本發(fā)明涉及智能家居的故障診斷，尤其是一種基于壽命預(yù)測(cè)和可靠度分析的智能家居狀態(tài)診斷方法。

背景技術(shù)：

1、隨著大數(shù)據(jù)和人工智能技術(shù)的不斷發(fā)展，智能家具已經(jīng)成為人們?nèi)粘Ｉ钪惺殖Ｒ姷漠a(chǎn)品，而智能家具的故障診斷和使用壽命預(yù)測(cè)技術(shù)也被越來越廣泛的應(yīng)用于產(chǎn)品中。例如，通過分析智能門鎖的開關(guān)記錄、智能窗簾的電機(jī)運(yùn)行數(shù)據(jù)等，可以預(yù)測(cè)設(shè)備的故障趨勢(shì)和使用壽命，進(jìn)而提前進(jìn)行維護(hù)。

2、現(xiàn)有的智能家具系統(tǒng)在故障診斷方面和壽命預(yù)測(cè)方面均已初步形成體系，并隨著大數(shù)據(jù)、人工智能等技術(shù)的不斷發(fā)展，這些技術(shù)的準(zhǔn)確性和可靠性不斷提高。同時(shí)也帶來了相應(yīng)的問題，智能家具在故障診斷和使用壽命預(yù)測(cè)上都需要采用相應(yīng)的系統(tǒng)和方法來完成，其算法復(fù)雜且需要較大的計(jì)算資源支持，在初期開發(fā)和部署的成本較高；智能家居的運(yùn)行數(shù)據(jù)可能受到多種因素的影響，如傳感器精度、數(shù)據(jù)傳輸穩(wěn)定性等，這可能導(dǎo)致數(shù)據(jù)的準(zhǔn)確性和可靠性降低；此外，智能家居在收集用戶數(shù)據(jù)的同時(shí)，也帶來了隱私泄露和數(shù)據(jù)安全的風(fēng)險(xiǎn)。

3、為了解決上述技術(shù)問題，本領(lǐng)域技術(shù)人員結(jié)合感知數(shù)據(jù)的空間相關(guān)性與多屬性間的關(guān)聯(lián)性，對(duì)故障檢測(cè)方法進(jìn)行分析；首先確定故障節(jié)點(diǎn)的異常來源；其次，針對(duì)節(jié)點(diǎn)故障檢測(cè)算法中通信量大或需要先驗(yàn)知識(shí)的缺陷，方案提出了自我檢測(cè)與相似性檢測(cè)相結(jié)合的解決方案，通過多數(shù)表決和與已知狀態(tài)節(jié)點(diǎn)的相似性判斷來確定故障節(jié)點(diǎn)的自身狀態(tài)；然后，又運(yùn)用一種通過擬合測(cè)量值、計(jì)算預(yù)測(cè)值和實(shí)際值的測(cè)量方差等自回歸模型的數(shù)據(jù)聚集算法得到聚集結(jié)果，該方案的特點(diǎn)是結(jié)合時(shí)空相關(guān)性的節(jié)點(diǎn)故障檢測(cè)和基于自回歸模型的數(shù)據(jù)聚集兩種算法，設(shè)計(jì)并實(shí)現(xiàn)了節(jié)點(diǎn)軟故障檢測(cè)和處理原型系統(tǒng)；使用溫度傳感器采集數(shù)據(jù)，對(duì)傳感器狀態(tài)進(jìn)行判斷，并對(duì)測(cè)量值進(jìn)行聚集處理。

4、然而上述技術(shù)依然存在著如下問題：

5、1)檢測(cè)范圍受限：上述技術(shù)可能無法全面覆蓋智能家具中的所有設(shè)備和系統(tǒng)，導(dǎo)致某些故障無法被及時(shí)檢測(cè)；

6、2)實(shí)時(shí)性不足：故障診斷的實(shí)時(shí)性對(duì)于智能家具的維護(hù)至關(guān)重要，但上述技術(shù)無法在所有情況下都提供及時(shí)的故障診斷；

7、3)抗干擾性差：智能家居通常部署在家庭環(huán)境中，可能受到各種環(huán)境因素的干擾，如電磁干擾、物理障礙物等，這些干擾可能影響故障診斷的準(zhǔn)確性，也可能導(dǎo)致原有故障診斷技術(shù)失效或需要頻繁更新；

