具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

第一方面，本发明提供一种冰箱化霜系统异常检测方法，如图1所示，该方法可以包括如下步骤S110～S130：

S110、通过冰箱内的物联网通讯模块获取在预设时间段内冰箱化霜系统的运行数据；

其中，所述冰箱化霜系统包括蒸发器和化霜加热器，对应的所述运行数据包括：所述蒸发器的传感器温度参数和化霜加热器的状态参数。

可理解的是，冰箱内带有物联网通讯模块，因此可以通过物联网通讯模块获取冰箱的运行参数，由于本发明是对化霜系统进行检测，因此获取的是化霜系统的运行数据。而化霜系统包括蒸发器和化霜加热器，因此获取的运行数据可以包括蒸发器的传感器温度参数以及化霜加热器的状态参数等。当化霜加热器开启后，蒸发器的传感器检测到的温度会逐渐升高。

其中，预设时间段内，例如，一个月、两个月、一个星期等，具体的时长可以根据需求而定。

S120、在所述预设时间段内选取一个移动时间窗口，根据所述移动时间窗口内每一天对应的运行数据计算所述每一天对应的运行特征统计量，将所述每一天对应的运行特征统计量输入至预先训练的化霜系统状态分类模型中，得到所述移动时间窗口内每一天对应的化霜系统状态，所述化霜系统状态为正常或异常；

其中，移动时间窗口的窗口大小、移动步长这些参数可以根据需要设置，例如，一个移动时间窗口的大小为一个星期，而移动步长可以选择2天。当然还可以选择其它的窗口大小和移动步长。

可理解的是，首先将一天的运行数据转化为运行特征统计量，再将这一天对应的运行特征向量输入到该模型中，该模型便会输出这一天对应的化霜系统状态是正常还是异常。在训练该模型时，所采用的每一条训练样本是一天对应的运行特征统计量，并且对该条训练样本进行正常或异常标记，标记为正常的训练样本为正样本，标记为异常的训练样本为负样本。

例如，一个移动时间窗口的窗口大小为5天，将这5天中的每一天的运行数据转化为运行特征统计量后输入到化霜系统状态分类模型中，便可以得到该天对应的化霜系统状态，通过这种方式一共可以得到5个化霜系统状态。

在具体实施时，所述化霜加热器的状态参数可以包括在预设时间段内的每一天所述化霜加热器的开启时间和关闭时间；对应的，所述根据所述移动时间窗口内每一天对应的运行数据计算所述每一天对应的运行特征统计量，可以包括：根据在所述每一天内所述化霜加热器的开启时间和关闭时间，计算所述每一天内所述化霜加热器的开启次数和单次平均开启时长，将所述每一天对应的开启次数和单次平均开启时长作为所述化霜加热器在所述每一天的运行特征统计量。

也就是说，根据一天内化霜加热器的开启时间和关闭时间，可以统计出这一天内化霜加热器的开启次数以及单次平均开启时长，将这两个值作为化霜加热器在这一天的运行特征统计量。具体可以采用第一公式计算所述单次平均开启时长，所述第一公式包括：

式中，T_时长为所述单次平均开启时长，为在所述每一天所述化霜加热器第i次的关闭时间，为在所述每一天所述化霜加热器第i次的开始时间，N为所述每一天所述化霜加热器的开启次数。

在具体实施时，所述蒸发器的传感器温度参数可以包括在预设时间段内的每一天中在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；对应的，所述根据所述移动时间窗口内每一天对应的运行数据计算所述每一天对应的运行特征统计量，还可以包括：根据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，计算所述每一天内的温度最大值、温度最小值、温度平均值和/或温度方差值，将所述每一天对应的温度最大值、温度最小值、温度平均值和/或温度方差值作为所述蒸发器的运行特征统计量。

也就是说，根据一天内化霜加热器的所有开启时段内蒸发器的传感器所检测到的温度，计算这一天内的温度最大值、温度最小值、温度平均值和/或温度方差值，作为蒸发器的运行特征统计量。

