CN116776168B - 一种试剂管生产数据智能分析方法及系统 - Google Patents

Abstract

本发明涉及数据分析技术领域，具体涉及一种试剂管生产数据智能分析方法及系统。方法包括：对试剂管生产过程中的温度变化曲线进行分解获得各分量信号；基于温度变化曲线上的极值点获得目标尺度曲线和目标包络曲线；根据目标尺度曲线和目标包络曲线中采样点的幅值得到总模态混叠程度；根据除首个分量信号外的其他分量信号中各采样点的幅值分布，得到首个分量信号中各采样点对应的波动比；根据总模态混叠程度、波动比和首个分量信号对应的基线中各采样点的幅值确定目标分量信号，进而获得去噪后的温度监测数据。本发明提高了温度监测数据的保真度，进而能够有效地提高试剂管生产数据分析结果的可信度和准确度。

Description

一种试剂管生产数据智能分析方法及系统

技术领域

本发明涉及数据分析技术领域，具体涉及一种试剂管生产数据智能分析方法及系统。

背景技术

试剂管广泛应用于实验室、医疗、生物科技等领域，用于保存和处理各种液体或固体试剂，它们通常由玻璃或塑料制成，具有一定的耐腐蚀性和密封性能。无论是热塑性、热固性塑料试剂管，还是玻璃试剂管，在生产过程中对温度均比较敏感，加热温度不当可能导致试剂管出现变形、薄厚不均、掺杂气泡、异物、进料口堵塞等问题。

虽然塑料试剂管强度略差，但是从经济性、安全性、便利性方面而言，塑料试剂管的应用范围以及产量均高于玻璃试剂管，塑料试剂管的成型塑化过程需要利用注塑工艺，当原料进入注塑机后，利用传感器对内部温度进行实时监测，需要维持注塑机内部温度恒定，以确保塑料在注塑过程中具备良好的流动性和成型性，同时也有助于提高产品质量和生产效率。然而采集到的温度监测数据本身具有较大的噪声，处理不当时可能导致无法及时发现内部温度异常。现有的一般采用无差别平滑的方式对采集到的温度监测数据进行降噪，部分自适应算法也仅限于局部噪声，仍会出现失真问题，进而导致试剂管生产数据的分析结果可信度较低。

发明内容

为了解决现有方法在对试剂管生产过程中的温度数据进行去噪时会出现失真，进而导致试剂管生产数据的分析结果可信度较低的问题，本发明的目的在于提供一种试剂管生产数据智能分析方法及系统，所采用的技术方案具体如下：

第一方面，本发明提供了一种试剂管生产数据智能分析方法，该方法包括以下步骤：

获取试剂管生产过程中的温度变化曲线；

对所述温度变化曲线进行分解获得各分量信号；基于所述温度变化曲线上的极值点获得目标尺度曲线和目标包络曲线；根据所述目标尺度曲线中各采样点的幅值和所述目标包络曲线中各采样点的幅值，得到总模态混叠程度；

根据除首个分量信号外的其他分量信号中各采样点的幅值分布，得到首个分量信号中各采样点对应的波动比；根据所述总模态混叠程度、所述波动比和首个分量信号对应的基线中各采样点的幅值，确定首个分量信号对应的目标分量信号；

基于所述目标分量信号和除首个分量信号外的其他所有分量信号，获得去噪后的温度监测数据。

第二方面，本发明提供了一种试剂管生产数据智能分析系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种试剂管生产数据智能分析方法。

优选的，基于所述温度变化曲线上的极值点获得目标尺度曲线，包括：

将所述温度变化曲线上除最后一个极小值点外的其他极小值点记为第一数据点；分别将各第一数据点与所述温度变化曲线上的最后一个极小值点进行连线获得各第一数据点对应的直线段；

对于任一第一数据点：以该第一数据点为起点，以与该数据点相邻的极小值点为终点，对该第一数据点对应的直线段进行划分，将起点与终点之间的直线段确定为该第一数据点对应的特征线段；

将所述温度变化曲线上除最后一个极大值点外的其他极大值点记为第二数据点；分别将各第二数据点与所述温度变化曲线上的最后一个极大值点进行连线获得各第二数据点对应的直线段；

对于任一第二数据点：以该第二数据点为起点，以与该数据点相邻的极大值点为终点，对该第二数据点对应的直线段进行划分，将起点与终点之间的直线段确定为该第二数据点对应的特征线段；

