CN117014784A - 一种头带式耳机的头带故障自检方法及系统 - Google Patents
一种头带式耳机的头带故障自检方法及系统 Download PDFInfo
- Publication number
- CN117014784A CN117014784A CN202311260988.0A CN202311260988A CN117014784A CN 117014784 A CN117014784 A CN 117014784A CN 202311260988 A CN202311260988 A CN 202311260988A CN 117014784 A CN117014784 A CN 117014784A
- Authority
- CN
- China
- Prior art keywords
- headband
- predicted
- clamping force
- historical
- self
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000002184 metal Substances 0.000 claims abstract description 78
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000009123 feedback regulation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
- H04R29/001—Monitoring arrangements; Testing arrangements for loudspeakers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Otolaryngology (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种头带式耳机的头带故障自检方法及系统,应用于数据处理技术领域,该方法包括:通过采集头带式耳机的头带的出厂特征参数。将金属组分和金属配比作为头带极限强度预测模型的输入变量,得到头带的预测极限强度。调取历史头带的历史全生命周期监测记录。将头带的实际应用时长、实际应用时长与分析提取到的历史全生命周期监测记录中的历史头带夹持力时序、历史头带疲劳故障度时序进行对比,得到预测夹持力、预测疲劳故障度。并进行分析,生成头带的故障自检结果。解决了现有技术中头戴式耳机头带装置缺少对应的故障自检方法导致头带装置故障无法及时检出,进而影响用户使用体验的技术问题。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种头带式耳机的头带故障自检方法及系统。
背景技术
头戴式耳机是一种佩戴于头部的耳机,区别于入耳式耳机,由于需要长时间佩戴于头部,因此头带装置的舒适度较为重要。然而,在现有技术中头戴式耳机头带装置缺少对应的故障自检方法导致头带装置故障无法及时检出,进而影响用户使用头戴耳机时的体验。
因此,在现有技术中头戴式耳机头带装置缺少对应的故障自检方法导致头带装置故障无法及时检出,进而影响用户使用体验的技术问题。
发明内容
本申请通过提供一种头带式耳机的头带故障自检方法及系统,解决了在现有技术中头戴式耳机头带装置缺少对应的故障自检方法导致头带装置故障无法及时检出,进而影响用户使用体验的技术问题。
本申请提供一种头带式耳机的头带故障自检方法,所述方法应用于一种头带式耳机的头带故障自检系统,所述系统与头带故障自检云平台通信连接,所述方法包括:采集头带式耳机的头带的出厂特征参数,所述出厂特征参数包括金属组分、金属配比、头带厚度;将所述金属组分和所述金属配比作为头带极限强度预测模型的输入变量,得到所述头带的预测极限强度;调取与所述头带的所述头带厚度和所述预测极限强度相同或相似的历史头带的历史全生命周期监测记录;将所述头带的实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带夹持力时序进行对比,得到预测夹持力;将所述实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带疲劳故障度时序进行对比,得到预测疲劳故障度;通过所述头带故障自检云平台对所述预测夹持力和所述预测疲劳故障度进行分析,生成所述头带的故障自检结果。
本申请还提供了一种头带式耳机的头带故障自检系统,所述系统与头带故障自检云平台通信连接,所述系统包括:特征参数获取模块,用于采集头带式耳机的头带的出厂特征参数,所述出厂特征参数包括金属组分、金属配比、头带厚度;极限强度获取模块,用于将所述金属组分和所述金属配比作为头带极限强度预测模型的输入变量,得到所述头带的预测极限强度;监测记录模块,用于调取与所述头带的所述头带厚度和所述预测极限强度相同或相似的历史头带的历史全生命周期监测记录;夹持力预测模块,用于将所述头带的实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带夹持力时序进行对比,得到预测夹持力;故障度获取模块,用于将所述实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带疲劳故障度时序进行对比,得到预测疲劳故障度;自检结果获取模块,用于通过所述头带故障自检云平台对所述预测夹持力和所述预测疲劳故障度进行分析,生成所述头带的故障自检结果。
