CN117562311A - 一种高性能电子烟雾化器的检测系统 - Google Patents
一种高性能电子烟雾化器的检测系统 Download PDFInfo
- Publication number
- CN117562311A CN117562311A CN202410028727.4A CN202410028727A CN117562311A CN 117562311 A CN117562311 A CN 117562311A CN 202410028727 A CN202410028727 A CN 202410028727A CN 117562311 A CN117562311 A CN 117562311A
- Authority
- CN
- China
- Prior art keywords
- outlet pressure
- vector
- time sequence
- feature
- working temperature
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 239000003571 electronic cigarette Substances 0.000 title claims description 54
- 238000012360 testing method Methods 0.000 claims abstract description 134
- 238000009987 spinning Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 235
- 230000004927 fusion Effects 0.000 claims description 73
- 230000003993 interaction Effects 0.000 claims description 65
- 230000004044 response Effects 0.000 claims description 59
- 238000012937 correction Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims 1
- 238000004220 aggregation Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 7
- 235000019504 cigarettes Nutrition 0.000 abstract description 5
- 238000010219 correlation analysis Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000006199 nebulizer Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 229940100563 gas for inhalation Drugs 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本申请公开了一种高性能电子烟雾化器的检测系统，其通过温度传感器和压力传感器实时监测采集雾化器在测试过程中的测试工作温度和出口压力，并在后端引入数据处理和分析算法来进行该测试工作温度和出口压力的时序协同关联分析，以此来判断电子烟雾化器的性能是否正常。这样，能够实现对电子烟雾化器性能的自动化检测和判断，从而提高电子烟的质量和产品安全性，为用户提供更好的使用体验。
Description
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种高性能电子烟雾化器的检测系统。
背景技术
电子烟是一种通过加热液体产生雾化气体供用户吸入的电子设备。电子烟的核心部件之一是雾化器，它负责将液体转化为可吸入的雾化气体。高性能的电子烟雾化器需要具备稳定的工作温度和适宜的出口压力，以确保用户获得良好的吸入体验。为了确保电子烟雾化器的性能正常，需要对雾化器进行检测。然而，传统的电子烟雾化器检测方法通常依赖于人工操作和目测判断，操作者的主观因素会对结果产生影响，导致检测结果的不一致性和不可靠性。此外，传统的检测方法需要人工逐个检测电子烟雾化器，耗费时间和人力资源。特别是在大规模生产中，效率低下且容易出现漏检或误检的情况。
因此，期望一种优化的高性能电子烟雾化器的检测系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种高性能电子烟雾化器的检测系统，其通过温度传感器和压力传感器实时监测采集雾化器在测试过程中的测试工作温度和出口压力，并在后端引入数据处理和分析算法来进行该测试工作温度和出口压力的时序协同关联分析，以此来判断电子烟雾化器的性能是否正常。这样，能够实现对电子烟雾化器性能的自动化检测和判断，从而提高电子烟的质量和产品安全性，为用户提供更好的使用体验。
根据本申请的一个方面，提供了一种高性能电子烟雾化器的检测系统，其包括：
检测数据采集模块，用于获取由温度传感器采集的测试工作温度时间序列和由压力传感器采集的出口压力时间序列；
