CN114236272B - 一种电子产品的智能检测系统 - Google Patents

一种电子产品的智能检测系统 Download PDF

Info

Publication number
CN114236272B
CN114236272B CN202111457418.1A CN202111457418A CN114236272B CN 114236272 B CN114236272 B CN 114236272B CN 202111457418 A CN202111457418 A CN 202111457418A CN 114236272 B CN114236272 B CN 114236272B
Authority
CN
China
Prior art keywords
data
product
qualified
performance
stability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111457418.1A
Other languages
English (en)
Other versions
CN114236272A (zh
Inventor
罗剑锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Global Zhongyi Technology Co ltd
Original Assignee
Shenzhen Global Zhongyi Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Global Zhongyi Technology Co ltd filed Critical Shenzhen Global Zhongyi Technology Co ltd
Priority to CN202111457418.1A priority Critical patent/CN114236272B/zh
Publication of CN114236272A publication Critical patent/CN114236272A/zh
Application granted granted Critical
Publication of CN114236272B publication Critical patent/CN114236272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种电子产品的智能检测系统，包括：性能检测模块：用于通过预先安装的检测装置，检测待检测的电子产品，并对所述电子产品进行性能评估，确定性能检测结果；稳定性检测模块：用于通过所述性能检测结果，筛选待检测的电子产品，确定合格产品和不合格产品，分批次检测不合格产品的稳定性检测结果；校准模块：用于通过所述性能检测结果和稳定性检测结果，筛查不合格产品的干扰因素，并基于所述干扰因素，构建校准模型，通过所述校准模型，对待不合格产品进行校准。

Description

一种电子产品的智能检测系统
技术领域
本发明涉及电子产品检测技术领域，特别涉及一种电子产品的智能检测系统。
背景技术
目前，随着电子技术应用领域智能兴盛，电子产品已经成为人们生活中不可缺失的一部分，但是电子产品总是容易收到外界干扰和自身器件的干扰，轻则产生信号错误和噪声干扰严重，导致使用不便和使用感不佳，重则使用时会出现一些安全隐患，如由于电路短路造成的短路和漏电等问题。
在接近的专利CN 212905285 U公开了一种电子产品检测系统，对芯片的一些相应功能测试，仅仅对电子产品进行稳压板和电流表调节的限制，无法满足促使电子产品向高稳定、高效能和智能化的方向发展。
发明内容
本发明提供一种电子产品的智能检测系统，用以解决上述背景技术中出现的问题。
本发明提供一种电子产品的智能检测系统，其特征在于，包括：
性能检测模块：用于通过预先安装的检测装置，检测并对待检测的电子产品进行性能评估，确定性能检测结果；
稳定性检测模块：用于根据所述性能检测结果，对所述电子产品进行合格性判定，并对判定合格的产品进行稳定性检测；
校准模块：用于通过所述性能检测结果和稳定性检测结果，分析待检测的电子产品的干扰因素，并将所述干扰因素传输至预设的校准模型中对待检测的电子产品进行干扰校准训练。
作为本技术方案的一种实施例，所述性能检测模块，包括：
检测单元：用于通过预先安装的检测装置，对待检测的电子产品进行检测，确定检测结果；其中，
所述检测装置包括：示波器，万用表、推拉力计、扭力计、安规仪器、电桥、温度仪和湿度仪一种或多种；
获取单元：用于通过所述检测结果，生成待检测的电子产品的检测数据；其中，
所述检测数据至少包括外观检测数据、耐压检测数据和外界环境检测数据；
性能检测结果单元：用于基于预设的性能评估标准，通过检测数据对所述电子产品进行性能评估，确定性能检测结果。
作为本技术方案的一种实施例，所述性能检测结果单元，包括：
性能评价指标子单元：用于基于预设的性能评估标准，获取性能评价指标；其中，
所述性能评价指标包括但不限于外观指标、工作参数指标、限定电压指标、限定电流指标、额定功率和工作时长；
划分子单元：用于将所述性能评价指标进行划分和统计，确定正向指标和反向指标；
正相关系数子单元：用于计算正向指标和电子产品和检测数据之间的正相关系数；
负相关系数子单元：用于计算反向指标和电子产品和检测数据之间的负相关系数；
性能检测结果子单元：用于基于所述正相关系数和负相关系数，对所述电子产品进行性能评估，确定性能检测结果。
作为本技术方案的一种实施例，所述稳定性能测试模块，包括：
风险预测单元：用于将所述性能检测结果传输至预设的风险预测系统中，对待检测的电子产品进行风险预测，并计算对应的风险预测分数；
划分单元：用于对比待检测的电子产品的风险预测分数和预设的风险阈值，划分并筛选待检测的电子产品，确定合格产品和不合格产品；
稳定性检测单元：用于分批次对合格产品进行稳定性检测，确定合格产品的稳定性检测结果。
作为本技术方案的一种实施例，所述划分单元，包括：
划分结果子单元：用于通过所述风险预测分数，对待检测的电子产品进行合格性划分，确定划分结果；其中，
当所述风险预测分数大于等于预设的风险临界分数时，确定初级合格产品；
当所述风险预测分数小于预设的风险临界分数时，确定初级不合格产品；
属性特征子单元：用于采集初级合格产品和初级不合格产品的数据信息，通过所述数据信息，记录初级合格产品对应的属性特征和初级不合格产品对应的属性特征；
标签个数子单元：用于通过所述属性特征，生成多维度属性特征标签，并记录多维度特征标签的标签个数；其中，
所述维度特征标签包括合格维度特征标签和不合格维度特征标签；
相似度度量子单元：用于通过标签个数，进行初级合格产品之间和初级不合格产品之间分别进行相似度度量；
合格产品聚类子单元：用于通过初级合格产品的相似度，对相似属性的初级合格产品进行聚类，确定合格产品；
不合格产品聚类子单元：用于通过初级不合格产品的相似度，对相似属性的初级不合格产品进行聚类，确定不合格产品。
作为本技术方案的一种实施例，所述稳定性检测单元，包括：
工况数据子单元：用于获取合格产品的工况模式，并采集工况模式对应的工况数据；其中，
所述工况模式至少包括合格产品的工作环境状况、工作寿命状况和工作流程模式；