本申请还提供了一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本申请提供的一种头带式耳机的头带故障自检方法。
本申请提供一种计算机可读存储介质,存储有计算机程序,该程序被处理器执行时,实现本申请提供的一种头带式耳机的头带故障自检方法。
拟通过本申请提出的一种头带式耳机的头带故障自检方法及系统,通过采集头带式耳机的头带的出厂特征参数。将金属组分和金属配比作为头带极限强度预测模型的输入变量,得到头带的预测极限强度。调取历史头带的历史全生命周期监测记录。将头带的实际应用时长、实际应用时长与分析提取到的历史全生命周期监测记录中的历史头带夹持力时序、历史头带疲劳故障度时序进行对比,得到预测夹持力、预测疲劳故障度。并进行分析,生成头带的故障自检结果。实现了对头带的故障自检,避免头带在使用过程中出现故障影响用户的实际体验。解决了现有技术中头戴式耳机头带装置缺少对应的故障自检方法导致头带装置故障无法及时检出,进而影响用户使用体验的技术问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请实施例提供的一种头带式耳机的头带故障自检方法的流程示意图;
图2为本申请实施例提供的一种头带式耳机的头带故障自检方法构建头带极限强度预测模型的流程示意图;
图3为本申请实施例提供的一种头带式耳机的头带故障自检方法对预测夹持力进行调节的流程示意图;
图4为本申请实施例提供的一种头带式耳机的头带故障自检方法的系统的结构示意图;
图5为本发明实施例提供的一种头带式耳机的头带故障自检方法的系统电子设备的结构示意图。
附图标记说明:特征参数获取模块11,极限强度获取模块12,监测记录模块13,夹持力预测模块14,故障度获取模块15,自检结果获取模块16,处理器31,存储器32,输入装置33,输出装置34。
具体实施方式
实施例一,为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上,所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
如图1所示,本申请实施例提供了一种头带式耳机的头带故障自检方法,所述方法应用于一种头带式耳机的头带故障自检系统,所述系统与头带故障自检云平台通信连接,所述方法包括:
采集头带式耳机的头带的出厂特征参数,所述出厂特征参数包括金属组分、金属配比、头带厚度;
将所述金属组分和所述金属配比作为头带极限强度预测模型的输入变量,得到所述头带的预测极限强度;
调取与所述头带的所述头带厚度和所述预测极限强度相同或相似的历史头带的历史全生命周期监测记录;
头戴式耳机是一种佩戴于头部的耳机,区别于入耳式耳机,由于需要长时间佩戴于头部,因此头带装置的舒适度较为重要。然而,在现有技术中头带装置缺少对应的故障自检方法导致头带装置故障无法及时检出,进而影响用户使用头戴耳机时的体验。为了解决上述问题,通过采集头带式耳机的头带的出厂特征参数,所述出厂特征参数包括金属组分、金属配比、头带厚度。随后,将金属组分和所述金属配比作为头带极限强度预测模型的输入变量,输入头带极限强度预测模型中,得到所述头带的预测极限强度。进一步,通过调取与所述头带的所述头带厚度和所述预测极限强度相同或相似的历史头带的历史全生命周期监测记录,在历史全生命周期监测记录中包含大量不同头带类型全生命周期的使用时长以及对应时长下的夹持力参数数据。
如图2所示,本申请实施例提供的方法还包括:
组建头带用金属类型集,所述头带用金属类型集包括第一金属类型和第二金属类型;
获取第一头带样本,所述第一头带样本由所述第一金属类型和所述第二金属类型以第一预定比例制成,且所述第一头带样本具备第一极限强度的标识;
将所述第一金属类型、所述第二金属类型、所述第一预定比例和所述第一极限强度作为第一训练数据组;
对基于所述第一训练数据组组建的目标训练数据组进行有监督学习、训练、检验,得到所述头带极限强度预测模型。
在所述将所述金属组分和所述金属配比作为头带极限强度预测模型的输入变量之前,组建头带用金属类型集,头带用金属类型集中包含多个不同金属组分以及比例的头带样本,所述头带用金属类型集包括:第一金属类型和第二金属类型。其中,第一金属类型和第二金属类型均为头带用金属的主要组分。获取第一头带样本,所述第一头带样本由所述第一金属类型和所述第二金属类型以第一预定比例制成,且所述第一头带样本具备第一极限强度的标识。其中,第一极限强度的标识为该头带的失效强度,即头带无法复原的极限强度。随后,将所述第一金属类型、所述第二金属类型、所述第一预定比例和所述第一极限强度作为第一训练数据组。基于所述第一训练数据组组建的目标训练数据组,在目标训练数据组中包含获取的多个不同金属组分的第一训练数据组。通过目标训练数据组对神经网络模型进行有监督学习、训练、检验,其中,监督实际为极限强度数据,在完成训练后对模型进行检验,获取极限强度输出结果的准确率,当满足预设准确率时,得到所述头带极限强度预测模型。
