家用電器實時檢測與數(shù)據(jù)分析

張嘉澍

摘 要 隨著科學(xué)技術(shù)的發(fā)展，電力系統(tǒng)自動化的程度越來越高，對安全運行的要求也越來越高，設(shè)備運行狀態(tài)的監(jiān)測因此受到了前所未有的重視。在這種情況下，傳統(tǒng)的故障診斷技術(shù)已經(jīng)不能滿足現(xiàn)階段的要求，一旦電器發(fā)生故障將會造成巨大的經(jīng)濟損失和人員傷亡。對于家用電器來說，故障的維護和診斷也是日益趨于復(fù)雜化。于是，如何讓對家用電器進行有效的實時監(jiān)測與判別就成為了一個重要課題。在這個前提下，如果能夠達成目標，將不僅僅能夠做到保護用戶的生命安全，同時能夠加強品牌的售后服務(wù)口碑，進一步提高品牌的公信力，從而減輕了企業(yè)在其他方面的壓力。于是，我們借助某匿名電器商的一款家用電器的數(shù)據(jù)，運用spss和matlab使用多元線性回歸的辦法對其進行建模，從而得到能夠?qū)崟r監(jiān)測家用電器而達成我們目標的辦法。

關(guān)鍵詞 家用電器；商業(yè)價值；多元線性回歸；相關(guān)性分析

中圖分類號 TM9 文獻標識碼 A 文章編號 2095-6363（2017）11-0018-02

首先，電器在復(fù)雜的工作環(huán)境中，會受到不同的溫度、濕度、高壓強以及異常人為影響因素的影響，我們的傳感器也容易在這種情況下產(chǎn)生異常數(shù)據(jù)。我們可以選用簡單易行的spss軟件對數(shù)據(jù)進行極端值和異常值的批量處理。在此之前，還可以在測量數(shù)據(jù)的環(huán)境中排除上述干擾來減輕工作量。

其次，根據(jù)在環(huán)境1和2中的不同數(shù)據(jù)，以及它們表現(xiàn)出來的故障與無故障結(jié)果，分別使用spss進行數(shù)據(jù)的相關(guān)性分析來得到他們對故障判別的重要程度。同時，我們繼續(xù)對數(shù)據(jù)使用spss和matlab進行多元線性回歸從而根據(jù)相關(guān)系數(shù)得到初步模型，隨后對環(huán)境A與B里的數(shù)據(jù)進行檢驗來基本確定模型的正確性。

同時，我們不成熟的模型或多或少會出現(xiàn)誤判的情況。因此，在失誤肯定會有一定幾率發(fā)生的情況下，將故障判斷為正常的錯誤，因此，當出現(xiàn)模型無法判斷出此電器為故障或正常的搖擺數(shù)據(jù)時，我們將嵌入相關(guān)的影響因子將此電器判定為故障，從而減少危險事件的發(fā)生。

最后，對于不太成熟的模型，由于受到控制器計算能力的限制不太容易直接投入應(yīng)用，我們決定采用指令cache和數(shù)據(jù)cache分離的方法對模型進行優(yōu)化從而顯著降低了模型的計算復(fù)雜度，使得模型向解決實際問題的終點更近了一步。

1 模型的建立與求解

1.1 異常數(shù)據(jù)的解決

為了解決首要的問題，同時為后續(xù)建模工作打下堅實的基礎(chǔ)，我們決定使用spss來進行剔除異常數(shù)據(jù)的工作。首先，我們進行替換變量，因為文字spss無法識別，然后再整理排序表格，然后通過“分析”下“描述統(tǒng)計“下“頻率”的”繪制頻率表格，看圖找頻數(shù)出現(xiàn)最少的值和極大極小值，就可能是異常值。在這種模式下，我們對不同環(huán)境中的所有數(shù)據(jù)都進行了異常數(shù)據(jù)的剔除。于是在以后的建模過程中，我們不再會受到異常數(shù)據(jù)的干擾。在解決了異常數(shù)據(jù)對建模分析的影響之后，以及在我們問題假設(shè)的前提條件下，我們可以基本確保在今后的過程中不會再有異常數(shù)據(jù)的出現(xiàn)，從而避免了該因素對參數(shù)之間分析的影響，并且使得模型的準確性更高。

1.2 相關(guān)性分析

我們在spss中輸入數(shù)據(jù)以及分析，步驟1：我們生成變量，首先，打開spss，之后點擊variable view標簽，再進行spss中生成97個變量同時刪除沒有數(shù)據(jù)的變量，將字符串數(shù)據(jù)變?yōu)閕nt數(shù)據(jù)。步驟2：輸入數(shù)據(jù)，將文件導(dǎo)入spss。步驟3：分析數(shù)據(jù)，在系數(shù)表格中觀察顯著性這一欄，其中<0.05的說明其與結(jié)果有相

關(guān)性。

23 參數(shù)24 參數(shù)25 參數(shù)26 參數(shù)27 參數(shù)28 參數(shù)29 參數(shù)30 參數(shù)31 參數(shù)32 參數(shù)33 參數(shù)34 參數(shù)35 參數(shù)36 參數(shù)37 參數(shù)38 參數(shù)39 參數(shù)40 參數(shù)41 參數(shù)42 參數(shù)43 參數(shù)44 參數(shù)45 參數(shù)46 參數(shù)47 參數(shù)48 參數(shù)49 參數(shù)50