仿真子单元：用于将所述工况数据传输至预设的仿真设备中，构建工况仿真模拟机制；
稳定性检测结果子单元：用于基于所述工况仿真模拟机制，分批次对合格产品进行稳定性检测，确定合格产品的稳定性检测结果。
作为本技术方案的一种实施例，所述仿真子单元将所述工况数据传输至预设的仿真设备中，构建工况仿真模拟机制，包括以下步驟：
步骤1：获取电子产品的产品数据：
Figure 266013DEST_PATH_IMAGE001
其中，
Figure 891029DEST_PATH_IMAGE002
代表合格产品的产品数据集合，
Figure 646672DEST_PATH_IMAGE003
代表第
Figure 724349DEST_PATH_IMAGE004
个合格产品的产品数据，
Figure 632262DEST_PATH_IMAGE005
代 表第
Figure 846206DEST_PATH_IMAGE006
个合格产品的产品数据，
Figure 548583DEST_PATH_IMAGE007
代表第
Figure 113556DEST_PATH_IMAGE008
个合格产品的产品数据，
Figure 28423DEST_PATH_IMAGE009
代表第
Figure 628031DEST_PATH_IMAGE010
个合格产品 的产品数据，
Figure 501309DEST_PATH_IMAGE011
，
Figure 52114DEST_PATH_IMAGE012
代表采集到的合格产品的总个数；
步骤2：获取合格产品的工况数据，并计算工况数据对产品数据的影响度；
Figure 770671DEST_PATH_IMAGE013
其中，
Figure 490366DEST_PATH_IMAGE014
代表工况数据对电子产品的影响度，
Figure 268966DEST_PATH_IMAGE015
代表合格产品的工况数据，
Figure 808532DEST_PATH_IMAGE016
代表 第
Figure 330780DEST_PATH_IMAGE017
个合格产品的产品数据，
Figure 904981DEST_PATH_IMAGE011
，
Figure 854482DEST_PATH_IMAGE012
代表采集到的合格产品的总个数，
Figure 615765DEST_PATH_IMAGE018
代表第
Figure 207283DEST_PATH_IMAGE017
个合格产品的产品数据在对应的工况数据下对合格产品的影响系数，
Figure 871876DEST_PATH_IMAGE019
代表关 于工况数据的影响系数，
Figure 992279DEST_PATH_IMAGE020
代表关于第
Figure 772016DEST_PATH_IMAGE017
个合格产品的产品数据对应的自身影响系数；
步骤3：将所述影响度传输至仿真设备进行预测，并获取损失函数；
Figure 636067DEST_PATH_IMAGE021
其中，
Figure 919280DEST_PATH_IMAGE022
代表关于电子产品的损失函数，
Figure 476164DEST_PATH_IMAGE023
代表第
Figure 212039DEST_PATH_IMAGE024
批工况数据对电子产 品的影响度，
Figure 614201DEST_PATH_IMAGE025
代表影响度迭代第
Figure 751921DEST_PATH_IMAGE026
次时的增益函数值，
Figure 243820DEST_PATH_IMAGE026
代表迭代的次数，
Figure 201412DEST_PATH_IMAGE027
代表第
Figure 938424DEST_PATH_IMAGE017
个合格产品在第
Figure 930651DEST_PATH_IMAGE024
批工况数据的影响下产生过的权值，
Figure 563757DEST_PATH_IMAGE028
代表仿真设备的预测系数，
步骤4：基于预设的时间序列，将所述影响度和损失函数输入仿真设备，读取并记录合格产品的状态数据，通过所述状态数据，绘制合格产品的状态工况图；
步骤5：验证合格产品的状态工况图是否大于合格产品的衰减规律符合，确定验证结果；
步骤6：当所述验证结果为合格产品的状态工况图小于等于合格产品的衰减规律符合，构建工况仿真模拟机制；
步骤7：当所述验证结果为合格产品的状态工况图大于合格产品的衰减规律符合，确定验证失败结果，并返回步骤1，进行机制重构。
作为本技术方案的一种实施例，所述稳定性检测结果子单元用于基于所述工况仿真模拟机制，分批次对合格产品进行稳定性检测，确定合格产品的稳定性检测结果，包括以下步骤：
步骤A1:通过所述工况仿真模拟机制，确定监测时间序列；
Figure 274224DEST_PATH_IMAGE029
其中，所述
Figure 549348DEST_PATH_IMAGE030
代表监测时间序列，
Figure 396081DEST_PATH_IMAGE031
代表第
Figure 465668DEST_PATH_IMAGE004
个监测时间，
Figure 899317DEST_PATH_IMAGE032
代表第
Figure 712552DEST_PATH_IMAGE006
个监测时间，
Figure 944951DEST_PATH_IMAGE033
代表监测时间序列的总序列个数，
Figure 919860DEST_PATH_IMAGE034
代表第
Figure 870498DEST_PATH_IMAGE035
个监测时间，
步骤A2:按照所述监测时间序列，分批次对合格产品进行稳定性检测，确定稳定性检测结果；
Figure 221845DEST_PATH_IMAGE036
其中，
Figure 43171DEST_PATH_IMAGE037
代表合格产品
Figure 188981DEST_PATH_IMAGE038
在监测时间序列
Figure 361337DEST_PATH_IMAGE039
下的稳定性检测结果，
Figure 516374DEST_PATH_IMAGE040
代表合格 产品的产品数据集合
Figure 425162DEST_PATH_IMAGE038
的平均工况数据，
Figure 273033DEST_PATH_IMAGE041
代表检测时间序列之间的时序间隔，
Figure 667105DEST_PATH_IMAGE042
，
Figure 360254DEST_PATH_IMAGE002
代表合格产品的产品数据集合，
Figure 156172DEST_PATH_IMAGE009
代表第
Figure 909364DEST_PATH_IMAGE010
个合格产品的产品数据，
Figure 790733DEST_PATH_IMAGE043
代表在监测时间
Figure 287573DEST_PATH_IMAGE044
下的合格产品
Figure 439462DEST_PATH_IMAGE038
的工况数据偏移值，
Figure 363556DEST_PATH_IMAGE045
代表关于
Figure 997799DEST_PATH_IMAGE046
个合格产品的动态 波动参数的线性回归函数，
