本公开涉及一种用于生成学习模型的方法以及使用生成的学习模型的数据学习服务器。
背景技术：
最近，已经在各种应用领域中使用了智能服务以自动地辨识诸如语音、图像、视频或文本的数据，以提供与数据相关联的信息或提供与数据相关联的服务。
与现存的基于规则的智能系统不同，用于智能服务的人工智能(ai)技术是实施人类等级智能的技术，其中，机器学习、判断以及迭代地改进分析和决策制定。随着ai系统的使用增加，用户品味的准确度、辨识率和理解或预期可能相对应地增加。因此，现存的基于规则的智能系统逐渐地被ai系统代替。
ai技术由机器学习和利用机器学习的基本技术(elementarytechnology)组成。
机器学习是能够分类或学习输入数据的特性的算法技术。元素技术(elementtechnology)是使用诸如深度学习的机器学习算法来模拟诸如人脑的辨识和判断的功能的技术。机器学习由诸如语言理解、视觉理解、推理、预测、知识表示、运动控制等的技术领域组成。
实施ai技术的各个领域可以包括下述。语言理解是用于辨识、应用和/或处理人类语言或字符的技术，并且包括自然语言处理、机器翻译、对话系统、问答、语音辨识或合成等。视觉理解是用于将对象辨识和处理为人类视觉的技术，包括对象识别、对象跟踪、图像搜索、人类辨识、场景理解、空间理解、图像增强等。推断预测是用于判断并且逻辑地推断和预测信息的技术，包括基于知识的和基于概率的推断、优化预测、基于偏好的规划、推荐等。知识表示是用于将人类经验信息自动化为知识数据的技术，包括知识构建(数据生成或分类)、知识管理(数据利用)等。运动控制是用于控制车辆的自主运行和机器人的运动的技术，包括运动控制(导航、碰撞、驱动)、操作控制(行为控制)等。
技术实现要素：
技术问题
根据本公开的实施例，本公开的目的是使用ai功能来诊断家用电器(例如，空调器、冰箱、洗衣机、机器人清洁器等)的故障。
本公开提供了一种用于生成或更新诊断家用电器的故障的学习模型以及使用该学习模型的方法。
在本公开中将要解决的任务不限于以上阐述的技术挑战，并且本领域普通技术人员根据以下描述可以清楚地理解未被提及的其他任务。
技术方案
根据实施例，一种数据学习服务器包括：通信器，被配置为与外部设备可通信；学习数据采集单元，被配置为使用通信器来获取家用电器的产品信息和与家用电器的故障有关的操作信息；模型学习单元，被配置为使用产品信息和操作信息来生成或更新学习模型；以及存储装置，被配置为存储学习模型，该学习模型被训练为使用所生成的或更新的学习模型来估计家用电器的故障项和与故障项有关的新的故障检测模式。
根据实施例的数据学习服务器可以包括：存储装置，被配置为存储学习模型，该学习模型被训练为估计家用电器的故障项和与故障项有关的新的故障检测模式；辨识数据采集单元，被配置为获取家用电器的操作信息；模型应用单元，被配置为通过向学习模型应用操作信息来获取家用电器的故障项；以及通信器，被配置为向外部设备传送所获取的故障项。
根据实施例的空调器包括：显示器；传感器，被配置为感测空调器内部的温度、空调器外部的温度、压力或湿度中的至少一个；风机，被配置为向外部排出冷空气；通信器，被配置为与外部设备可通信；以及处理器，被配置为包括通过传感器感测的感测值，基于向外部设备传送与空调器的故障有关的操作信息来控制通信器以使得从外部设备接收作为向学习模型应用操作信息的结果的故障项，以及控制显示器以显示接收的故障项，并且学习模型可以使用空调器的操作信息来训练。
根据实施例的用户终端可以包括：显示器；通信器；输入器，被配置为接收用户输入；处理器，被配置为基于通过输入器接收到请求执行诊断功能的用户输入信号来控制通信器向空调器传送用于请求与故障诊断功能执行相对应的操作的信号，以及基于获取通过下述所估计的故障项来控制显示器以显示获取的故障项：该故障项是通过根据用于经由通信器从外部设备请求操作的信号来向学习模型应用空调器的操作信息而估计的。
有利效果
根据本公开的实施例，可以通过使用ai技术来诊断家用电器的故障发生的可能性，并且因此，可以大大地减少用户的不便。
可以使用家用电器的各种信息来连续地更新本公开的学习模型。因此，使用本公开的学习模型越多，可以向用户提供具有更高的准确度的故障诊断服务。
本公开的学习模型可以向用户提供下述情形，其中，通过提供连续地更新的故障检测模式来连续地管理家用电器。
附图说明
图1a和图1b是图示出根据实施例的、用于生成和使用学习模型的网络系统的视图；
图2a和图2b是图示出根据实施例的数据学习服务器30的配置的视图；
图3是描述根据实施例的、在故障诊断服务器中估计新的故障检测模式的视图；
图4是根据实施例的、将存储在数据学习服务器中的现存的故障检测模式与新的故障检测模式进行比较的视图；
图5a是图示出根据实施例的、作为家用电器之一的空调器的配置的框图；
图5b是图示出根据实施例的用户终端1000的配置的框图；
图6是描述根据实施例的、由故障诊断服务器使用空调器中所包括的压缩器的操作信息根据电流的上升来确定压缩器的劣化的流程图；
图7是描述根据实施例的、故障诊断服务器生成学习模型并且使用学习模型来估计家用电器的故障的流程图；以及
图8的a和b是描述根据实施例的、用户终端显示关于最近生成的故障检测模式和故障项的信息的视图。
具体实施方式
在实施例中示出的配置和在本文描述的附图仅仅是示例性的，并且可以在提交本申请时对本公开的实施例和附图作出各种修改。
在本文中的每个附图中呈现的相同的附图标记或数字表示基本上执行相同的功能的部件或组件。
在本公开中使用的术语用于描述实施例并且将不被解释为被术语限制。单数表达意图包括复数形式，除非上下文清楚地指示其他。将进一步理解，在说明书中所使用的术语“包括”或“由…形成”指定在说明书中提及的特征、数字、步骤、操作、组件、部件或者其组合的存在，但是不排除一个或多个其他特征、数字、步骤、操作、组件、部件或者其组合的存在或添加。
此外，尽管如在本文所使用的术语“第一”、“第二”等可以用于描述各种元件，但这些元件不被这些术语限制，并且术语仅用于将一个元件与另一个相区别。例如，在不背离本公开的范围的情况下，第一元件可以被称为第二元件，并且类似地，第二元件能够被称为第一元件。术语“和/或”包括多个相关联的列举项中的任何或多个相关联的所列项。
将理解，元件(例如，第一元件)与另一个元件(例如，第二元件)“操作地或通信地耦合/操作地或通信地到其”是：任何这样的元件可以直接地连接到其他元件或可以经由另一个元件(例如，第三元件)被连接。
在下文中，将参考附图来进一步描述实施例。