数据时序排列模块，用于将所述测试工作温度时间序列和所述出口压力时间序列分别按照时间维度排列为测试工作温度时序输入向量和出口压力时序输入向量；
检测数据局部时序分析模块，用于分别对所述测试工作温度时序输入向量和所述出口压力时序输入向量进行局部时序特征分析以得到测试工作温度局部时序特征向量的序列和出口压力局部时序特征向量的序列；
检测数据响应性交互融合模块，用于对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行响应性交互融合以得到测试工作温度-出口压力向量粒度响应交互融合特征；
性能检测模块，用于基于所述测试工作温度-出口压力向量粒度响应交互融合特征，确定被测试电子烟雾化器的性能是否正常。
与现有技术相比，本申请提供的一种高性能电子烟雾化器的检测系统，其通过温度传感器和压力传感器实时监测采集雾化器在测试过程中的测试工作温度和出口压力，并在后端引入数据处理和分析算法来进行该测试工作温度和出口压力的时序协同关联分析，以此来判断电子烟雾化器的性能是否正常。这样，能够实现对电子烟雾化器性能的自动化检测和判断，从而提高电子烟的质量和产品安全性，为用户提供更好的使用体验。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的高性能电子烟雾化器的检测系统的框图；
图2为根据本申请实施例的高性能电子烟雾化器的检测系统的系统架构图；
图3为根据本申请实施例的高性能电子烟雾化器的检测系统中检测数据局部时序分析模块的框图；
图4为根据本申请实施例的高性能电子烟雾化器的检测系统中性能检测模块的框图；
图5为根据本申请实施例的高性能电子烟雾化器的检测系统中响应交互融合特征优化单元的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
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用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。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
传统的电子烟雾化器检测方法通常依赖于人工操作和目测判断，操作者的主观因素会对结果产生影响，导致检测结果的不一致性和不可靠性。此外，传统的检测方法需要人工逐个检测电子烟雾化器，耗费时间和人力资源。特别是在大规模生产中，效率低下且容易出现漏检或误检的情况。因此，期望一种优化的高性能电子烟雾化器的检测系统。
在本申请的技术方案中，提出了一种高性能电子烟雾化器的检测系统。图1为根据本申请实施例的高性能电子烟雾化器的检测系统的框图。图2为根据本申请实施例的高性能电子烟雾化器的检测系统的系统架构图。如图1和图2所示，根据本申请的实施例的高性能电子烟雾化器的检测系统300，包括：检测数据采集模块310，用于获取由温度传感器采集的测试工作温度时间序列和由压力传感器采集的出口压力时间序列；数据时序排列模块320，用于将所述测试工作温度时间序列和所述出口压力时间序列分别按照时间维度排列为测试工作温度时序输入向量和出口压力时序输入向量；检测数据局部时序分析模块330，用于分别对所述测试工作温度时序输入向量和所述出口压力时序输入向量进行局部时序特征分析以得到测试工作温度局部时序特征向量的序列和出口压力局部时序特征向量的序列；检测数据响应性交互融合模块340，用于对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行响应性交互融合以得到测试工作温度-出口压力向量粒度响应交互融合特征；性能检测模块350，用于基于所述测试工作温度-出口压力向量粒度响应交互融合特征，确定被测试电子烟雾化器的性能是否正常。
特别地，所述检测数据采集模块310，用于获取由温度传感器采集的测试工作温度时间序列和由压力传感器采集的出口压力时间序列。应可以理解，温度和压力是电子烟雾化器性能检测中的两个重要参数。
温度传感器是一种用于测量温度的设备或传感器。它能够将温度信号转换为可供测量和处理的电信号或数字信号。它们在工业自动化、气象观测、医疗设备、家用电器、汽车等领域中广泛应用。温度传感器通常具有高精度、快速响应、稳定性好和可靠性高等特点。
压力传感器是一种用于测量压力的传感器。它可以将压力信号转换为电信号或其他形式的输出信号，以便进行测量、监控和控制等应用。
特别地，所述数据时序排列模块320，用于将所述测试工作温度时间序列和所述出口压力时间序列分别按照时间维度排列为测试工作温度时序输入向量和出口压力时序输入向量。考虑到所述测试工作温度和所述出口压力在时间维度上都具有着时序的动态变化规律，因此，进一步将所述测试工作温度时间序列和所述出口压力时间序列分别按照时间维度排列为测试工作温度时序输入向量和出口压力时序输入向量，以此来分别整合所述测试工作温度和所述出口压力在时序上的分布信息，以便于后续进行这两者测试数据的时序特征捕捉和交互关联分析。
