CN117390972B - 一种电子烟雾化器寿命预测方法 - Google Patents
一种电子烟雾化器寿命预测方法 Download PDFInfo
- Publication number
- CN117390972B CN117390972B CN202311684147.2A CN202311684147A CN117390972B CN 117390972 B CN117390972 B CN 117390972B CN 202311684147 A CN202311684147 A CN 202311684147A CN 117390972 B CN117390972 B CN 117390972B
- Authority
- CN
- China
- Prior art keywords
- curve
- curve segment
- segment
- residual
- target
- 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
Links
- 239000003571 electronic cigarette Substances 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000000737 periodic effect Effects 0.000 claims abstract description 133
- 238000010438 heat treatment Methods 0.000 claims abstract description 75
- 230000005856 abnormality Effects 0.000 claims abstract description 51
- 230000006641 stabilisation Effects 0.000 claims abstract description 20
- 238000011105 stabilization Methods 0.000 claims abstract description 20
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 27
- 230000006835 compression Effects 0.000 claims description 24
- 238000007906 compression Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 239000007788 liquid Substances 0.000 description 5
- 230000000087 stabilizing effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000000889 atomisation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003679 aging effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24F—SMOKERS' REQUISITES; MATCH BOXES; SIMULATED SMOKING DEVICES
- A24F40/00—Electrically operated smoking devices; Component parts thereof; Manufacture thereof; Maintenance or testing thereof; Charging means specially adapted therefor
- A24F40/80—Testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及动态时序数据分析技术领域，具体涉及一种电子烟雾化器寿命预测方法，包括：确定待预测电子烟雾化器的温度时序曲线中加热稳定阶段对应的曲线段，称为目标曲线段；根据目标曲线段对应的残差曲线上各个残差点分析中轴离散性特征和数据点独立性特征，确定杂乱性程度；根据目标曲线段中各个周期子曲线段分析周期子曲线段的波动变化特征，确定周期形状异常程度；利用目标曲线段的杂乱性程度和周期形状异常程度，对原始静态剩余寿命进行修正，获得寿命预测结果。本发明通过目标曲线段的温度杂乱性特征和周期形状特征量化而得的指标，对电子烟雾化器进行寿命预测，有效提升了电子烟雾化器寿命预测的准确度。
Description
技术领域
本发明涉及动态时序数据分析技术领域，具体涉及一种电子烟雾化器寿命预测方法。
背景技术
电子烟雾化器是电子烟的一个重要组成部分，它负责将电子烟液加热并将其转化为吸入的蒸汽。电子烟雾化器的组件一般包括加热元件、电子烟液容器、吸入口，其中决定雾化器寿命的主要组件为加热元件。实时对电子烟雾化器进行寿命预测，一方面，可以保障电子烟的良好性能，提高用户体验，减少提前更换雾化器的频次，延长电子烟的使用寿命；另一方面，老化或磨损的雾化器可能会出现漏液或加热不均匀等问题，这些问题可能会对用户的安全构成威胁，因此实时检测寿命有助于减少潜在的安全风险。
传统的电子烟雾化器寿命预测方法通常基于内部材料的特性，如磨损度，受热升温程度，静态地估计电子烟的寿命，预测方法效率低且准确度不高，单次的检测寿命预测也易受误差影响。
发明内容
为了解决上述电子烟雾化器寿命预测准确度低下的技术问题，本发明的目的在于提供一种电子烟雾化器寿命预测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种电子烟雾化器寿命预测方法，该方法包括以下步骤：
获取待预测电子烟雾化器在本次使用过程中的温度时间序列和温度时序曲线；根据温度时间序列确定温度时序曲线中加热稳定阶段对应的曲线段，将所述加热稳定阶段对应的曲线段作为目标曲线段；
