述历史故障情况，作为与所述实际运行状态对应的实际故障情况，以得到对电器的故障预测结果。

由此，通过建立历史运行状态与历史故障情况之间的关系，根据该关系根据实际运行状态对未来可能发生的故障进行预测，以提前预测空调故障的发生，为及时对空调进行防护保养提供依据，能减低空调机组的损害和更低限度降低对用户的使用影响。

其中，所述故障预测结果，可以包括：自当前时刻起一段时间之后的实际故障情况。

由此，通过对未来一段时间内故障情况的预测，可以提前掌握电器运行情况，进而在需要维护时及时维护，一方面可以保证电器运行安全，可靠性高；另一方面可以保证用户使用便捷，人性化好。

在一个可选实施方式中，还可以包括：故障预警的过程。

可选地，可以结合图7所示本发明的方法中故障预警的一实施例的流程示意图，进一步说明故障预警的具体过程。

步骤s710，根据所述故障预测结果，确定所述实际故障情况的故障程度是否达到设定的预警程度。

步骤s720，当所述实际故障情况的故障程度达到设定的预警程度时，发起提示，以提示用户及时维护或干预，从而保证电器运行的安全性和用户使用的方便性。

例如：已经训练好网络，即已确立好y＝f(x)。智能控制中心利用已训练好的网络，用实时收集到的空调过去一段时间的数据作为输入，则得到从现在起一段时间的故障状态，如果预测结果为故障将要发生，则将信息逐级传递到终端空调，由空调发出警示提醒用户报修或寻求帮助。

例如：在空调实质地发生故障之前就能提示用户或售后人员空调机组可能发生故障并指出故障类型。

由此，通过在故障需要维护时进行提示，以提醒用户及时进行检查维护，进而提升电器运行的安全性和用户使用的便捷性。

在一个可选实施方式中，还可以包括：对所述历史运行状态与所述历史故障情况之间的关系进行更新。

例如：确立的网络算法结构，并非是一成不变的，而是可以实时进行调整。

由此，通过对历史运行状态与历史故障情况之间的关系进行更新，可以根据电器运行情况调整相应关系，有利于提升故障预测的精准性和可靠性。

在一个可选例子中，对所述历史运行状态与所述历史故障情况之间的关系进行更新，可以包括：当该方法还可以包括对与所述关系相关的网络结构的连接权值进行调整时，收集相同类型的电器在不同用户中的新的使用情况。

可选地，对所述历史运行状态与所述历史故障情况之间的关系进行更新，还可以包括：将新的使用情况作为新的样本数据，对所述网络结构的连接权值进行调整。

可选地，将新的使用情况和历史使用情况一起作为新的样本数据，对可以用于调整所述连接权值的调整系数进行调整后，重新训练所述网络结构。

例如：在实施应用时，可以把实时搜集的新数据作为新的样本数据，重复步骤3，重新对网络权值进行调整，可以提高预测的准确率。

例如：也可以把新收集的数据和历史数据作为样本数据，调整式2中的参数η，重新训练网络。

由此，通过对网络结构的连接权值进行调整，对于网络结构的连接权值相关的调整系数进行调整，可以实现相应关系的更新，且更新的方式简便、可靠，更新的结果精准、安全性。

在一个可选实施方式中，还可以包括：对所述历史运行状态、所述历史故障情况、所述实际运行状态、所述实际故障情况中的至少之一进行显示。

由此，通过对相应状态、情况等的显示，可以使用户随时查看相应数据，直观性强，便捷性好。

经大量的试验验证，采用本实施例的技术方案，通过提前预测空调故障的发生，为及时对空调进行防护保养提供依据，能减低空调机组的损害和更低限度降低对用户的使用影响。

根据本发明的实施例，还提供了对应于电器的故障预测方法的一种电器的故障预测装置。参见图8所示本发明的装置的一实施例的结构示意图。该电器的故障预测装置可以包括：控制单元102和通讯单元104。

