家居机电设备协同运行数据分析方法、电子设备及介质与流程

本公开涉及智能家居与数据分析，尤其涉及一种家居机电设备协同运行数据分析方法、电子设备及存储介质。

背景技术：

1、随着物联网和人工智能技术的普及，现代家庭中部署了越来越多的智能机电设备，如中央空调、智能洗衣机、热水器、冰箱等。这些设备在长期运行过程中，其性能会逐渐退化，并可能发生故障。对设备运行数据进行协同分析，实现早期故障预警和根源定位，对于提升用户体验、降低运维成本具有重要意义。

2、然而，现有技术在实现家居机电设备协同分析时，普遍面临以下挑战：

3、不同设备的数据采样率不一致、时间戳不同步，且存在数据缺失和异常值，导致传统的因果分析模型难以直接应用，分析结果偏差大。

4、新接入的设备缺乏历史运行数据，无法立即进行个性化的因果模型构建和故障分析，通常需要漫长的数据积累周期。

5、集中所有家庭数据到云端训练全局模型会引发严重的用户隐私泄露风险；而仅使用本地数据训练的模型，由于数据量有限，泛化能力不足。

6、传统的故障诊断多依赖于阈值或单一信号分析，难以在复杂因果网络中准确定位故障根源，更无法预测设备从当前状态到发生故障的剩余可用时间。

7、因此，亟需一种既能保护数据隐私，又能有效利用跨设备知识，并能实现精准故障根源定位与剩余寿命预测的家居机电设备协同运行数据分析方法。

技术实现思路

1、本公开的目的在于提供一种家居机电设备协同运行数据分析方法、电子设备及介质，以解决多源异构时序数据质量低导致因果分析不可靠、新设备接入的冷启动、数据隐私与全局模型共享的矛盾、以及难以在复杂因果网络中进行故障根源定位和剩余寿命预测的技术问题。

2、为实现上述目的，第一方面，本公开提供一种家居机电设备协同运行数据分析方法，应用于包括本地计算节点和远程计算节点的分布式系统，所述远程计算节点储存有预训练的通用因果图模板，包括以下步骤：

3、s1：数据采集和预处理

4、针对每一数据维度，获取多个机电设备的所述数据维度各自对应的时序运行数据；对每个所述机电设备的所述数据维度对应的时序运行数据分别进行预处理，得到每个所述机电设备的所述数据维度的时序数据集，所述预处理包括以下中的至少一者：时间同步处理、重采样处理、缺失值插补处理、异常值替换处理，所述时序数据集包括所述机电设备的所述数据维度下的每一采集点的数据以及所述数据的标签，所述标签包括全局时间索引、机电设备的设备标识、数据维度标识；将每个所述机电设备的所述数据维度的所述时序数据集按预设的固定时间窗长度进行划分，得到每个所述机电设备的所述数据维度的多个时间窗各自对应的时序数据子集；针对每一所述机电设备，确定所述数据维度的多个时间窗各自对应的时序数据子集的特征向量并进行归一化处理，所述特征向量包括所述数据维度的多种特征类型的特征值；

5、将每个机电设备的每个数据维度的每种特征类型分别作为一个特征节点以构成特征节点集合，其中，每个所述特征节点包括机电设备的设备标识、数据维度标识、特征类型标识，并且，同一所述特征节点在所有时间窗下的特征值构成所述特征节点的观测序列；

6、s2：本地因果图构建与迭代更新

7、在所述时间窗的数量未达到第二预设阈值的情况下，每当新增时间窗数量达到第一预设阈值时，基于新增时间窗的时序数据子集，确定所述特征节点集合中的任意两个特征节点的结构信息和参数信息的梯度，所述结构信息用于表征所述特征节点集合中任意两个特征节点之间因果边的存在性和方向，所述参数信息用于表征所述本地因果图中已存在的每条因果边的因果强度参数和时滞参数，对所述参数信息的梯度添加差分隐私噪声，并将添加噪声后的参数信息的梯度和所述结构信息上传至所述远程计算节点；