特别地，所述检测数据局部时序分析模块330，用于分别对所述测试工作温度时序输入向量和所述出口压力时序输入向量进行局部时序特征分析以得到测试工作温度局部时序特征向量的序列和出口压力局部时序特征向量的序列。特别地，在本申请的一个具体示例中，如图3所示，所述检测数据局部时序分析模块330，包括；同时间尺度向量切分单元331，用于对所述测试工作温度时序输入向量和所述出口压力时序输入向量进行同时间尺度向量切分以得到测试工作温度局部时序输入向量的序列和出口压力局部时序输入向量的序列；温度局部时序特征提取单元332，用于将所述测试工作温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器以得到所述测试工作温度局部时序特征向量的序列；压力局部时序特征提取单元333，用于将所述出口压力局部时序输入向量的序列通过基于一维卷积层的出口压力时序特征提取器以得到所述出口压力局部时序特征向量的序列。
具体地，所述同时间尺度向量切分单元331，用于对所述测试工作温度时序输入向量和所述出口压力时序输入向量进行同时间尺度向量切分以得到测试工作温度局部时序输入向量的序列和出口压力局部时序输入向量的序列。应可以理解，电子烟雾化器的工作温度和出口压力都会随着时间的推移而发生变化，而这些变化可能与其性能和工作状态相关，但如果对于整个时序中的电子烟雾化器的工作温度和出口压力进行时序分析可能无法捕捉到电子烟雾化器在工作过程中的工作状态波动和性能细节表现。因此，为了更好地刻画电子烟雾化器在工作过程中的局部细节特征和变化趋势，且便于后续的关联分析，在本申请的技术方案中，进一步对所述测试工作温度时序输入向量和所述出口压力时序输入向量进行同时间尺度向量切分以得到测试工作温度局部时序输入向量的序列和出口压力局部时序输入向量的序列。应可以理解，切分为局部时序输入向量的序列后，可以对每个局部时序输入向量进行独立的特征提取和分析。这样可以更加细致地观察和分析电子烟雾化器在不同时间段内的工作状态和性能表现。这种局部特征的提取和分析有助于更准确地评估电子烟雾化器的性能，并检测可能存在的问题或异常情况。
具体地，所述温度局部时序特征提取单元332，用于将所述测试工作温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器以得到所述测试工作温度局部时序特征向量的序列。也就是，在本申请的技术方案中，将所述测试工作温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器中进行特征挖掘，以分别提取出所述测试工作温度在时间维度上的各个时间片段中的局部时序特征信息，从而得到测试工作温度局部时序特征向量的序列。更具体地，使用所述基于一维卷积层的出口压力时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积层的出口压力时序特征提取器的最后一层的输出为所述测试工作温度局部时序特征向量的序列，所述基于一维卷积层的出口压力时序特征提取器的第一层的输入为所述测试工作温度局部时序输入向量的序列。
值得注意的是，一维卷积层(1D Convolutional Layer)是卷积神经网络(Convolutional Neural Network，CNN)中常用的一种层类型。它主要用于处理具有时序结构的数据，例如时间序列数据或文本数据。一维卷积层使用一维卷积操作来提取输入数据中的特征。它通过滑动一个卷积核(也称为过滤器或窗口)在输入数据上进行局部感知，计算输入数据与卷积核的卷积操作，并生成输出特征图。以下是一维卷积层的一般工作流程：输入数据：一维卷积层接收一个形状为[Batch Size,Channels,Sequence Length]的输入数据，其中Batch Size表示批量大小，Channels表示通道数，Sequence Length表示时序长度；卷积核：一维卷积层定义了多个卷积核，每个卷积核都有自己的权重参数。卷积核的大小通常由两个参数决定：卷积核的长度(通常称为卷积窗口大小)和卷积核的通道数(与输入数据的通道数相匹配)；卷积操作：对于每个卷积核，它将在输入数据上进行滑动窗口的操作。在每个窗口位置，卷积核与窗口中的数据进行逐元素相乘，然后将乘积结果相加，得到一个标量值。这个标量值将作为输出特征图中对应位置的值；步幅和填充：一维卷积层可以通过调整步幅和填充参数来控制输出特征图的大小。步幅定义了卷积核在输入数据上滑动的步长，而填充可以在输入数据的两侧填充额外的值，以控制输出特征图的长度；激活函数：通常，在卷积操作之后，会应用一个激活函数来引入非线性特性。常用的激活函数包括ReLU、Sigmoid和Tanh等。
具体地，所述压力局部时序特征提取单元333，用于将所述出口压力局部时序输入向量的序列通过基于一维卷积层的出口压力时序特征提取器以得到所述出口压力局部时序特征向量的序列。也就是，将所述出口压力局部时序输入向量的序列通过基于一维卷积层的出口压力时序特征提取器中进行特征挖掘，以分别提取出所述出口压力在所述各个时间片段中的局部时序特征信息，从而得到出口压力局部时序特征向量的序列。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式分别对所述测试工作温度时序输入向量和所述出口压力时序输入向量进行局部时序特征分析以得到测试工作温度局部时序特征向量的序列和出口压力局部时序特征向量的序列，例如：选择一个合适的窗口大小，用于局部特征分析；从时序输入向量的起始位置开始，按照窗口大小滑动，依次提取局部窗口内的数据；对于每个局部窗口内的数据，可以应用各种特征提取方法来获取局部时序特征，常见的特征包括均值、方差、最大值、最小值等：将每个局部窗口的特征提取结果组合成一个特征向量，以得到所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列。
特别地，所述检测数据响应性交互融合模块340，用于对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行响应性交互融合以得到测试工作温度-出口压力向量粒度响应交互融合特征。考虑到电子烟雾化器的工作温度和出口压力通常是相关联的，也就是说，电子烟雾化器的工作温度和出口压力之间的时序变化会相互影响，且这种相互关联的特征信息对于电子烟雾化器的性能检测具有重要作用。因此，为了融合电子烟雾化器的工作温度和出口压力之间的局部向量粒度的特征信息，以更全面地描述电子烟雾化器的性能和状态，在本申请的技术方案中，进一步使用特征向量粒度响应交互模块对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行响应性交互以得到测试工作温度-出口压力向量粒度响应交互融合特征向量。通过响应性交互的融合处理，可以捕捉到所述测试工作温度和所述出口压力的局部时序特征之间的交互关系和影响，从而可以更好地捕捉到它们之间的关联信息。这样，可以更全面地描述电子烟雾化器的性能和状态，提高特征的表达能力和判别能力，从而更准确地评估电子烟雾化器的性能。具体地，使用特征向量粒度响应交互模块对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行响应性交互以得到测试工作温度-出口压力向量粒度响应交互融合特征向量作为所述测试工作温度-出口压力向量粒度响应交互融合特征，包括：将所述测试工作温度局部时序特征向量的序列通过基于全卷积神经网络模型的测试工作温度局部时序特征提取器以得到测试工作温度全卷积特征向量；将所述出口压力局部时序特征向量的序列排列为出口压力全局特征向量；融合对所述测试工作温度全卷积特征向量和所述出口压力全局特征向量以得到测试工作温度-出口压力融合特征向量；对所述出口压力局部时序特征向量的序列进行语义关联编码以得到出口压力全局语义关联特征向量；融合所述测试工作温度-出口压力融合特征向量和所述出口压力全局语义关联特征向量以得到所述测试工作温度-出口压力向量粒度响应交互融合特征向量。
特别地，所述性能检测模块350，用于基于所述测试工作温度-出口压力向量粒度响应交互融合特征，确定被测试电子烟雾化器的性能是否正常。特别地，在本申请的一个具体示例中，如图4所示，所述性能检测模块350，包括：响应交互融合特征优化单元351，用于对所述测试工作温度-出口压力向量粒度响应交互融合特征向量进行特征优化以得到优化测试工作温度-出口压力向量粒度响应交互融合特征向量；电子烟雾化器性能检测单元352，用于将所述优化测试工作温度-出口压力向量粒度响应交互融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被测试电子烟雾化器的性能是否正常。
具体地，所述响应交互融合特征优化单元351，用于对所述测试工作温度-出口压力向量粒度响应交互融合特征向量进行特征优化以得到优化测试工作温度-出口压力向量粒度响应交互融合特征向量。特别地，在本申请的一个具体示例中，如图5所示，所述响应交互融合特征优化单元351，包括：特征校正子单元3511，用于对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行融合校正以获得校正特征向量；校正特征融合子单元3512，用于将所述校正特征向量与所述测试工作温度-出口压力向量粒度响应交互融合特征向量进行融合以得到所述优化测试工作温度-出口压力向量粒度响应交互融合特征向量。
更具体地，所述特征校正子单元3511，用于对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行融合校正以获得校正特征向量。特别地，在上述技术方案中，所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列分别表达所述测试工作温度序列和所述出口压力序列的基于同时间尺度向量切分确定的局部时域内局部时序关联特征，这样，在使用特征向量粒度响应交互模块对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行响应性交互时，期望抑制由于所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列的源数据语义差异导致的所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列在高维特征空间内基于与不同几何变换对应的特征分布方向的高维几何变化差异，从而提升特征向量粒度响应交互融合表达效果。基于此，本申请的申请人对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进一步进行融合校正，以获得校正特征向量，具体为：