本申请实施例提供的方法还包括:
获取第一应用时长;
在所述历史头带夹持力时序中匹配所述第一应用时长下的第一夹持力;
在所述历史头带疲劳故障度时序中匹配所述第一应用时长下的第一疲劳故障度;
根据所述第一应用时长与所述第一夹持力、所述第一疲劳故障度之间的对应关系构建应用时长-夹持力-疲劳故障度列表;
所述应用时长-夹持力-疲劳故障度列表用于对比得到所述预测夹持力和所述预测疲劳故障度。
获取第一应用时长,第一应用时长为预先设定的使用时长数据,在所述历史头带夹持力时序中匹配所述第一应用时长下的第一夹持力,其中,第一夹持力为多个头带全生命周期监测的平均值,夹持力为头带在佩戴时的加持力,该加持力基于固定宽度的加持力测量设备测量获取。随后,在所述历史头带疲劳故障度时序中匹配所述第一应用时长下的第一疲劳故障度,其中第一疲劳故障度为第一应用时长下实际头带加持力数据与第一夹持力比值。随后,根据所述第一应用时长与所述第一夹持力、所述第一疲劳故障度之间的对应关系构建应用时长-夹持力-疲劳故障度列表。最后,通过所述应用时长-夹持力-疲劳故障度列表对比得到所述预测夹持力和所述预测疲劳故障度。
本申请实施例提供的方法还包括:
在所述预测夹持力满足预定夹持力阈值,同时所述预测疲劳故障度满足预定疲劳故障度时,依次获取所述预测夹持力的第一系数和所述预测疲劳故障度的第二系数;
结合所述第一系数、所述第二系数对所述预测夹持力和所述预测疲劳故障度进行加权计算,得到综合性能指数;
当所述综合性能指数未达到预定指数阈值时,所述头带故障自检云平台发出所述头带的头带故障告警。
在所述预测夹持力满足预定夹持力阈值,同时所述预测疲劳故障度满足预定疲劳故障度时,依次获取所述预测夹持力的第一系数和所述预测疲劳故障度的第二系数。当存在不满足预定阈值时则进行对应数据的告警。其中,预定夹持力阈值与预定疲劳故障度均为基于实际情况进行设定的预设阈值,如预定夹持力阈值可以设置为第一夹持力,第一系数、第二系数为设定的权重数值,由于夹持力与疲劳故障度的数据单位不同,获取第一系数、第二系数前需要对夹持力与疲劳故障度进行归一化处理。最后,结合所述第一系数、所述第二系数对所述预测夹持力和所述预测疲劳故障度进行加权计算,得到综合性能指数。当所述综合性能指数未达到预定指数阈值时,所述头带故障自检云平台发出所述头带的头带故障告警,预定指数阈值为预先设定的综合性能指数的最低数值,当不满足即小于等于预定指数阈值时则综合性能指数不满足要求,则头带故障自检云平台发出所述头带的头带故障告警,反之则综合性能指数满足要求,则无需进行告警。
将所述头带的实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带夹持力时序进行对比,得到预测夹持力;
将所述实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带疲劳故障度时序进行对比,得到预测疲劳故障度;
通过所述头带故障自检云平台对所述预测夹持力和所述预测疲劳故障度进行分析,生成所述头带的故障自检结果。
将头带的实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带夹持力时序进行对比,得到预测夹持力。将所述实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带疲劳故障度时序进行对比,得到预测疲劳故障度。最后,通过所述头带故障自检云平台对所述预测夹持力和所述预测疲劳故障度进行分析,生成所述头带的故障自检结果。完成对头带的故障自检,避免头带在使用过程中出现故障影响用户的实际体验。
如图3所示,本申请实施例提供的方法还包括:
获取所述头带的实际出厂时长,其中,所述实际出厂时长大于所述实际应用时长;
预设反馈调节函数基于所述实际出厂时长对所述预测夹持力进行调节,得到预测夹持力调节结果。
获取所述头带的实际出厂时长,其中,所述实际出厂时长大于所述实际应用时长,通过获取头带的实际出厂时长进而判断对应头带的库存时长。预设反馈调节函数基于所述实际出厂时长对所述预测夹持力进行调节,得到预测夹持力调节结果。即根据预设反馈调节函数,基于头带的实际出厂时长对所述预测夹持力进行调节以保证头带预测夹持力输出的准确性。
所述预设反馈调节函数的表达式如下:
;
其中,是指所述预测夹持力调节结果,/>是指所述预测夹持力,/>是指反馈调节系数,且/>,其中,/>是指仓储环境温度反馈调节系数,/>是指仓储环境湿度反馈调节系数。其中,/>、/>均为人工设定的参数数据。
本申请实施例提供的方法还包括:
获取所述头带的头带重量;
将所述头带重量和所述预测夹持力调节结果作为所述头带的头带舒适性的评价指标特征,并进行数据标准化处理得到评价指标特征参数;