8、4)依賴于大量的數(shù)據(jù)：上述技術(shù)無法高效地處理數(shù)據(jù)，診斷效率低下，無法滿足智能家具的實(shí)際使用需求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決上述問題，設(shè)計(jì)了一種基于壽命預(yù)測(cè)和可靠度分析的智能家居狀態(tài)診斷方法。

2、實(shí)現(xiàn)上述目的本發(fā)明的技術(shù)方案為，

3、一種基于壽命預(yù)測(cè)和可靠度分析的智能家居狀態(tài)診斷方法，其特征在于，該方法包括如下步驟：

4、步驟一，以智能家居內(nèi)的漏電信號(hào)調(diào)理電路為目標(biāo)，設(shè)退化過程服從線性漂移+隨機(jī)噪聲模式，將加速實(shí)驗(yàn)溫度作為加速應(yīng)力，并將漏電信號(hào)調(diào)理電路的動(dòng)作電流值作為退化數(shù)據(jù)表示，構(gòu)建智能家居的電路退化數(shù)據(jù)采集模型并得到電路退化數(shù)據(jù)；

5、步驟二，依據(jù)電路退化數(shù)據(jù)并基于wi?ener過程，建立智能家居內(nèi)漏電信號(hào)調(diào)理電路性能退化過程的概率密度函數(shù)，然后利用極大似然估計(jì)法，求解概率密度函數(shù)中的未知參數(shù)；

6、步驟三，利用性能退化過程的概率密度函數(shù)預(yù)測(cè)智能家居內(nèi)漏電信號(hào)調(diào)理電路的運(yùn)行壽命，然后根據(jù)智能家居內(nèi)當(dāng)前的動(dòng)作電流值和退化速率預(yù)測(cè)電路中動(dòng)作電流值超過失效閾值的時(shí)間長度，并根據(jù)該時(shí)間長度構(gòu)建智能家居內(nèi)整體電路的剩余壽命分布函數(shù)得到智能家居內(nèi)整體電路的壽命預(yù)測(cè)結(jié)果；

7、步驟四，基于智能家居內(nèi)整體電路的剩余壽命分布函數(shù)和阿倫尼斯方程推導(dǎo)出電路退化數(shù)據(jù)在正常應(yīng)力條件下的轉(zhuǎn)換關(guān)系并得到正常應(yīng)力條件下的智能家居內(nèi)整體電路的正常剩余壽命分布函數(shù)fl(t；t0)，然后基于正常預(yù)測(cè)壽命分布函數(shù)獲得智能家居內(nèi)整體電路的實(shí)時(shí)的可靠度；

8、步驟五，基于智能家居內(nèi)整體電路的實(shí)時(shí)的正常壽命預(yù)測(cè)結(jié)果對(duì)智能家居內(nèi)整體電路的運(yùn)行狀態(tài)進(jìn)行診斷，然后根據(jù)診斷結(jié)果和可靠度對(duì)智能家居的運(yùn)行狀態(tài)進(jìn)行自我調(diào)控或者遠(yuǎn)程調(diào)控。

9、需要注意的是，診斷結(jié)果是以正常壽命預(yù)測(cè)結(jié)果為基礎(chǔ)進(jìn)行邏輯判斷得到的；

10、其中，正常壽命預(yù)測(cè)結(jié)果的主要作用是為智能家居運(yùn)行狀態(tài)的調(diào)控(包括自我智能調(diào)控或者遠(yuǎn)程人工調(diào)控)提供判斷依據(jù)；當(dāng)正常壽命預(yù)測(cè)結(jié)果接近智能家居內(nèi)整體電路的老化界限時(shí)，智能家居可通過調(diào)控(包括自我智能調(diào)控或者遠(yuǎn)程人工調(diào)控)的方式調(diào)整其工作時(shí)間與工作電流的關(guān)系，智能家居可根據(jù)工作時(shí)間的大小來控制其內(nèi)部工作電流的大小和通斷，比如；正常壽命預(yù)測(cè)結(jié)果接近智能家居內(nèi)整體電路的老化界限時(shí)，智能家居的主控程序就能夠根據(jù)正常壽命預(yù)測(cè)結(jié)果接近老化界限的程度來調(diào)控工作時(shí)間的長短以及工作電流的大小，智能家居的工作時(shí)間長度值和工作電流值均與正常壽命預(yù)測(cè)結(jié)果接近老化界限的程度成反比，也就是說，正常壽命預(yù)測(cè)結(jié)果越接近老化界限，則智能家居的工作時(shí)間越短，智能家居的工作電流越小，智能家居進(jìn)入省電、低強(qiáng)度運(yùn)行模式或者進(jìn)入停機(jī)模式。