图1a和图1b是图示出根据实施例的、用于生成和使用学习模型的网络系统的视图。
网络系统可以包括家用电器100、用户终端1000以及故障诊断服务器10。
家用电器100可以包括，例如，空调器101、冰箱102、洗衣机103、机器人清洁器104等。
用户终端1000可以是远程地控制家用电器100的设备。用户终端1000可以包括，例如，装有家用电器控制应用的智能电话、蜂窝电话或平板型个人计算机(pc)。根据各个实施例，用户终端1000可以包括智能电视(tv)、数字照相机、个人数字助理(pda)、便携式多媒体播放机(pmp)、笔记本型计算机、桌面型计算机等。
用户终端1000可以远程地控制家用电器。例如，用户终端1000可以通过使用诸如超高频(uhf)、甚高频(vhf)、红外线数据协会(irda)、广域网(wan)、局域网(lan)、移动通信、蓝牙、wi-fi、紫蜂(zigbee)等的射频(rf)通信技术来向家用电器100传送控制命令。
故障诊断服务器10可以经由第三设备(例如、接入点(ap)、中继器、路由器、网关或集线器)与家用电器100连接或与直接地连接。
根据实施例，故障诊断服务器10可以根据功能由一个服务器或多个服务器组成。例如，故障诊断服务器10可以包括桥服务器20或数据学习服务器30中的至少一个。
根据实施例，桥服务器20可以是例如用于从家用电器收集各种信息(例如产品信息、操作信息等)的服务器。桥服务器20可以包括连接应用编程接口(api)22和状态数据数据库(db)24。
连接api22例如可以包括充当根据异质协议操作的不同的设备之间的接口的应用编程接口(api)。api可以被定义为能够在任何一个协议中为了其他协议的任何处理被调用的子例程或功能的集合。也就是说，api可以提供在其中可以以任何一个协议执行其他协议的操作的环境。
根据实施例的桥服务器20可以使用连接api22来收集家用电器100的产品信息和操作信息。桥服务器20可以将所收集的家用电器100的产品信息和操作信息存储在db24中。
根据实施例，数据学习服务器30可以生成学习模型并且通过使用学习的生成模型来获得学习模型应用结果。数据学习服务器30例如可以包括数据收集api32、数据分析引擎34、分析db36以及数据服务api38。
将参考图1a来描述通过数据学习服务器30生成学习模型。
在操作①中，家用电器100可以经由第三设备(例如，接入点(ap)、中继器、路由器、网关或集线器)向故障诊断服务器10传送家用电器100的操作信息。根据各个实施例，家用电器100可以向故障诊断服务器10传送家用电器100的产品信息。故障诊断服务器10的桥服务器20可以使用连接api22来收集从家用电器100传送的家用电器100的产品信息和操作信息并且将所收集的家用电器100的产品信息和操作信息存储在状态数据db24中。
根据实施例，家用电器100的产品信息可以是家用电器的类型(例如，空调器、清洁器、冰箱、机器人清洁器等)或产品标识符(例如，制造编号、产品名称、制造日期等)中的至少一个。
根据各个实施例，家用电器100的产品信息可以包括家用电器100的位置信息。
家用电器100的操作信息可以是例如操作的历史(例如，设置的操作模式、周期地测量的驱动模式频率)、性能信息(例如，周期地测量的操作效率)、电流测量、频率测量、温度测量(例如，家用电器内的温度、家用电器外部的温度等)、压力测量、振动测量或故障历史(例如，错误代码生成、操作保持等)中的至少一个。
根据各个实施例，家用电器100的操作信息可以包括用于设置各种驱动模式的时间或用于维持驱动模式的时间段中的至少一个。
在操作②中，数据学习服务器30可以使用数据收集api32来获得存储在桥服务器20的状态数据db24中的家用电器100的产品信息和操作信息。
在操作③中，数据学习服务器30的数据分析引擎34可以获得通过数据收集api32所获得的家用电器100的产品信息和操作信息。
在操作④中，数据学习服务器30的数据分析引擎34可以使用获取的家用电器100的操作信息作为学习数据来生成或更新用于估计家用电器100的故障项和与故障项相关联的新的故障检测模式的学习模型。根据各个实施例，数据分析引擎34可以使用所获得的家用电器100的产品信息作为学习数据。
故障项可以意指形成家用电器的组件的故障，诸如例如压缩器故障、风扇故障等。故障检测模式可以意指例如在压缩器、风扇等中测量的电流值的改变、压力值的改变、频率的改变等。然而，故障项和故障检测模式不限于此。
根据各个实施例，数据学习服务器30使用学习数据来生成或更新学习模型的间隔可以基于时间、每日，或每月，或在特定事件发生的情况下进行。然而，学习模型的生成和更新间隔不限于此。
在操作⑤中，数据学习服务器30可以将所生成的学习模型存储在分析db36中。在该情况下，学习模型可以被配置为估计与家用电器100的故障项有关的新的故障检测模式，而不是一般学习模型。
根据各个实施例，故障项可以包括存储在分析db36中的现存的故障项和未存储在分析db36中的新的故障项。也就是说，数据学习服务器30可以向数据服务api38传送与估计的新的故障检测模式相对应的新的故障项。
参考图1b，将描述由数据学习服务器30使用学习模型。
在操作⑥中，家用电器100可以经由第三设备(例如，接入点(ap))来向故障诊断服务器10传送家用电器100的操作信息。故障诊断服务器10的数据学习服务器30可以使用数据服务api38来获得家用电器的操作信息。
在操作⑦中，数据学习服务器30可以将所获得的家用电器100的操作信息输入到所学习的学习模型中以估计存储在分析db36中的家用电器100的故障项和与故障项相关联的新的故障检测模式。
在操作⑧中，作为应用学习模型的结果，数据学习服务器30可以估计与家用电器100的操作信息有关的故障项。估计故障项例如可以是使用操作信息来估计故障的概率(或故障发生的概率)。数据学习服务器30的分析db36可以向数据服务api38传送所估计的故障项。
根据各个实施例，与从家用电器100获得的操作信息无关，数据学习服务器30的分析db36可以向数据服务api38传送与新近估计的故障检测模式(例如，新的故障检测模式的数量、与新的故障检测模式相关联的故障项、新的故障检测模式的重要性等)有关的信息。例如，分析db36可以根据数据学习服务器30使用产品信息和操作信息更新学习模型的时段来向数据服务api38传送与新近添加的故障检测模式相关联的信息。