Figure 32752DEST_PATH_IMAGE047
代表合格产品的产品数据集合在稳定性测试训练模型的动态 波动参数，
Figure 803261DEST_PATH_IMAGE048
代表合格产品在预设的额定参数
Figure 898256DEST_PATH_IMAGE049
的影响下动态波动时的转移量，
Figure 488638DEST_PATH_IMAGE049
代表合 格产品的额定参数，
Figure 327281DEST_PATH_IMAGE050
代表合格产品动态波动时的转移量的个数，
Figure 217876DEST_PATH_IMAGE051
代表关于在时间序 列
Figure 716729DEST_PATH_IMAGE052
的稳定性测试训练模型，
Figure 794406DEST_PATH_IMAGE053
代表为稳定性测试训练模型本身的校正参数，
Figure 171161DEST_PATH_IMAGE054
代表第
Figure 916263DEST_PATH_IMAGE055
个 监测时间，
Figure 353060DEST_PATH_IMAGE056
代表合格产品
Figure 918034DEST_PATH_IMAGE038
的工况数据偏移值，
Figure 98480DEST_PATH_IMAGE057
代表合格产品
Figure 963667DEST_PATH_IMAGE038
在在监测时间 序列
Figure 571366DEST_PATH_IMAGE039
下的动态波动参数的线性回归函数；
步骤A3:当
Figure 623636DEST_PATH_IMAGE037
>
Figure 120956DEST_PATH_IMAGE058
时，稳定性检测结果合格；其中，
Figure 575071DEST_PATH_IMAGE058
代表理想的合格 产品数据集合在检测时序
Figure 353671DEST_PATH_IMAGE030
下的稳定性检测结果，
Figure 893237DEST_PATH_IMAGE059
代表理想的合格产品数据集合；
步骤A4:当
Figure 415485DEST_PATH_IMAGE060
时，稳定性检测结果不合格，将不合格的稳定性检测结 果传输至预设的控制终端进行文字或者语音提醒。
作为本技术方案的一种实施例，所述校准模块，包括：
合格产品采集单元：用于采集合格产品的性能检测结果和稳定性检测结果，通过所述合格产品的性能检测结果和稳定性检测结果，生成合格性能数据和合格稳定性数据；
不合格产品采集单元：用于获取不合格产品的性能检测结果和稳定性检测结果，通过所述不合格产品的性能检测结果和稳定性检测结果，生成不合格性能数据和不合格稳定性数据；
性能差值单元：用于对比并计算合格性能数据和不合格性能数据的性能差值；
稳定性差值单元：用于对比并计算合格稳定性数据和不合格稳定性数据的稳定性差值；
训练单元：用于通过所述性能差值和稳定性差值，筛查不合格产品的干扰因素，通过所述干扰因素，对不合格产品进行抗干扰校准训练，确定抗干扰训练数据；
校准单元：用于将所述抗干扰训练数据传输至预设的校准模型，进行学习，对待检测的电子产品进行干扰校准训练，测试电子产品的抗干扰能力。
作为本技术方案的一种实施例，所述训练单元，包括：
分析数据子单元：用于通过所述性能差值和稳定性差值，对不合格产品的工况流程进行分层次分析，生成分析数据；
预估和推演子单元：用于将所述分析数据传输至预设的大数据中心，基于预设的贝叶斯算法，对不合格产品的干扰因素进行预估和推演；
干扰学习数据子单元：用于采集预估到的干扰因素的干扰系数，将所述干扰系数传输至预设的卷积网络中进行学习，生成对应的抗干扰学习数据；
训练数据子单元：用于通过所述干扰学习数据，对不合格产品进行抗干扰训练，确定抗干扰训练数据。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种电子产品的智能检测系统的系统模块图；
图2为本发明实施例中一种电子产品的智能检测系统的系统模块图；
图3为本发明实施例中一种电子产品的智能检测系统的系统模块图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
需说明的是，当部件被称为“固定于”或“设置于”另一个部件，它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件，它可以是直接或者间接连接至该另一个部件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，“多个”的含义是两个或两个以上，除非另有明确具体的限定。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
实施例1：
根据图1所示，本发明实施例提供了一种电子产品的智能检测系统，包括：
本技术方案提供了一种实施例，一种电子产品的智能检测系统，其特征在于，包括：
性能检测模块：用于通过预先安装的检测装置，检测并对待检测的电子产品进行性能评估，确定性能检测结果；
稳定性检测模块：用于根据所述性能检测结果，对所述电子产品进行合格性判定，并对判定合格的产品进行稳定性检测；
校准模块：用于通过所述性能检测结果和稳定性检测结果，分析待检测的电子产品的干扰因素，并将所述干扰因素传输至预设的校准模型中对待检测的电子产品进行干扰校准训练。
上述技术方案的工作原理和有益效果为：
本发明实施例提供了一种电子产品的智能检测系统，包括性能检测模块、稳定性检测模块和校准模块，性能检测模块用于通过预先安装的检测装置，检测待检测的电子产品，并对所述电子产品进行性能评估，确定性能检测结果，通过对性能检测，初步确定电子产品是否出现不合格的现象，譬如外观破裂，漏电等比较明显由于质量或者其他因素导致的性能不合格，稳定性检测模块用于通过所述性能检测结果，筛选待检测的电子产品，确定合格产品和不合格产品，分批次检测不合格产品的稳定性检测结果，通过在产品是否合格的基础上，对合格的产品进行稳定性检测结果；校准模块用于通过性能检测结果和稳定性检测结果，筛查不合格产品的干扰因素，并基于所述干扰因素，构建校准模型，通过所述校准模型，对待不合格产品进行校准。
实施例2：
根据图2所示，本技术方案提供了一种实施例，所述性能检测模块，包括：
检测单元：用于通过预先安装的检测装置，对待检测的电子产品进行检测，确定检测结果；其中，
所述检测装置包括：示波器，万用表、推拉力计、扭力计、安规仪器、电桥、温度仪和湿度仪一种或多种；
获取单元：用于通过所述检测结果，生成待检测的电子产品的检测数据；其中，
所述检测数据至少包括外观检测数据、耐压检测数据和外界环境检测数据；
性能检测结果单元：用于基于预设的性能评估标准，通过检测数据对所述电子产品进行性能评估，确定性能检测结果。
上述技术方案的工作原理和有益效果为：
本技术方案的性能检测模块，包括检测单元、获取单元和性能检测结果单元，检测单元用于通过预先安装的检测装置，对待检测的电子产品进行检测，确定检测结果；检测装置包括示波器，万用表，推拉力计，扭力计，安规仪器、电桥、温度仪和湿度仪一种或多种，通过检测器获取到电子产品的数字系统，获取单元用于通过所述检测结果，获取待检测的电子产品的检测数据；检测数据至少包括外观检测数据、耐压检测数据和外界环境检测数据；性能检测结果单元用于将所述检测数据传输至预设的性能评估机制，对所述电子产品进行性能评估，确定性能检测结果，从而对电子产品判断，是否出现质量或者性能问题，提高电子产品的质量。