利用变异系数法对所述评价指标特征参数进行计算,得到所述头带的舒适性指数;
结合所述舒适性指数与所述预测疲劳故障度,计算得到所述头带的应用性能指数。
获取所述头带的头带重量,将所述头带重量和所述预测夹持力调节结果作为所述头带的头带舒适性的评价指标特征,并进行数据标准化处理得到评价指标特征参数。利用变异系数法对所述评价指标特征参数进行计算,得到所述头带的舒适性指数。结合所述舒适性指数与所述预测疲劳故障度,进行数据加和计算得到所述头带的应用性能指数,通过应用性能指数来评价对应头带的实际应用性能。
本发明实施例所提供的技术方案,通过采集头带式耳机的头带的出厂特征参数,所述出厂特征参数包括金属组分、金属配比、头带厚度。将所述金属组分和所述金属配比作为头带极限强度预测模型的输入变量,得到所述头带的预测极限强度。调取与所述头带的所述头带厚度和所述预测极限强度相同或相似的历史头带的历史全生命周期监测记录。将所述头带的实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带夹持力时序进行对比,得到预测夹持力。将所述实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带疲劳故障度时序进行对比,得到预测疲劳故障度。通过所述头带故障自检云平台对所述预测夹持力和所述预测疲劳故障度进行分析,生成所述头带的故障自检结果。完成对头带的故障自检,避免头带在使用过程中出现故障影响用户的实际体验。解决了现有技术中头戴式耳机头带装置缺少对应的故障自检方法导致头带装置故障无法及时检出,进而影响用户使用体验的技术问题。
实施例二,基于与前述实施例中一种头带式耳机的头带故障自检方法同样发明构思,本发明还提供了一种头带式耳机的头带故障自检方法的系统,系统可以由硬件和/或软件的方式来实现,一般可集成于电子设备中,用于执行本发明任意实施例所提供的方法。如图4所示,所述系统与头带故障自检云平台通信连接,所述系统包括:
特征参数获取模块11,用于采集头带式耳机的头带的出厂特征参数,所述出厂特征参数包括金属组分、金属配比、头带厚度;
极限强度获取模块12,用于将所述金属组分和所述金属配比作为头带极限强度预测模型的输入变量,得到所述头带的预测极限强度;
监测记录模块13,用于调取与所述头带的所述头带厚度和所述预测极限强度相同或相似的历史头带的历史全生命周期监测记录;
夹持力预测模块14,用于将所述头带的实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带夹持力时序进行对比,得到预测夹持力;
故障度获取模块15,用于将所述实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带疲劳故障度时序进行对比,得到预测疲劳故障度;
自检结果获取模块16,用于通过所述头带故障自检云平台对所述预测夹持力和所述预测疲劳故障度进行分析,生成所述头带的故障自检结果。
进一步地,所述极限强度获取模块12还用于:
组建头带用金属类型集,所述头带用金属类型集包括第一金属类型和第二金属类型;
获取第一头带样本,所述第一头带样本由所述第一金属类型和所述第二金属类型以第一预定比例制成,且所述第一头带样本具备第一极限强度的标识;
将所述第一金属类型、所述第二金属类型、所述第一预定比例和所述第一极限强度作为第一训练数据组;
对基于所述第一训练数据组组建的目标训练数据组进行有监督学习、训练、检验,得到所述头带极限强度预测模型。
进一步地,所述监测记录模块13还用于:
获取第一应用时长;
在所述历史头带夹持力时序中匹配所述第一应用时长下的第一夹持力;
在所述历史头带疲劳故障度时序中匹配所述第一应用时长下的第一疲劳故障度;
根据所述第一应用时长与所述第一夹持力、所述第一疲劳故障度之间的对应关系构建应用时长-夹持力-疲劳故障度列表;
所述应用时长-夹持力-疲劳故障度列表用于对比得到所述预测夹持力和所述预测疲劳故障度。
进一步地,所述监测记录模块13还用于:
在所述预测夹持力满足预定夹持力阈值,同时所述预测疲劳故障度满足预定疲劳故障度时,依次获取所述预测夹持力的第一系数和所述预测疲劳故障度的第二系数;
结合所述第一系数、所述第二系数对所述预测夹持力和所述预测疲劳故障度进行加权计算,得到综合性能指数;
当所述综合性能指数未达到预定指数阈值时,所述头带故障自检云平台发出所述头带的头带故障告警。
进一步地,所述监测记录模块14还用于:
获取所述头带的实际出厂时长,其中,所述实际出厂时长大于所述实际应用时长;
预设反馈调节函数基于所述实际出厂时长对所述预测夹持力进行调节,得到预测夹持力调节结果。
所述预设反馈调节函数的表达式如下:
;
其中,是指所述预测夹持力调节结果,/>是指所述预测夹持力,/>是指反馈调节系数,且/>,其中,/>是指仓储环境温度反馈调节系数,/>是指仓储环境湿度反馈调节系数。
进一步地,所述自检结果获取模块16还用于:
获取所述头带的头带重量;
将所述头带重量和所述预测夹持力调节结果作为所述头带的头带舒适性的评价指标特征,并进行数据标准化处理得到评价指标特征参数;