基于所有第一数据点对应的特征线段和所有第二数据点对应的特征线段，获得目标尺度曲线。

优选的，基于所有第一数据点对应的特征线段和所有第二数据点对应的特征线段，获得目标尺度曲线，包括：

首个第一数据点对应的特征线段的位置固定不变，其余各第一数据点对应的特征线段进行上下平移，按照第一数据点在所述温度变化曲线上的位置，对平移后的第一数据点对应的特征线段依次首尾相连获得第一尺度曲线；

首个第二数据点对应的特征线段的位置固定不变，其余各第二数据点对应的特征线段进行上下平移，按照第二数据点在所述温度变化曲线上的位置，对平移后的第二数据点对应的特征线段依次首尾相连获得第二尺度曲线；

计算所述第一尺度曲线和所述第二尺度曲线上同一横坐标对应的采样点的幅值的均值，作为对应采样点的第一估测值；基于所有采样点的第一估测值获得目标尺度曲线。

优选的，基于所述温度变化曲线上的极值点获得目标包络曲线，包括：

基于所述温度变化曲线上的所有极值点获得上包络线和下包络线；

计算所述上包络线和所述下包络线上同一横坐标对应的采样点的幅值的均值，作为对应采样点的第二估测值；基于所有采样点的第二估测值获得目标包络曲线。

优选的，采用如下公式计算总模态混叠程度：

；

其中，ρ为总模态混叠程度，K为目标尺度曲线上采样点的数量或目标包络曲线上采样点的数量，为目标尺度曲线上第i个采样点的幅值，/>为目标包络曲线上第i个采样点的幅值，/>为目标尺度曲线上所有采样点的幅值的均值，/>为目标包络曲线上所有采样点的幅值的均值，/>为目标尺度曲线上所有采样点的幅值的均方差，/>为目标包络曲线上所有采样点的幅值的均方差，λ为预设调整参数，| |为取绝对值符号。

优选的，所述根据除首个分量信号外的其他分量信号中各采样点的幅值分布，得到首个分量信号中各采样点对应的波动比，包括：

将除首个分量信号外的其他分量信号作为趋势项信号；

将所有趋势项信号中第r个采样点的幅值的均值记为第一均值；计算各趋势项信号中第r个采样点的幅值与所述第一均值之间的差值绝对值，将所述绝对值与所述第一均值的比值确定为对应趋势项信号中第r个采样点的差异程度；

将所有趋势项信号中第r个采样点的差异程度的累乘值，确定为首个分量信号中第r个采样点对应的波动比。

优选的，所述根据所述总模态混叠程度、所述波动比和首个分量信号对应的基线中各采样点的幅值，确定首个分量信号对应的目标分量信号，包括：

对于首个分量信号中第r个采样点：根据第r个采样点对应的波动比、首个分量信号对应的基线中第r个采样点的幅值以及所述总模态混叠程度，得到第r个采样点的目标基线值；

基于首个分量信号中所有采样点的目标基线值，获得首个分量信号对应的目标分量信号。

优选的，采用如下公式计算首个分量信号中第r个采样点的目标基线值：

；

其中，为首个分量信号中第r个采样点的目标基线值，ρ为总模态混叠程度，R为首个分量信号中采样点的数量，/>为首个分量信号中第r个采样点对应的波动比，为首个分量信号对应的基线中第r个采样点的幅值。