根据目标曲线段对应的残差曲线上各个残差点分析中轴离散性特征和数据点独立性特征，确定目标曲线段的杂乱性程度；
根据目标曲线段中各个周期子曲线段分析周期子曲线段的波动变化特征，确定目标曲线段的周期形状异常程度；
利用目标曲线段的杂乱性程度和周期形状异常程度，对预先获取的待预测电子烟雾化器的原始静态剩余寿命进行修正，获得待预测电子烟雾化器在本次使用过程中的寿命预测结果。
进一步地，根据温度时间序列确定温度时序曲线中加热稳定阶段对应的曲线段，包括：
使用旋转门算法，对温度时间序列进行线性拟合压缩处理，获得压缩时序曲线；其中，所述压缩时序曲线为温度时间序列经过线性拟合压缩处理后对应的时序曲线；
确定压缩时序曲线中的各个转折点；利用直线将相邻两个转折点相连接获得各个转折线段，确定各个转折线段的斜率；其中，所述转折线段为相邻两个转折点相连接而形成的线段；
将任意一个转折线段作为目标转折线段，若位于目标转折线段之前的各个转折线段的斜率呈现上升趋势，且位于目标转折线段之后的各个转折线段的斜率呈现下降趋势，则确定目标转折线段对应的两个端点；
将目标转折线段对应的两个端点映射到温度时序曲线中，获得温度时序曲线中的映射结果，所述映射结果对应的曲线段为加热稳定阶段对应的曲线段。
进一步地，确定压缩时序曲线中的各个转折点，包括：
利用导数法，计算压缩时序曲线中每个数据点的导数，将导数大于预设导数阈值的数据点确定为转折点。
进一步地，根据目标曲线段对应的残差曲线上各个残差点分析中轴离散性特征和数据点独立性特征，确定目标曲线段的杂乱性程度，包括：
对目标曲线段进行STL时序分解获得残差曲线；根据残差曲线上每个残差点的位置，确定残差曲线上每个残差点与中轴之间的距离；计算残差曲线上每个残差点与其左右相邻的残差点之间的欧式距离，比较每个残差点对应的两个欧式距离，确定每个残差点的最小欧式距离；
根据残差曲线上每个残差点与中轴之间的距离分析中轴离散性特征，确定目标曲线段的离散性指标；根据残差曲线上每个残差点的最小欧氏距离分析数据点独立性特征，确定目标曲线段的独立性指标；将目标曲线段的离散性指标和独立性指标相加后的数值，确定为目标曲线段的杂乱性程度。
进一步地，根据残差曲线上每个残差点与中轴之间的距离分析中轴离散性特征，确定目标曲线段的离散性指标，包括：
对于任意一个残差点，计算残差点与中轴之间的距离的平方；根据每个残差点与中轴之间的距离的平方，分析所有残差点整体距离中轴的水平，获得目标曲线段的初始离散性指标；
对所述初始离散性指标进行归一化处理，获得归一化处理后的初始离散性指标；将归一化处理后的初始离散性指标与第一预设权重的乘积，确定为目标曲线段的离散性指标。
进一步地，根据残差曲线上每个残差点的最小欧氏距离分析数据点独立性特征，确定目标曲线段的独立性指标，包括：
对于任意一个残差点，计算残差点的最小欧氏距离的平方；根据每个残差点的最小欧氏距离的平方，分析所有残差点整体最小欧氏距离的水平，获得目标曲线段的初始独立性指标；
对所述初始独立性指标进行归一化处理，获得归一化处理后的初始独立性指标；将归一化处理后的初始独立性指标与第二预设权重的乘积，确定为目标曲线段的独立性指标。
进一步地，根据目标曲线段中各个周期子曲线段分析周期子曲线段的波动变化特征，确定目标曲线段的周期形状异常程度，包括：
确定目标曲线段中各个周期子曲线段；根据预先获得的标准最高纵轴高度和标准最大横轴跨度、各个周期子曲线段中波动的最高纵轴高度和最大横轴跨度，确定目标曲线段的第一周期形状异常因子；其中，所述最大横轴跨度为周期子曲线段中波动的左右两侧的波谷点之间的距离；
确定各个周期子曲线段中相邻数据点连线的斜率，将斜率为正的连线确定为正相关连线，将斜率为负的连线确定为负相关连线，统计各个周期子曲线段对应的正相关连线的数量和负相关连线的数量；根据各个周期子曲线段对应的正相关连线的数量和负相关连线的数量，确定目标曲线段的第二周期形状异常因子；
将目标曲线段的第一周期形状异常因子和第二周期形状异常因子相加后的数值，确定为目标曲线段的周期形状异常程度。
进一步地，所述目标曲线段的第一周期形状异常因子的计算公式为：
；式中，/>为目标曲线段的第一周期形状异常因子，/>为第三预设权重，norm为线性归一化函数，/>为求绝对值函数，/>为预先获得的标准最高纵轴高度，/>为预先获得的标准最大横轴跨度，N为目标曲线段的周期子曲线段总数，/>为目标曲线段的第i个周期子曲线段中波动的最高纵轴高度，/>为目标曲线段的第i个周期子曲线段中波动的最大横轴跨度。
进一步地，所述目标曲线段的第二周期形状异常因子的计算公式为：
；式中，/>为目标曲线段的第二周期形状异常因子，/>为第四预设权重，norm为线性归一化函数，N为目标曲线段的周期子曲线段总数，/>为目标曲线段的第i个周期子曲线段对应的正相关连线的数量，/>为目标曲线段的第i个周期子曲线段对应的负相关连线的数量。
进一步地，获得待预测电子烟雾化器在本次使用过程中的寿命预测结果，包括：
将杂乱性程度和周期形状异常程度相加后的数值作为待预测电子烟雾化器的异常程度；确定异常程度的反比例值，将异常程度的反比例值与待预测电子烟雾化器的原始静态剩余寿命的乘积，作为待预测电子烟雾化器在本次使用过程中的寿命预测结果。
本发明具有如下有益效果：
本发明提供了一种电子烟雾化器寿命预测方法，相较于传统直接采集温度进行电子烟雾化器寿命预测，该方法通过加热稳定阶段对应的曲线段进行时序分解获得的残差曲线，基于残差曲线上各个残差点分析中轴离散性特征和数据点独立性特征，获得可以表征加热稳定阶段对应的曲线段不均匀性特征的杂乱性程度；从两个方面计算的杂乱性程度的准确性更高，并且杂乱性程度为后续实现寿命修正的关键指标之一，便于获得更准确的电子烟雾化器寿命预测结果。在不均匀性特征的基础上，进一步分析加热稳定阶段对应的曲线段的周期形状特征，即周期子曲线段的波动变化特征，确定周期形状异常程度；确定周期形状异常程度有助于更全面的反映电子烟雾化器寿命程度的特征，更全面地考虑杂乱性程度较小的情况下加热元件的加热效果较差导致的电子烟雾化器寿命风险隐患，便于深化得到更准确的周期形状异常程度。在对预先获取的待预测电子烟雾化器的原始静态剩余寿命进行修正时，利用杂乱性程度和周期形状异常程度，从两个方面进行加权修正，有利于提升电子烟雾化器在本次使用过程中的寿命预测结果的准确度。
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为本发明一种电子烟雾化器寿命预测方法的流程图。
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技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
本发明所针对的应用场景可以为：在对电子烟雾化器进行寿命预测时，传统的基于静态内部材料特性的预测方法的预测准确度低下，且易受误差影响。
为了提高电子烟雾化器寿命预测的准确度，本实施例结合温度均匀性特征和温度时序曲线形状特征，量化加热元件的温度异常程度，实现了对雾化器的寿命预测。具体，本实施例提供了一种电子烟雾化器寿命预测方法，如图1所示，包括以下步骤：
S1，获取待预测电子烟雾化器在本次使用过程中加热稳定阶段对应的曲线段，将加热稳定阶段对应的曲线段作为目标曲线段。
第一步，获取待预测电子烟雾化器在本次使用过程中的温度时间序列。
需要说明的是，电子烟雾化器寿命主要取决于加热元件的寿命，通过对加热元件的温度时序数据进行分析，可以得到加热元件的现状，从而实现雾化器寿命预测。因此，需要采集电子烟雾化器的加热元件的温度数据。
在本次使用过程中，按照固定时序间隔，通过电子烟内置的温度采集仪，采集待预测电子烟雾化器的加热元件在每个时刻的温度数据，将所有时刻的温度数据组成温度时间序列。固定时序间隔即为两个相邻时刻的时间间隔，固定时刻间隔可以由实施者根据具体实际情况设置，不做具体限定，本实施例将其设置为5秒。
第二步，根据温度时间序列确定温度时序曲线中的目标曲线段。
第一子步骤，根据温度时间序列获得温度时序曲线。
在本实施例中，构建纵轴为温度数据、纵轴为温度数据采集时间的二维坐标，将温度时间序列中每个温度数据投射到构建的二维坐标上，并利用最小二乘法，对二维坐标上的各个数据点进行线性拟合，获得拟合曲线，将拟合曲线称为温度时序曲线。最小二乘法的实现过程为现有技术，不在本发明保护范围内，此处不再赘述。
需要说明的是，针对温度变化，电子烟在单次使用过程中主要存在四个阶段，分别为：启动阶段、升温阶段、稳定阶段和降温阶段。温度时序曲线的起始点为激活电子烟的时刻，终止点为关闭电子烟的时刻。
第二子步骤，根据温度时间序列确定温度时序曲线中加热稳定阶段对应的曲线段。
首先，需要说明的是，电子烟雾化器的加热元件适用于稳定阶段，即加热稳定阶段，稳定阶段的温度数据最能反映电子烟雾化器的寿命状态，因此本实施例主要对稳定阶段的温度数据进行分析，此时需要从温度时序曲线中分割出加热稳定阶段对应的曲线段。
在本实施例中，温度时序曲线中包含了启动阶段的平缓型温度曲线段、升温阶段的持续上升型温度曲线段以及关闭电子烟时降温阶段的持续下降型温度曲线段，另外还存在降温阶段中途停止导致的持续下降再上升的温度曲线段，所以可以通过排除其他阶段的曲线段，获得加热稳定阶段对应的曲线段，加热稳定阶段即为加热元件在进行加热处理时的稳定阶段，具体实现步骤可以包括：
（1）使用旋转门算法，对温度时间序列进行线性拟合压缩处理，获得压缩时序曲线。其中，压缩时序曲线为温度时间序列经过线性拟合压缩处理后对应的时序曲线。
在本实施例中，旋转门算法采用较高的门限值，将温度时间序列的所有温度时序数据压缩为较大转折变动的温度时序数据，较大转折变动的温度时序数据经过线性拟合，可以得到压缩时序曲线。
值得说明的是，采用旋转门算法可以克服温度时间序列中较小转折变动的温度时序数据对不同阶段的曲线段整体趋势变化的影响，有利于提高后续获得的加热稳定阶段对应的曲线段的准确性。旋转门算法的实现过程为现有技术，不在本发明保护范围内，此处不再赘述。
（2）确定压缩时序曲线中的各个转折点；利用直线将相邻两个转折点相连接获得各个转折线段，确定各个转折线段的斜率。其中，转折线段为相邻两个转折点相连接而形成的线段。
对于确定压缩时序曲线中的各个转折点，利用导数法，计算压缩时序曲线中每个数据点的导数，将导数大于预设导数阈值的数据点确定为转折点。预设导数阈值可以由实施者根据具体实际情况设置，这里不做具体限定。导数法确定拐点的具体实现过程为现有技术，此处不再进行详细阐述，拐点即为转折点。值得说明的是，转折点可以是升温阶段与稳定阶段之间的拐点，也可以是稳定节点与降温阶段之间的拐点。
对于各个转折线段的斜率，基于转折线段上两个转折点的位置，可以计算转折线段的斜率，斜率的计算公式为现有技术，此处不再赘述。
（3）将任意一个转折线段作为目标转折线段，若位于目标转折线段之前的各个转折线段的斜率呈现上升趋势，且位于目标转折线段之后的各个转折线段的斜率呈现下降趋势，则确定目标转折线段对应的两个端点。
在本实施例中，为了便于描述，从多个转折线段中选取一个转折线段为例进行说明。基于电子烟场景对应的压缩时序曲线可知，在压缩时序曲线中，若斜率最接近水平方向，位于该斜率之前的所有转折线段均为上升，位于该斜率之后的所有转折线段均为下降，则说明该斜率对应的转折线段为加热稳定阶段的转折线段。
目标转折线段对应的两个端点的采集时间，可以是稳定阶段的开始时间点和结束时间点；确定目标转折线段对应的两个端点，是为了便于后续将稳定阶段的开始时间点和结束时间点投射到温度时序曲线中，获得加热稳定阶段对应的曲线段。
（4）将目标转折线段对应的两个端点映射到温度时序曲线中，获得温度时序曲线中的映射结果，所述映射结果对应的曲线段为加热稳定阶段对应的曲线段。
在本实施例中，温度时序曲线中的映射结果是指温度时序曲线包含的稳定阶段的开始时间点和结束时间点，将两个时间点之间所包含的所有温度时序数据对应的曲线段作为加热稳定阶段对应的曲线段。
至此，本实施例通过分析温度时序曲线中加热稳定阶段的曲线段特征，获得加热稳定阶段对应的曲线段。
S2，根据目标曲线段对应的残差曲线上各个残差点分析中轴离散性特征和数据点独立性特征，确定目标曲线段的杂乱性程度。
需要说明的是，电子烟雾化器的加热元件的工作方式为间隔加热，具体为：在一定时间间隔内进行短暂的加热，在温度达到可以使烟液实现雾化的温度时停止一段时间的加热，不断反复加热和停止加热，以控制温度、节省能量或延长设备寿命。因此，在稳定阶段对应的温度时序曲线段的趋势可以为：在短时间内先上升后下降，以此为一个周期进行迭代，若电子烟雾化器进行多次间隔加热，则目标曲线段对应多个加热周期。当电子烟雾化器寿命不足时，加热元件呈现加热不均匀，出现受热不均匀的现象，此时稳定阶段对应的温度时序曲线段的周期性和趋势性较差，混乱程度较高。
在本实施例中，残差可以用于表征曲线周期性的拟合效果，由残差点构成的曲线的坐标系中存在纵轴值为0的横向中轴，简称中轴，残差点距离中轴的远近程度可以表征原始曲线数据的周期性和趋势性，具体分析残差中因加热不均匀出现的独立性以及相对于中轴的离散性。通过残差分析曲线的杂乱性程度，或是不均匀性程度，当杂乱性程度越大时，均匀性程度越差，原始曲线的异常程度越大，预期寿命水平越差。确定目标曲线段的杂乱性程度的具体实现步骤可以包括：
第一步，对目标曲线段进行STL（Seasonal-Trend decomposition procedurebased on Loess，时间序列分解算法）时序分解获得残差曲线；根据残差曲线上每个残差点的位置，确定残差曲线上每个残差点与中轴之间的距离；计算残差曲线上每个残差点与其左右相邻的残差点之间的欧式距离，比较每个残差点对应的两个欧式距离，确定每个残差点的最小欧式距离。
（1）关于残差曲线。对目标曲线段进行STL时序分解后，可以获得目标曲线段对应的各个残差值；然后将所有残差值映射到纵轴为残差值，横轴为时间序号的坐标系上，获得各个残差点；最后对所有残差点进行线性拟合，可以获得目标曲线段对应的残差曲线。STL时序分解和线性拟合的实现过程为现有技术，不在本发明保护范围内，此处不再赘述。
（2）关于残差曲线上每个残差点与中轴之间的距离。大部分残差点对于中轴呈现一种高度聚合的理想状态，该状态下的残差均匀程度高，但是考虑到在使用电子烟过程中烟液实现雾化将导致温度数据在理想周期内出现微小浮动，其造成实际获得的目标曲线段与周期项的整体拟合程度可能出现浮动差异，主要表现为大部分残差出现偏离中轴的情况，也就是本身周期性和趋势性较差的目标曲线段上数据点的残差出现离群状态。因此，通过残差曲线上每个残差点距离中轴的整体水平来衡量中轴离散性特征。
（3）关于每个残差点的最小欧式距离。确定每个残差点与邻域内另一个残差点的最小距离，最小距离即为最小欧氏距离，最小距离越大，说明对应的残差点越独立，异常程度越大，预期寿命水平越差。先基于每个残差点的位置计算每个残差点与其左右相邻的两个残差点之间的欧氏距离，此时的每个残差点均会对应两个欧氏距离，从两个欧氏距离中选取一个最小的距离值作为对应的残差点的最小欧式距离。
第二步，根据残差曲线上每个残差点与中轴之间的距离分析中轴离散性特征，确定目标曲线段的离散性指标；根据残差曲线上每个残差点的最小欧氏距离分析数据点独立性特征，确定目标曲线段的独立性指标；将目标曲线段的离散性指标和独立性指标相加后的数值，确定为目标曲线段的杂乱性程度。
第一子步骤，确定目标曲线段的离散性指标，具体实现步骤可以包括：
（1）对于任意一个残差点，计算残差点与中轴之间的距离的平方；根据每个残差点与中轴之间的距离的平方，分析所有残差点整体距离中轴的水平，获得目标曲线段的初始离散性指标。
需要说明的是，初始离散性指标可以通过所有残差点与中轴之间的距离的平方的平均值来表征。当然，实施者也可以通过其他计算方式来表示所有残差点整体距离中轴的水平，以确定初始离散性指标。
（2）对所述初始离散性指标进行归一化处理，获得归一化处理后的初始离散性指标；将归一化处理后的初始离散性指标与第一预设权重的乘积，确定为目标曲线段的离散性指标。
在本实施例中，归一化处理的实现手段可以是线性归一化函数，第一预设权重设置为0.3。实施者可以根据具体实际情况，设置归一化处理的实现手段和第一预设权重的数值大小，这里不做具体限定。
第二子步骤，确定目标曲线段的独立性指标，具体实现步骤可以包括：
（1）对于任意一个残差点，计算残差点的最小欧氏距离的平方；根据每个残差点的最小欧氏距离的平方，分析所有残差点整体最小欧氏距离的水平，获得目标曲线段的初始独立性指标。
需要说明的是，初始独立性指标可以通过所有残差点的最小欧氏距离的平方的平均值来表征。当然，实施例也可以通过其他计算方式来表示所有残差点整体最小欧氏距离的水平，以确定初始独立性指标。
（2）对所述初始独立性指标进行归一化处理，获得归一化处理后的初始独立性指标；将归一化处理后的初始独立性指标与第二预设权重的乘积，确定为目标曲线段的独立性指标。
在本实施例中，归一化处理的实现手段可以是线性归一化函数，第二预设权重设置为0.2。实施者可以根据具体实际情况，设置归一化处理的实现手段和第二预设权重的数值大小，这里不做具体限定。
第三子步骤，确定为目标曲线段的杂乱性程度。
作为示例，目标曲线段的杂乱性程度的计算公式可以为：
；式中，U为目标曲线段的杂乱性程度，/>为第一预设权重，norm为线性归一化函数，n为残差点的个数，/>为第i个残差点与中轴之间的距离，/>为目标曲线段的离散性指标，/>为第二预设权重，/>为第i个残差点的最小欧氏距离，/>为目标曲线段的独立性指标。
在杂乱性程度的计算公式中，杂乱性程度U可以表征目标曲线段的周期性和趋势性的混乱程度，杂乱性程度U越大，说明目标曲线段的均匀性程度越小，异常程度越大，电子烟雾化器的预期寿命水平越差；计算与中轴之间的距离的平方，是为了将两个距离/>中的任意一个距离作为权值，利用权值对第i个残差点与中轴之间的距离/>进行放大处理，以削弱残差点在中轴较小范围内的距离影响，并放大在距离中轴较远且较明显的异常点影响；/>可以表征所有残差点的整体距离水平；计算公式中第i个残差点的最小欧氏距离/>的平方，是为了扩大独立点的影响，促使离群程度本身就大数据点的异常程度更大，本身离群程度小的数据点的异常程度更小，以区分因为微小浮动变化造成的离群点和真正的异常离群点；/>、/>可以用于控制两部分在模型中的权重占比，因为中轴的离散程度影响对杂乱性程度的影响更大，即离散性指标对杂乱性程度的影响更大，所以对/>、/>分别赋权值为0.3与0.2，最终获得时序曲线的不均匀性程度，值域为[0,0.5]；目标曲线段的杂乱性程度扩大了异常点的独立性影响，由此可以获得更准确的异常离群点。
至此，本实施例通过残差分析加热稳定阶段的曲线段的周期性和趋势性的杂乱程度，获得了目标曲线段的杂乱性程度。
S3，根据目标曲线段中各个周期子曲线段分析周期子曲线段的波动变化特征，确定目标曲线段的周期形状异常程度。
需要说明的是，杂乱性程度越高，稳定阶段的温度时序曲线段的异常程度越高，加热元件的剩余寿命越短，但是当加热元件的杂乱程度较低的情况下，也存在异常风险。主要体现在，老化的电子烟雾化器在进行间隔加热时的升温时间长，且升温温度低，导致加热稳定阶段的曲线段内存在周期项的曲线形状异常；而正常周期项的形状可以为在较短时间单位内急速上升到顶点温度，然后再缓慢下降，其形似一个向下开口的钝角三角形。老化的电子烟雾化器对应的目标曲线段与标准目标曲线段存在较为明显的周期曲线形状差异，通过分析周期子曲线段的波动变化特征，可以量化目标曲线段的周期形状异常程度。其中，标准目标曲线段是指刚出厂的电子烟雾化器的加热元件在加热稳定阶段对应的温度时序曲线段。
第一步，确定目标曲线段中各个周期子曲线段；根据预先获得的标准最高纵轴高度和标准最大横轴跨度、各个周期子曲线段中波动的最高纵轴高度和最大横轴跨度，确定目标曲线段的第一周期形状异常因子。
第一子步骤，确定目标曲线段中各个周期子曲线段。
在本实施例中，为了便于后续对目标曲线段的每个周期进行分析，需要将目标曲线段分割成各个周期子曲线段。在此通过对目标曲线段进行STL时序分解，以获得周期项，从目标曲线段的初始点开始，利用周期项周期的横轴跨度将目标曲线分割为各个周期子曲线段。周期子曲线段的形状类似于波峰，表现为温度先缓慢上升，到达烟液雾化温度时再缓慢下降。分割周期子曲线段的具体实现过程为现有技术，此处不再进行详细阐述。
第二子步骤，确定目标曲线段的第一周期形状异常因子。
在本实施例中，受电子烟雾化器老化的影响，加热元件出现升温温度低导致的曲线周期上限缩小，即周期波动的最高纵轴高度较小，最高纵轴高度是指在单个周期子曲线段中波动对应的最大纵坐标值；同时，加热元件也出现降温更快导致的单个周期子曲线段中波动跨度范围缩小，即周期波动的最大横轴跨度较小，最大横轴跨度是指单个周期子曲线段中波峰的左右两侧相邻的波谷对应的波谷点之间的距离。通过比较待预测电子烟雾化器与合格电子烟雾化器，量化待预测电子烟雾化器对应的周期子曲线段的形状异常程度，确定目标曲线段的第一周期形状异常因子，第一周期形状异常因子可以表征目标曲线段的整体形状差异。
作为示例，第一周期形状异常因子的计算公式可以为：
；式中，/>为目标曲线段的第一周期形状异常因子，/>为第三预设权重，norm为线性归一化函数，/>为求绝对值函数，/>为预先获得的标准最高纵轴高度，/>为预先获得的标准最大横轴跨度，N为目标曲线段的周期子曲线段总数，/>为目标曲线段的第i个周期子曲线段中波动的最高纵轴高度，/>为目标曲线段的第i个周期子曲线段中波动的最大横轴跨度。
在第一周期形状异常因子的计算公式中，第三预设权重可以用于控制第一周期形状异常因子在周期形状异常程度中的权重占比，由于第一周期形状异常因子与后续的第二周期形状异常因子的占比相当，故可以将第三预设权重设置为0.25，实施者可以根据具体实际情况设置第一周期形状异常因子的大小；线性归一化函数norm可以确保的取值范围在0到1之间；/>可以用于表征合格电子烟雾化器对应的标准最高纵轴高度和标准最大横轴跨度的乘积，/>可以用于表征待预测电子烟雾化器对应的第i个周期子曲线段的最高纵轴高度和最大横轴跨度的乘积，为了表征待预测电子烟雾化器整体的周期波动特征，计算/>；/>可以用于表征待预测电子烟雾化器的整体周期波动形状差异程度，整体周期波动形状差异程度越大，待预测电子烟雾化器对应的所有周期子曲线段的形状越异常，预期寿命越短。
第二步，确定各个周期子曲线段中相邻数据点连线的斜率，将斜率为正的连线确定为正相关连线，将斜率为负的连线确定为负相关连线，统计各个周期子曲线段对应的正相关连线的数量和负相关连线的数量；根据各个周期子曲线段对应的正相关连线的数量和负相关连线的数量，确定目标曲线段的第二周期形状异常因子。
第一子步骤，确定各个周期子曲线段对应的正相关连线的数量和负相关连线的数量。
在本实施例中，在各个周期子曲线段中，利用直线将相邻数据点连接起来，获得各个周期子曲线段对应的多个连线。当电子烟雾化器的寿命较短时，加热元件进行升温操作所需要的时间越长，体现在周期子曲线段的形状上为升温对应的增长趋势曲线的占比更大，故可以通过计算各个周期子曲线段对应的多个连线的斜率，区分增长趋势曲线和下降趋势曲线。正相关连线是指数据点的温度数据随着时间增长而逐渐增大的连线，目标曲线段中各个正相关连线对应的曲线为增长趋势曲线，负相关连线是指数据点的温度数据随着时间的增长而逐渐减小的连线，目标曲线段中各个负相关连线对应的曲线为下降趋势曲线，故可以通过统计正相关连线的数量和负相关连线的数量，分析增长趋势曲线在单个周期子曲线段中的占比情况，即确定第二周期形状异常因子。
其中，在确定周期子曲线段对应各个连线的性质时，结合斜率的性质，将斜率为正的连线确定为正相关连线，将斜率为负的连线确定为负相关连线。连线斜率的计算过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
第二子步骤，确定目标曲线段的第二周期形状异常因子。
在本实施例中，通过目标曲线段对应的各个周期子曲线段对应的正相关连线的数量和负相关连线的数量的比值情况，量化目标曲线段的第二周期形状异常因子。
作为示例，第二周期形状异常因子的计算公式可以为：
；式中，/>为目标曲线段的第二周期形状异常因子，/>为第四预设权重，norm为线性归一化函数，N为目标曲线段的周期子曲线段总数，/>为目标曲线段的第i个周期子曲线段对应的正相关连线的数量，/>为目标曲线段的第i个周期子曲线段对应的负相关连线的数量。