利用变异系数法对所述评价指标特征参数进行计算,得到所述头带的舒适性指数;
结合所述舒适性指数与所述预测疲劳故障度,计算得到所述头带的应用性能指数。
所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三,图5为本发明实施例三提供的电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图5所示,该电子设备包括处理器31、存储器32、输入装置33及输出装置34;电子设备中处理器31的数量可以是一个或多个,图5中以一个处理器31为例,电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种头带式耳机的头带故障自检方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述一种头带式耳机的头带故障自检方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种头带式耳机的头带故障自检方法,其特征在于,所述方法应用于一种头带式耳机的头带故障自检系统,所述系统与头带故障自检云平台通信连接,所述方法包括:
采集头带式耳机的头带的出厂特征参数,所述出厂特征参数包括金属组分、金属配比、头带厚度;
将所述金属组分和所述金属配比作为头带极限强度预测模型的输入变量,得到所述头带的预测极限强度;
调取与所述头带的所述头带厚度和所述预测极限强度相同或相似的历史头带的历史全生命周期监测记录;
将所述头带的实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带夹持力时序进行对比,得到预测夹持力;
将所述实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带疲劳故障度时序进行对比,得到预测疲劳故障度;
通过所述头带故障自检云平台对所述预测夹持力和所述预测疲劳故障度进行分析,生成所述头带的故障自检结果。
2.根据权利要求1所述方法,其特征在于,在所述将所述金属组分和所述金属配比作为头带极限强度预测模型的输入变量之前,包括:
组建头带用金属类型集,所述头带用金属类型集包括第一金属类型和第二金属类型;
获取第一头带样本,所述第一头带样本由所述第一金属类型和所述第二金属类型以第一预定比例制成,且所述第一头带样本具备第一极限强度的标识;
将所述第一金属类型、所述第二金属类型、所述第一预定比例和所述第一极限强度作为第一训练数据组;
对基于所述第一训练数据组组建的目标训练数据组进行有监督学习、训练、检验,得到所述头带极限强度预测模型。
3.根据权利要求2所述方法,其特征在于,所述方法包括:
获取第一应用时长;
在所述历史头带夹持力时序中匹配所述第一应用时长下的第一夹持力;
在所述历史头带疲劳故障度时序中匹配所述第一应用时长下的第一疲劳故障度;
根据所述第一应用时长与所述第一夹持力、所述第一疲劳故障度之间的对应关系构建应用时长-夹持力-疲劳故障度列表;
所述应用时长-夹持力-疲劳故障度列表用于对比得到所述预测夹持力和所述预测疲劳故障度。
4.根据权利要求3所述方法,其特征在于,所述通过所述头带故障自检云平台对所述预测夹持力和所述预测疲劳故障度进行分析,生成所述头带的故障自检结果,包括:
在所述预测夹持力满足预定夹持力阈值,同时所述预测疲劳故障度满足预定疲劳故障度时,依次获取所述预测夹持力的第一系数和所述预测疲劳故障度的第二系数;
结合所述第一系数、所述第二系数对所述预测夹持力和所述预测疲劳故障度进行加权计算,得到综合性能指数;
当所述综合性能指数未达到预定指数阈值时,所述头带故障自检云平台发出所述头带的头带故障告警。
5.根据权利要求1所述方法,其特征在于,在所述得到预测夹持力之后,还包括:
获取所述头带的实际出厂时长,其中,所述实际出厂时长大于所述实际应用时长;
预设反馈调节函数基于所述实际出厂时长对所述预测夹持力进行调节,得到预测夹持力调节结果。
6.根据权利要求5所述方法,其特征在于,所述预设反馈调节函数的表达式如下:
;
其中,是指所述预测夹持力调节结果,/>是指所述预测夹持力,/>是指反馈调节系数,且/>,其中,/>是指仓储环境温度反馈调节系数,/>是指仓储环境湿度反馈调节系数。
7.根据权利要求6所述方法,其特征在于,所述方法还包括:
获取所述头带的头带重量;
将所述头带重量和所述预测夹持力调节结果作为所述头带的头带舒适性的评价指标特征,并进行数据标准化处理得到评价指标特征参数;
利用变异系数法对所述评价指标特征参数进行计算,得到所述头带的舒适性指数;
结合所述舒适性指数与所述预测疲劳故障度,计算得到所述头带的应用性能指数。
8.一种头带式耳机的头带故障自检系统,其特征在于,所述系统用于执行权利要求1至7任一一项所述的方法,所述系统与头带故障自检云平台通信连接,所述系统包括:
特征参数获取模块,用于采集头带式耳机的头带的出厂特征参数,所述出厂特征参数包括金属组分、金属配比、头带厚度;
