基于大数据的智能冰箱监控预警与主动服务应用研究

毕 略 李百川 杨永健 武继荣 晋 升

（合肥华凌股份有限公司 合肥 230093）

引言

随着智能家居技术的不断发展，冰箱产品搭载的传感器和模组越来越多，其中WiFi模组成为了智能冰箱的标配。通过WiFi模组，用户可以在手机App端进行远程查看、调整冰箱各间室的温度，更改冰箱运行模式等操作，方便用户在离家场景下管理冰箱。另一方面，冰箱借助WiFi模组可以定期上报运行状态等iOT数据，方便专业人员对冰箱运行状况进行远程诊断。传统的售后通常发生在用户报修之后，存在一定滞后性，并且可能已经造成了用户损失（如冷冻室食材化冻）。通过远程诊断，可以快速定位冰箱制冷失效问题，在用户发现之前及时通知用户观察、报修，从而提升维修效率，改善用户体验。在研发和生产端，对于早期相同模式批量失效的机型进行监控和预警，能够从研发端及时排查根因，避免大规模的故障和客诉。

近年来，随着智能家电、物联网和云计算的飞速发展，大数据在家电领域的应用越来越广泛。张艳丽[1]分析了大数据在我国家电制造业中的应用现状，列举出家电大数据的四种来源：产品过程，第三方检测，销售和在用，以及产品运行和维修服务，并提出了基于大数据技术的家电产品质量分析的标准体系框架。张志强[2]重点分析了家电服务的全生命周期数据集成方法与技术，以及异构数据的处理技术。在生产制造领域，张慧子[3]通过对产线电机声音信号的采集、处理，应用深度学习技术设计了卷积神经网络模型，将电机故障噪音诊断准确率提升至98 %以上。

冰箱使用数据的挖掘大致可以分为两类：用户画像与远程诊断。用户画像的挖掘是大数据在家电领域的重要应用，如基于机器学习的电压力锅智能预约推荐算法研究[7]，基于服装洗护大数据的用户画像平台构建[8]，基于行为相似度的空调操作实时推荐[9]等。

大数据在家电领域另一典型应用为远程诊断。孙俊佚雄[4]以洗衣机作为研究实例，利用大数据技术和机器学习模型对变频器和异步电机整体结构进行了故障诊断技术研究。何艳[5]着重分析了如何为远程诊断进行数据采集和处理。刘晖[6]进一步做了远程诊断技术在空调售后故障分析的应用研究，相较传统的空调维修方式，新方法在维修效率方面有了大幅提升。

本文属于远程诊断的范畴，介绍了基于大数据的智能冰箱监控预警与主动服务系统。该系统包括数据采集与传输、数据转换与存储、失效检测、监控预警、主动服务五个模块。与之前的远程诊断工作相比，关注点在于如何在远程诊断的基础上，进一步将大数据技术应用在研发生产端的监控预警及用户端的主动服务上。

第2节给出了系统的整体架构，第3节介绍了数据采集与处理，第4节描述了失效诊断的内容，第5节和第6节分别介绍了机型预警和主动服务的具体流程，第7节是文本的结语。

1 系统架构

基于大数据的智能冰箱监控预警与主动服务系统整体结构分为五个部分，如图1所示。数据采集模块负责定期从联网冰箱中获取冰箱的运行状态数据（如温度传感器数据、化霜传感器数据、压缩机档位等）；数据传输模块将采集到的数据通过WIFI模组上报至云端服务器；数据存储模块则将收到的数据按日期存储至大数据集群的Hadoop File System（HDFS）中；数据预处理模块对HDFS的原始数据进行处理，如过滤样机、单板，补充缺失数据等操作，并将清洗后数据再次写入HDFS；失效检测模块利用不同类型的检测模型，批量对清洗后的每台冰箱数据做检测，如发现失效则将失效信息写入关系型数据库；监控预警模块定期对失效数据汇总加工，按机型统计失效率，并对高于设定阈值的机型预警；主动服务模块定期主动拉取失效检测结果，将高置信度的失效冰箱发送至APP端或400客服系统，自动或人工进行主动服务。

图1 系统整体结构

2 数据采集与处理

数据采集作为大数据技术在冰箱监控预警与主动服务应用中的第一步，其目的是从各种来源获取必需的数据，为后续的分析提供数据支撑。采集的数据包括以下几个方面：

1）冰箱运行数据：冰箱中的各种传感器数据，包括各舱室及环境的温度、湿度，压缩机、风机运转档位等。

2）用户使用数据：如开关门动作、间室设置温度等。

3）维修记录：冰箱的历史维修记录，包括故障描述、维修关键件、维修方案等。这些数据是失效检测模型的标签来源，帮助直接定位故障冰箱的故障点及故障原因。

4）用户反馈：通过客服电话、售后服务网站等方式收集用户对冰箱售后服务的反馈。

冰箱运行数据及用户使用数据由主控板微型控制器进行采样和计算处理，通过一定的电控协议将数据打包为数据帧，在通过特殊方式进行校验，既保证了数据的传输准确是安全，又方便了后续的数据传输。主控板微型控制器通过UART方式与Wi-Fi模块通信，若设备完成配网，数据将通过网络将数据实时传输到云服务器的消息队列中。随后，原始数据从消息队列中被消费并持久化存储。本系统采用了经典的分布式存储系统Hadoop File System（HDFS），具有高性能、高可扩展性和高可用性。