在一个可选例子中，控制单元102，可以用于建立电器的历史运行状态与历史故障情况之间的关系。该控制单元102的具体功能及处理参见步骤s110。

可选地，所述控制单元102建立电器的历史运行状态与历史故障情况之间的关系，具体可以包括：收集相同类型的电器在不同用户中的历史使用情况。其中，所述历史使用情况，可以包括：电器运行过程中的历史运行状态和历史故障情况。该控制单元102的具体功能及处理还参见步骤s210。

例如：通过预测空调故障的系统装置，搜集同一类空调在不同用户中的使用情况，包括空调在运行过程上的各种状态参数(含运行参数、故障状态等)。

更可选地，在所述历史使用情况中，所述历史运行状态和所述历史故障情况，均按时间顺序排列。

例如：空调在过去一年里的运行数据汇总，并且按时间顺序进行排列。根据时间序列得到的故障状态。

由此，通过按时间顺序排列历史运行状态和历史故障情况，有利于提升对相应关系确定的精准性，还有利于提升故障预测的可靠性。

更可选地，所述控制单元102收集相同类型的电器在不同用户中的历史使用情况，具体可以包括：通过无线收发装置，接收预设时长内相同类型的电器在不同用户中的历史使用情况。

例如：收集到的运行数据，指的是一段时间的空调运行状态，而不只是某一个时刻点的状态。

由此，通过收集一段时间内的历史使用情况，有利于获取大量数据进而提升对历史运行状态和历史故障情况确定的精准性和可靠性。

在一个可选具体例子中，所述控制单元102建立电器的历史运行状态与历史故障情况之间的关系，具体还可以包括：通过大数据分析及挖掘技术，对所述历史使用情况进行分析，得到以所述历史运行状态为输入参数、并以所述历史故障情况为输出参数的数据对，作为样本数据。该控制单元102的具体功能及处理还参见步骤s220。

其中，所述输入参数，可以包括：单一的历史运行状态；和/或，按设定规律自所述历史运行状态中提取相应特征，并由所述特征组成的一维数组或两维以上数组。

例如：输入参数不仅可以为单一的参数，也包括按一定规律提取特征组成的输入参数一维或多维数组。

由此，通过多种形式的输入参数，有利于提升输入方式的灵活性和便捷性。

更可选地，所述控制单元102对所述历史使用情况进行分析，具体可以包括：根据所需预测的至少一种故障类型，利用支持向量机学习、机器学习、数据分析中的至少一种方式，对所述历史使用情况进行分析，得到分析结果。该控制单元102的具体功能及处理还参见步骤s310。

在一个更可选具体例子中，所述控制单元102对所述历史使用情况进行分析，具体还可以包括：结合预设的专家经验，将所述分析结果中对所述故障类型有影响、和/或与所述故障类型有关联的历史运行状态作为输入参数，并将所述分析结果中与所述输入参数相应的历史故障情况作为输出参数。该控制单元102的具体功能及处理还参见步骤s320。

例如：事先确定好需要预测的若干故障，通过对数据的分析和结合专家经验知识，分别选取对可能对这些故障存在影响或者有关联关系的状态参数作为输入参数，相应的故障状态作为输出参数。

由此，通过按所需故障类型对历史使用情况进行分析，而且结合专家经验，可以提升对历史运行状态与历史故障情况之间关系确定的精准性和可靠性。

在一个可选具体例子中，所述控制单元102建立电器的历史运行状态与历史故障情况之间的关系，具体还可以包括：利用神经网络算法，对所述样本数据进行训练和测试，以得到所需的所述历史运行状态与所述历史故障情况之间的关系。该控制单元102的具体功能及处理还参见步骤s230。

例如：利用大数据分析及挖掘等相关的算法技术，通过对收集的空调机组大量的历史运行状态及故障情况进行分析和挖掘，利用诸如支持向量机或其他机器学习方法或者数据分析方法，对空调运行状态参数和故障间的非线性关系或规律进行挖掘和学习，从而为实时的故障预测提供算法依据。

例如：针对已有的输入输出集合，可以通过诸如支持向量机或其他机器学习方法或者数据分析方法等分析输入与输出间的关系，假设y为输出，x为输入(x可以是一维或多组的数组)，y和x间存在函数关系：y＝f(x)。