本发明至少具有如下有益效果：

本发明考虑到采集到的试剂管生产过程中的温度监测数据中存在大量的噪声数据，若直接基于采集到的温度监测数据对试剂管生产数据进行分析，会导致分析结果的准确度和可信度较低，为了提高后续分析结果的准确度，需要对采集到的数据进行去噪处理，现有的信号分解算法在对温度监测数据进行去噪时，由于时间尺度限制所导致的分量模态混叠问题，可能使去噪后的温度监测数据存在失真的问题，直接影响后续分析结果的可信度，因此本发明首先对温度变化曲线上极值点的分布情况进行了分析，获得了个体特征突出的目标尺度曲线和整体特征突出的目标包络曲线，然后基于目标尺度曲线和目标包络曲线得到了总模态混叠程度，用于反映个体特征余量；考虑到对原始温度信号进行分解时，即使个体特征余量去除，也不会影响基线函数的估计，其会直接被继承在第一个分量信号中，也正是这部分个体信号中会存在模态混叠问题，因此本发明将模态混叠分配在第一个分量信号的不同信号段中，然后通过补偿不同信号段基线函数的方式，来消除模态混叠带来的影响，也即根据首个分量信号中每个采样点对应的波动比、首个分量信号对应的基线中各采样点的幅值和总模态混叠程度，对首个分量信号中的每个采样点的幅值进行了自适应补偿，当原始温度信号差去基线函数时，会差去更多的低频信息，第一个分量信号中剩余的低频信号更少，消除了模态混叠问题，相比于传统迭代调节时间尺度来改善模态混叠的方法，本发明是在相同尺度下重新拟合趋势项，根据对照的方式突出可能产生模态混叠的个体特征，并反馈至基线函数进行补偿以及调整，因此不需要多次盲目迭代的冗余计算，且仍可以保留特有的时间尺度信息，调节效果更好，进而在保证后续温度监测数据去噪效果的同时也减少了有效信息的丢失，使温度监测数据的保真度更好，有利于提高后续试剂管生产数据分析结果的准确度和可信度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种试剂管生产数据智能分析方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种试剂管生产数据智能分析方法及系统进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种试剂管生产数据智能分析方法及系统的具体方案。

一种试剂管生产数据智能分析方法实施例：

本实施例所针对的具体场景为：在塑料试剂管的生产过程中，需要维持注塑机内部温度恒定，以确保塑料在注塑过程中具备良好的流动性和成型性，同时也有助于提高产品质量和生产效率，然而采集到的温度监测数据中存在噪声，噪声的存在会影响后续的分析结果，因此需要对采集到的温度监测数据进行去噪处理，以提高后续试剂管生产数据的分析结果的可信度，本实施例首先基于采集到的温度变化曲线中极值点的分布情况，确定总模态混叠程度，然后对温度变化曲线进行分解获得多分量信号，基于分量信号中采样点的幅值分布情况，确定首个分量信号对应的目标分量信号，进而对目标分量信号和除首个分量信号外的其他所有分量信号进行叠加重构，获得去噪后的温度监测数据，排除了噪声对试剂管分析结果的干扰，提高了后续分析结果的准确度和可信度。

本实施例提出了一种试剂管生产数据智能分析方法，如图1所示，本实施例的一种试剂管生产数据智能分析方法包括以下步骤：

步骤S1，获取试剂管生产过程中的温度变化曲线。

在塑料试剂管的生产过程中，通常在注塑机中配备有位于加热筒中的熔融温度传感器、位于注射嘴附近的注射温度传感器、位于模具表面上的模具温度传感器，温度传感器可以将电信号转化为温度信号，本实施例从温度传感器中直接导出试剂管生产过程中模具表面温度监测数据，本实施例中温度监测数据的采集频率为500Hz，在具体应用中，实施者可根据具体情况进行设置。需要说明的是：本实施例以其中一个温度传感器采集到的温度监测数据为例进行说明，对于其他温度传感器采集到的温度监测数据均可采用本实施例提供的方法进行处理。

对试剂管生产过程中的温度监测数据进行曲线拟合，获得试剂管生产过程中的温度变化曲线，也即获得了试剂管生产过程中的温度信号，由于采集到的温度信号中存在大量的噪声，为了提高后续试剂管生产数据的分析结果，本实施例需要对采集到的温度信号进行去噪处理，以提高后续分析结果的准确度和可信度。

至此，获得了试剂管生产过程中的温度变化曲线。

步骤S2，对所述温度变化曲线进行分解获得各分量信号；基于所述温度变化曲线上的极值点获得目标尺度曲线和目标包络曲线；根据所述目标尺度曲线中各采样点的幅值和所述目标包络曲线中各采样点的幅值，得到总模态混叠程度。

理想状态下，试剂管的生产工艺中需要保持注塑机模板上的温度恒定，即温度变化曲线为一条直线，但是实际生产过程中，温度监测数据是存在频繁、微弱的波动，这是因为物料特性、冷却水流量不稳定、热电偶老化、加热供电系统电流波动等常规原因导致的，因此这些误差波动存在一个可容许的区间，而噪声存在时无法观测温度的误差波动，极可能由于温度异常出现部分次品试剂管，为了降低次品率，需要对试剂管生产数据进行分析，一旦发现生产数据出现异常，则需要及时调整，保证工厂的效益，提高产品的合格率。