收集到的原始数据可能存在缺失、失效和噪声等问题，在具体分析前需要进行预处理。预处理的主要目的是提高数据的准确性和完整性，降低分析误差提高可靠性，为后续的分析和挖掘提供准确的数据支持。清洗后的数据更加规范化和标准化，可以更方便地进行分析和挖掘，有助于提高分析效率。

该系统种主要包括以下三种数据预处理范式：

1）数据清洗：通过时间戳去除重复数据，避免重复计算和分析。对于上报数据中的缺失值，采用插值法进行填补。对于异常值，采用边界值替换的方法进行处理。在该步骤中，对于商场样机、单板等非用户机器也一并进行滤除。

2）数据转换：通过协议解析数据，将数据转换为具有实际意义且适合分析的真实值。如将Unix 时间戳（Unix Timestamp）根据时区转换为可读的时间格式，冰箱设定温度档位转换为摄氏度等。

3）数据集成：将机型数据、卖点数据和上报数据等来自多个数据源的数据进行整合，以便于进行综合分析。

3 失效检测

失效检测指的是通过分析冰箱上报的各种传感器时间流数据，筛选出满足失效规则的冰箱。失效规则通过领域专家结合冰箱传感器数据和维修数据，迭代优化得出，分为两种类型：一类是对冰箱整体制冷状况的评估，如根据冷藏冷冻温度的变化情况，判断冷冻室和冷藏室是否存在制冷异常情况；另一类是更为具体地针对关键件失效进行评估，此时需要用到更加丰富的传感器状态信息，该类失效模式主要包含风门风道失效、化霜加热器失效，压缩机变频板失效、风机失效等。

失效检测使用Spark分布式框架进行计算，每个计算节点处理干个分区，所有节点并行计算。对于每个分区下的单台冰箱的时间流数据，如图2所示，使用滑动窗口依次取若干个数据点，每个数据点均包含了时间戳和传感器状态信息，传感器状态信息包括冷冻/冷藏传感器的温度，化霜传感器温度，风门状态，风机、压机档位等（表1给出了事件流数据示例，每行是一个数据点的信息）。之后对窗口范围进行调整，以满足窗口内数据点的个数以及窗口的时间跨度要求。最后，使用失效诊断规则进行判定，若满足规则设定的条件，则输出该设备id，失效类型，失效日期，失效起止时间戳，失效前后关键传感器统计值（如间室温度传感器、压机档位、环境温度）等信息。若不满足规则，则滑动至下一个窗口进行失效判定，直到所有的窗口计算完毕。

表1 设备144036023749292用户运行数据（节选）

图2 失效诊断流程

4 机型预警

对于第4节诊断出的失效冰箱，系统根据设备id，获得其机型、上市时间、联网数、维修数据、销量等，以机型为单位计算每个机型失效率PPM（见6.1），并对高PPM的机型定期预警。

4.1 预警指标

机型预警主要关注的指标为PPM，反应了该机型的失效率。其计算公式为：

对于每个监控的机型，系统会计算其整体PPM，以及每种失效类型的PPM。

4.2 预警方式

系统定期计算各机型的PPM，形成失效榜单，该榜单显示了机型的联网数、失效数、失效PPM等，并可以进一步查看该机型的各失效冰箱在失效阶段及前后的传感器信息，用于具体案例分析。对于联网数超过一定阈值，并且PPM超过所有机型平均值N倍（通常N=2）的机型，系统通过邮件推送的方式发送给相关研发人员。这些机型将被重点追踪，排查是否存在如设计缺陷、制造缺陷等，如确认问题则会进一步进行整改。

5 主动服务

当前的家电售后主要是由用户报修发起，故障通常已持续一段时间，存在滞后性。通过倾听用户声音活动了解到，常有用户反馈冰箱不制冷维修不及时，严重影响使用，甚至造成经济损失（如食材变质、肉类化冻）。在第4节的失效检测基础上，本系统实现了失效诊断结果用户推送，即主动服务功能。

首先根据实际失效对用户的影响程度，系统将失效分为3个级别，不同失效级别对应不同的推送等级。失效级别越高说明对用户实际的使用影响越大，对应的主动推送优先级越高。

主动服务流程如图3所示，在失效检测发现冰箱设备存在故障风险时，数据推送系统会将失效信息推送至客服系统，并同步至用户APP端，若用户没有在APP端浏览、操作，此时400客服会回访用户进行专业的使用指导及其故障修复，在用户无法自行解决或需要售后上门服务时，400系统会进行主动派单，减少用户的操作，降低失效风险。通过主动服务，可以在不增加成本的情况下，提升用户满意程度，降低市场投诉。

图3 主动服务流程

6 结语

本文以冰箱为例，介绍了大数据在家电领域的典型应用：失效监控预警与主动服务系统。该系统包括数据采集与传输、数据预处理与存储、失效检测、监控预警、主动服务五个模块。通过该系统，一方面可以对于失效率超标的机型进行早期预警，从研发、制造端排查失效原因，进行整改，降低了大规模市场品质问题的风险。另一方面，在云端及时发现冰箱制冷失效问题，通过主动服务及时告知用户观察、报修，极大程度上降低了用户损失，提升了用户使用体验。