其中，函数f中存在诸多若干未知变量，而诸如支持向量机或其他机器学习或者数据分析等算法，可以根据已有的输入输出近似模拟出这种对应关系，即求解f中若干未知变量的值，得到确切的函数式f。

由此，通过收集电器的历史使用情况，进行分析和挖掘，得到历史使用情况中历史运行状态与历史故障情况之间的对应关系，有利于提升故障预测的精准性和可靠性。

更可选地，所述控制单元102对所述样本数据进行训练和测试，具体可以包括：将所述样本数据划分为训练样本数据和测试样本数据。该控制单元102的具体功能及处理还参见步骤s410。

例如：将所述样本数据中的一部分作为训练样本数据，另一部分作为测试样本数据。

例如：将得到的输入、输出参数对，一部分用作训练本样数据，一部分用作测试样本数据。

在一个更可选具体例子中，所述控制单元102对所述样本数据进行训练和测试，具体还可以包括：选取神经网络算法的网络结构，初始化所述网络结构的连接权值。该控制单元102的具体功能及处理还参见步骤s420。

其中，所述网络结构，可以包括：输入结点数、输出结点数、网络层数中的至少之一。

由此，通过多种形式的网络结构，有利于提升训练和测试的灵活性和通用性。

例如：选取网络：根据选取的输入、输出参数，选定lstm网络结构(例如：该网络结构，可以包括：输入输出结点数、网络层数等)，初始化网络连接权值wk。

在一个更可选具体例子中，所述控制单元102对所述样本数据进行训练和测试，具体还可以包括：通过所述网络结构和所述连接权值，对所述训练样本数据进行训练。该控制单元102的具体功能及处理还参见步骤s430。

进一步地，所述控制单元102对所述训练样本数据进行训练，具体可以包括：将所述训练样本数据的输入参数输入到所述网络结构中，得到理论输出参数。该控制单元102的具体功能及处理还参见步骤s510。

在一个进一步可选具体例子中，所述控制单元102对所述训练样本数据进行训练，具体还可以包括：获取所述理论输出参数与所述训练样本数据的输出参数之间的训练误差，并确定所述训练误差是否在目标训练误差范围内。该控制单元102的具体功能及处理还参见步骤s520。

在一个进一步可选具体例子中，所述控制单元102对所述训练样本数据进行训练，具体还可以包括：当所述训练误差在所述目标训练误差范围内时，停止训练。该控制单元102的具体功能及处理还参见步骤s530。

在一个进一步可选具体例子中，所述控制单元102对所述训练样本数据进行训练，具体还可以包括：当所述训练误差在所述目标训练误差范围外时，对所述连接权值(例如：wk)进行调整。该控制单元102的具体功能及处理还参见步骤s540。

例如：训练网络：将训练样本数据的输入量输入到网络中，得到理论输出值a(x)，和样本数据中对应的实际输出值y(x)进行比较得到误差值e(x)＝‖y(x)-a(x)‖。

若e(x)满足在目标值之内，即|e(x)|<∈时，停止训练；否则，按照误差反向传递等方法对wk进行调整。

由此，通过对训练样本数据进行训练，可以获得所需历史运行状态与历史故障情况之间的初步关系，可靠性高，精准性好。

其中，所述控制单元102对所述连接权值进行调整，具体可以包括：根据与所述连接权值和所述训练样本的时间序列相关的调整系数(例如：参数η)，通过训练误差反向传递法对所述连接权值进行调整。

例如：按照误差反向传递等方法对wk进行调整：

c(w，b)为训练集的误差能量函数(以标准方差函数为例)，n为训练样本的总数量，求和是在总的训练样本x上进行：

更新权值：

式2中参数η的值可以预设，也可以根据时间序列进行调整(比如时间排序靠后的训练数据，η取值大一些，则起的作用较大)。

由此，通过对连接权值进行调整，有利于提升对训练网络构建的可靠性，进而可以提升训练结果的精准性。

在一个更可选具体例子中，所述控制单元102对所述样本数据进行训练和测试，具体还可以包括：通过所述训练完成的网络结构和连接权值，对所述测试样本数据进行测试。该控制单元102的具体功能及处理还参见步骤s440。