參數(shù)51 參數(shù)52 參數(shù)53 參數(shù)54 參數(shù)55 參數(shù)56 參數(shù)57 參數(shù)58 參數(shù)59 參數(shù)60 參數(shù)61 參數(shù)62 參數(shù)63 參數(shù)64 參數(shù)70 參數(shù)71 參數(shù)72 參數(shù)73 參數(shù)74 參數(shù)75 參數(shù)76 參數(shù)77 參數(shù)78 參數(shù)79 參數(shù)80 參數(shù)81 參數(shù)82 參數(shù)83 參數(shù)84 參數(shù)85 參數(shù)86 參數(shù)87 參數(shù)88 參數(shù)89 參數(shù)90 參數(shù)91 參數(shù)92 參數(shù)93 參數(shù)94 參數(shù)95 參數(shù)96。

1.3 判別重要程度以及模型的建立

根據(jù)系數(shù)表中B建立多元線性回歸函數(shù)，如此一來可以預(yù)測故障與否來得到了新的模型，并經(jīng)過檢驗后可以很好的吻合附件二中的數(shù)據(jù)。

新的模型：Y=18123.432-317.641x1-1.847x2+10.149x3-0.256x4-0.514x5-0.751x6-3.017x7-56.779x9+29.657x10-112.526x11-910.814x43+608.334x72+1055.327x72-1055.327x73-313.793x77+16.478x80-29.747x83.

1.4 模型的誤判解決

我們的手段和分析都是基礎(chǔ)的，因此，建立的模型也比較容易出現(xiàn)誤判的現(xiàn)象。在這種情況下，如果故障的電器被判斷為正常，在實際中將會發(fā)生很嚴重的問題。所以說我們寧愿將正常的電器判斷為故障，也不能讓故障的電器被判斷為正常。因此，我們將嵌入影響因子，如果發(fā)生當前模型無法判定的情況，優(yōu)先將電器判斷為故障。

1.5 加入影響因子

加入循環(huán)校驗碼CRC，即加入K個變量，通過給定的多項式，可以確定K個變量的值，循環(huán)冗余校驗同其他差錯檢測方式一樣，通過在要傳輸?shù)膋比特數(shù)據(jù)D后添加（n-k）比特冗余位（又稱幀檢驗序列，F(xiàn)rame Check Sequence，F(xiàn)CS）F形成n比特的傳輸幀T，再將其發(fā)送出去。

校驗碼格式

特別的，循環(huán)冗余校驗提供一個預(yù)先設(shè)定的（n-k+1）比特整數(shù)P，并且要求添加的（n-k）比特F滿足：

T mod P==0 （1）

T= 2n-kD+F （2）

其中，要用到模二除法：模二運算采用無進位的二進制加法，恰好為異或（XOR）操作。

由于我們最終目的是（1）式，根據(jù)（2）式，有

（2n-kD+F）/P=2n-kD/P+F/P （3）

現(xiàn)在，我們令

2n-kD/P=Q+R/P （4）

于是，我們有

（2n-kD+F）/P=Q+R/P+F/P （5）

由于采用無進位的二進制加法（等價于XOR操作），因此當我們令F=R時，即T=2n-kD+R，有

（2n-kD+F）/P=Q+R/P+F/P=Q （6）

此時便有（1）式成立。

因此，利用模二加法可知，需要添加的幀檢驗序列F為：

F=2n-kD modP （7）

通過這種方法我們可以有效的嵌入影響因子從而對模型進行優(yōu)化。

1.6 降低計算復(fù)雜度

為了降低模型運算過程中的復(fù)雜度以及一系列問題，其中包括時間長度、訪存時間、缺頁次數(shù)、CPU利用率。我們要進行指令cache與數(shù)據(jù)cache分離，它可以幫助我們解決其中一個問題。除此以外，還要增加快表TLB，這樣可以降低訪存次數(shù)。最后，還可以在CPU中采用多總線結(jié)構(gòu)，控制器則可以使用組合邏輯電路，同時使用精簡指令集。

2 結(jié)論

運用數(shù)學(xué)建模的相關(guān)知識，得到了一個簡單的能夠?qū)υ擃愋图矣秒娖鬟M行實時監(jiān)控的模型。這不僅大大地降低了家用電器在運行過程中可能發(fā)生致命性問題的幾率，同時還防止了小型故障轉(zhuǎn)化為重大故障而用戶不知情繼續(xù)使用的情況，從而側(cè)面減輕了家用電器售后服務(wù)的壓力。在這種情況下，我們的模型很好的加強了商業(yè)品牌售后服務(wù)和整體口碑，今后或許會有更加優(yōu)化的模型來深刻研究這個主題。

參考文獻

[1]茆詩松，程依明，濮曉龍.概率論與數(shù)理統(tǒng)計教程[M].北京：高等教育出版社，2011.

[2]楊桂元，朱家明.數(shù)學(xué)建模競賽優(yōu)秀論文評析[M].合肥：中國科學(xué)技術(shù)大學(xué)出版社，2013.

[3]吳建國，等.數(shù)學(xué)建模案例精編[M].北京：中國水利水電出版社，2005.

[4]何曉群.多元統(tǒng)計分析[M].北京：中國人民大學(xué)出版社，2004.

[5]杜強，賈麗艷.SPSS統(tǒng)計分析從入門到精通[M].北京：人民郵電出版社，2011.