本实施例首先需要采用信号成分分解的方式，将噪声信号和实际波动误差信号分离，以达到期望的去噪效果。考虑到温度出现异常波动至回归正常这一过程具有独立的时间尺度，电流波动、冷却水流量波动或其他原因都会导致温度发生较大波动，不同原因导致的温度波动时间长度是不同的，因此为了更好的获取时间特征，利用本征时间尺度分解（Intrinsic Time-Scale Decomposition，ITD）算法对原始温度信号进行分解，也即对试剂管生产过程中的温度变化曲线进行分解，获得多个分量信号，这些分量信号中包含多个旋转分量以及一个基线分量，该基线分量为分解至单调变化或为直线的基线函数，对首个分量信号进行分析时，其他各分量信号均可看作趋势项，局部趋势项越波动，首个分量信号中单信号的模态混叠概率越高。

ITD分解过程与经验模态分解（Empirical Mode Decomposition，EMD）过程类似，EMD是通过不断差去均值包络线来分离信号成分，而ITD是增加了时间尺度并在该尺度下估测基线函数来分离信号成分，传统ITD分解过程中常用的基线提取算子CSI是以相邻极值点之间的间隔作为一个估测本征时间尺度，CSI利用三次样条插值技术来近似信号的基线，具体实现过程为公知技术，此处不再过多赘述。

当原始温度信号去除基线函数之后，剩下的信号就成为了IMF分量，以基线信号为新的输入信号，并重复提取基线函数，差去基线函数获得IMF分量，直至基线函数为单调函数或直线为止，得到所有IMF分量。

本征时间尺度的设置直接影响基线函数的好坏，进而影响分解结果精度以及分解层数。对于一个信号而言，一般很容易看出一个单峰信号的时宽，默认的基线提取算子仅仅是可观测的最小信号时间尺度，该尺度下无法考虑到信号幅值和真实基线的叠加问题，因此第一个分量信号（即IMF1）中所得分解量不可避免存在模态混叠问题，为了消除这一问题对后续分析结果的影响，本实施例将基于试剂管生产过程中的温度变化曲线中的极值点进行分析，确定总模态混叠程度，用于表征趋势相关的余量。

将所述温度变化曲线上除最后一个极小值点外的其他极小值点记为第一数据点；分别将各第一数据点与所述温度变化曲线上的最后一个极小值点进行连线获得各第一数据点对应的直线段；对于任一第一数据点：以该第一数据点为起点，以与该数据点相邻的极小值点为终点，对该第一数据点对应的直线段进行划分，将起点与终点之间的直线段确定为该第一数据点对应的特征线段。采用上述方法，能够获得每个第一数据点对应的特征线段，一个第一数据点对应一条特征线段，首个第一数据点对应的特征线段的位置固定不变，其余各第一数据点对应的特征线段进行上下平移，按照第一数据点在所述温度变化曲线上的位置，对平移后的第一数据点对应的特征线段依次首尾相连获得第一尺度曲线，也即第一数据点对应的特征线段的位置固定不变，对第二个第一数据点对应的特征线段进行上下平移，使得第二个第一数据点对应的特征线段的左端点平移到第一个第一数据点对应的特征线段的右端点的位置，按照上述平移方法对除第一个第一数据点对应的特征线段外的其他第一数据点对应的特征线段进行上下平移，保证平移后相邻的两个第一数据点中后一个第一数据点对应的特征线段的左端点与前一个第一数据点对应的特征线段的右端点之间不存在间隔，将平移之后的特征线段依次首尾连接获得一条曲线，将此时获得的曲线记为第一尺度曲线。

将所述温度变化曲线上除最后一个极大值点外的其他极大值点记为第二数据点；分别将各第二数据点与所述温度变化曲线上的最后一个极大值点进行连线获得各第二数据点对应的直线段；对于任一第二数据点：以该第二数据点为起点，以与该数据点相邻的极大值点为终点，对该第二数据点对应的直线段进行划分，将起点与终点之间的直线段确定为该第二数据点对应的特征线段。采用上述方法，能够获得每个第二数据点对应的特征线段，一个第二数据点对应一个特征线段。同理，首个第二数据点对应的特征线段的位置固定不变，其余各第二数据点对应的特征线段进行上下平移，按照第二数据点在所述温度变化曲线上的位置，对平移后的第二数据点对应的特征线段依次首尾相连获得第二尺度曲线；类比第一尺度曲线的获取方法能够获得第二尺度曲线，本实施例已对第一尺度曲线的获取方法进行了详细说明，因此不再对第二尺度曲线的获取方法进行赘述。