实施例3：
本技术方案提供了一种实施例，所述性能检测结果单元，包括：
性能评价指标子单元：用于基于预设的性能评估标准，获取性能评价指标；其中，
所述性能评价指标包括但不限于外观指标、工作参数指标、限定电压指标、限定电流指标、额定功率和工作时长；
划分子单元：用于将所述性能评价指标进行划分和统计，确定正向指标和反向指标；
正相关系数子单元：用于计算正向指标和电子产品和检测数据之间的正相关系数；
负相关系数子单元：用于计算反向指标和电子产品和检测数据之间的负相关系数；
性能检测结果子单元：用于基于所述正相关系数和负相关系数，对所述电子产品进行性能评估，确定性能检测结果。
上述技术方案的工作原理和有益效果为：
本术方案通过设置不同的正向指标和负向指标，从而对电子产品的进行性能评估，综合、全面的获取电子产品的性能检测结果。
实施例4：
根据图3所示，本技术方案提供了一种实施例，所述稳定性能测试模块，包括：
风险预测单元：用于将所述性能检测结果传输至预设的风险预测系统中，对待检测的电子产品进行风险预测，并计算对应的风险预测分数；
划分单元：用于对比待检测的电子产品的风险预测分数和预设的风险阈值，划分并筛选待检测的电子产品，确定合格产品和不合格产品；
稳定性检测单元：用于分批次对合格产品进行稳定性检测，确定合格产品的稳定性检测结果。
上述技术方案的工作原理和有益效果为：
本技术方案的稳定性能测试模块，包括稳定性检测模块、评估分数单元、划分单元和检测单元，稳定性检测模块用于通过性能检测结果，筛选待检测的电子产品，确定合格产品和不合格产品，分批次检测不合格产品的稳定性检测结果；评估分数单元用于将性能检测结果传输至预设的风险预测机制，对待检测的电子产品进行风险预测，并计算预测分数；划分单元用于基于所述预测分数，划分并筛选待检测的电子产品，确定合格产品和不合格产品；检测单元用于对不合格产品进行分批次检测，确定不合格产品的稳定性检测结果，通过合格和不合格产品的划分，为后面更加精细的稳定性计算提供原始数据。
实施例5：
本技术方案提供了一种实施例，所述划分单元，包括：
划分结果子单元：用于通过所述风险预测分数，对待检测的电子产品进行合格性划分，确定划分结果；其中，
当所述风险预测分数大于等于预设的风险临界分数时，确定初级合格产品；
当所述风险预测分数小于预设的风险临界分数时，确定初级不合格产品；
属性特征子单元：用于采集初级合格产品和初级不合格产品的数据信息，通过所述数据信息，记录初级合格产品对应的属性特征和初级不合格产品对应的属性特征；
标签个数子单元：用于通过所述属性特征，生成多维度属性特征标签，并记录多维度特征标签的标签个数；其中，
所述维度特征标签包括合格维度特征标签和不合格维度特征标签；
相似度度量子单元：用于通过标签个数，进行初级合格产品之间和初级不合格产品之间分别进行相似度度量；
合格产品聚类子单元：用于通过初级合格产品的相似度，对相似属性的初级合格产品进行聚类，确定合格产品；
不合格产品聚类子单元：用于通过初级不合格产品的相似度，对相似属性的初级不合格产品进行聚类，确定不合格产品。
上述技术方案的工作原理和有益效果为：
本技术方案的划分单元，还包括合格产品子单元和不合格产品子单元，合格产品子单元：用于当预测分数大于等于预设的风险临界分数时，确定合格产品；同时，采集并记录合格的电子产品的数据信息；不合格产品子单元用于当评估结果小于预设的风险临界分数时，确定不合格产品，由于合格产品和不合格产品的某些属性区分不明显，为了精准划分，所以需要对合格产品和不合格产品进行聚类计算，通过直接获取所有电子产品的数据计算相似度，比一一对比电子产品的数据而言，提高了计算的工作效率。
实施例6：
本技术方案提供了一种实施例，所述稳定性检测单元，包括：
工况数据子单元：用于获取合格产品的工况模式，并采集工况模式对应的工况数据；其中，
所述工况模式至少包括合格产品的工作环境状况、工作寿命状况和工作流程模式；
仿真子单元：用于将所述工况数据传输至预设的仿真设备中，构建工况仿真模拟机制；
稳定性检测结果子单元：用于基于所述工况仿真模拟机制，分批次对合格产品进行稳定性检测，确定合格产品的稳定性检测结果。
上述技术方案的工作原理和有益效果为：
本技术方案的校准模块，包括合格产品采集单元、合格产品采集单元、性能差值单元、稳定性差值单元和训练单元校准单元：合格产品采集单元用于采集合格产品的性能检测结果和稳定性检测结果，通过合格产品的性能检测结果和稳定性检测结果，生成合格性能数据和合格稳定性数据，对合格产品的数据进行挖掘，便于提取数据进行优化；合格产品采集单元用于获取不合格产品的性能检测结果和稳定性检测结果，通过不合格产品的性能检测结果和稳定性检测结果，生成不合格性能数据和不合格稳定性数据，对不合格产品的检测可以便于对质量和隐患问题进行挖掘和分析；性能差值单元用于对比并计算合格性能数据和不合格性能数据的性能差值；稳定性差值单元用于对比并计算合格稳定性数据和不合格稳定性数据的稳定性差值；训练单元用于通过性能差值和稳定性差值，筛查不合格产品的干扰因素，通过干扰因素，对不合格产品进行抗干扰训练，确定训练数据，以便对不合格的产品进行改进，从而提高合格率，校准单元用于通过训练数据，构建校准模型，通过校准模型，对待不合格产品进行校准，提高电子产品总体的质量，提升客户的满意度。
实施例7：
本技术方案提供了一种实施例，所述仿真子单元将所述工况数据传输至预设的仿真设备中，构建工况仿真模拟机制，包括以下步驟：
步骤1：获取电子产品的产品数据：
Figure 989686DEST_PATH_IMAGE061
其中，
Figure 939187DEST_PATH_IMAGE002
代表合格产品的产品数据集合，
Figure 966049DEST_PATH_IMAGE003
代表第
Figure 291988DEST_PATH_IMAGE004
个合格产品的产品数据，
Figure 953652DEST_PATH_IMAGE005
代 表第
Figure 74054DEST_PATH_IMAGE006
个合格产品的产品数据，
Figure 588212DEST_PATH_IMAGE062
代表第
Figure 452263DEST_PATH_IMAGE008
个合格产品的产品数据，
Figure 735477DEST_PATH_IMAGE009
代表第
Figure 292360DEST_PATH_IMAGE010
个合格产 品的产品数据，
Figure 28235DEST_PATH_IMAGE011
，
Figure 695977DEST_PATH_IMAGE012
代表采集到的合格产品的总个数；
步骤2：获取合格产品的工况数据，并计算工况数据对产品数据的影响度；
Figure 99276DEST_PATH_IMAGE063
其中，
Figure 62946DEST_PATH_IMAGE014
代表工况数据对电子产品的影响度，
Figure 286117DEST_PATH_IMAGE015
代表合格产品的工况数据，
Figure 23129DEST_PATH_IMAGE016
代表 第