S130、根据所述移动时间窗口中各天对应的化霜系统状态，统计所述移动时间窗口内所述化霜系统状态为异常的天数，计算所述化霜系统状态为异常的天数与所述移动时间窗口之间的比值，判断所述比值是否大于预设阈值，若是则确定所述化霜系统出现异常；否则按照预设步长移动所述移动时间窗口，并对下一个移动时间窗口内所述化霜系统是否出现异常进行检测。

例如，一个移动时间窗口为5天，如果经过化霜系统状态分类模型后得到的5个化霜系统状态分别是正常、正常、正常、异常、正常，则这个移动时间窗口内所述化霜系统状态为异常的天数为1天，化霜系统状态为异常的天数与移动时间窗口之间的比值为1/5，假设预设阈值为4/5，1/5小于4/5，则说明在这个移动时间窗口内化霜系统为正常。然后将这个移动时间窗口移动一定的步长得到一个新的移动时间窗口后，针对这个新的移动时间窗口是否发生异常进行检测。

而如果经过化霜系统状态分类模型后得到的5个化霜系统状态均为异常，则化霜系统状态为异常的天数与移动时间窗口之间的比值为1，而1大于预设阈值4/5，则说明在这个移动时间窗口内化霜系统为异常，此时化霜系统不能进行正常化霜，进而造成冰箱的制冷能力降低甚至不制冷，所以此时需要上报进行检修。

可理解的是，由于用户的使用冰箱情况比较复杂，对冰箱的状态会产生很大的影响，因此不能单纯的以一天的状态来判断冰箱化霜系统是否正常，所以需要结合冰箱在连续时间段内的状态进行判断。

在具体实施时，本发明提供的方法还可以包括：

S140、在确定所述化霜系统出现异常时，向售后服务平台上报化霜系统出现异常的提醒信息，以使人员进行上门进行故障检查，若检查确定存在化霜异常时进行检修，否则向售后服务平台反馈不存在故障的信息，以对所述化霜系统状态分类模型进行参数调整。

也就是说，在确定一个移动时间窗口对应的化霜系统状态为异常时，上报给售后服务平台，然后售后服务平台会通知工作人员上门检修，而上门检修时发现化霜系统没有问题，不存在故障，说明化霜系统状态分类模型的准确度仍不满足要求，此时可以对化霜系统状态分类模型进行参数调整，以提高状态分类的准确度。而工作人员上门后发现化霜系统确实存在问题，则对化霜系统进行及时维修，提高用户的使用体验。

本发明提供的冰箱化霜系统异常检测方法，获取化霜系统的运行数据，将一个移动时间窗口内的运行数据转化为运行特征统计量，然后将每一天的运行特征统计量输入至化霜系统状态分类模型中，得到每一天的化霜系统状态，然后计算在一个移动时间窗口内化霜异常的天数与移动时间窗口的比值，若该比值大于预设阈值时认为化霜系统出现异常，否则对下一个移动时间拆窗口进行异常检测，从而实现对化霜系统的异常检测。由于采用移动时间窗口的方式，采用一个移动时间窗口检测后发现未出现异常，则将移动时间窗口移动至下一个位置，这样可以及时的发现异常。而且通过一个移动时间窗口内化霜异常的天数与移动时间窗口之间的比值与预设阈值比较的方式，而非单纯的以一天的状态来判断冰箱化霜系统是否正常，可以提高检测的准确度。

可理解的是，实际上不论冰箱化霜系统是正常还是异常，都有可能会因为传感器等检测错误而出现异常数据。这里所说的异常是指检测出来的温度和真实的温度之间差距较大。为了避免检测温度值和真实温度值之间差距较大而造成化霜系统的状态判断错误，即为了减少或避免化霜系统本身之外的影响因素对化霜系统状态造成判断错误，本发明在S120中根据所述移动时间窗口内每一天对应的运行数据计算所述每一天对应的运行特征统计量之前，本发明提供的方法还可以包括：