在操作⑨中，数据学习服务器30可以经由第三设备(例如，接入点(ap))向家用电器100传送所估计的故障项。此外，数据学习服务器30可以通过第三设备向家用电器100传送与新近估计的故障检测模式有关的信息。根据各个实施例，在操作⑨中，数据学习服务器30可以经由第三设备向用户终端1000传送所确定的故障项。数据学习服务器30可以通过第三设备向用户终端1000传送与新近估计的故障检测模式有关的信息。
在操作⑩中，接收与新的故障检测模式有关的故障项的家用电器100可以在显示器等上显示所接收的故障项。此外，接收与新近估计的故障检测模式有关的信息的家用电器100可以在显示器等上显示与所接收的故障检测模式有关的信息(例如，新近记录的故障检测模式的数量等)。
根据各个实施例，在操作⑩中，接收与新的故障检测模式有关的故障项的用户终端1000可以在显示器等上显示所接收的故障项。接收与新近估计的故障检测模式有关的信息的用户终端1000可以在显示器等上显示与所接收的故障检测模式有关的信息(例如，新近记录的故障检测模式的数量等)。
图2a和图2b图示出根据实施例的数据学习服务器30的配置。
图2a是其中数据学习服务器30生成或更新学习模型的功能框图。图2b是使用由数据学习服务器30生成或更新的学习模型的功能框图。
根据各个实施例，可以考虑学习服务器的应用领域、学习的目的、设备的计算机性能等来构造数据学习服务器30中所包括的学习模型。学习模型可以是例如基于神经网络的模型。例如，可以使用诸如深层神经网络(dnn)、递归神经网络(rnn)以及双向递归深层神经网络(brdnn)等的学习模型，但是不限于此。
参考图2a和图2b，数据学习服务器30可以包括通信器210、存储装置220以及处理器230。
通信器210可以与外部设备进行通信。
外部设备可以包括外部服务器(例如，桥服务器20等)或家用电器100中的至少一个。
通信器210可以有线地或无线地与外部设备进行通信。无线通信例如可以包括蜂窝式通信、近场无线通信或全球导航卫星系统(gnss)通信。蜂窝式通信例如可以包括长期演进(lte)、高级lte(lte-a)、码分多址(cdma)、宽频带cdma(wcdma)、通用移动电信系统(umts)、无线宽带(wibro)或全球移动通信系统(gsm)。近场无线通信例如可以包括无线保真(wifi)、wifi直连、光保真(lifi)、蓝牙、蓝牙低功耗(ble)、紫蜂、近场通信(nfc)、磁性安全传输、射频(rf)或体域网(ban)。
数据学习服务器30可以包括存储装置220。存储装置220可以存储由数据学习服务器30生成的学习模型。
存储装置220可以包括易失性存储器或非易失性存储器。易失性存储器例如可以包括随机存取存储器(ram)(例如dram、sram，或sdram)。非易失性存储器例如可以包括一次可编程只读存储器(rom)(otprom)、可编程只读存储器(prom)、可擦除可编程序只读存储器(eprom)、电可擦可编程只读存储器(eeprom)、掩模型rom、闪存rom、闪速存储器、硬盘驱动器或固态驱动器(ssd)。
处理器230可以包括中央处理设备、应用处理器、图形处理单元(gpu)、照相机图像信号处理器或通信处理器(cp)中的一个或多个。
根据实施例，可以将处理器230实施为片上系统(soc)或系统级封装(sip)。处理器230例如可以驱动操作系统或应用程序以控制耦合到处理器230的数据学习服务器30的至少一个其他组件(例如，硬件或软件组件)，并且可以执行各种数据处理和计算。
处理器230可以将从其他组件(例如：通信器210)接收到的命令或数据加载到易失性存储器并且处理其，以及将结果数据存储在非易失性存储器中。
图2a中的处理器230是用于生成学习模型的功能框图。
参考图2a，处理器230可以包括学习数据采集单元230a和模型学习单元230b。
学习数据采集单元230a可以通过通信器210获取家用电器100的产品信息和操作信息中的至少一个。例如，学习数据采集单元230a可以从连接到家用电器100的桥服务器20获得家用电器100的产品信息和操作信息。替换地，学习数据采集单元230a可以从家用电器100或与家用电器100进行通信的第三设备获得产品信息和操作信息。
模型学习单元230b可以使用所获取的家用电器100的操作信息来生成或更新学习模型。另外，模型学习单元230b可以使用所获得的家用电器100的产品信息来生成或更新学习模型。存储装置220可以存储所学习的学习模型以作为创建或更新学习模型的结果来估计家用电器100的新的故障检测模式。
图2b是其中处理器230使用学习模型的功能框图。
参考图2b，处理器230可以包括辨识数据采集单元230c和模型应用单元230d。在该示例中，存储装置220可以估计家用电器100的新的故障检测模式并且存储学习为提供与估计的新的故障检测模式有关的故障项的学习模型。
参考图2b，辨识数据采集单元230c可以获取家用电器100的操作信息。
模型应用单元230d可以向存储装置220的学习模型应用所获取的操作信息并且获取家用电器100的故障项。
通信器210可以向外部设备传送所获取的家用电器100的故障项。外部设备例如可以是家用电器100或与家用电器100进行通信的第三设备等。
根据各个实施例，处理器230可以控制通信器210向外部设备传送与由存储装置220的学习模型新近估计的故障检测模式有关的信息。
图3是描述根据实施例的、在故障诊断服务器中估计新的故障检测模式的视图。
参考图3a，存储装置220可以存储基本故障检测模式310。基本故障检测模式例如可以是由制造商通过反复的实验和数据收集所生成的结果。
参考图3b，模型学习单元230b能够使用通过通信器(例如，图2a的通信器210)所获得的家用电器100的操作信息来生成或更新学习模型。模型学习单元230b可以使用所获得的家用电器100的产品信息来生成或更新学习模型。
例如，模型学习单元230b可以使用家用电器100的操作信息来估计新的故障检测模式。模型学习单元230b可以通过进一步使用所获取的家用电器100的产品信息来估计新的故障检测模式。
根据实施例，模型学习单元230b可以检测所获得的操作信息当中的故障历史(例如生成与故障有关的错误的历史、已经由于故障停止了驱动的历史、驱动性能劣化到小于或等于预置级别(例如：与平均驱动性能相比，60％或更少等)的历史)，并且可以在检测到故障历史时在预定时段识别操作信息。
例如，模型学习单元230b可以通过基于检测到故障历史时的时间向回计算十小时而检测到在压缩器处电流被维持在10a或更大达10分钟或更长的记录。模型学习单元230b可以将所检测的记录存储为新的第一故障321。