第一尺度曲线和第二尺度曲线既包含起点至终点的基线趋势变化，又包含起点至终点的幅值变化信息，本实施例在获得第一尺度曲线和第二尺度曲线后，计算所述第一尺度曲线和所述第二尺度曲线上同一横坐标对应的采样点的幅值的均值，作为对应采样点的第一估测值；对于第r个采样点，将第一尺度曲线上第r个采样点的幅值与第二尺度曲线上第r个采样点的幅值的均值作为第r个采样点的第一估测值。基于所有采样点的第一估测值获得目标尺度曲线，也即对所有采样点的第一估测值进行曲线拟合获得一条曲线，将该曲线记为目标尺度曲线。曲线拟合为现有技术，此处不再过多赘述。

基于试剂管生产过程中的温度变化曲线上的所有极值点获得上包络线和下包络线；计算所述上包络线和所述下包络线上同一横坐标对应的采样点的幅值的均值，作为对应采样点的第二估测值；对于第r个采样点，将上包络线上第r个采样点的幅值与下包络线上第r个采样点的幅值的均值作为第r个采样点的第二估测值。基于所有采样点的第二估测值获得目标包络曲线。根据曲线上的极值点获得上包络线和下包络线的方法为现有技术，此处不再过多赘述。

理论上目标尺度曲线和目标包络曲线的趋势变化相关，但是两者不同的地方在于，目标尺度曲线是每个极值点与终点的连线拼接而成的，其关注结果且更突出个体特征；目标包络曲线则是相邻的极大值点或极小值点直接相连而成的，其关注相邻极值点且更突出整体特征。因此两者的差异实际上是抛去信号整体趋势特征所剩下个体信号特征的余量，但是该余量并不能通过简单地计算幅值之间差异来体现，而是在趋势相关的余量中体现。因此，本实施例将根据目标尺度曲线上采样点的幅值分布情况和目标包络曲线上采样点的幅值分布情况，确定趋势相关的余量，也即总模态混叠程度，总模态混叠程度的具体计算公式为：

；

其中，ρ为总模态混叠程度，K为目标尺度曲线上采样点的数量或目标包络曲线上采样点的数量，为目标尺度曲线上第i个采样点的幅值，/>为目标包络曲线上第i个采样点的幅值，/>为目标尺度曲线上所有采样点的幅值的均值，/>为目标包络曲线上所有采样点的幅值的均值，/>为目标尺度曲线上所有采样点的幅值的均方差，/>为目标包络曲线上所有采样点的幅值的均方差，λ为预设调整参数，| |为取绝对值符号。

在总模态混叠程度的计算公式中引入预设调整参数是为了防止分母为0，本实施例中预设调整参数的值为0.01，在具体应用中，实施者可根据具体情况进行设置。用于表征目标尺度曲线与目标包络曲线的相关系数，的取值在0-1之间，其值越接近于1，说明目标尺度曲线与目标包络曲线的趋势相关性越高，趋势相关的余量越少，即总模态混叠程度越小；的值越接近于0，说明目标尺度曲线与目标包络曲线的趋势相关性越低，趋势相关的余量越多，即总模态混叠程度越大。

至此，获得了总模态混叠程度。

步骤S3，根据除首个分量信号外的其他分量信号中各采样点的幅值分布，得到首个分量信号中各采样点对应的波动比；根据所述总模态混叠程度、所述波动比和首个分量信号对应的基线中各采样点的幅值，确定首个分量信号对应的目标分量信号。

本实施例获取了总模态混叠程度，总模态混叠程度是基于个体特征突出的目标尺度曲线与群体特征突出的目标包络曲线趋势项相关性获得的，当对原始温度信号进行ITD分解时，即使将这部分个体特征余量去除，也不会影响基线函数的估计，其会直接被继承在第一个分量信号中，也正是这部分个体信号中会存在模态混叠问题，本实施例将模态混叠分配在IMF1不同的信号段中，然后通过补偿不同信号段基线函数的方式，来消除模态混叠，也即将根据除首个分量信号外的其他分量信号中每个采样点的幅值分布，确定首个分量信号中每个采样点对应的波动比，然后基于波动比和总模态混叠程度，确定首个分量信号中每个采样点对应的新的基线值，也即目标基线值，利用目标基线值替换原始的幅值获得新的分量信号，消除模态混叠问题对后续试剂管生产数据分析结果的影响。