在第二周期形状异常因子的计算公式中，第四预设权重可以用于控制第二周期形状异常因子在周期形状异常程度中的权重占比，其可以设置为0.25；/>越大，说明目标曲线段的第i个周期子曲线段对应的正相关连线的数量越大，即待预测电子烟雾化器的增长趋势曲线占比越大，加热元件在进行间隔加热时的加热时间越长；/>越小，说明目标曲线段的第i个周期子曲线段对应的负相关连线的数量越小，即待预测电子烟雾化器的下降趋势曲线占比越小，加热元件在进行间隔加热时的降温时间越短；/>越大，待预测电子烟雾化器的增长趋势曲线在周期子曲线段的占比越大，待预测电子烟雾化器在进行间隔加热时所需时间越长，待预测电子烟雾化器的加热元件的老化程度越严重，预期寿命越短；为了量化待预测电子烟雾化器在单次使用过程中加热元件的工作情况，计算/>；为了统一第一周期形状异常因子和第二周期形状异常因子的量纲，便于后续进行相加计算，利用线性归一化函数使/>的取值范围在0到1之间。
第三步，将目标曲线段的第一周期形状异常因子和第二周期形状异常因子相加后的数值，确定为目标曲线段的周期形状异常程度。
作为示例，目标曲线段的周期形状异常程度的计算公式可以为：
；式中，V为目标曲线段的周期形状异常程度，/>为目标曲线段的第一周期形状异常因子，/>为目标曲线段的第二周期形状异常因子。
在周期形状异常程度的计算公式中，周期形状异常程度的取值范围为0到0.5，在计算周期形状异常程度时，不仅考虑到目标曲线段的周期子曲线段与标准周期子曲选段之间的形状差异程度量化获得的第一周期形状异常因子，还考虑到间隔加热的周期子曲线段中加热时长在整个周期中占比情况量化获得的第二周期形状异常因子，其有效提高了计算获得的目标曲线段的周期形状异常程度的准确性。其中，这里的标准周期子曲选段是指刚出厂的正常电子烟雾化器对应的目标曲线段对应的周期子曲线段。
至此，本实施例通过分析目标曲线段的周期子曲线段的形状特征，获得可以衡量目标曲线段形状异常程度的周期形状异常程度。
S4，利用目标曲线段的杂乱性程度和周期形状异常程度，对预先获取的待预测电子烟雾化器的原始静态剩余寿命进行修正，获得待预测电子烟雾化器在本次使用过程中的寿命预测结果。
在本实施例中，结合杂乱性程度和周期形状异常程度可以获得待预测电子烟雾化器的异常程度，异常程度越大，说明加热元件越存在的寿命风险隐患，待预测电子烟雾化器的剩余寿命越短。因此，在预先获取的待预测电子烟雾化器的原始静态剩余寿命的基础上，利用待预测电子烟雾化器的异常程度进行加权修正，获得待预测电子烟雾化器在本次使用过程中的寿命预测结果，具体的实现步骤可以包括：
将杂乱性程度和周期形状异常程度相加后的数值作为待预测电子烟雾化器的异常程度；确定异常程度的反比例值，将异常程度的反比例值与待预测电子烟雾化器的原始静态剩余寿命的乘积，作为待预测电子烟雾化器在本次使用过程中的寿命预测结果。
作为示例，待预测电子烟雾化器在本次使用过程中的寿命预测结果的计算公式可以为：
；式中，/>为待预测电子烟雾化器的异常程度，U为目标曲线段的杂乱性程度，V为目标曲线段的周期形状异常程度，L为待预测电子烟雾化器在本次使用过程中的寿命预测结果，/>为待预测电子烟雾化器的原始静态剩余寿命，/>为异常程度的反比例值。/>
在动态剩余寿命的计算公式中，待预测电子烟雾化器的异常程度与寿命预测结果为反比例关系，异常程度越大，说明待预测电子烟雾化器的加热元件的加热功能越差，待预测电子烟雾化器的预测寿命越短，寿命预测结果即为剩余寿命；利用待预测电子烟雾化器的异常程度，可以有效提高电子烟雾化器寿命的预测结果的准确性，同时，间隔一定时间对电子烟进行一次寿命预测，有利于提高电子烟寿命预测的实时性。
至此，本实施例达到了准确预测电子烟雾化器寿命的目的。
本发明提供了一种电子烟雾化器寿命预测方法，动态地在每次使用电子烟时对电子烟使用寿命进行评估预测，具体结合电子烟加热元件的时序曲线特征构建程度模型对寿命进行预测，得到较为准确的理想预测结果，同时也克服了传统电子烟雾化器寿命预测方法的预测效率差的缺陷。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。
Claims (6)
1.一种电子烟雾化器寿命预测方法，其特征在于，包括以下步骤：
获取待预测电子烟雾化器在本次使用过程中的温度时间序列和温度时序曲线；根据温度时间序列确定温度时序曲线中加热稳定阶段对应的曲线段，将所述加热稳定阶段对应的曲线段作为目标曲线段；
根据目标曲线段对应的残差曲线上各个残差点分析中轴离散性特征和数据点独立性特征，确定目标曲线段的杂乱性程度；
根据目标曲线段中各个周期子曲线段分析周期子曲线段的波动变化特征，确定目标曲线段的周期形状异常程度；
利用目标曲线段的杂乱性程度和周期形状异常程度，对预先获取的待预测电子烟雾化器的原始静态剩余寿命进行修正，获得待预测电子烟雾化器在本次使用过程中的寿命预测结果；
根据温度时间序列确定温度时序曲线中加热稳定阶段对应的曲线段，包括：
使用旋转门算法，对温度时间序列进行线性拟合压缩处理，获得压缩时序曲线；其中，所述压缩时序曲线为温度时间序列经过线性拟合压缩处理后对应的时序曲线；
确定压缩时序曲线中的各个转折点；利用直线将相邻两个转折点相连接获得各个转折线段，确定各个转折线段的斜率；其中，所述转折线段为相邻两个转折点相连接而形成的线段；
将任意一个转折线段作为目标转折线段，若位于目标转折线段之前的各个转折线段的斜率呈现上升趋势，且位于目标转折线段之后的各个转折线段的斜率呈现下降趋势，则确定目标转折线段对应的两个端点；
将目标转折线段对应的两个端点映射到温度时序曲线中，获得温度时序曲线中的映射结果，所述映射结果对应的曲线段为加热稳定阶段对应的曲线段；
根据目标曲线段对应的残差曲线上各个残差点分析中轴离散性特征和数据点独立性特征，确定目标曲线段的杂乱性程度，包括：
对目标曲线段进行STL时序分解获得残差曲线；根据残差曲线上每个残差点的位置，确定残差曲线上每个残差点与中轴之间的距离；计算残差曲线上每个残差点与其左右相邻的残差点之间的欧式距离，比较每个残差点对应的两个欧式距离，确定每个残差点的最小欧式距离；
根据残差曲线上每个残差点与中轴之间的距离分析中轴离散性特征，确定目标曲线段的离散性指标；根据残差曲线上每个残差点的最小欧氏距离分析数据点独立性特征，确定目标曲线段的独立性指标；将目标曲线段的离散性指标和独立性指标相加后的数值，确定为目标曲线段的杂乱性程度；
根据残差曲线上每个残差点与中轴之间的距离分析中轴离散性特征，确定目标曲线段的离散性指标，包括：
对于任意一个残差点，计算残差点与中轴之间的距离的平方；根据每个残差点与中轴之间的距离的平方，分析所有残差点整体距离中轴的水平，获得目标曲线段的初始离散性指标；
对所述初始离散性指标进行归一化处理，获得归一化处理后的初始离散性指标；将归一化处理后的初始离散性指标与第一预设权重的乘积，确定为目标曲线段的离散性指标；
根据残差曲线上每个残差点的最小欧氏距离分析数据点独立性特征，确定目标曲线段的独立性指标，包括：
对于任意一个残差点，计算残差点的最小欧氏距离的平方；根据每个残差点的最小欧氏距离的平方，分析所有残差点整体最小欧氏距离的水平，获得目标曲线段的初始独立性指标；
对所述初始独立性指标进行归一化处理，获得归一化处理后的初始独立性指标；将归一化处理后的初始独立性指标与第二预设权重的乘积，确定为目标曲线段的独立性指标。
2.根据权利要求1所述的一种电子烟雾化器寿命预测方法，其特征在于，确定压缩时序曲线中的各个转折点，包括：
利用导数法，计算压缩时序曲线中每个数据点的导数，将导数大于预设导数阈值的数据点确定为转折点。
3.根据权利要求1所述的一种电子烟雾化器寿命预测方法，其特征在于，根据目标曲线段中各个周期子曲线段分析周期子曲线段的波动变化特征，确定目标曲线段的周期形状异常程度，包括：
确定目标曲线段中各个周期子曲线段；根据预先获得的标准最高纵轴高度和标准最大横轴跨度、各个周期子曲线段中波动的最高纵轴高度和最大横轴跨度，确定目标曲线段的第一周期形状异常因子；其中，所述最大横轴跨度为周期子曲线段中波动的左右两侧的波谷点之间的距离；
确定各个周期子曲线段中相邻数据点连线的斜率，将斜率为正的连线确定为正相关连线，将斜率为负的连线确定为负相关连线，统计各个周期子曲线段对应的正相关连线的数量和负相关连线的数量；根据各个周期子曲线段对应的正相关连线的数量和负相关连线的数量，确定目标曲线段的第二周期形状异常因子；
将目标曲线段的第一周期形状异常因子和第二周期形状异常因子相加后的数值，确定为目标曲线段的周期形状异常程度。
4.根据权利要求3所述的一种电子烟雾化器寿命预测方法，其特征在于，所述目标曲线段的第一周期形状异常因子的计算公式为：
；式中，/>为目标曲线段的第一周期形状异常因子，/>为第三预设权重，norm为线性归一化函数，/>为求绝对值函数，/>为预先获得的标准最高纵轴高度，/>为预先获得的标准最大横轴跨度，N为目标曲线段的周期子曲线段总数，/>为目标曲线段的第i个周期子曲线段中波动的最高纵轴高度，/>为目标曲线段的第i个周期子曲线段中波动的最大横轴跨度。
5.根据权利要求3所述的一种电子烟雾化器寿命预测方法，其特征在于，所述目标曲线段的第二周期形状异常因子的计算公式为：
；式中，/>为目标曲线段的第二周期形状异常因子，/>为第四预设权重，norm为线性归一化函数，N为目标曲线段的周期子曲线段总数，/>为目标曲线段的第i个周期子曲线段对应的正相关连线的数量，/>为目标曲线段的第i个周期子曲线段对应的负相关连线的数量。
6.根据权利要求1所述的一种电子烟雾化器寿命预测方法，其特征在于，获得待预测电子烟雾化器在本次使用过程中的寿命预测结果，包括：
将杂乱性程度和周期形状异常程度相加后的数值作为待预测电子烟雾化器的异常程度；确定异常程度的反比例值，将异常程度的反比例值与待预测电子烟雾化器的原始静态剩余寿命的乘积，作为待预测电子烟雾化器在本次使用过程中的寿命预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684147.2A CN117390972B (zh) | 2023-12-11 | 2023-12-11 | 一种电子烟雾化器寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684147.2A CN117390972B (zh) | 2023-12-11 | 2023-12-11 | 一种电子烟雾化器寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390972A CN117390972A (zh) | 2024-01-12 |
| CN117390972B true CN117390972B (zh) | 2024-03-15 |
Family
ID=89441359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311684147.2A Active CN117390972B (zh) | 2023-12-11 | 2023-12-11 | 一种电子烟雾化器寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390972B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851960B (zh) * | 2024-03-08 | 2024-05-17 | 傲世威科技(深圳)有限公司 | 一种基于电子烟雾化器的温度测试数据管理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110051037A (zh) * | 2018-01-18 | 2019-07-26 | 湖南中烟工业有限责任公司 | 一种电子烟雾化控制系统及雾化控制方法 |
| WO2021169587A1 (zh) * | 2020-02-25 | 2021-09-02 | 深圳麦克韦尔科技有限公司 | 雾化器控制系统及电子雾化装置的控制方法 |
| CN114792156A (zh) * | 2022-03-10 | 2022-07-26 | 国网甘肃省电力公司电力科学研究院 | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 |