极限强度获取模块,用于将所述金属组分和所述金属配比作为头带极限强度预测模型的输入变量,得到所述头带的预测极限强度;
监测记录模块,用于调取与所述头带的所述头带厚度和所述预测极限强度相同或相似的历史头带的历史全生命周期监测记录;
夹持力预测模块,用于将所述头带的实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带夹持力时序进行对比,得到预测夹持力;
故障度获取模块,用于将所述实际应用时长与分析提取到的所述历史全生命周期监测记录中的历史头带疲劳故障度时序进行对比,得到预测疲劳故障度;
自检结果获取模块,用于通过所述头带故障自检云平台对所述预测夹持力和所述预测疲劳故障度进行分析,生成所述头带的故障自检结果。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至7任一项所述的一种头带式耳机的头带故障自检方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的一种头带式耳机的头带故障自检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311260988.0A CN117014784B (zh) | 2023-09-27 | 2023-09-27 | 一种头戴式耳机的头带故障自检方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311260988.0A CN117014784B (zh) | 2023-09-27 | 2023-09-27 | 一种头戴式耳机的头带故障自检方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117014784A true CN117014784A (zh) | 2023-11-07 |
CN117014784B CN117014784B (zh) | 2024-01-30 |
Family
ID=88571265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311260988.0A Active CN117014784B (zh) | 2023-09-27 | 2023-09-27 | 一种头戴式耳机的头带故障自检方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117014784B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5237875A (en) * | 1991-03-29 | 1993-08-24 | Tensiodyne Corporation | Metal fatigue detector |
WO2018050773A1 (en) * | 2016-09-14 | 2018-03-22 | Ucl Business Plc | Wearable device |
US20190037324A1 (en) * | 2016-01-26 | 2019-01-31 | Paul Darlington | Method and Apparatus for Testing Earphone Apparatus |
WO2021020711A1 (ko) * | 2019-07-31 | 2021-02-04 | 삼성전자 주식회사 | 불량을 예측하는 전자 장치 및 그 전자 장치의 제어 방법 |
CN113326590A (zh) * | 2021-07-16 | 2021-08-31 | 北京博华信智科技股份有限公司 | 基于深度学习模型的滚动轴承寿命预测方法和装置 |
CN114422900A (zh) * | 2022-01-24 | 2022-04-29 | 深圳市烽火宏声科技有限公司 | 一种基于大数据的头戴耳机用故障预测系统 |
CN114490829A (zh) * | 2022-02-09 | 2022-05-13 | 中海油信息科技有限公司 | 一种故障识别方法、装置、设备及存储介质 |
WO2022160754A1 (zh) * | 2021-01-28 | 2022-08-04 | 歌尔股份有限公司 | 一种无线耳机故障检测方法、故障检测设备及无线耳机 |
CN115659826A (zh) * | 2022-11-04 | 2023-01-31 | 平安银行股份有限公司 | 一种服务器故障率检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-09-27 CN CN202311260988.0A patent/CN117014784B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5237875A (en) * | 1991-03-29 | 1993-08-24 | Tensiodyne Corporation | Metal fatigue detector |