如果发现电流改变和与该电流改变的故障历史类似的故障历史，则模型学习单元230b可以累积具有新的第二故障322和新的第三故障323的记录。如果累积的记录超过预先确定的次数(例如，在500或更多家用电器100处检测到)，则模型学习单元230b可以估计电流的改变为新的故障模式并且生成第一组320的故障模式。
根据各个实施例，模型学习单元230b可以更新预存的基本故障检测模式。可以改变基本故障检测模式310，使得例如压缩器的电流在一小时内改变为10a或更大达三次或更多次。
根据各个实施例的模型学习单元230b可以通过从检测到故障历史时的时间向回计算五小时而检测到记录，例如在压缩器中在一个半小时内测量10a或更大的电流值达三次或更多次。
模型学习单元230b可以估计检测到的记录类似于预存的基本故障检测模式310的格式并且将所检测到的模式累积和存储在基本故障检测模式310中。如果在与基本故障检测模式类似的模式中累积的记录超过预先确定的次数(例如，在100或更多家用电器100处检测到)，则模型学习单元230b可以通过将所检测到的模式反映到基本故障检测模式310来更新基本故障检测模式310。
根据各个实施例，模型学习单元230b可以使用操作信息中所包括的多个项来估计并且生成新的故障检测模式。
根据各个实施例，模型学习单元230b可以通过从在500或更多家用电器100检测到故障历史时的时间向回计算十小时而检测到例如在压缩器中在一小时内电流被维持在10a或更大达三次或更多次。模型学习单元(例如，230b)可以在500或更多家用电器处没有故障的情况下检测到在处理器中在一小时内电流被维持在10a或更大达三次或更多次的记录。
模型学习单元230b可以进一步检测家用电器100的操作信息当中的其他项的记录。例如，如果在压缩器中在一个小时内电流被维持在10a或更大达三次或更多次，则模型学习单元230b可以与故障历史一起检测到在相同的时段内压缩器的温度从平均驱动温度上升十度或更多度的记录。
模型学习单元230b可以估计并且生成在一小时内同时与平均驱动温度相比压缩器的温度上升十度或更多并且电流改变为10a或更大达三次或更多次的情况作为新的故障模式。
根据实施例的模型学习单元230b可以重复以上操作并且生成或更新第二组330的新的故障模式、第三组340的新的故障模式等。
参考图3c，存储装置220可以获取并且存储模型学习单元230b估计为新的故障检测模式并且生成的数据。
根据实施例，数据学习服务器30可以通过使用如上所述地更新的或生成的学习模型来预测家用电器100的故障。因此，操作包括数据学习服务器30的故障诊断服务器10的制造商可以通过采取动作(诸如提前准备组件以为任何故障作准备)来减少用户在使用产品时的不便。
图4的a和b是根据实施例的、将存储在数据学习服务器中的现存的故障检测模式与新的故障检测模式进行比较的视图。
图4的a和b的图的水平轴可以表示时间，并且图的垂直轴可以表示电流。在图上显示的第一曲线410和第二曲线420可以表示随着时间的推移的电流的测量。
在图4的a中示出的第一曲线410可以是其中已经存储了数据学习服务器30的故障检测模式。例如，预存的故障模式可以是在十天内在压缩器测量的电流上升到预先确定的斜率(例如，具有为二的值的斜率)而超过10a的情况。在该情况下，数据学习服务器30可以假定压缩器很可能劣化。
根据各个实施例，预先确定的斜率可以具有大约5％的变化。基于记录——电流在第一部分431中上升到具有为2的值的斜率、达到10a，并且电流在第二部分432中关于具有为2.1的值的斜率上升，到达10a——数据学习服务器30可以估计出，很有可能的是，在家用电器100中可能发生故障(示例：压缩器的劣化)。
图4的b中图示出的第二曲线420可以是通过由数据学习服务器30估计为新的故障检测模式所生成的故障检测模式。例如，在从100个或更多家用电器100获取与第二曲线420的模式类似的随时间的电流改变以及故障已经在从电流改变起的五小时内的五小时内发生的故障历史之后，数据学习服务器30可以估计并且生成第二曲线420作为新的故障检测模式。
根据实施例，在新的检测模式中，由压缩器所测量的电流可以在五天内两次或更多次地上升到为3的值的斜率、超过10a。
根据各个实施例，预先确定的斜率可以具有5％的范围。基于记录——电流在第三部分433中以具有为3的值的斜率上升并且超过10a，以及电流在第四部分434以具有为3.15的值的斜率上升并且超过10a——数据学习服务器30可以估计家用电器100可能高度可能具有故障。
根据各个实施例，图4的a中图示出的第一曲线410是预存的故障检测模式，并且可以是由压缩器所测量的电流在十天内与平均值相比急剧地上升10％或更大达两次或更多次的情况。在该示例中，数据学习服务器30可以估计出压缩器很可能劣化。
例如，基于记录——电流在第一部分431中与平均值相比上升10％或更多并且电流在第二部分432中也与平均值相比上升10％或更多——数据学习服务器30可以估计出，在家用电器100中高度可能发生故障(例如：压缩器的劣化)。
根据各个实施例，图4的b示出的第二曲线420可以是通过数据学习服务器30作为新的故障检测模式所估计的故障检测模式。例如，在从1000或更多家用电器100获取与第二曲线420的模式类似的随时间的电流改变和从电流改变起三小时内的故障历史之后，数据学习服务器30可以估计并且生成第二曲线420作为新的故障检测模式。
根据各个实施例，图4的b中示出的第二曲线420可以是通过数据学习服务器30作为新的故障检测模式所生成的故障检测模式。新的故障检测模式可以是在五天内由压缩器所测量的电流与平均值相比急剧地上升12％或更多两次或更多次的情况。
例如，基于记录——电流在第三部分433中与平均值相比上升12％或更多并且电流在第四部分434中与平均值相比上升12％或更多——数据学习服务器30可以估计出，在家用电器100中高度可能发生故障(示例：压缩器的劣化)。
根据实施例的数据学习服务器30可以在故障发生在关键组件中之前估计故障的可能性并且向家用电器100的制造商传送请求进行组件的预先订购的信号。
因而，制造商可以节省为了修复而更换组件的时间并且减少由于低价格组件中的故障造成的高价格组件中的连续故障发生。制造商可以提前向故障的修理工程师通知关于故障发生的组件的信息，并且修理工程师可以减少用于故障修理的时间。
图5a是图示出根据实施例的、作为家用电器之一的空调器的配置的框图。