其中V1是所述测试工作温度局部时序特征向量的序列级联得到的第一特征向量，V2是所述出口压力局部时序特征向量的序列级联得到的第二特征向量，v1i、v2i和vci分别是所述第一特征向量V1、所述第二特征向量V2和所述校正特征向量的特征值，||·||1和||·||2分别是特征向量的1范数和2范数，L是特征向量的长度，且α是权重超参数，exp()表示指数运算，vci是所述校正特征向量。具体地，为了在进行逐词语义交融融合时提升特征对不同特征分布对应的空间变换的感知和认知能力，基于所述测试工作温度局部时序特征向量的序列的第一特征向量V1和所述出口压力局部时序特征向量的序列级联的第二特征向量V2的距离结构参数来从向量尺度维度进行特征向量的特征分布在不同方向上的旋转控制，以通过相对旋转解缠来保留融合特征的旋转不变性，从而避免在进行逐词语义交融融合时在高维特征空间内的几何变换导致的特征分布的高维几何变化差异。这样，再将所述校正特征向量乘以所述测试工作温度-出口压力向量粒度响应交互融合特征向量进行融合，就可以提升所述测试工作温度-出口压力向量粒度响应交互融合特征向量的特征向量粒度响应交互融合表达效果，从而改进其通过分类器得到的分类结果的准确性。这样，能够实现对电子烟雾化器性能的自动化检测和判断，从而提高电子烟的质量和产品安全性，为用户提供更好的使用体验。
更具体地，所述校正特征融合子单元3512，用于将所述校正特征向量与所述测试工作温度-出口压力向量粒度响应交互融合特征向量进行融合以得到所述优化测试工作温度-出口压力向量粒度响应交互融合特征向量。应可以理解，融合校正特征向量和测试工作温度-出口压力向量粒度响应交互融合特征向量可以提供更全面和丰富的特征表示。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述测试工作温度-出口压力向量粒度响应交互融合特征向量进行特征优化以得到优化测试工作温度-出口压力向量粒度响应交互融合特征向量，例如：对于原始的测试工作温度-出口压力向量粒度响应交互融合特征向量，进行特征选择；在特征选择之后，进行特征提取，以提取更具代表性和区分性的特征；在特征提取后，构建新的特征；对优化后的特征向量进行归一化，以保证不同特征之间的尺度一致性；
具体地，所述电子烟雾化器性能检测单元352，用于将所述优化测试工作温度-出口压力向量粒度响应交互融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被测试电子烟雾化器的性能是否正常。也就是，利用所述测试工作温度局部时序特征和所述出口压力局部时序特征之间的局部时序响应性交互融合特征信息来进行分类处理，以此来判断电子烟雾化器的性能是否正常。这样，能够实现对电子烟雾化器性能的自动化检测和判断，从而提高电子烟的质量和产品安全性，为用户提供更好的使用体验。更具体地，将所述优化测试工作温度-出口压力向量粒度响应交互融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被测试电子烟雾化器的性能是否正常，包括：使用所述分类器的多个全连接层对所述优化测试工作温度-出口压力向量粒度响应交互融合特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。值得一提的是，在本申请的技术方案中，所述分类器的标签包括被测试电子烟雾化器的性能正常(第一标签)，以及，被测试电子烟雾化器的性能不正常(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化测试工作温度-出口压力向量粒度响应交互融合特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被测试电子烟雾化器的性能是否正常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被测试电子烟雾化器的性能是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被测试电子烟雾化器的性能是否正常”的语言文本意义。
分类器是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述测试工作温度-出口压力向量粒度响应交互融合特征，确定被测试电子烟雾化器的性能是否正常，例如：使用传感器或其他设备采集测试工作温度和出口压力的时序数据；对采集到的时序数据进行预处理，包括去除噪声、平滑处理和异常值处理等；从测试工作温度和出口压力的时序数据中提取特征；将从测试工作温度和出口压力中提取的特征进行融合；使用融合后的特征作为输入，构建一个分类模型来判断电子烟雾化器的性能是否正常；使用训练好的分类模型对新的测试工作温度-出口压力向量进行预测。根据模型的输出，判断电子烟雾化器的性能是否正常，可以设置一个阈值来划分正常和异常。
如上所述，根据本申请实施例的高性能电子烟雾化器的检测系统300可以实现在各种无线终端中，例如具有高性能电子烟雾化器的检测算法的服务器等。在一种可能的实现方式中，根据本申请实施例的高性能电子烟雾化器的检测系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该高性能电子烟雾化器的检测系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该高性能电子烟雾化器的检测系统300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该高性能电子烟雾化器的检测系统300与该无线终端也可以是分立的设备，并且该高性能电子烟雾化器的检测系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种高性能电子烟雾化器的检测系统，其特征在于，包括：