Figure 15356DEST_PATH_IMAGE017
个合格产品的产品数据，
Figure 648463DEST_PATH_IMAGE011
，
Figure 624509DEST_PATH_IMAGE012
代表采集到的合格产品的总个数，
Figure 634053DEST_PATH_IMAGE018
代表第i个合格产品的产品数据在对应的工况数据下对合格产品的影响系数，
Figure 480787DEST_PATH_IMAGE019
代表关 于工况数据的影响系数，
Figure 550374DEST_PATH_IMAGE020
代表关于第
Figure 748137DEST_PATH_IMAGE017
个合格产品的产品数据对应的自身影响系数；
步骤3：将所述影响度传输至仿真设备进行预测，并获取损失函数；
Figure 59907DEST_PATH_IMAGE064
其中，
Figure 761147DEST_PATH_IMAGE022
代表关于电子产品的损失函数，
Figure 267215DEST_PATH_IMAGE023
代表第
Figure 686695DEST_PATH_IMAGE024
批工况数据对电子产 品的影响度，
Figure 38042DEST_PATH_IMAGE025
代表影响度迭代第
Figure 859367DEST_PATH_IMAGE026
次时的增益函数值，
Figure 536336DEST_PATH_IMAGE026
代表迭代的次数，
Figure 443112DEST_PATH_IMAGE027
代表第
Figure 598150DEST_PATH_IMAGE017
个合格产品在第
Figure 41026DEST_PATH_IMAGE024
批工况数据的影响下产生过的权值，
Figure 623317DEST_PATH_IMAGE028
代表仿真设备的预测系数，
步骤4：基于预设的时间序列，将所述影响度和损失函数输入仿真设备，读取并记录合格产品的状态数据，通过所述状态数据，绘制合格产品的状态工况图；
步骤5：验证合格产品的状态工况图是否大于合格产品的衰减规律符合，确定验证结果；
步骤6：当所述验证结果为合格产品的状态工况图小于等于合格产品的衰减规律符合，构建工况仿真模拟机制；
步骤7：当所述验证结果为合格产品的状态工况图大于合格产品的衰减规律符合，确定验证失败结果，并返回步骤1，进行机制重构。
上述技术方案的工作原理和有益效果为：
本技术方案的仿真子单元将所述工况数据传输至预设的仿真设备中，构建工况仿 真模拟机制，包括获取电子产品的产品数据
Figure 17389DEST_PATH_IMAGE002
：获取合格产品的工况数据，并计算工况数据 对产品数据的影响度
Figure 976118DEST_PATH_IMAGE014
；将影响度传输至仿真设备进行预测，并获取损失函数
Figure 772036DEST_PATH_IMAGE022
，基 于预设的时间序列，将所述影响度和损失函数输入仿真设备，读取并记录合格产品的状态 数据，通过所述状态数据，绘制合格产品的状态工况图；验证合格产品的状态工况图是否大 于合格产品的衰减规律符合，确定验证结果；当所述验证结果为合格产品的状态工况图小 于等于合格产品的衰减规律符合，构建工况仿真模拟机制；当所述验证结果为合格产品的 状态工况图大于合格产品的衰减规律符合，确定验证失败结果，并返回进行机制重构，通过 计算工况数据对电子产品的影响，确定电子产品的寿命，从而可以对电子产品进行针对性 的优化，提高电子产品的使用感受和使用寿命。
实施例8：
本技术方案提供了一种实施例，所述稳定性检测结果子单元用于基于所述工况仿真模拟机制，分批次对合格产品进行稳定性检测，确定合格产品的稳定性检测结果，包括以下步骤：
步骤A1:通过所述工况仿真模拟机制，确定监测时间序列；
Figure DEST_PATH_IMAGE065
其中，所述
Figure 994070DEST_PATH_IMAGE030
代表监测时间序列，
Figure 875438DEST_PATH_IMAGE031
代表第
Figure 372278DEST_PATH_IMAGE004
个监测时间，
Figure 288282DEST_PATH_IMAGE032
代表第
Figure 710911DEST_PATH_IMAGE006
个监测时间，
Figure 813996DEST_PATH_IMAGE033
代表监测时间序列的总序列个数，
Figure 114527DEST_PATH_IMAGE034
代表第
Figure 885037DEST_PATH_IMAGE035
个监测时间，
步骤A2:按照所述监测时间序列，分批次对合格产品进行稳定性检测，确定稳定性检测结果；
Figure 980032DEST_PATH_IMAGE036
其中，
Figure 835993DEST_PATH_IMAGE037
代表合格产品
Figure 674636DEST_PATH_IMAGE038
在监测时间序列
Figure 565231DEST_PATH_IMAGE039
下的稳定性检测结果，
Figure 831128DEST_PATH_IMAGE040
代表合格 产品的产品数据集合
Figure 410270DEST_PATH_IMAGE038
的平均工况数据，
Figure 52604DEST_PATH_IMAGE041
代表检测时间序列之间的时序间隔，
Figure 532127DEST_PATH_IMAGE042
，
Figure 968924DEST_PATH_IMAGE002
代表合格产品的产品数据集合，
Figure 533898DEST_PATH_IMAGE009
代表第
Figure 979923DEST_PATH_IMAGE010
个合格产品的产品数据，
Figure 313952DEST_PATH_IMAGE043
代表在监测时间
Figure 921651DEST_PATH_IMAGE044
下的合格产品
Figure 239500DEST_PATH_IMAGE038
的工况数据偏移值，
Figure 223636DEST_PATH_IMAGE045
代表关于
Figure 910707DEST_PATH_IMAGE046
个合格产品的动态 波动参数的线性回归函数，
Figure 689307DEST_PATH_IMAGE047
代表合格产品的产品数据集合在稳定性测试训练模型的动态 波动参数，
Figure 494452DEST_PATH_IMAGE048
代表合格产品在预设的额定参数
Figure 16701DEST_PATH_IMAGE049
的影响下动态波动时的转移量，
Figure 325322DEST_PATH_IMAGE049
代表合 格产品的额定参数，
Figure 540403DEST_PATH_IMAGE050
代表合格产品动态波动时的转移量的个数，
Figure 567265DEST_PATH_IMAGE051
代表关于在时间序 列
Figure 627625DEST_PATH_IMAGE052
的稳定性测试训练模型，
Figure 56332DEST_PATH_IMAGE053
代表为稳定性测试训练模型本身的校正参数，
Figure 932060DEST_PATH_IMAGE054
代表第