参考图5a，空调器101可以包括传感器510、风机520、通信器530、存储装置540、显示器560和处理器550。作为各个实施例，空调器101可以省略前述元件中的至少一个或额外地包括其他元件。
传感器510例如可以包括温度传感器、压力传感器、振动传感器、湿度传感器、照度传感器等。根据实施例，传感器510可以感测空调器内部的温度101和空调器101周围的室内温度。
风机520可以通过打开/闭合部分(未示出)向外部排出冷空气。替换地，在静止空气(still-air)模式中，风机520可以通过多个微孔(未示出)以预先确定的速度或更小来向外部排出冷空气。预先确定的速度可以是0.25m/s或更小，并且优选地是0.15m/s或更小。
通信器530可以与外部设备进行通信。在这时，外部设备可以包括故障诊断服务器10、数据学习服务器30和用户终端1000中的至少一个。通信器530与外部设备的通信可以包括经由第三设备等与外部设备进行通信。例如，通信器530可以从用户终端1000接收用于控制空调器101的遥控信号。
通信器530可以通过有线通信或无线通信与外部设备进行通信。例如，通信器530可以根据诸如蜂窝式通信、近场通信的标准执行通信，并且通过因特网、通用串行总线(usb)通信、wi-fi、蓝牙、紫蜂、红外(ir)、诸如超高频(uhf)和甚高频(vhf)的射频(rf)、超宽频带(uwb)等执行与控制终端设备的通信。
存储装置540存储用于执行空调器101的功能的各种软件和程序。具体地，存储装置540可以根据多个驱动模式来存储温度控制算法。在这里，温度控制算法可以包括根据每个操作模式的预定时段、风速的强度、风速的方向等的设置温度的改变。此外，根据本公开，存储装置540可以基于空调器101的操作信息来存储训练的学习模型。
处理器550可以读出存储在存储装置540中的程序。处理器550可以读出包括一系列可读指令的程序并且根据设置温度执行空气调节，以执行空调器101的功能。
处理器550可以感测室内热交换器中的冷冻剂的压力和/或温度以检测是否执行正常空气调节。例如，处理器550可以感测在室内热交换器管中是否存在损坏或霜以及蒸汽在空中被冷凝的水是否被适当地移除。
处理器550可以控制风机520的速度。更具体地，处理器550可以根据传感器510所测量的环境温度和设置温度来控制风机520旋转的速度。更具体地，处理器550可以根据环境温度和设置温度之间的差来控制风机520旋转的速度。例如，如果环境温度和设置温度之间的差较大，则可以将风机520的旋转速度增加以达到设置温度，并且如果室内温度和设置的温度之间的差较小或室内温度达到设置温度，则可以将风机520的旋转速度减速，使得室外单元的压缩器不随着室内温度下降太多而关闭。例如，处理器550可以将风机520的旋转速度控制为在500转每分钟(rpm)与900rpm之间。
处理器550可以控制通信器530向外部设备传送空调器101的产品信息(例如空调器101的制造编号、名称和制造日期等)以及操作信息(例如，操作历史、性能信息、电流测量、频率测量、温度测量、压力测量、振动测量、故障历史等)。
处理器550可以控制通信器530接收新的故障检测模式信息和从外部设备接收到的故障项并且进行控制以在显示器560等上显示通过通信器530所获得的新的故障检测模式和故障项。
显示器560可以显示与空调器有关的各种信息。例如，显示器560可以显示当前环境温度、由用户设置的温度、当前风速、操作模式等。
根据实施例的显示器560可以显示从外部设备接收到的与新的故障检测模式有关的信息以及故障项。
根据各个实施例，可以存在包括数据学习服务器(示例：图1a的数据学习服务器30)的网络系统以用于生成使用空调器101的学习模型以及从空调器101获取的学习数据。
网络系统的空调器101可以包括用于感测空调器101内部或周围的温度的传感器510、用于向外部排出冷空气的风机520和与外部设备可通信的通信器530。空调器101可以包括处理器550用于控制通信器530向外部设备传送在空调器101中设置的温度和通过传感器510感测的环境温度。
外部设备可以包括故障诊断服务器10、数据学习服务器(示例：图1a的数据学习服务器30)或与故障诊断服务器10或数据学习服务器(示例：图1a的数据学习服务器30)中的至少一个通信的第三设备。
网络系统的数据学习服务器(例如，图1a的数据学习服务器30)可以包括：用于获取从空调器101传送的产品信息和操作信息的学习数据采集单元(例如，图2a的学习数据采集单元203a)、用于使用操作信息来生成学习模型的模型学习单元(例如，图2a的模型学习单元203b)和存储故障项和用于估计与作为生成学习模型的结果的故障项相关联的新的故障检测模式的被训练的学习模型的存储装置(例如，图2a的存储装置202)。
根据各个实施例，可以存在包括空调器101和用于使用从空调器101获得的辨识数据来提供故障项的数据学习服务器(例如，图1a的数据学习服务器30)的网络系统。
网络系统的空调器101可以包括用于感测环境温度的传感器510、用于向外部排出冷空气的风机520、与外部设备可通信的通信器530以及用于控制通信器530向外部设备传送空调器101的操作信息的处理器550。
外部设备可以包括故障诊断服务器10、数据学习服务器(示例：图1a的数据学习服务器30)或者与故障诊断服务器10或数据学习服务器(示例：图1a的数据学习服务器30)中的至少一个通信的第三设备。
数据学习服务器(例如，图1a的数据学习服务器30)可以估计空调器101的新的故障模式并且包括：用于存储被训练的学习模型以提供与估计的故障模式有关的故障项的存储装置(例如，图2b的存储装置202)、获得空调器101的操作信息的辨识数据采集单元(例如，图2b的辨识数据采集单元203c)、通过将操作信息输入到学习模型中来获得空调器101的故障项的模型应用单元(例如，图2b的模型应用单元203d)，以及用于向外部设备传送所获得的故障项的通信器201(例如，图2b的通信器201)。外部设备可以包括空调器101或与空调器101进行通信的第三设备。外部设备可以包括用户终端1000或与用户终端1000进行通信用于传送推荐的温度的第三设备。
图5b是图示出根据实施例的用户终端1000的配置的框图。
参考图5b，用户终端1000可以包括显示器570、通信器575、输入器580、存储装置585和处理器590。
显示器570可以可视地向用户提供用户终端1000的信息。例如，显示器570可以通过处理器590的控制来显示与ai操作有关的用户界面。