US20190037324A1 (en) * | 2016-01-26 | 2019-01-31 | Paul Darlington | Method and Apparatus for Testing Earphone Apparatus |
WO2018050773A1 (en) * | 2016-09-14 | 2018-03-22 | Ucl Business Plc | Wearable device |
WO2021020711A1 (ko) * | 2019-07-31 | 2021-02-04 | 삼성전자 주식회사 | 불량을 예측하는 전자 장치 및 그 전자 장치의 제어 방법 |
WO2022160754A1 (zh) * | 2021-01-28 | 2022-08-04 | 歌尔股份有限公司 | 一种无线耳机故障检测方法、故障检测设备及无线耳机 |
CN113326590A (zh) * | 2021-07-16 | 2021-08-31 | 北京博华信智科技股份有限公司 | 基于深度学习模型的滚动轴承寿命预测方法和装置 |
CN114422900A (zh) * | 2022-01-24 | 2022-04-29 | 深圳市烽火宏声科技有限公司 | 一种基于大数据的头戴耳机用故障预测系统 |
CN114490829A (zh) * | 2022-02-09 | 2022-05-13 | 中海油信息科技有限公司 | 一种故障识别方法、装置、设备及存储介质 |
CN115659826A (zh) * | 2022-11-04 | 2023-01-31 | 平安银行股份有限公司 | 一种服务器故障率检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117014784B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815084B (zh) | 异常识别方法、装置和电子设备及存储介质 | |
CN111459778B (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
CN110572297B (zh) | 网络性能的评估方法、服务器及存储介质 | |
CN105974273B (zh) | 配电网故障定位系统 | |
CN113518011A (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
CN111262750B (zh) | 一种用于评估基线模型的方法及系统 | |
US11620539B2 (en) | Method and device for monitoring a process of generating metric data for predicting anomalies | |
CN113986693A (zh) | 告警响应级别确定方法、装置、电子设备及存储介质 | |
CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN108696486B (zh) | 一种异常操作行为检测处理方法及装置 | |
CN115630847A (zh) | 一种基于数据预测的收发组件检测方法、系统及存储介质 | |
CN113496089B (zh) | 基于人工智能的物联网设备异常状态在线监测方法及系统 | |
CN112904148A (zh) | 智能电缆运行监测系统、方法及装置 | |
CN110795324B (zh) | 一种数据处理方法及装置 | |
CN115373370A (zh) | 一种可编程控制器运行状态监测方法及系统 | |
CN115878598A (zh) | 监控数据处理方法、电子设备及存储介质 | |
CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
CN115511398A (zh) | 一种基于时间敏感网络的焊接质量智能检测方法及系统 | |
CN115441456A (zh) | 一种电网调度支持系统故障诊断方法及装置 | |
CN116086537A (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
CN116295948A (zh) | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 | |
CN112100037B (zh) | 告警级别识别方法、装置、电子设备及存储介质 | |
CN109976986B (zh) | 异常设备的检测方法及装置 | |
CN117014784B (zh) | 一种头戴式耳机的头带故障自检方法及系统 | |
CN111026624A (zh) | 电网信息系统的故障预测方法、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 |