具体地，将除首个分量信号外的其他分量信号作为趋势项信号；将所有趋势项信号中第r个采样点的幅值的均值记为第一均值；计算各趋势项信号中第r个采样点的幅值与所述第一均值之间的差值绝对值，将所述绝对值与所述第一均值的比值确定为对应趋势项信号中第r个采样点的差异程度；将所有趋势项信号中第r个采样点的差异程度的累乘值，确定为首个分量信号中第r个采样点对应的波动比。首个分量信号中第r个采样点对应的波动比的具体计算公式为：

；

其中，为首个分量信号中第r个采样点对应的波动比；B为趋势项信号的数量；为第n个分量信号，也即第n-1个趋势项信号；/>为第n个分量信号中第r个采样点的幅值，也即第n-1个趋势项信号中第r个采样点的幅值；/>为所有趋势项信号中第r个采样点的幅值的均值，也即第一均值；| |为取绝对值符号。

用于反映第n个分量信号中第r个采样点的幅值与所有趋势项信号中第r个采样点的幅值的均值之间的差异；/>表示第n个分量信号中的第r个采样点的差异程度，该差异程度越大，第r个采样点的波动越剧烈。需要说明的是，所有分量信号的时序一一对应，也即不同的分量信号中第r个采样点对应的时序相同。除了第一个分量信号外，其余分量信号均为趋势项信号，第r个采样点在每一个趋势项信号中的波动影响为累乘关系，也即上层分量的波动是在下层分量波动的基础之上的，因此本实施例将所有趋势项信号中第r个采样点的差异程度的累乘值作为首个分量信号中第r个采样点对应的波动比。当所有趋势项信号中第r个采样点的差异程度越大时，说明第r个采样点的波动越剧烈，即首个分量信号中第r个采样点对应的波动比越大；当所有趋势项信号中第r个采样点的差异程度越小时，说明第r个采样点的幅值越稳定，即首个分量信号中第r个采样点对应的波动比越小。

采用上述方法，能够获得首个分量信号中每个采样点对应的波动比，采样点对应的波动比越大，越需要对其幅值进行自适应补偿，以保证后续IMF1分量中剩余的低频信号足够少。基于此，本实施例将结合首个分量信号中每个采样点对应的波动比和总模态混叠程度，对首个分量信号中的每个采样点的幅值进行自适应补偿，获得每个采样点的目标基线值。首个分量信号中第r个采样点的目标基线值的具体计算公式为：

；

其中，为首个分量信号中第r个采样点的目标基线值，ρ为总模态混叠程度，R为首个分量信号中采样点的数量，/>为首个分量信号中第r个采样点对应的波动比，/>为首个分量信号对应的基线中第r个采样点的幅值。

首个分量信号对应的基线是在采用ITD分解算法对原始温度信号进行分解的过程中，获取首个分量信号之前获得的初始基线，该过程为现有技术，此处不再过多赘述。当首个分量信号中第r个采样点的波动比越大、首个分量信号对应的基线中第r个采样点的幅值越大且总模态混叠程度越大时，为了消除模态混叠带来的影响，需要将首个分量信号中第r个采样点的幅值调大，也即对第r个采样点处的幅值进行自适应补偿，因此首个分量信号中第r个采样点的目标基线值越大。

采用上述方法，能够获得首个分量信号每个采样点的目标基线值，本实施例基于首个分量信号中所有采样点的目标基线值获得新的曲线，也即对首个分量信号中每个采样点的幅值进行了自适应补偿，将此时获得的曲线记为首个分量信号对应的目标分量信号。

本实施例采用上述方法自适应放大基线函数，当原始温度信号差去基线函数时，会差去更多的低频信息，这一过程是对基线函数的自适应补偿，剩余的IMF1分量中低频信号更少，消除了模态混叠问题，后续试剂管生产数据分解结果的可信度也会大幅提升。

步骤S4，基于所述目标分量信号和除首个分量信号外的其他所有分量信号，获得去噪后的温度监测数据。

本实施例在步骤S3中对首个分量信号中每个采样点的幅值进行了自适应补偿，获得了目标分量信号，目标分量信号中的低频信号更少，消除了模态混叠问题带来的影响，因此本实施例用目标分量信号代替首个分量信号完成温度信号进行平滑处理以及重构处理，获得去噪后的温度监测数据。