通信器575可以支持在用户终端1000和外部设备之间建立有线或无线通信信道，以及通过所建立的通信信道的通信执行。外部设备例如可以包括故障诊断服务器(例如，图1a的故障诊断服务器10)、数据学习服务器(例如，图1a的数据学习服务器30)和与故障诊断服务器(例如，图1a的故障诊断服务器10)进行通信的第三设备以及数据学习服务器(例如，图1a的数据学习服务器30)中的至少一个。
通信器575可以使用无线通信模块(例如，蜂窝式通信模块、近场无线通信模块或全球导航卫星系统(gnss)通信模块)、有线通信模块(例如，局域网(lan)通信模块或输电线通信模块)经由近场通信网络(例如，蓝牙、wifi直连、红外线数据协会(irda)等)或远距离通信网络(例如，蜂窝网络、因特网，或计算机网络(例如，lan或wan))与外部设备进行通信。在以上描述的各种类型的通信模块可以被实施为单个芯片或单独的芯片。
输入器580可以从外部(例如，用户)接收将要用于用户终端1000的组件(例如：处理器590)的指令或数据。输入器580例如可以包括按钮、麦克风、触摸面板等。输入器580可以向处理器590传送根据用户输入生成的用于控制用户终端1000的用户输入信号。
存储装置585可以存储由至少一个元件(例如，处理器590)使用的各种数据，例如，关于与其有关的命令的软件(例如，程序)、输入数据或输出数据。存储装置585可以包括易失性存储器或非易失性存储器。
程序是存储在存储装置585中的软件(例如操作系统)并且可以包括中间件或应用。
处理器590可以例如驱动存储在存储装置585中的软件(例如，程序)以控制连接到处理器590的用户终端1000的至少一个其他元件(例如，硬件或软件元件)并且执行各种数据处理和计算。处理器590可以将从其他元件(例如，通信器575)接收的指令或数据加载和处理到易失性存储器并且将结果数据存储在非易失性存储器中。
根据一个实施例，处理器590可以包括主处理器(例如，中央处理单元或应用处理器)，以及另外地或替换地与主处理器相比使用较少功率、或专用于指定的功能的独立地操作的辅助处理器(例如，图形处理单元、图像信号处理器、传感器集线器处理器或通信处理器)。在这里，辅助处理器可以单独地操作或嵌入在主处理器中。
根据各个实施例，当通过输入器580接收根据用于选择与通过显示器570提供的屏幕中所包括的人工智能操作有关的用户界面的用户输入的用户输入信号时，处理器590可以控制通信器575向空调器(例如，图1a的空调器101)传送与和ai操作有关的用户界面相对应的ai操作请求信号。当通过通信器575根据ai操作请求信号获取空调器的故障项(例如，图1a的空调器101)时，处理器590可以控制显示器570显示所获得的故障项。在这时，可以作为通过空调器(例如，图1a的空调器101)向学习模型应用空调器(例如，图1a的空调器101)的操作信息的结果来获得故障项。
根据各个实施例，可以存在包括空调器(例如，图1a的空调器101)和用于控制空调器(例如，图1a的空调器101)的用户终端1000的网络系统。
当通过输入器580接收选择和通过用户终端1000的显示器570提供的屏幕中所包括的ai操作有关的用户界面的根据用户输入的用户输入信号时，处理器590可以控制通信器575向空调器(例如，图1a的空调器101)传送与和ai操作有关的用户界面相对应的ai操作请求信号。
当空调器(例如，图1a的空调器101)通过空调器(例如，图1a的空调器101)的通信器530接收ai操作请求时空调器(例如图1a的空调器101)的处理器550可以控制通信器530向外部设备传送空调器(例如，图1a的空调器101)的操作信息。可以控制530。空调器(例如，图1a的空调器101)的处理器550可以控制通信器530从外部设备接收通过向学习模型反映所传送的操作信息所估计的故障项。处理器550可以显示通过通信器530所接收的故障项。故障项是基于空调器(例如，图1a的空调器101)的操作信息向所学习的学习模型应用操作信息以估计与故障项相关联的新的故障检测模式的结果。
图6是描述根据实施例的、使用空调器中所包括的压缩器的操作信息根据电流的上升来确定压缩器的劣化的流程图。
故障诊断服务器10可以使用例如获取的空调器的操作信息中所包括的频率、电流、吸取压力和温度、排出压力和温度中的至少一个来确定压缩器的劣化。
参考操作610，故障诊断服务器10可以获取使用获取的操作信息被三次测量的电流值。例如，故障诊断服务器10可以获取在100至200秒间隔中测量的电流值。
参考操作620，故障诊断服务器10可以识别在与在其间测量电流的时段相同的时段中所测量的排出压力是增加还是减少10％或更多。如果排出压力的改变超过10％，则故障诊断服务器10可以终止确定压缩器是否劣化。
参考操作630，当排出压力改变处于10％内时，故障诊断服务器10可以识别吸入压力改变是否处于10％内。当吸入压力改变超过10％时，故障诊断服务器10可以终止用于压缩劣化的确定处理而没有另外的处理。
参考操作640，当吸入压力改变处于10％内时，故障诊断服务器10可以识别是否存在操作频率的改变。如果存在操作频率的改变，则故障诊断服务器10可以终止用于压缩劣化的确定处理而没有另外的处理。
参考操作650，当没有操作频率的改变时，故障诊断服务器10可以识别电流测量当中的最后的测量是否大于或等于两次的在先测量的平均值的1.4倍。
当最后的电流测量大于或等于是两次的在先测量的平均值的1.4倍的值时，可以确定存在压缩器劣化的高可能性。如果最后的电流测量小于是两次的在先测量的平均值的1.4倍的值，则故障诊断服务器10可以终止用于压缩器劣化的确定处理而没有另外的处理。
故障诊断服务器10可以使用空调器的操作信息中所包括的各种项的改变其识别在空调器的元件中是否存在故障。
图7是描述根据实施例的、故障诊断服务器生成学习模型并且使用学习模型来估计家用电器的故障的流程图。
参考操作710，家用电器100可以得出家用电器100的操作信息。家用电器100可以得出家用电器100的产品信息。
根据实施例，家用电器100的产品信息可以是家用电器的类型(例如，空调器、洗衣机、冰箱、机器人清洁器等)、产品标识符(例如，制造编号、制造名称、制造日期等)，或故障历史(例如，错误代码生成、运动止住等)中的至少一个。
家用电器100的操作信息可以是例如操作历史(例如，设置的驱动模式、周期测量的驱动模式频率)、性能信息(例如，周期测量的操作效率)、电流测量、频率测量、温度测量(例如，家用电器内部的温度、家用电器外部的温度等)、压力测量、振动测量等中的至少一个。