由此，通过对训练样本数据进行训练，再基于训练结果对测试样本数据进行测试，可以获得更加精准、更加可靠的历史运行状态与历史故障情况的对应关系，处理过程可靠、安全，处理方式简便、精准。

进一步地，所述控制单元102对所述测试样本数据进行测试，具体可以包括：将所述测试样本数据的输入参数输入所述网络结构中，得到理论输出参数。该控制单元102的具体功能及处理还参见步骤s610。

在一个进一步可选具体例子中，所述控制单元102对所述测试样本数据进行测试，具体还可以包括：获取所述理论输出参数与所述测试样本数据的输出参数之间的测试误差，并确定所述测试误差是否在目标测试误差范围内。该控制单元102的具体功能及处理还参见步骤s620。

在一个进一步可选具体例子中，所述控制单元102对所述测试样本数据进行测试，具体还可以包括：当所述测试误差在所述目标测试误差范围内时，停止测试。该控制单元102的具体功能及处理还参见步骤s630。

在一个进一步可选具体例子中，所述控制单元102对所述测试样本数据进行测试，具体还可以包括：当所述测试误差在所述目标测试误差范围外时，重新训练所述网络结构；和/或，扩大相同类型的电器在不同用户中的历史使用情况的收集范围，以对相同类型的电器在不同用户中的历史使用情况进行重新收集。该控制单元102的具体功能及处理还参见步骤s640。

例如：将测试样本数据输入已训练好的网络，如果测试集的误差能量函数c不满足预设值时，需要重复前述训练网络的步骤，必要时，重新搜集更多的数据或者选择别的输入参数。

由此，通过在训练结果的基础上进行测试，以对训练结果进行验证，有利于提升对历史运行状态与历史故障情况之间的关系确定的精准性和可靠性

在一个可选例子中，通讯单元104，可以用于获取已建立所述关系的电器的实际运行状态。该通讯单元104的具体功能及处理参见步骤s120。

在一个可选例子中，所述控制单元102，还可以用于将所述关系中与所述实际运行状态相应的所述历史运行状态对应的所述历史故障情况，作为与所述实际运行状态对应的实际故障情况，以得到对电器的故障预测结果。该控制单元102的具体功能及处理还参见步骤s130。

由此，通过建立历史运行状态与历史故障情况之间的关系，根据该关系根据实际运行状态对未来可能发生的故障进行预测，以提前预测空调故障的发生，为及时对空调进行防护保养提供依据，能减低空调机组的损害和更低限度降低对用户的使用影响。

其中，所述故障预测结果，可以包括：自当前时刻起一段时间之后的实际故障情况。

由此，通过对未来一段时间内故障情况的预测，可以提前掌握电器运行情况，进而在需要维护时及时维护，一方面可以保证电器运行安全，可靠性高；另一方面可以保证用户使用便捷，人性化好。

在一个可选实施方式中，还可以包括：故障预警的过程。

在一个可选例子中，所述控制单元102，还可以用于根据所述故障预测结果，确定所述实际故障情况的故障程度是否达到设定的预警程度。该控制单元102的具体功能及处理还参见步骤s710。

可选地，所述控制单元102，还可以用于当所述实际故障情况的故障程度达到设定的预警程度时，发起提示，以提示用户及时维护或干预，从而保证电器运行的安全性和用户使用的方便性。该控制单元102的具体功能及处理还参见步骤s720。

例如：已经训练好网络，即已确立好y＝f(x)。智能控制中心利用已训练好的网络，用实时收集到的空调过去一段时间的数据作为输入，则得到从现在起一段时间的故障状态，如果预测结果为故障将要发生，则将信息逐级传递到终端空调，由空调发出警示提醒用户报修或寻求帮助。

例如：在空调实质地发生故障之前就能提示用户或售后人员空调机组可能发生故障并指出故障类型。

由此，通过在故障需要维护时进行提示，以提醒用户及时进行检查维护，进而提升电器运行的安全性和用户使用的便捷性。

在一个可选实施方式中，所述控制单元102，还可以用于对所述历史运行状态与所述历史故障情况之间的关系进行更新。

例如：确立的网络算法结构，并非是一成不变的，而是可以实时进行调整。

由此，通过对历史运行状态与历史故障情况之间的关系进行更新，可以根据电器运行情况调整相应关系，有利于提升故障预测的精准性和可靠性。

在一个可选例子中，所述控制单元102对所述历史运行状态与所述历史故障情况之间的关系进行更新，具体可以包括：当该装置还可以包括所述控制单元102还可以用于对与所述关系相关的网络结构的连接权值进行调整时，收集相同类型的电器在不同用户中的新的使用情况。