8、所述远程计算节点接收来自多个本地计算节点的结构信息和参数信息的梯度，更新所述通用因果图模板，并将更新后的通用因果图模板推送至所述本地计算节点，所述本地计算节点接收所述更新后的通用因果图模板，并利用所述通用因果图模板替代初始的本地因果图，所述初始的本地因果图是通过将所述特征节点集合中的特征节点与从所述远程计算节点获取与所述多个机电设备型号匹配的通用因果图模板中的特征节点按预设匹配规则进行匹配，并根据匹配结果生成的；

9、当所述时间窗的数量达到第二预设阈值时，基于所述特征节点集合中每一特征节点在所有时间窗下的观测序列，对每一数据维度内的特征节点按预设降维条件进行筛选，得到低维特征节点集合；

10、基于所述低维特征节点集合中每一特征节点在所有时间窗下的观测序列，确定低维特征节点集合中任意两个特征节点的结构信息和参数信息，根据所述结构信息和所述参数信息构建带有时滞阶数标签和因果强度标签的本地个性化因果图，并将所述本地个性化因果图更新为所述本地因果图；

11、当所述时间窗的数量大于所述第二预设阈值且每当新增时间窗数量累积达到第一预设阈值时，基于所述新增时间窗对应的时序数据子集，确定所述特征节点集合中的任意两个特征节点的结构信息和参数信息的梯度，根据所述结构信息和所述参数信息的梯度，对所述本地因果图进行增量更新，得到更新后的本地因果图，对所述参数信息的梯度添加差分隐私噪声，并将添加噪声后的参数信息的梯度和所述结构信息上传至所述远程计算节点；

12、s3：异常传播分析与故障根源定位

13、针对每一特征节点，构建所述特征节点的健康基线，所述健康基线包括所述特征节点在所有时间窗的特征值的均值和标准差，根据所述特征节点的当前时间窗的特征值与所述健康基线，确定偏离程度，并基于所述偏离程度确定所述特征节点是否为异常节点，以得到异常节点集合；

14、针对所述异常节点集合中的每一异常节点，从所述异常节点出发沿所述本地因果图的反向有向边进行遍历，确定故障根源节点；

15、输出故障根源节点集合，所述故障根源节点集合包括故障根源节点；

16、s4：退化趋势预测与剩余可用时间计算

17、针对所述故障根源节点集合中的每一故障根源节点执行以下步骤：

18、基于所述故障根源节点在所有时间窗下的观测序列，对所述观测序列进行滤波、差分处理及序列拼接处理，得到增强特征序列，分别采用长短期记忆网络和自回归积分滑动平均模型对所述增强特征序列进行预测，得到第一预测值和第二预测值，将所述第一预测值和第二预测值按预设权重进行加权融合，得到所述故障根源节点的下一个时间窗的特征预测值，将所述下一个时间窗的特征预测值作为历史数据，重复执行上述预测和融合步骤，直至获得所述故障根源节点的未来多个时间窗的特征预测值序列；

19、根据所述故障根源节点的健康基线及预设阈值系数，设定动态故障阈值；

20、基于所述特征预测值序列中首次达到所述动态故障阈值的时间，确定所述故障根源节点的剩余可用时间，当所述剩余可用时间低于预设的预警时间阈值时，生成并推送预警信息。

21、第二方面，本公开提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的方法。

22、第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法。

23、与现有技术相比，本公开的有益效果是：

24、通过时间同步、自适应重采样、分段式缺失值插补和工况区分的异常值处理，显著提升了多源异构时序数据的质量，为后续因果分析提供了可靠基础。

25、通过联邦学习机制，新设备可立即从云端获取通用因果模板，实现零历史数据下的初步分析能力，解决了传统方法的冷启动难题。

26、通过原始数据始终保存在本地，仅上传加了差分隐私噪声的匿名化参数梯度，既保护了用户隐私，又能通过联邦聚合利用海量跨设备数据训练出高性能的全局通用模板。

27、通过构建了带有时滞阶数和因果强度的有向因果图，能准确刻画“原因在前、结果在后”的物理过程。

28、采用lstm和arima融合模型对关键故障根源特征进行趋势预测，并结合动态故障阈值计算剩余可用时间，实现了从“故障报警”到“预测性维护”的跨越。