家用電器實時檢測與數據分析

張嘉澍

摘 要 隨著科學技術的發展，電力系統自動化的程度越來越高，對安全運行的要求也越來越高，設備運行狀態的監測因此受到了前所未有的重視。在這種情況下，傳統的故障診斷技術已經不能滿足現階段的要求，一旦電器發生故障將會造成巨大的經濟損失和人員傷亡。對于家用電器來說，故障的維護和診斷也是日益趨于復雜化。于是，如何讓對家用電器進行有效的實時監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口碑，進一步提高品牌的公信力，從而減輕了企業在其他方面的壓力。于是，我們借助某匿名電器商的一款家用電器的數據，運用spss和matlab使用多元線性回歸的辦法對其進行建模，從而得到能夠實時監測家用電器而達成我們目標的辦法。

關鍵詞 家用電器；商業價值；多元線性回歸；相關性分析

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

首先，電器在復雜的工作環境中，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生異常數據。我們可以選用簡單易行的spss軟件對數據進行極端值和異常值的批量處理。在此之前，還可以在測量數據的環境中排除上述干擾來減輕工作量。

其次，根據在環境1和2中的不同數據，以及它們表現出來的故障與無故障結果，分別使用spss進行數據的相關性分析來得到他們對故障判別的重要程度。同時，我們繼續對數據使用spss和matlab進行多元線性回歸從而根據相關系數得到初步模型，隨后對環境A與B里的數據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誤判的情況。因此，在失誤肯定會有一定幾率發生的情況下，將故障判斷為正常的錯誤，因此，當出現模型無法判斷出此電器為故障或正常的搖擺數據時，我們將嵌入相關的影響因子將此電器判定為故障，從而減少危險事件的發生。

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用，我們決定采用指令cache和數據cache分離的方法對模型進行優化從而顯著降低了模型的計算復雜度，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 異常數據的解決

為了解決首要的問題，同時為后續建模工作打下堅實的基礎，我們決定使用spss來進行剔除異常數據的工作。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“描述統計“下“頻率”的”繪制頻率表格，看圖找頻數出現最少的值和極大極小值，就可能是異常值。在這種模式下，我們對不同環境中的所有數據都進行了異常數據的剔除。于是在以后的建模過程中，我們不再會受到異常數據的干擾。在解決了異常數據對建模分析的影響之后，以及在我們問題假設的前提條件下，我們可以基本確保在今后的過程中不會再有異常數據的出現，從而避免了該因素對參數之間分析的影響，并且使得模型的準確性更高。

1.2 相關性分析

我們在spss中輸入數據以及分析，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據的變量，將字符串數據變為int數據。步驟2：輸入數據，將文件導入spss。步驟3：分析數據，在系數表格中觀察顯著性這一欄，其中<0.05的說明其與結果有相

關性。

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

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

1.3 判別重要程度以及模型的建立

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

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的，因此，建立的模型也比較容易出現誤判的現象。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，如果發生當前模型無法判定的情況，優先將電器判斷為故障。

1.5 加入影響因子

加入循環校驗碼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，循環冗余校驗同其他差錯檢測方式一樣，通過在要傳輸的k比特數據D后添加（n-k）比特冗余位（又稱幀檢驗序列，Frame Check Sequence，FCS）F形成n比特的傳輸幀T，再將其發送出去。

校驗碼格式

特別的，循環冗余校驗提供一個預先設定的（n-k+1）比特整數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（2）式，有

（2n-kD+F）/P=2n-kD/P+F/P （3）

現在，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化。

1.6 降低計算復雜度

為了降低模型運算過程中的復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、CPU利用率。我們要進行指令cache與數據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。最后，還可以在CPU中采用多總線結構，控制器則可以使用組合邏輯電路，同時使用精簡指令集。

2 結論

運用數學建模的相關知識，得到了一個簡單的能夠對該類型家用電器進行實時監控的模型。這不僅大大地降低了家用電器在運行過程中可能發生致命性問題的幾率，同時還防止了小型故障轉化為重大故障而用戶不知情繼續使用的情況，從而側面減輕了家用電器售后服務的壓力。在這種情況下，我們的模型很好的加強了商業品牌售后服務和整體口碑，今后或許會有更加優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.概率論與數理統計教程[M].北京：高等教育出版社，2011.

[2]楊桂元，朱家明.數學建模競賽優秀論文評析[M].合肥：中國科學技術大學出版社，2013.

[3]吳建國，等.數學建模案例精編[M].北京：中國水利水電出版社，2005.

[4]何曉群.多元統計分析[M].北京：中國人民大學出版社，2004.

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