S150、对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预处理，通过预处理的方式将异常数据剔除。

其中，所述预处理过程可以包括：

S151、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；

即，将每一天内对应的温度值进行排序，得到这一天对应的温度序列。

S152、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；

如果温度序列的1/5位置、2/5位置或3/5位置并非整数，则进行取整，将取整后的位置作为1/5位置、2/5位置或3/5位置。例如，温度序列中共24个温度值，对24/5取整后得到4，即将温度序列中第4个温度值作为1/5位置的温度值，24*2/5取整后得到9，则将温度序列中第9个温度值作为2/5位置处的温度值，24*3/5取整后得到14，则将温度序列中第14个温度值作为3/5位置处的温度值。

这里采用上述三个位置处的温度的原因是：在一天中冰箱的互联网通讯模块的上报频率是比较高的，基本上可以一个小时上报一次，这样就会产生大量的温度值，温度序列中包含24个温度值只是一个举例，实际上温度值的数量远大于24。1/5位置、2/5位置、3/5位置比较靠近温度序列中的中部，又能体现两端的数据，所以采用1/5位置、2/5位置、3/5位置的温度。经过多次试验，相当于四分之一、二分之一、四分之三等或者其它位置处的温度值，1/5位置、2/5位置、3/5位置的温度作为后续计算的基础，效果最好，即在后续计算中其它参数不便的情况下，基于1/5位置、2/5位置、3/5位置的温度计算出来的温度置信区间的可靠性更高。

S153、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；

在具体实施时，S153具体可以包括如下步骤：

S153a、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。这样可以保证95％～98％的温度值均落在区间内，根据此时的N计算出来的温度置信区间不会过宽，也不会过窄。

S153b、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；

其中，温度差距参数是用来体现温度序列中温度值差距的一个参数。具体可以采用第一公式计算所述温度差距参数，所述第一公式包括：

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。

S153c、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。

在具体实施时，可以采用第二公式计算温度置信区间，第二公式包括：

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。

可见，将三个位置处的温度值作为区间调节的基础，通过区间大小调节值N和温度差距参数M可以实现对温度置信区间的大小进行调整，经过多次试验得到上述第二公式，该公式可以保证绝大部分的温度值落在温度置信区间内的同时，还能将异常数据排除在温度置信区间之外。

S154、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。即，将温度序列中位于温度置信区间之外的温度值剔除，实现对温度数据的预处理。

通过上述步骤S151～S154可以实现对由于检测错误等原因导致的异常检测温度值，异常检测温度值不能很好的体现真实的温度值，如果依据异常检测温度值来判断化霜系统状态有可能会导致判断错误，降低判断的准确度。可见本发明通过S151～S154对蒸发器的传感器温度参数进行预处理，可以提高后续的判断准确率。

第二方面，本发明提供一种冰箱化霜系统异常检测装置，包括：

数据获取模块，用于通过冰箱内的物联网通讯模块获取在预设时间段内冰箱化霜系统的运行数据；其中，所述冰箱化霜系统包括蒸发器和化霜加热器，所述运行数据包括：所述蒸发器的传感器温度参数和化霜加热器的状态参数；

模型识别模块，用于在所述预设时间段内选取一个移动时间窗口，根据所述移动时间窗口内每一天对应的运行数据计算所述每一天对应的运行特征统计量，将所述每一天对应的运行特征统计量输入至预先训练的化霜系统状态分类模型中，得到所述移动时间窗口内每一天对应的化霜系统状态，所述化霜系统状态为正常或异常；

异常判断模块，用于根据所述移动时间窗口中各天对应的化霜系统状态，统计所述移动时间窗口内所述化霜系统状态为异常的天数，计算所述化霜系统状态为异常的天数与所述移动时间窗口之间的比值，判断所述比值是否大于预设阈值，若是则确定所述化霜系统出现异常；否则按照预设步长移动所述移动时间窗口，并对下一个移动时间窗口内所述化霜系统是否出现异常进行检测。

可理解的是，本发明实施例提供的装置，有关内容的解释、举例、有益效果等部分可以参考上述方法中的相应部分，此处不再赘述。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。