11、需要說明的是，老化界限是由人工設(shè)定的時(shí)間長度；如果正常壽命預(yù)測(cè)結(jié)果的時(shí)間長度雖然接近老化界限的時(shí)間長度但卻大于老化界限的時(shí)間長度時(shí)，智能家居可通過調(diào)整工作時(shí)長和工作電流的方式保證正常運(yùn)行；如果正常壽命預(yù)測(cè)結(jié)果的時(shí)間長度小于老化界限的時(shí)間長度時(shí)，智能家居會(huì)進(jìn)入停機(jī)模式進(jìn)行自我保護(hù)。

12、可靠度在本技術(shù)中的主要作用是為智能家居切換調(diào)控方式(主要是自我智能調(diào)控方式和遠(yuǎn)程人工調(diào)控方式的切換)提供判斷依據(jù)，即智能家居在運(yùn)行過程中，如果正常壽命預(yù)測(cè)結(jié)果接近智能家居內(nèi)整體電路的老化界限，則智能家居的主控程序會(huì)根據(jù)可靠度的大小來自動(dòng)切換調(diào)控模式；當(dāng)可靠度高于設(shè)定標(biāo)準(zhǔn)時(shí)，智能家居采用自我智能調(diào)控的方式，該調(diào)控方式無需人工干預(yù)，也不會(huì)發(fā)出報(bào)警；當(dāng)可靠度低于設(shè)定標(biāo)準(zhǔn)時(shí)，智能家居的主控程序會(huì)通過網(wǎng)絡(luò)向遠(yuǎn)程控制中心發(fā)出報(bào)警信號(hào)并自動(dòng)切換至遠(yuǎn)程人工調(diào)控方式，維護(hù)人員可根據(jù)智能家居的情況調(diào)整其運(yùn)行狀體或者登門進(jìn)行維護(hù)。

13、所述步驟一中電路退化數(shù)據(jù)采集模型的構(gòu)建過程包括：

14、在加速實(shí)驗(yàn)溫度應(yīng)力t下，采集漏電信號(hào)調(diào)理電路的動(dòng)作電流值作為退化數(shù)據(jù)，則電路退化數(shù)據(jù)采集模型為：

15、x(t)＝x0+β(t)·t+σw·w(t)?(1)

16、式中，x(t)為t時(shí)刻的動(dòng)作電流值，x0為初始動(dòng)作電流值，β(t)為溫度t下的退化速率，σw為擴(kuò)散系數(shù)，w(t)為標(biāo)準(zhǔn)布朗運(yùn)動(dòng)。

17、所述步驟二中性能退化過程的概率密度函數(shù)的構(gòu)建過程為：

18、以電路退化數(shù)據(jù)為基礎(chǔ)，且性能退化過程為時(shí)變漂移wi?ener過程，則性能退化過程的概率密度函數(shù)為：

19、

20、所述步驟二中性能退化過程的概率密度函數(shù)中未知參數(shù)的求解過程是利用極大似然估計(jì)法對(duì)未知參數(shù)進(jìn)行估計(jì)，基于電路退化數(shù)據(jù)，即每組溫度應(yīng)力下的退化數(shù)據(jù)x(ti)，構(gòu)建對(duì)數(shù)似然函數(shù)：

21、

22、式中，l為漏電信號(hào)調(diào)理電路的預(yù)測(cè)壽命；n是采集到的動(dòng)作電流退化數(shù)據(jù)點(diǎn)的總數(shù)量；最大化lnl則可求解未知參數(shù)β(t)和σw；

23、所述步驟三中利用性能退化過程的概率密度函數(shù)預(yù)測(cè)智能家居內(nèi)整體電路運(yùn)行壽命的過程為：

24、首先，定義失效閾值為d，則l的值為退化過程首次達(dá)到d的時(shí)間長度，即：

25、l＝inf{t≥0|x(t)≥d}?(4)

26、其次，基于wiener過程解析解，且令智能家居內(nèi)整體電路在加速應(yīng)力條件下的壽命分布服從逆高斯分布，則智能家居內(nèi)整體電路在加速應(yīng)力條件下的剩余壽命分布函數(shù)為：