| CN115844340A (zh) * | 2022-11-11 | 2023-03-28 | 青岛杰瑞自动化有限公司 | 一种辅助训练用人员身体指标监测方法、系统及电子设备 |
| CN115935296A (zh) * | 2023-03-09 | 2023-04-07 | 国网山东省电力公司营销服务中心(计量中心) | 一种电能数据计量方法及系统 |
-
2023
- 2023-12-11 CN CN202311684147.2A patent/CN117390972B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110051037A (zh) * | 2018-01-18 | 2019-07-26 | 湖南中烟工业有限责任公司 | 一种电子烟雾化控制系统及雾化控制方法 |
| WO2021169587A1 (zh) * | 2020-02-25 | 2021-09-02 | 深圳麦克韦尔科技有限公司 | 雾化器控制系统及电子雾化装置的控制方法 |
| CN114792156A (zh) * | 2022-03-10 | 2022-07-26 | 国网甘肃省电力公司电力科学研究院 | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 |
| CN115844340A (zh) * | 2022-11-11 | 2023-03-28 | 青岛杰瑞自动化有限公司 | 一种辅助训练用人员身体指标监测方法、系统及电子设备 |
| CN115935296A (zh) * | 2023-03-09 | 2023-04-07 | 国网山东省电力公司营销服务中心(计量中心) | 一种电能数据计量方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| STD: A Seasonal-Trend-Dispersion Decomposition of Time Series;Grzegorz Dudek;IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING,;第35卷(第10期);第10339-10350页 * |
| 基于遥测数据动态特征的卫星异常检测方法;李维铮;孟桥;;空间科学学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390972A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117390972B (zh) | 一种电子烟雾化器寿命预测方法 | |
| CN116089846B (zh) | 一种基于数据聚类的新能源结算数据异常检测与预警方法 | |
| US20200408447A1 (en) | Energy Management for Refrigeration Systems | |
| US11149737B2 (en) | Deposition detection device for exhaust pump and exhaust pump having the same | |
| CN108709287B (zh) | 一种空调系统冷负荷预测方法及冷水机组群控的策略 | |
| CN117407700B (zh) | 一种带电作业过程中作业环境的监测方法 | |
| CA2501724A1 (en) | Method for discriminating between operating conditions in medical pump | |
| CN116994416B (zh) | 基于人工智能的风机运行故障预警方法及系统 | |
| CN108105969B (zh) | 一种空调智能监测系统及空调的运行效率异常检测方法 | |
| CN116307944B (zh) | 基于人工智能与物联网的配电箱远程监测系统 | |
| CN116320043B (zh) | 一种提高多载波通信系统传输效率的方法及系统 | |
| GB201308019D0 (en) | Inverter controller and method of controlling an inverter | |
| CN116865269A (zh) | 一种风电机组高谐波补偿方法及系统 | |
| CN110378624B (zh) | 基于趋势提取的火电机组一次调频指标计算方法及系统 | |
| CN117493921B (zh) | 基于大数据的人工智能节能管理方法及系统 | |
| EP2911109B1 (en) | Method and system for identifying energy consumers | |
| CN102710348B (zh) | 一种基于周期图的能量检测方法 | |
| CN114070747B (zh) | 基于vi算法的高斯混合模型的物联网设备状态检测方法 | |
| RU2798891C1 (ru) | Способ определения остаточного ресурса топливного насоса | |
| CN114623562B (zh) | 空气调节设备及其控制方法和控制装置 | |
| CN115617308A (zh) | 一种康普顿相机能谱平滑方法、电子设备及存储介质 | |
| CN117972614A (zh) | 一种移动电源充放电过程中的温度实时监测方法 | |
| CN113108336B (zh) | 一种烟机的风压控制方法及装置 | |
| CN118091325A (zh) | 一种电缆智能检测方法及系统 | |
| CN117713142A (zh) | 一种用于电源的智能控制方法及系统 |
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 |