检测数据采集模块，用于获取由温度传感器采集的测试工作温度时间序列和由压力传感器采集的出口压力时间序列；
数据时序排列模块，用于将所述测试工作温度时间序列和所述出口压力时间序列分别按照时间维度排列为测试工作温度时序输入向量和出口压力时序输入向量；
检测数据局部时序分析模块，用于分别对所述测试工作温度时序输入向量和所述出口压力时序输入向量进行局部时序特征分析以得到测试工作温度局部时序特征向量的序列和出口压力局部时序特征向量的序列；
检测数据响应性交互融合模块，用于对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行响应性交互融合以得到测试工作温度-出口压力向量粒度响应交互融合特征；
性能检测模块，用于基于所述测试工作温度-出口压力向量粒度响应交互融合特征，确定被测试电子烟雾化器的性能是否正常。
2.根据权利要求1所述的高性能电子烟雾化器的检测系统，其特征在于，所述检测数据局部时序分析模块，包括：
同时间尺度向量切分单元，用于对所述测试工作温度时序输入向量和所述出口压力时序输入向量进行同时间尺度向量切分以得到测试工作温度局部时序输入向量的序列和出口压力局部时序输入向量的序列；
温度局部时序特征提取单元，用于将所述测试工作温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器以得到所述测试工作温度局部时序特征向量的序列；
压力局部时序特征提取单元，用于将所述出口压力局部时序输入向量的序列通过基于一维卷积层的出口压力时序特征提取器以得到所述出口压力局部时序特征向量的序列。
3.根据权利要求2所述的高性能电子烟雾化器的检测系统，其特征在于，所述检测数据响应性交互融合模块，用于：使用特征向量粒度响应交互模块对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行响应性交互以得到测试工作温度-出口压力向量粒度响应交互融合特征向量作为所述测试工作温度-出口压力向量粒度响应交互融合特征。
4.根据权利要求3所述的高性能电子烟雾化器的检测系统，其特征在于，所述检测数据响应性交互融合模块，包括：
全卷积编码单元，用于将所述测试工作温度局部时序特征向量的序列通过基于全卷积神经网络模型的测试工作温度局部时序特征提取器以得到测试工作温度全卷积特征向量；
全局语义聚合单元，用于将所述出口压力局部时序特征向量的序列排列为出口压力全局特征向量；
语义融合单元，用于融合对所述测试工作温度全卷积特征向量和所述出口压力全局特征向量以得到测试工作温度-出口压力融合特征向量；
全局语义关联编码单元，用于对所述出口压力局部时序特征向量的序列进行语义关联编码以得到出口压力全局语义关联特征向量；
语义特征嵌入融合单元，用于融合所述测试工作温度-出口压力融合特征向量和所述出口压力全局语义关联特征向量以得到所述测试工作温度-出口压力向量粒度响应交互融合特征向量。
5.根据权利要求1所述的高性能电子烟雾化器的检测系统，其特征在于，所述性能检测模块，包括：
响应交互融合特征优化单元，用于对所述测试工作温度-出口压力向量粒度响应交互融合特征向量进行特征优化以得到优化测试工作温度-出口压力向量粒度响应交互融合特征向量；
电子烟雾化器性能检测单元，用于将所述优化测试工作温度-出口压力向量粒度响应交互融合特征向量通过分类器以得到分类结果，所述分类结果用于表示被测试电子烟雾化器的性能是否正常。
6.根据权利要求5所述的高性能电子烟雾化器的检测系统，其特征在于，所述响应交互融合特征优化单元，包括：
特征校正子单元，用于对所述测试工作温度局部时序特征向量的序列和所述出口压力局部时序特征向量的序列进行融合校正以获得校正特征向量；
校正特征融合子单元，用于将所述校正特征向量与所述测试工作温度-出口压力向量粒度响应交互融合特征向量进行融合以得到所述优化测试工作温度-出口压力向量粒度响应交互融合特征向量。
7.根据权利要求6所述的高性能电子烟雾化器的检测系统，其特征在于，所述电子烟雾化器性能检测单元，包括：
全连接编码子单元，用于使用所述分类器的多个全连接层对所述优化测试工作温度-出口压力向量粒度响应交互融合特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028727.4A CN117562311A (zh) | 2024-01-08 | 2024-01-08 | 一种高性能电子烟雾化器的检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028727.4A CN117562311A (zh) | 2024-01-08 | 2024-01-08 | 一种高性能电子烟雾化器的检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117562311A true CN117562311A (zh) | 2024-02-20 |
Family