可选地，所述控制单元102对所述历史运行状态与所述历史故障情况之间的关系进行更新，具体还可以包括：将新的使用情况作为新的样本数据，对所述网络结构的连接权值进行调整；和/或，将新的使用情况和历史使用情况一起作为新的样本数据，对可以用于调整所述连接权值的调整系数进行调整后，重新训练所述网络结构。

例如：在实施应用时，可以把实时搜集的新数据作为新的样本数据，重复步骤3，重新对网络权值进行调整，可以提高预测的准确率。

例如：也可以把新收集的数据和历史数据作为样本数据，调整式2中的参数η，重新训练网络。

由此，通过对网络结构的连接权值进行调整，对于网络结构的连接权值相关的调整系数进行调整，可以实现相应关系的更新，且更新的方式简便、可靠，更新的结果精准、安全性。

在一个可选实施方式中，所述控制单元102，还可以用于对所述历史运行状态、所述历史故障情况、所述实际运行状态、所述实际故障情况中的至少之一进行显示。

由此，通过对相应状态、情况等的显示，可以使用户随时查看相应数据，直观性强，便捷性好。

由于本实施例的装置所实现的处理及功能基本相应于前述图1至图7所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

经大量的试验验证，采用本发明的技术方案，通过收集的空调机组大量的历史运行状态及故障情况进行分析和挖掘，建立空调的运行状态与故障情况的关系，用于提前预测故障的发生，及早对空调进行检查维护，则能减低空调机组的损害和更低限度降低对用户的使用影响。

根据本发明的实施例，还提供了对应于电器的故障预测方法的一种存储介质。该存储介质，可以包括：所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行以上所述的电器的故障预测方法。

由于本实施例的存储介质所实现的处理及功能基本相应于前述图1至图7所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

经大量的试验验证，采用本发明的技术方案，通过在空调实质地发生故障之前就能提示用户或售后人员空调机组可能发生故障并指出故障类型，能减低空调机组的损害和更低限度降低对用户的使用影响。

根据本发明的实施例，还提供了对应于电器的故障预测方法的一种电器。该电器，可以包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行以上所述的电器的故障预测方法。或者，该电器，可以包括：以上所述的电器的故障预测装置。

可选地，该电器，可以包括：空调、冰箱、洗衣机、抽油烟机、热水器、空气净化器中的至少之一。

在一个可选实施方式中，该空调故障预测的方案，可以包括：利用大数据分析及挖掘等相关的算法技术，通过对收集的空调机组大量的历史运行状态及故障情况进行分析和挖掘，利用诸如支持向量机或其他机器学习方法或者数据分析方法，对空调运行状态参数和故障间的非线性关系或规律进行挖掘和学习，从而为实时的故障预测提供算法依据。

在一个可选例子中，可以通过一种预测空调故障的系统装置进行故障预测。如图9所示，带有无线收发装置的空调，经路由器或者手机或者其他终端与互联网连接，再连接到云端服务器，最后连接到智能控制中心(例如：该智能控制中心，可以是用户侧或服务商侧的内部系统)。由该系列模块组成的装置，可以将不同终端空调的运行情况(包括运行参数、故障状态等)传回智能控制中心，也可以由智能控制中心将相关控制指令(如故障指示等)发到终端空调上。

在一个可选例子中，该空调故障预测的技术的实现过程，可以包括：

1、数据搜集：

通过预测空调故障的系统装置，搜集同一类空调在不同用户中的使用情况，包括空调在运行过程上的各种状态参数(含运行参数、故障状态等)。

这里的运行数据指的是一段时间的空调运行状态，而不只是某一个时刻点的状态。例如，空调在过去一年里的运行数据汇总，并且按时间顺序进行排列。根据时间序列得到的故障状态。