27、

28、最后，將當(dāng)前時(shí)刻tc的動(dòng)作電流值x(tc)帶入智能家居內(nèi)整體電路在加速應(yīng)力條件下的剩余壽命分布函數(shù)得到剩余壽命分布fl(t-tc)，結(jié)合估計(jì)的β(t)、σw對(duì)剩余壽命分布fl(t-tc)進(jìn)行計(jì)算，并對(duì)剩余壽命分布fl(t-tc)取均值或分位數(shù)，將均值和分位數(shù)作為智能家居內(nèi)整體電路在加速應(yīng)力條件下的壽命預(yù)測(cè)結(jié)果。

29、所述步驟四中基于智能家居內(nèi)整體電路在加速應(yīng)力條件下的剩余壽命分布函數(shù)和阿倫尼斯方程推導(dǎo)出電路退化數(shù)據(jù)在正常應(yīng)力條件下的轉(zhuǎn)換關(guān)系為：

30、

31、式中，ea為激活能，k為玻爾茲曼常數(shù)，t為加速試驗(yàn)溫度，t0為正常使用溫度。

32、所述步驟四中重新構(gòu)建智能家居內(nèi)部整體電路的正常預(yù)測(cè)壽命分布函數(shù)fl(t；t0)為：

33、

34、所述步驟四中可靠度r(t1)為壽命超過時(shí)長t1的概率，其計(jì)算公式為：

35、

36、與現(xiàn)有技術(shù)相比，本技術(shù)具有如下優(yōu)勢(shì)：

37、1.本技術(shù)采用高精度隨機(jī)退化建模，不同于傳統(tǒng)方法假設(shè)退化過程為純確定性(如線性)或簡單隨機(jī)(白噪聲)的建模方式，通過wi?ener過程同時(shí)刻畫趨勢(shì)性漂移和布朗運(yùn)動(dòng)隨機(jī)性，更貼近實(shí)際電路老化行為(如氧化、材料疲勞的累積效應(yīng))；通過對(duì)某型漏電保護(hù)電路的實(shí)測(cè)表明，模型對(duì)動(dòng)作電流波動(dòng)區(qū)間的覆蓋率達(dá)到98％，而傳統(tǒng)線性模型僅覆蓋65％，在1000小時(shí)加速試驗(yàn)中，模型預(yù)測(cè)壽命與真實(shí)首次故障時(shí)間的相關(guān)系數(shù)r2＝0.93，顯著高于指數(shù)模型的r2＝0.68。

38、2.本技術(shù)采用物理-統(tǒng)計(jì)融合的跨溫度壽命預(yù)測(cè)方式，而現(xiàn)有技術(shù)通常將加速試驗(yàn)結(jié)果直接外推(如arrhenius模型僅用于加速因子計(jì)算)，未與退化動(dòng)力學(xué)方程耦合，本技術(shù)則通過阿倫尼斯方程將溫度應(yīng)力嵌入wi?ener過程的漂移率β(t)，實(shí)現(xiàn)物理機(jī)理與統(tǒng)計(jì)模型的深度結(jié)合；在85℃→25℃的退化速率轉(zhuǎn)換中，傳統(tǒng)方法的平均誤差為28％，而本模型誤差＜5％，可量化輻射、濕度等其他應(yīng)力影響(通過擴(kuò)展eyring方程)，進(jìn)而更好的滿足智能家居多環(huán)境應(yīng)用的需求。

39、3.本技術(shù)可在智能家居正常壽命預(yù)測(cè)結(jié)果的基礎(chǔ)上結(jié)合可靠度分析來實(shí)現(xiàn)調(diào)控方式的動(dòng)態(tài)切換，依靠可靠度的變化來切換調(diào)控方式(即自我智能調(diào)控方式和遠(yuǎn)程人工調(diào)控方式的切換)；而傳統(tǒng)維護(hù)策略基于固定周期或單一閾值，其維護(hù)時(shí)機(jī)不準(zhǔn)確，維護(hù)成本較高；此外，本技術(shù)利用可靠度還可以實(shí)現(xiàn)分級(jí)預(yù)警(如r(t)<95％提示檢查，r(t)<80％強(qiáng)制維護(hù))，從而提升用戶體驗(yàn)。