参考操作720，家用电器100可以向故障诊断服务器10传送得出的家用电器100的操作信息。家用电器100可以向故障诊断服务器10传送得出的家用电器100的产品信息。
根据实施例，家用电器100可以向数据学习服务器30、故障诊断服务器10，或与数据学习服务器30进行通信的第三设备(例如，ap)传送得出的操作信息。
参考操作730，故障诊断服务器10可以生成或更新学习模型，该学习模型被训练为使用所接收的操作信息来估计与家用电器的故障项有关的新的故障检测模式。根据各个实施例，故障诊断服务器10可以通过使用家用电器100的产品信息来生成或更新学习模型。
参考操作740，家用电器100可以得出家用电器100的操作信息。
参考操作750，家用电器100可以向故障诊断服务器10传送得出的操作信息。
参考操作760，故障诊断服务器10可以向学习模型应用所接收的操作信息以估计家用电器的故障项。
图8的a和b是描述根据实施例的、用户终端显示关于最近生成的故障检测模式和故障项的信息的视图。
参考图8的a和b，用户终端1000可以执行用于响应于用户的输入来控制空调器101的应用。
用于控制空调器101的应用可以显示能够进行诸如空调器101的开/关、空调器101的操作模式的选择、ai操作选择、风强度设置、保留设置、ai故障诊断识别等等的操纵的用户界面810。
当用户界面810在用户终端1000中所包括的显示器1100的视见区范围之外时，用户可以通过使用拖动手势来将视见区范围之外的用户界面显示为位于视见区范围内。
参考图8的a，用户终端1000可以从故障诊断服务器接收与和空调器101的故障相关联的新的故障检测模式有关的信息并且在显示器1100上显示其。
例如，用户终端1000可以响应于执行ai故障诊断功能的用户输入在显示器1100上显示新近添加的故障检测模式的数量815。也就是说，用户终端1000可以向诊断服务器10传送用于选择ai故障诊断功能的用户输入。故障诊断服务器10可以向用户终端1000传送与新近添加的故障检测模式有关的信息。用户终端1000可以显示与所接收的新近添加的故障检测模式相关联的信息(例如，新近添加的故障检测模式的数量815)。
根据各个实施例，故障诊断服务器10可以根据预先确定的周期(例如，30天)向用户终端传送由故障诊断服务器10新近添加的故障检测模式的数量825。用户终端1000可以在显示器1100上显示故障检测模式的所接收的数量815。
根据实施例，用于控制空调器101的应用可以显示故障检测模式的现存的数量820，并且同时在显示器1100上形式新近添加的故障检测模式的数量815。
根据各个实施例，用于控制空调器101的应用可以将新近添加的故障检测模式和相关联的故障项(未示出)一起显示。
根据实施例，用于控制空调器101的应用可以显示诸如功率使用830和使用状态等等的一般空调器的使用的历史。
参考图8的b，用户终端1000可以从故障诊断服务器接收空调器101的故障并且在显示器1100上显示其。
例如，用户终端1000可以响应于执行ai故障诊断功能的用户输入来在显示器1100中显示故障诊断结果。也就是说，用户终端1000可以向空调器101的处理器(例如，图5的处理器550)或故障诊断服务器10传送选择ai故障诊断功能的用户输入。空调器101的处理器(例如，图5的处理器550)或故障诊断服务器10可以传送向用户终端1000诊断结果以执行故障诊断。用户终端1000可以显示所接收的故障诊断结果840。
根据各个实施例，故障诊断服务器10或空调器101的处理器(例如，图5的处理器550)可以根据预先确定的周期(例如，十天)自动地执行用于空调器101的故障诊断并且向用户终端1000传送结果。用户终端1000可以显示所接收的故障诊断结果840。
根据实施例，用于控制空调器101的用户界面810可以显示故障诊断结果840。故障诊断结果例如可以显示遭受故障诊断的家用电器的名称841、遭受故障诊断的家用电器在网络上所属于的组名称842、遭受故障诊断的家用电器的网络地址843、诊断时间844，或结果845。
例如，作为故障诊断的结果，当确定故障可能性高时，用于控制空调器101的用户界面810可以显示具有高可能性(例如：压缩器劣化)的故障项并且显示由故障诊断服务器10作出的结果(例如，售后服务(a/s)请求等)。
根据实施例的故障诊断服务器10可以使用新近估计的故障检测模式来提高预测故障发生的概率。因此，可以最小化使用家用电器的用户的不便。
实施例可以被实施为包括存储在计算机可读存储介质中的指令的s/w程序。
计算机是调用存储在存储媒介中的指令并且能够根据调用的指令根据实施例进行操作的设备，并且可以包括根据实施例的故障诊断服务器。
可以以非暂时性存储媒介的形式提供机器可读存储媒介。在本文，术语“非暂时性”仅仅表示存储媒介不包括信号但是为有形的，并且不区分数据被半永久地存储在存储媒介中的情况与数据被暂时地存储在存储媒介中的情况。
可以在计算机程序产品中提供根据实施例的控制方法。可以在卖主和买主之间将计算机程序产品作为商品来交易。
计算机程序产品可以包括软件程序(s/w)和具有存储于其中的软件程序的计算机可读存储媒介。例如，计算机程序产品可以包括通过电子市场(例如，googleplaystore、appstore)或故障诊断服务器的制造商电子地分发的s/w程序形式的产品(例如，可下载的app)。为了电子分发，可以将s/w程序的至少一部分存储在存储媒介上或可以暂时地创建s/w程序的至少一部分。在该情况下，存储媒介可以是制造商的服务器、电子市场的服务器，或用于暂时地存储sw程序的中续站服务器的存储媒介。
计算机程序产品可以包括由服务器和家用电器所配置的系统中的服务器的存储媒介或家用电器的存储媒介。替换地，当存在通信地耦合到服务器或家用电器的第三设备(例如，智能电话)时，计算机程序产品可以包括第三设备的存储媒介。替换地，计算机程序产品可以包括从服务器向家用电器或第三设备，或从第三设备向家用电器传送的s/w程序本身。
在这种情况下，服务器、家用电器，和第三设备之一可以执行计算机程序产品以执行根据实施例的方法。替换地，服务器、家用电器，和第三设备中的两个或更多可以执行计算机程序产品以分发根据所公开的实施例的方法。
例如，服务器(例如：云服务器或ai服务器等)可以运行存储在服务器上的计算机程序产品以控制连接到服务器的家用电器以执行根据所公开的实施例的方法。