2、样本数据选择

事先确定好需要预测的若干故障，通过对数据的分析和结合专家经验知识，分别选取对可能对这些故障存在影响或者有关联关系的状态参数作为输入参数，相应的故障状态作为输出参数。

输入参数不仅可以为单一的参数，也包括按一定规律提取特征组成的输入参数一维或多维数组。

将得到的输入、输出参数对，一部分用作训练本样数据，一部分用作测试样本数据。

3、预测算法选取和调试

针对已有的输入输出集合，可以通过诸如支持向量机或其他机器学习方法或者数据分析方法等分析输入与输出间的关系，假设y为输出，x为输入(x可以是一维或多组的数组)，y和x间存在函数关系：y＝f(x)。

其中，函数f中存在诸多若干未知变量，而诸如支持向量机或其他机器学习或者数据分析等算法，可以根据已有的输入输出近似模拟出这种对应关系，即求解f中若干未知变量的值，得到确切的函数式f。

可选地，具体的算法实现方式有很多种，本申请无法一一列举，仅举例说明如下：

深度学习网络中的lstm(longshort-termmemory，长短期记忆网络)神经网络，对解决对时序有依赖的模型上有强大的能力，适合用于状态预测中。关于lstm网络的理论模式、训练方法等，可以利用现有的书籍或论文的相应描述，此处不予详述。

3.1选取网络：根据选取的输入、输出参数，选定lstm网络结构(例如：该网络结构，可以包括：输入输出结点数、网络层数等)，初始化网络连接权值wk。

3.2训练网络：将训练样本数据的输入量输入到网络中，得到理论输出值a(x)，和样本数据中对应的实际输出值y(x)进行比较得到误差值e(x)＝‖y(x)-a(x)‖。

若e(x)满足在目标值之内，即|e(x)|<∈时，停止训练；否则，按照误差反向传递等方法对wk进行调整：

c(w，b)为训练集的误差能量函数(以标准方差函数为例)，n为训练样本的总数量，求和是在总的训练样本x上进行：

更新权值：

式2中参数η的值可以预设，也可以根据时间序列进行调整(比如时间排序靠后的训练数据，η取值大一些，则起的作用较大)。

网络训练的方法有很多种，此处仅举例一种。

3.3测试网络

将测试样本数据输入3.2中已训练好的网络，如果测试集的误差能量函数c不满足预设值时，需要重复上述3.1～3.2步骤，必要时，重新搜集更多的数据或者选择别的输入参数。

4、故障预测实施应用阶段

在步骤3时，已经训练好网络，即已确立好y＝f(x)。智能控制中心利用已训练好的网络，用实时收集到的空调过去一段时间的数据作为输入，则得到从现在起一段时间的故障状态，如果预测结果为故障将要发生，则将信息逐级传递到终端空调，由空调发出警示提醒用户报修或寻求帮助。

5、算法在线调整和修正阶段

步骤3里确立的网络算法结构，并非是一成不变的，而是可以实时进行调整。

在实施应用时，可以把实时搜集的新数据作为新的样本数据，重复步骤3，重新对网络权值进行调整，可以提高预测的准确率。

也可以把新收集的数据和历史数据作为样本数据，调整式2中的参数η，重新训练网络。

可见，该空调故障预测的方案，能解决或者至少部分解决现有技术中存在的问题，即在空调实质地发生故障之前就能提示用户或售后人员空调机组可能发生故障并指出故障类型。

例如：很多类型的故障，诸如冷媒缺少故障、电机坏损故障等，均是一个渐变的过程，是空调运行参数逐渐偏离正常运行状态直至机组警示出故障、无法再运行。该空调故障预测的方案，要解决的正是要识别出这一渐变的过程，对故障进行预测。

由于本实施例的电器所实现的处理及功能基本相应于前述图1至图7所示的方法、或前述图8所示的装置的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

经大量的试验验证，采用本发明的技术方案，通过对空调的运行状态与故障情况的关系进行维护和更新，可以提高预测的准确率。

综上，本领域技术人员容易理解的是，在不冲突的前提下，上述各有利方式可以自由地组合、叠加。

以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。