Figure 180639DEST_PATH_IMAGE055
个 监测时间，
Figure 310269DEST_PATH_IMAGE056
代表合格产品
Figure 593482DEST_PATH_IMAGE038
的工况数据偏移值，
Figure 884786DEST_PATH_IMAGE057
代表合格产品
Figure 886241DEST_PATH_IMAGE038
在在监测时间 序列
Figure 553982DEST_PATH_IMAGE039
下的动态波动参数的线性回归函数；
步骤A3:当
Figure 691703DEST_PATH_IMAGE037
>
Figure 419487DEST_PATH_IMAGE058
时，稳定性检测结果合格；其中，
Figure 642658DEST_PATH_IMAGE058
代表理想的合格 产品数据集合在检测时序
Figure 347047DEST_PATH_IMAGE030
下的稳定性检测结果，
Figure 604853DEST_PATH_IMAGE059
代表理想的合格产品数据集合；
步骤A4:当
Figure 503538DEST_PATH_IMAGE060
时，稳定性检测结果不合格，将不合格的稳定性检测结 果传输至预设的控制终端进行文字或者语音提醒。
上述技术方案的工作原理和有益效果为：
本技术方案的稳定性检测结果子单元用于基于工况仿真模拟机制，分批次对合格 产品进行稳定性检测，确定合格产品的稳定性检测结果，包括通过工况仿真模拟机制，工况 仿真模拟机制用于对电子产品实际工作的场景进行仿真模拟，确定监测时间序列
Figure 214006DEST_PATH_IMAGE030
，按照 监测时间序列，分批次对合格产品进行稳定性检测，确定稳定性检测结果
Figure 223550DEST_PATH_IMAGE037
；当
Figure 335862DEST_PATH_IMAGE037
>
Figure 405450DEST_PATH_IMAGE058
时，稳定性检测结果合格；其中，
Figure 603213DEST_PATH_IMAGE058
代表理想的合格产品数据集合在检测时序
Figure 150869DEST_PATH_IMAGE030
下的稳定性检测结果，
Figure 383267DEST_PATH_IMAGE059
代表理想的合格产品数据集合；当
Figure 125220DEST_PATH_IMAGE060
时，稳定性检 测结果不合格，将不合格的稳定性检测结果传输至预设的控制终端进行文字或者语音提 醒，从而更加精准的获取和确定产品的稳定性，提高产品的质量。
实施例9：
本技术方案提供了一种实施例，所述校准模块，包括：
合格产品采集单元：用于采集合格产品的性能检测结果和稳定性检测结果，通过所述合格产品的性能检测结果和稳定性检测结果，生成合格性能数据和合格稳定性数据；
不合格产品采集单元：用于获取不合格产品的性能检测结果和稳定性检测结果，通过所述不合格产品的性能检测结果和稳定性检测结果，生成不合格性能数据和不合格稳定性数据；
性能差值单元：用于对比并计算合格性能数据和不合格性能数据的性能差值；
稳定性差值单元：用于对比并计算合格稳定性数据和不合格稳定性数据的稳定性差值；
训练单元：用于通过所述性能差值和稳定性差值，筛查不合格产品的干扰因素，通过所述干扰因素，对不合格产品进行抗干扰校准训练，确定抗干扰训练数据；
校准单元：用于将所述抗干扰训练数据传输至预设的校准模型，进行学习，对待检测的电子产品进行干扰校准训练，测试电子产品的抗干扰能力。
上述技术方案的工作原理和有益效果为：
本技术方案的校准模块，包括合格产品采集单元、不合格产品采集单元、性能差值单元、稳定性差值单元、训练单元和校准单元，采集合格产品的性能检测结果和稳定性检测结果，通过合格产品的性能检测结果和稳定性检测结果，生成合格性能数据和合格稳定性数据；获取不合格产品的性能检测结果和稳定性检测结果，通过不合格产品的性能检测结果和稳定性检测结果，生成不合格性能数据和不合格稳定性数据；对比并计算合格性能数据和不合格性能数据的性能差值；对比并计算合格稳定性数据和不合格稳定性数据的稳定性差值；通过性能差值和稳定性差值，筛查不合格产品的干扰因素，通过干扰因素，对不合格产品进行抗干扰训练，确定训练数据；校准单元用于通过训练数据，构建校准模型，通过校准模型，对待不合格产品进行校准，从性能和稳定性进行双重评估，某些性能上满足了的电子产品仍然具有不稳定的风险，所以需要对其模拟工作状态测试其稳定性，从而保障产品的质量。
实施例10：
本技术方案提供了一种实施例，所述训练单元，包括：
分析数据子单元：用于通过所述性能差值和稳定性差值，对不合格产品的工况流程进行分层次分析，生成分析数据；
预估和推演子单元：用于将所述分析数据传输至预设的大数据中心，基于预设的贝叶斯算法，对不合格产品的干扰因素进行预估和推演；
干扰学习数据子单元：用于采集预估到的干扰因素的干扰系数，将所述干扰系数传输至预设的卷积网络中进行学习，生成对应的抗干扰学习数据；
训练数据子单元：用于通过所述干扰学习数据，对不合格产品进行抗干扰训练，确定抗干扰训练数据。
上述技术方案的工作原理和有益效果为：
本技术方案的训练单元，包括分析数据子单元、预估和推演子单元、干扰学习数据子单元和训练数据子单元，分析数据子单元用于通过性能差值和稳定性差值，对不合格产品的工况流程进行分层次分析，生成分析数据；预估和推演子单元用于将分析数据传输至预设的大数据中心，基于预设的贝叶斯算法，对不合格产品的干扰因素进行预估和推演；干扰学习数据子单元用于采集预估到的干扰因素的干扰系数，将干扰系数传输至预设的卷积网络中进行学习，生成干扰学习数据；训练数据子单元用于通过干扰学习数据，对不合格产品进行抗干扰训练，确定训练数据，对电子产品分类进行干扰训练，进行不合格的校准，从而提高电子产品的合格率，提升用户的使用感。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种电子产品的智能检测系统，其特征在于，包括：
性能检测模块：用于通过预先安装的检测装置，检测并对待检测的电子产品进行性能评估，确定性能检测结果；
稳定性检测模块：用于根据所述性能检测结果，对所述电子产品进行合格性判定，并对判定合格的产品进行稳定性检测；
校准模块：用于通过所述性能检测结果和稳定性检测结果，分析待检测的电子产品的干扰因素，并将所述干扰因素传输至预设的校准模型中对待检测的电子产品进行干扰校准训练；
其中，所述性能检测模块，包括：
检测单元：用于通过预先安装的检测装置，对待检测的电子产品进行检测，确定检测结果；其中，
所述检测装置包括：示波器，万用表、推拉力计、扭力计、安规仪器、电桥、温度仪和湿度仪一种或多种；
获取单元：用于通过所述检测结果，生成待检测的电子产品的检测数据；其中，
所述检测数据至少包括外观检测数据、耐压检测数据和外界环境检测数据；
性能检测结果单元：用于基于预设的性能评估标准，通过检测数据对所述电子产品进行性能评估，确定性能检测结果；
所述稳定性能测试模块，包括：
风险预测单元：用于将所述性能检测结果传输至预设的风险预测系统中，对待检测的电子产品进行风险预测，并计算对应的风险预测分数；
划分单元：用于对比待检测的电子产品的风险预测分数和预设的风险阈值，划分并筛选待检测的电子产品，确定合格产品和不合格产品；