具体地，利用滤波尺寸为L=31窗口，采用均值滤波方法对目标分量信号和除首个分量信号外的其他所有分量信号进行平滑，获得平滑结果，然后对平滑后的所有信号进行叠加重构，获得去噪后的温度监测数据。均值滤波为现有技术，此处不再过多赘述。

基于去噪后的温度监测数据对试剂管生产数据进行分析，分析结果更加准确，去噪后的温度监测数据降低了噪声带来的影响，可以更准确地反映试剂管生产过程中温度的变化情况，也能够更准确地反映试剂管注塑过程中温度是否出现了异常，若出现异常，则及时调整相关的工艺参数，以维持注塑机内部的温度稳定，降低试剂管的次品率，为高质量试剂管生产线保驾护航。

本实施例考虑到采集到的试剂管生产过程中的温度监测数据中存在大量的噪声数据，若直接基于采集到的温度监测数据对试剂管生产数据进行分析，会导致分析结果的准确度和可信度较低，为了提高后续分析结果的准确度，需要对采集到的数据进行去噪处理，现有的信号分解算法在对温度监测数据进行去噪时，由于时间尺度限制所导致的分量模态混叠问题，可能使去噪后的温度监测数据存在失真的问题，直接影响后续分析结果的可信度，因此本实施例首先对温度变化曲线上极值点的分布情况进行了分析，获得了个体特征突出的目标尺度曲线和整体特征突出的目标包络曲线，然后基于目标尺度曲线和目标包络曲线得到了总模态混叠程度，用于反映个体特征余量；考虑到对原始温度信号进行分解时，即使个体特征余量去除，也不会影响基线函数的估计，其会直接被继承在第一个分量信号中，也正是这部分个体信号中会存在模态混叠问题，因此本实施例将模态混叠分配在第一个分量信号的不同信号段中，然后通过补偿不同信号段基线函数的方式，来消除模态混叠带来的影响，也即根据首个分量信号中每个采样点对应的波动比、首个分量信号对应的基线中各采样点的幅值和总模态混叠程度，对首个分量信号中的每个采样点的幅值进行了自适应补偿，当原始温度信号差去基线函数时，会差去更多的低频信息，第一个分量信号中剩余的低频信号更少，消除了模态混叠问题，相比于传统迭代调节时间尺度来改善模态混叠的方法，本实施例是在相同尺度下重新拟合趋势项，根据对照的方式突出可能产生模态混叠的个体特征，并反馈至基线函数进行补偿以及调整，因此不需要多次盲目迭代的冗余计算，且仍可以保留特有的时间尺度信息，调节效果更好，进而在保证后续温度监测数据去噪效果的同时也减少了有效信息的丢失，使温度监测数据的保真度更好，有利于提高后续试剂管生产数据分析结果的准确度和可信度。

一种试剂管生产数据智能分析系统实施例：

本实施例一种试剂管生产数据智能分析系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种试剂管生产数据智能分析方法。

由于一种试剂管生产数据智能分析方法已经在一种试剂管生产数据智能分析方法实施例中进行了说明，所以本实施例不再对一种试剂管生产数据智能分析方法进行赘述。

Claims (7)

1.一种试剂管生产数据智能分析方法，其特征在于，该方法包括以下步骤：

获取试剂管生产过程中的温度变化曲线；

对所述温度变化曲线进行分解获得各分量信号；基于所述温度变化曲线上的极值点获得目标尺度曲线和目标包络曲线；根据所述目标尺度曲线中各采样点的幅值和所述目标包络曲线中各采样点的幅值，得到总模态混叠程度；

根据除首个分量信号外的其他分量信号中各采样点的幅值分布，得到首个分量信号中各采样点对应的波动比；根据所述总模态混叠程度、所述波动比和首个分量信号对应的基线中各采样点的幅值，确定首个分量信号对应的目标分量信号；

基于所述目标分量信号和除首个分量信号外的其他所有分量信号，获得去噪后的温度监测数据；

基于所述温度变化曲线上的极值点获得目标尺度曲线，包括：

将所述温度变化曲线上除最后一个极小值点外的其他极小值点记为第一数据点；分别将各第一数据点与所述温度变化曲线上的最后一个极小值点进行连线获得各第一数据点对应的直线段；

对于任一第一数据点：以该第一数据点为起点，以与该第一数据点相邻的极小值点为终点，对该第一数据点对应的直线段进行划分，将起点与终点之间的直线段确定为该第一数据点对应的特征线段；

将所述温度变化曲线上除最后一个极大值点外的其他极大值点记为第二数据点；分别将各第二数据点与所述温度变化曲线上的最后一个极大值点进行连线获得各第二数据点对应的直线段；

对于任一第二数据点：以该第二数据点为起点，以与该第二数据点相邻的极大值点为终点，对该第二数据点对应的直线段进行划分，将起点与终点之间的直线段确定为该第二数据点对应的特征线段；

基于所有第一数据点对应的特征线段和所有第二数据点对应的特征线段，获得目标尺度曲线；

基于所有第一数据点对应的特征线段和所有第二数据点对应的特征线段，获得目标尺度曲线，包括：

首个第一数据点对应的特征线段的位置固定不变，其余各第一数据点对应的特征线段进行上下平移，按照第一数据点在所述温度变化曲线上的位置，对平移后的第一数据点对应的特征线段依次首尾相连获得第一尺度曲线；

首个第二数据点对应的特征线段的位置固定不变，其余各第二数据点对应的特征线段进行上下平移，按照第二数据点在所述温度变化曲线上的位置，对平移后的第二数据点对应的特征线段依次首尾相连获得第二尺度曲线；

计算所述第一尺度曲线和所述第二尺度曲线上同一横坐标对应的采样点的幅值的均值，作为对应采样点的第一估测值；基于所有采样点的第一估测值获得目标尺度曲线。

2.根据权利要求1所述的一种试剂管生产数据智能分析方法，其特征在于，基于所述温度变化曲线上的极值点获得目标包络曲线，包括：

基于所述温度变化曲线上的所有极值点获得上包络线和下包络线；

计算所述上包络线和所述下包络线上同一横坐标对应的采样点的幅值的均值，作为对应采样点的第二估测值；基于所有采样点的第二估测值获得目标包络曲线。

3.根据权利要求1所述的一种试剂管生产数据智能分析方法，其特征在于，采用如下公式计算总模态混叠程度：

；

其中，ρ为总模态混叠程度，K为目标尺度曲线上采样点的数量或目标包络曲线上采样点的数量，为目标尺度曲线上第i个采样点的幅值，/>为目标包络曲线上第i个采样点的幅值，/>为目标尺度曲线上所有采样点的幅值的均值，/>为目标包络曲线上所有采样点的幅值的均值，/>为目标尺度曲线上所有采样点的幅值的均方差，/>为目标包络曲线上所有采样点的幅值的均方差，λ为预设调整参数，| |为取绝对值符号。

4.根据权利要求1所述的一种试剂管生产数据智能分析方法，其特征在于，所述根据除首个分量信号外的其他分量信号中各采样点的幅值分布，得到首个分量信号中各采样点对应的波动比，包括：

将除首个分量信号外的其他分量信号作为趋势项信号；

将所有趋势项信号中第r个采样点的幅值的均值记为第一均值；计算各趋势项信号中第r个采样点的幅值与所述第一均值之间的差值绝对值，将所述绝对值与所述第一均值的比值确定为对应趋势项信号中第r个采样点的差异程度；

将所有趋势项信号中第r个采样点的差异程度的累乘值，确定为首个分量信号中第r个采样点对应的波动比。

5.根据权利要求1所述的一种试剂管生产数据智能分析方法，其特征在于，所述根据所述总模态混叠程度、所述波动比和首个分量信号对应的基线中各采样点的幅值，确定首个分量信号对应的目标分量信号，包括：

对于首个分量信号中第r个采样点：根据第r个采样点对应的波动比、首个分量信号对应的基线中第r个采样点的幅值以及所述总模态混叠程度，得到第r个采样点的目标基线值；

基于首个分量信号中所有采样点的目标基线值，获得首个分量信号对应的目标分量信号。

6.根据权利要求5所述的一种试剂管生产数据智能分析方法，其特征在于，采用如下公式计算首个分量信号中第r个采样点的目标基线值：

；

其中，为首个分量信号中第r个采样点的目标基线值，ρ为总模态混叠程度，R为首个分量信号中采样点的数量，/>为首个分量信号中第r个采样点对应的波动比，/>为首个分量信号对应的基线中第r个采样点的幅值。

7.一种试剂管生产数据智能分析系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-6任一项所述的一种试剂管生产数据智能分析方法。