作为另一个示例，第三设备可以执行计算机程序产品以控制连接到第三设备并且与其进行通信的家用电器执行根据所公开的实施例的方法。当第三设备执行计算机程序产品时，第三设备能够从服务器下载计算机程序产品并且执行下载的计算机程序产品。替换地，第三设备可以执行以预加载方式提供的计算机程序产品以执行根据所公开的实施例的方法。
1.一种数据学习服务器，包括：
通信器，被配置为与外部设备可通信；
学习数据采集单元，被配置为使用所述通信器来获取家用电器的产品信息和与所述家用电器的故障有关的操作信息；
模型学习单元，被配置为使用产品信息和操作信息来生成或更新学习模型；以及
存储装置，被配置为存储学习模型，所述学习模型被训练为使用生成的或更新的学习模型来估计所述家用电器的故障项和与所述故障项有关的新的故障检测模式。
2.根据权利要求1所述的数据学习服务器，其中，所述家用电器的产品信息包括所述家用电器的类型、制造编号、产品名称或制造日期中的至少一个，
其中，所述家用电器的操作信息包括对所述家用电器设置的驱动模式、所述驱动模式的频率、所述家用电器的性能信息、电流测量、频率测量、温度测量、压力测量、振动测量或故障历史中的至少一个。
3.根据权利要求1所述的数据学习服务器，其中，所述学习数据采集单元进一步获得所述家用电器的位置信息，
其中，所述模型学习单元使用所述产品信息、所述操作信息和所述位置信息来生成或更新学习模型。
4.一种数据学习服务器，包括：
存储装置，被配置为存储学习模型，所述学习模型被训练为估计家用电器的故障项和与所述故障项有关的新的故障检测模式；
辨识数据采集单元，被配置为获取所述家用电器的操作信息；
模型应用单元，被配置为通过向所述学习模型应用所述操作信息来获取所述家用电器的故障项；以及
通信器，被配置为向外部设备传送所述获取的故障项。
5.根据权利要求4所述的数据学习服务器，其中，所述数据学习服务器控制所述通信器向所述外部设备传送存储在所述存储装置中的并且与通过使用所述学习模型获得的新的故障检测模式有关的信息。
6.根据权利要求4所述的数据学习服务器，其中，与故障检测模式有关的信息包括新的故障检测模式的数量、与新的故障检测模式有关的故障项以及新的故障检测模式的重要性中的至少一个。
7.根据权利要求4所述的数据学习服务器，其中，基于根据预置间隔或从所述外部设备接收请求与新的故障检测模式有关的信息的信号，所述数据学习服务器控制所述通信器向所述外部设备传送与新的故障检测模式有关的信息。
8.一种空调器，包括：
显示器；
传感器，被配置为感测空调器内部的温度、空调器外部的温度、压力或湿度中的至少一个；
风机，被配置为向外部排出冷空气；
通信器，被配置为与外部设备可通信；以及
处理器，被配置为包括通过所述传感器感测的感测值，基于向外部设备传送与空调器的故障有关的操作信息来控制通信器从外部设备接收作为向学习模型应用操作信息的结果的故障项，以及控制所述显示器以显示接收的故障项，
其中，使用所述空调器的操作信息来训练所述学习模型。
9.一种用户终端，包括：
显示器；
通信器；
输入器，被配置为接收用户输入；以及
处理器，被配置为：
基于通过输入器接收到请求执行诊断功能的用户输入信号，控制所述通信器向空调器传送用于请求与故障诊断功能执行相对应的操作的信号，以及
基于获取通过根据用于经由通信器从外部设备请求操作的信号向学习模型应用空调器的操作信息而估计的故障项，来控制所述显示器以显示获取的故障项。
10.一种网络系统，包括：
学习服务器，用于使用空调器和从所述空调器获取的学习数据来生成或更新学习模型，
其中，所述空调器包括：
显示器；
风机，被配置为向外部排出冷空气；
传感器，被配置为感测以下中的至少一个：所述空调器外部的温度、压力或湿度中的至少一个以及所述空调器内部的温度；
通信器，被配置为与外部设备可通信；以及
处理器，被配置为包括所述空调器的产品信息和通过所述传感器感测的感测值，以及控制所述通信器向外部设备传送与所述空调器的故障有关的操作信息，
其中，所述数据学习服务器包括：
学习数据采集单元，被配置为获取产品信息和操作信息；
模型学习单元，被配置为使用获取的产品信息和操作信息来生成或更新学习模型；以及
存储装置，被配置为存储学习模型，所述学习模型被训练为使用生成的或更新的学习模型来估计所述空调器的故障项和与所述故障项有关的新的故障检测模式。
11.一种网络系统，包括：
空调器和使用从空调器获取的辨识数据来提供故障项的数据学习服务器，
其中，所述空调器包括：
显示器；
风机，用于向外部排出冷空气；
传感器，被配置为感测以下中的至少一个：所述空调器的温度、压力和湿度中的至少一个以及所述空调器内部的温度；
通信器，能够与外部设备进行通信；以及
处理器，被配置为包括通过所述传感器感测的感测值并且控制所述通信器向所述外部设备传送与所述空调器的故障有关的操作信息，
其中，所述数据学习服务器包括：
存储装置，被配置为存储所述空调器的故障项和被训练为估计与故障项有关的新的故障检测模式的学习模型；
辨识数据采集单元，被配置为获取所述操作信息；
模型应用单元，被配置为通过向所述学习模型应用所述操作信息来获取所述空调器的故障项；以及
通信器，被配置为向所述外部设备传送所述故障项。
12.一种用于生成学习模型的方法，所述方法包括：
获取家用电器的产品信息和与家用电器的故障有关的操作信息；
使用产品信息和操作信息来生成或更新学习模型；以及
存储学习模型，所述学习模型被训练为使用生成的或更新的学习模型来估计故障项和与所述故障项有关的新的故障检测模式。
13.一种用于使用学习模型的方法，所述方法包括：
存储学习模型，所述学习模型学习为估计家用电器的故障项和与故障项有关的新的故障检测模式；
获取所述家用电器的操作信息；
通过向所述学习模型应用所述操作信息来获取所述家用电器的故障项；以及
向外部设备传送获取的故障项。
14.一种空调器的控制方法，所述方法包括：
感测空调器内部的温度、空调器外部的温度、压力或湿度中的至少一个；
包括所述感测结果并且向外部设备传送与所述空调器的故障有关的操作信息；
从所述外部设备接收通过向学习模型应用所述操作信息所估计的故障项；以及
在显示器上显示接收的故障项，
其中，使用所述空调器的操作信息来训练所述学习模型。
15.一种用于使用用户终端来控制空调器的方法，所述方法包括：
接收请求执行故障诊断功能的用户输入信号；
向空调器传送用于请求与所述故障诊断功能执行相对应的操作的信号；
接收通过根据用于请求操作的信号向学习模型应用所述空调器的操作信息所估计的故障项；以及
在显示器上显示接收的故障项。
技术总结