ID=89861157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410028727.4A Pending CN117562311A (zh) | 2024-01-08 | 2024-01-08 | 一种高性能电子烟雾化器的检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117562311A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117912628A (zh) * | 2024-03-20 | 2024-04-19 | 深圳市五轮科技股份有限公司 | 电子烟使用数据分析系统 |
| CN118064197A (zh) * | 2024-04-23 | 2024-05-24 | 新疆凯龙清洁能源股份有限公司 | 一种天然气脱烃的方法和系统 |
| CN118506900A (zh) * | 2024-07-17 | 2024-08-16 | 新疆鼎诚检测科技有限责任公司 | 硫化氢气体检测系统及方法 |
| CN118583038A (zh) * | 2024-08-02 | 2024-09-03 | 浙江明禾新能科技股份有限公司 | 端子检测工装 |
-
2024
- 2024-01-08 CN CN202410028727.4A patent/CN117562311A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117912628A (zh) * | 2024-03-20 | 2024-04-19 | 深圳市五轮科技股份有限公司 | 电子烟使用数据分析系统 |
| CN118064197A (zh) * | 2024-04-23 | 2024-05-24 | 新疆凯龙清洁能源股份有限公司 | 一种天然气脱烃的方法和系统 |
| CN118064197B (zh) * | 2024-04-23 | 2024-07-30 | 新疆凯龙清洁能源股份有限公司 | 一种天然气脱烃的方法和系统 |
| CN118506900A (zh) * | 2024-07-17 | 2024-08-16 | 新疆鼎诚检测科技有限责任公司 | 硫化氢气体检测系统及方法 |
| CN118583038A (zh) * | 2024-08-02 | 2024-09-03 | 浙江明禾新能科技股份有限公司 | 端子检测工装 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117562311A (zh) | 一种高性能电子烟雾化器的检测系统 | |
| CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
| CN104471542B (zh) | 用于状态监视中流动的传感器数据的分类的判别隐卡尔曼滤波器 | |
| CN116776273B (zh) | 物联网设备的运行状态监测方法及系统 | |
| WO2011034805A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| CN110418204B (zh) | 基于微表情的视频推荐方法、装置、设备和存储介质 | |
| CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
| CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
| CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
| CN117831743A (zh) | 基于物联网技术的居家养老健康监测管理系统及方法 | |
| CN117056834A (zh) | 基于决策树的大数据分析方法 | |
| CN115204257A (zh) | 一种用于传感器数据的异常监测方法 | |
| CN117579101A (zh) | 载波通讯模块的控制方法及其系统 | |
| CN117856442A (zh) | 一种基于大数据的电力设备远程监测系统及方法 | |
| CN111310048B (zh) | 基于多层感知机的新闻推荐方法 | |
| CN113450827A (zh) | 基于压缩神经网络的设备异常工况声纹分析算法 | |
| CN114077663A (zh) | 应用日志的分析方法及装置 | |
| CN116523711A (zh) | 基于人工智能的教育监管系统及其方法 | |
| CN112782365B (zh) | 一种基于多级分类器的混合气体识别方法 | |
| CN118167426B (zh) | 用于矿井安全管理的智能监控设备及方法 | |
| CN112417446A (zh) | 一种软件定义网络异常检测架构 | |
| CN117935174B (zh) | 真空袋膜生产线的智能化管理系统及方法 | |
| CN111414884A (zh) | 一种基于边缘计算的面部表情识别方法 | |
| CN118012921B (zh) | 一种用于知识产权虚拟实验的人机交互数据处理系统 |
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 |