稳定性检测单元：用于分批次对合格产品进行稳定性检测，确定合格产品的稳定性检测结果；
所述校准模块，包括：
合格产品采集单元：用于采集合格产品的性能检测结果和稳定性检测结果，通过所述合格产品的性能检测结果和稳定性检测结果，生成合格性能数据和合格稳定性数据；
不合格产品采集单元：用于获取不合格产品的性能检测结果和稳定性检测结果，通过所述不合格产品的性能检测结果和稳定性检测结果，生成不合格性能数据和不合格稳定性数据；
性能差值单元：用于对比并计算合格性能数据和不合格性能数据的性能差值；
稳定性差值单元：用于对比并计算合格稳定性数据和不合格稳定性数据的稳定性差值；
训练单元：用于通过所述性能差值和稳定性差值，筛查不合格产品的干扰因素，通过所述干扰因素，对不合格产品进行抗干扰校准训练，确定抗干扰训练数据；
校准单元：用于将所述抗干扰训练数据传输至预设的校准模型，进行学习，对待检测的电子产品进行干扰校准训练，测试电子产品的抗干扰能力。
2.如权利要求1所述的一种电子产品的智能检测系统，其特征在于，所述性能检测结果单元，包括：
性能评价指标子单元：用于基于预设的性能评估标准，获取性能评价指标；其中，
所述性能评价指标包括但不限于外观指标、工作参数指标、限定电压指标、限定电流指标、额定功率和工作时长；
划分子单元：用于将所述性能评价指标进行划分和统计，确定正向指标和反向指标；
正相关系数子单元：用于计算正向指标和电子产品和检测数据之间的正相关系数；
负相关系数子单元：用于计算反向指标和电子产品和检测数据之间的负相关系数；
性能检测结果子单元：用于基于所述正相关系数和负相关系数，对所述电子产品进行性能评估，确定性能检测结果。
3.如权利要求1所述的一种电子产品的智能检测系统，其特征在于，所述划分单元，包括：
划分结果子单元：用于通过所述风险预测分数，对待检测的电子产品进行合格性划分，确定划分结果；其中，
当所述风险预测分数大于等于预设的风险临界分数时，确定初级合格产品；
当所述风险预测分数小于预设的风险临界分数时，确定初级不合格产品；
属性特征子单元：用于采集初级合格产品和初级不合格产品的数据信息，通过所述数据信息，记录初级合格产品对应的属性特征和初级不合格产品对应的属性特征；
标签个数子单元：用于通过所述属性特征，生成多维度属性特征标签，并记录多维度特征标签的标签个数；其中，
所述维度特征标签包括合格维度特征标签和不合格维度特征标签；
相似度度量子单元：用于通过标签个数，进行初级合格产品之间和初级不合格产品之间分别进行相似度度量；
合格产品聚类子单元：用于通过初级合格产品的相似度，对相似属性的初级合格产品进行聚类，确定合格产品；
不合格产品聚类子单元：用于通过初级不合格产品的相似度，对相似属性的初级不合格产品进行聚类，确定不合格产品。
4.如权利要求1所述的一种电子产品的智能检测系统，其特征在于，所述稳定性检测单元，包括：
工况数据子单元：用于获取合格产品的工况模式，并采集工况模式对应的工况数据；其中，
所述工况模式至少包括合格产品的工作环境状况、工作寿命状况和工作流程模式；
仿真子单元：用于将所述工况数据传输至预设的仿真设备中，构建工况仿真模拟机制；
稳定性检测结果子单元：用于基于所述工况仿真模拟机制，分批次对合格产品进行稳定性检测，确定合格产品的稳定性检测结果。
5.如权利要求4所述的一种电子产品的智能检测系统，其特征在于，所述仿真子单元将所述工况数据传输至预设的仿真设备中，构建工况仿真模拟机制，包括以下步驟：
步骤1：获取电子产品的产品数据：
步骤2：获取合格产品的工况数据，并计算工况数据对产品数据的影响度；
步骤3：将所述影响度传输至仿真设备进行预测，并获取损失函数；
步骤4：基于预设的时间索引，将所述影响度和损失函数输入仿真设备，读取并记录合格产品的状态数据，通过所述状态数据，绘制合格产品的状态工况图；
步骤5：验证合格产品的状态工况图是否大于合格产品的衰减规律符合，确定验证结果；
步骤6：当所述验证结果为合格产品的状态工况图小于等于合格产品的衰减规律符合，构建工况仿真模拟机制；
步骤7：当所述验证结果为合格产品的状态工况图大于合格产品的衰减规律符合，确定验证失败结果，并返回步骤1，进行重新构建。
6.如权利要求5所述的一种电子产品的智能检测系统，其特征在于，所述稳定性检测结果子单元用于基于所述工况仿真模拟机制，分批次对合格产品进行稳定性检测，确定合格产品的稳定性检测结果，包括以下步骤：
步骤A1:通过所述工况仿真模拟机制，确定监测时间序列；
步骤A2:按照所述监测时间序列，分批次对合格产品进行稳定性检测，确定稳定性检测结果；
步骤A3:当稳定性检测结果不合格，将不合格的稳定性检测结果传输至预设的控制终端进行文字或者语音提醒。
7.如权利要求1所述的一种电子产品的智能检测系统，其特征在于，所述训练单元，包括：
分析数据子单元：用于通过所述性能差值和稳定性差值，对不合格产品的工况流程进行分层次分析，生成分析数据；
预估和推演子单元：用于将所述分析数据传输至预设的大数据中心，基于预设的贝叶斯算法，对不合格产品的干扰因素进行预估和推演；
干扰学习数据子单元：用于采集预估到的干扰因素的干扰系数，将所述干扰系数传输至预设的卷积网络中进行学习，生成对应的抗干扰学习数据；
训练数据子单元：用于通过所述干扰学习数据，对不合格产品进行抗干扰训练，确定抗干扰训练数据。
CN202111457418.1A 2021-12-02 2021-12-02 一种电子产品的智能检测系统 Active CN114236272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111457418.1A CN114236272B (zh) 2021-12-02 2021-12-02 一种电子产品的智能检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111457418.1A CN114236272B (zh) 2021-12-02 2021-12-02 一种电子产品的智能检测系统

Publications (2)

Publication Number Publication Date
CN114236272A CN114236272A (zh) 2022-03-25
CN114236272B true CN114236272B (zh) 2022-11-08

Family

ID=80752710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111457418.1A Active CN114236272B (zh) 2021-12-02 2021-12-02 一种电子产品的智能检测系统

Country Status (1)

Country Link
CN (1) CN114236272B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115421429B (zh) * 2022-09-26 2024-04-26 深圳安森德半导体有限公司 一种模拟芯片电路设计系统及方法
CN118566792A (zh) * 2024-07-30 2024-08-30 南通三喜电子有限公司 一种抗压式耐湿防潮贴片电容器的性能测试方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968919A (zh) * 2012-11-30 2013-03-13 成都琳多航空技术咨询有限责任公司 民航旅客离港培训系统
CN106368813A (zh) * 2016-08-30 2017-02-01 北京协同创新智能电网技术有限公司 一种基于多元时间序列的异常报警数据检测方法
CN107169223A (zh) * 2017-06-02 2017-09-15 吉林大学 基于汽车操纵稳定性试验评价系统的车辆参数调教方法
CN109711534A (zh) * 2018-12-20 2019-05-03 树根互联技术有限公司 降维模型训练方法、装置及电子设备
CN112668632A (zh) * 2020-12-25 2021-04-16 浙江大华技术股份有限公司 一种数据处理方法、装置、计算机设备及存储介质
CN113554153A (zh) * 2021-07-23 2021-10-26 潍柴动力股份有限公司 氮氧化物排放量预测方法、装置、计算机设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200296004A1 (en) * 2019-03-13 2020-09-17 Facebook, Inc. Measuring the Impact of Network Deployments
CN111932528B (zh) * 2020-09-07 2021-02-19 广东明华机械有限公司 一种基于视觉识别的手雷质量检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968919A (zh) * 2012-11-30 2013-03-13 成都琳多航空技术咨询有限责任公司 民航旅客离港培训系统
CN106368813A (zh) * 2016-08-30 2017-02-01 北京协同创新智能电网技术有限公司 一种基于多元时间序列的异常报警数据检测方法
CN107169223A (zh) * 2017-06-02 2017-09-15 吉林大学 基于汽车操纵稳定性试验评价系统的车辆参数调教方法
CN109711534A (zh) * 2018-12-20 2019-05-03 树根互联技术有限公司 降维模型训练方法、装置及电子设备
CN112668632A (zh) * 2020-12-25 2021-04-16 浙江大华技术股份有限公司 一种数据处理方法、装置、计算机设备及存储介质
CN113554153A (zh) * 2021-07-23 2021-10-26 潍柴动力股份有限公司 氮氧化物排放量预测方法、装置、计算机设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Data synthesis using deep feature enhanced generative adversarial networks for rolling bearing imbalanced fault diagnosis;ShaoweiLiu;《Mechanical Systems and Signal Processing》;20210616;全文 *
Juan Manuel Martin-Doñas.A Deep Learning Loss Function Based on the Perceptual Evaluation of the Speech Quality.《IEEE Signal Processing Letters》.2018, *

Also Published As

Publication number Publication date
CN114236272A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN114236272B (zh) 一种电子产品的智能检测系统
CN102708306A (zh) 一种智能电表可靠寿命的预测方法
KR101114054B1 (ko) 디지털 시스템의 신뢰성 모니터링
US9910081B2 (en) Performance analysis of power grid monitors
KR100867938B1 (ko) 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법
KR20090020362A (ko) 배터리의 장기 특성 예측 시스템 및 방법
KR102522683B1 (ko) 배터리진단방법 및 그 장치
KR20140109596A (ko) 미검침 구간의 검침 데이터 예측 및 보정 방법과 그 장치
CN111400850A (zh) 设备故障分析方法、装置、设备和存储介质
Tari et al. Load profile analysis in electrical systems: the impact of electrical signature and monitoring quality in the energy digitalization process
CN116660781B (zh) 一种户外用大功率双向快充移动电源测试系统
CN117629422A (zh) 一种光伏组件测温方法及系统
CN111179670B (zh) 物理电学实验结果的量化方法、装置、终端和存储介质
CN116738859A (zh) 一种铜管在线无损寿命评估方法及系统
CN116842684A (zh) 电能表及其运行可靠性的评估方法、系统、电能表处理器
CN116051185A (zh) 广告位数据的异常检测与筛选方法
Dzakowic et al. Advanced Techniques for the verification and validation of prognostics & health management capabilities
JP6394787B2 (ja) 製品検査装置、製品検査方法及びコンピュータプログラム
Fernandes Detecting the undetected: Dealing with non-routine events using advanced M&V meter-based savings approaches
Stanciu et al. Voltage sags and Total Harmonic Distortion monitoring in power systems. A case study
CN117093821B (zh) 一种洗衣机能效、水效测定系统和方法
CN111881259A (zh) 一种基于文本挖掘的设备故障概率评估方法及系统
CN116879121B (zh) 一种基于光纤传感技术的空气颗粒物浓度实时监测系统
CN117199844B (zh) 一种具有智能测温功能的线夹系统
CN111737096B (zh) 一种tpc-h前测试系统整体定级的检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant