CN117851960B - 一种基于电子烟雾化器的温度测试数据管理方法 - Google Patents
一种基于电子烟雾化器的温度测试数据管理方法 Download PDFInfo
- Publication number
- CN117851960B CN117851960B CN202410263185.9A CN202410263185A CN117851960B CN 117851960 B CN117851960 B CN 117851960B CN 202410263185 A CN202410263185 A CN 202410263185A CN 117851960 B CN117851960 B CN 117851960B
- Authority
- CN
- China
- Prior art keywords
- voltage
- temperature
- value
- data
- preset
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 211
- 239000003571 electronic cigarette Substances 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013523 data management Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 100
- 230000002159 abnormal effect Effects 0.000 claims abstract description 81
- 230000000694 effects Effects 0.000 claims abstract description 53
- 230000005856 abnormality Effects 0.000 claims abstract description 49
- 238000010438 heat treatment Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 230000010259 detection of temperature stimulus Effects 0.000 abstract 1
- 238000012827 research and development Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000000889 atomisation Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000006199 nebulizer Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000012085 test solution Substances 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/007—Testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及电数字数据处理技术领域，具体涉及一种基于电子烟雾化器的温度测试数据管理方法，该方法包括：获取安装在电子烟上的雾化器的待检测发热丝在预设测试时间段内的电压数据和温度测试数据，得到电压曲线和温度曲线，将相同时刻采集的电压数据和温度测试数据构成电压温度坐标；确定每两个电压温度坐标之间的目标距离度量；对每种电压数据下的所有电压温度坐标包括的温度测试数据进行异常分布分析处理；确定每个预设k值下的异常检测效果因子；根据目标k值和电压温度坐标之间的目标距离度量，通过LOF算法，对电压温度坐标进行异常检测，得到温度异常检测结果。本发明通过数据处理，提高了对温度测试数据进行异常检测的准确度。
Description
技术领域
本发明涉及电数字数据处理技术领域，具体涉及一种基于电子烟雾化器的温度测试数据管理方法。
背景技术
安装在电子烟雾化器上发热丝的温度往往可以用于评估设备的整体性能和稳定性。因此，采集电子烟雾化器上发热丝的真实温度至关重要，然而，由于多种因素的影响，可能导致某个时刻采集温度的传感器接触不良，从而导致采集的温度测试数据是不准确的异常数据，并且在数据录入保存过程中，可能会出现由于数据录入设备故障或操作员技术不熟练等多种因素导致的数据异常或错误，使最终得到的温度测试数据无法表示电子烟雾化器上发热丝的实际温度。因此，在电子烟雾化器的温度测试数据管理过程中，往往需要对采集的温度测试数据进行异常检测。目前，对数据进行异常检测时，通常采用的方式为：根据预设k值，通过LOF算法，对数据进行异常检测。
然而，当根据预设k值，通过LOF算法，对采集的温度测试数据进行异常检测时，经常会存在如下技术问题：
由于参与LOF算法的预设k值往往是基于人为经验设置的，得到的设置结果往往受到人为主观因素的影响，因此，得到的设置结果往往并不准确，从而往往导致对采集的温度测试数据进行异常检测的准确度较差。
发明内容
为了解决对采集的温度测试数据进行异常检测的准确度较差的技术问题，本发明提出了一种基于电子烟雾化器的温度测试数据管理方法。
本发明提供了一种基于电子烟雾化器的温度测试数据管理方法，该方法包括：
获取安装在电子烟上的雾化器的待检测发热丝在预设测试时间段内的电压数据和温度测试数据，得到电压曲线和温度曲线，并将相同时刻采集的电压数据和温度测试数据构成电压温度坐标；
根据每两个电压温度坐标包括的电压数据和温度测试数据分别在电压曲线和温度曲线上的导数、这两个电压温度坐标对应的采集时刻、以及这两个电压温度坐标之间的欧式距离，确定这两个电压温度坐标之间的目标距离度量；
对预设测试时间段内每种电压数据下的所有电压温度坐标包括的温度测试数据进行异常分布分析处理，得到每种电压数据对应的温度分布异常特征；
根据所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在每个预设k值下的k邻近距离、所有电压数据在电压曲线上的导数、以及所有电压温度坐标在每个预设k值下的k邻域内的电压温度坐标，确定每个预设k值下的异常检测效果因子；
筛选出异常检测效果因子最大的预设k值，作为目标k值，并根据目标k值和电压温度坐标之间的目标距离度量，通过LOF算法，对所有电压温度坐标进行异常检测，得到温度异常检测结果。
可选地，所述根据每两个电压温度坐标包括的电压数据和温度测试数据分别在电压曲线和温度曲线上的导数、这两个电压温度坐标对应的采集时刻、以及这两个电压温度坐标之间的欧式距离，确定这两个电压温度坐标之间的目标距离度量，包括：
根据这两个电压温度坐标包括的电压数据在电压曲线上导数的差值绝对值、这两个电压温度坐标包括的温度测试数据在温度曲线上导数的差值绝对值、这两个电压温度坐标对应的采集时刻之间的时长、以及这两个电压温度坐标之间的欧式距离，确定这两个电压温度坐标之间的目标距离度量。
可选地，两个电压温度坐标之间的目标距离度量对应的公式为：
；
；其中，/>是第a个电压温度坐标与第b个电压温度坐标之间的目标距离度量；a和b是电压温度坐标的序号；/>；/>是归一化函数；/>是取绝对值函数；/>是第a个电压温度坐标包括的温度测试数据在温度曲线上的导数对应的数值；是第b个电压温度坐标包括的温度测试数据在温度曲线上的导数对应的数值；/>是第a个电压温度坐标包括的电压数据在电压曲线上的导数对应的数值；/>是第b个电压温度坐标包括的电压数据在电压曲线上的导数对应的数值；/>是第a个电压温度坐标与第b个电压温度坐标对应的采集时刻之间的时长；/>是第a个电压温度坐标与第b个电压温度坐标之间的欧式距离；/>是第a个电压温度坐标对应的采集时刻；/>是第b个电压温度坐标对应的采集时刻。
可选地，所述对预设测试时间段内每种电压数据下的所有电压温度坐标包括的温度测试数据进行异常分布分析处理，得到每种电压数据对应的温度分布异常特征，包括：
将每种电压数据下所有温度测试数据相同的电压温度坐标构成电压温度坐标组，并将每个电压温度坐标组中电压温度坐标在该种电压数据下电压温度坐标包括的占比，确定为初始占比，得到每种电压数据下的初始占比集合；
根据每种电压数据下的初始占比集合的超值峰度与偏度，确定每种电压数据对应的第一温度异常特征；
根据每种电压数据下的所有电压温度坐标包括的温度测试数据，确定第二温度异常特征；
根据每种电压数据对应的第一温度异常特征和第二温度异常特征，确定每种电压数据对应的温度分布异常特征。
可选地，所述根据每种电压数据下的所有电压温度坐标包括的温度测试数据，确定第二温度异常特征，包括：
根据每种电压数据下的所有电压温度坐标包括的温度测试数据的方差，确定第二温度异常特征。
可选地，预设测试时间段内电压数据对应的温度分布异常特征对应的公式为：
；/>；
；其中，/>是预设测试时间段内第i种电压数据对应的温度分布异常特征；i是预设测试时间段内电压数据的种类序号；/>是预设测试时间段内第i种电压数据对应的第一温度异常特征；/>是预设测试时间段内第i种电压数据对应的第二温度异常特征；N是预设测试时间段内温度测试数据的数量；/>是预设测试时间段内第i种电压数据下所有电压温度坐标中温度测试数据的数量；/>是以自然常数为底的指数函数；/>是预设测试时间段内第i种电压数据下的初始占比集合的超值峰度；/>是取绝对值函数；/>是预设测试时间段内第i种电压数据下的初始占比集合的偏度；是归一化函数；/>是预设测试时间段内第i种电压数据下的所有电压温度坐标包括的温度测试数据的方差。
可选地，所述根据所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在每个预设k值下的k邻近距离、所有电压数据在电压曲线上的导数、以及所有电压温度坐标在每个预设k值下的k邻域内的电压温度坐标，确定每个预设k值下的异常检测效果因子，包括：
将任意一个预设k值确定为标记k值，将每种电压数据下所有电压温度坐标在标记k值下的k邻近距离的均值，确定为每种电压数据在标记k值下的k邻近代表距离；
根据所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在标记k值下的k邻近距离、以及所有种类电压数据在标记k值下的k邻近代表距离，确定标记k值下的第一检测效果因子；
根据所有电压数据在电压曲线上的导数、以及所有电压温度坐标在标记k值下的k邻域内的电压温度坐标，确定标记k值下的第二检测效果因子；
根据标记k值下的第一检测效果因子和第二检测效果因子，确定标记k值下的异常检测效果因子。
可选地，所述根据所有电压数据在电压曲线上的导数、以及所有电压温度坐标在标记k值下的k邻域内的电压温度坐标，确定标记k值下的第二检测效果因子，包括：
将预设测试时间段内所有电压数据在电压曲线上的导数的绝对值，构成电压导数绝对值序列；
根据每个电压温度坐标在标记k值下的k邻域内所有的电压温度坐标，确定每个电压温度坐标在标记k值下的坐标信息熵；
将所有电压温度坐标在标记k值下的坐标信息熵，构成标记k值下的坐标信息熵序列；
将电压导数绝对值序列和标记k值下的坐标信息熵序列的相关性系数，确定为标记k值下的第二检测效果因子。
可选地，预设k值下的异常检测效果因子对应的公式为：
；/>；
；/>；其中，/>是第h个预设k值下的异常检测效果因子；h是不同预设k值的序号；/>是第h个预设k值下的第一检测效果因子；/>是第h个预设k值下的第二检测效果因子；m是预设测试时间段内电压数据的种类数量；i是预设测试时间段内电压数据的种类序号；/>是预设测试时间段内第i种电压数据对应的温度分布异常特征；/>是预设测试时间段内第i种电压数据下电压温度坐标的数量；j是预设测试时间段内第i种电压数据下电压温度坐标的序号；/>是预设测试时间段内第i种电压数据下第j个电压温度坐标在第h个预设k值下的k邻近距离；/>是预设测试时间段内第i种电压数据在第h个预设k值下的k邻近代表距离；/>是corr函数；/>是电压导数绝对值序列；/>是第h个预设k值下的坐标信息熵序列；/>是第a个电压温度坐标在第h个预设k值下的坐标信息熵；/>构成/>；a是电压温度坐标的序号；/>是第a个电压温度坐标在第h个预设k值下的k邻域内电压温度坐标的种类数量；x是第a个电压温度坐标在第h个预设k值下的k邻域内电压温度坐标的种类序号；/>是第a个电压温度坐标在第h个预设k值下的k邻域内第x种电压温度坐标的数量；/>是第a个电压温度坐标在第h个预设k值下的k邻域内所有电压温度坐标的总数；/>是以B为底的对数；B是预先设置大于1的数值。
可选地，所述通过LOF算法，对所有电压温度坐标进行异常检测，得到温度异常检测结果，包括：
通过LOF算法，对所有电压温度坐标进行异常检测，若得到的异常检测结果中存在异常的电压温度坐标，则判定温度异常检测结果为存在异常温度。
本发明具有如下有益效果：
本发明的一种基于电子烟雾化器的温度测试数据管理方法，通过对电压数据和温度测试数据进行数据处理，解决了对采集的温度测试数据进行异常检测的准确度较差的技术问题，提高了对采集的温度测试数据进行异常检测的准确度。首先，由于电压数据和温度测试数据存在一定的相关性，因此将相同时刻采集的电压数据和温度测试数据构成电压温度坐标，可以便于后续分析温度测试数据的异常情况。其次，由于电压数据和温度测试数据在对应曲线上的导数往往可以表征各自的变化情况，不同测试状态下的发热丝对应的电压数据和温度测试数据的变化情况往往不同，并且不同采集时刻下的发热丝对应的测试状态往往不同，因此相较于直接将两个电压温度坐标之间的欧式距离作为两个电压温度坐标之间的距离度量，量化的两个电压温度坐标之间的目标距离度量更加可以准确表征这两个电压温度坐标之间的差异。接着，对每种电压数据下的所有电压温度坐标包括的温度测试数据进行异常分布分析处理，量化的每种电压数据对应的温度分布异常特征越大，往往说明该电压数据下的温度测试数据越可能存在异常分布。然后，综合考虑所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在每个预设k值下的k邻近距离、所有电压数据在电压曲线上的导数、以及所有电压温度坐标在每个预设k值下的k邻域内的电压温度坐标，量化的每个预设k值下的异常检测效果因子越大，往往说明该预设k值越适合用于后续的异常检测，其用于异常检测的效果越好，因此目标k值往往是所有预设k值中相对最适合用于后续异常检测的k值。相较于直接采用人为经验设置的k值，对温度测试数据和电压数据进行异常检测，本发明相对比较客观地量化了表征预设k值的异常检测效果的异常检测效果因子，使最终确定的k值更加合理，从而提高了后续对温度测试数据和电压数据进行异常检测的准确度。最后，基于目标k值和电压温度坐标之间的目标距离度量，通过LOF算法，对所有电压温度坐标进行异常检测，实现了对温度测试数据和电压数据的异常检测，提高了对温度测试数据进行异常检测的准确度。
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为本发明的一种基于电子烟雾化器的温度测试数据管理方法的流程图。
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。
参考图1，示出了根据本发明的一种基于电子烟雾化器的温度测试数据管理方法的一些实施例的流程。该基于电子烟雾化器的温度测试数据管理方法，包括以下步骤：
步骤S1，获取安装在电子烟上的雾化器的待检测发热丝在预设测试时间段内的电压数据和温度测试数据，得到电压曲线和温度曲线，并将相同时刻采集的电压数据和温度测试数据构成电压温度坐标。
其中，安装在电子烟上的雾化器在不同温度下对烟油的雾化效果往往不同，而雾化效果往往直接影响电子烟的使用体验，故在电子烟研发过程中往往通过不同的输入电压，对雾化器的发热丝进行测试，可以便于后续对电子烟进行研发改进。电子烟是一种模仿卷烟的电子产品。雾化器是将试液雾化的设备。待检测发热丝可以是安装在雾化器上的发热丝。发热丝，又称加热丝或电热丝，是一种连通电后使其发热从而达到某种目的的元件。预设测试时间段可以是预先设置的用于待检测发热丝测试的时间段。电压数据，也就是电压。温度测试数据，也就是温度。电压曲线可以是以采集时刻为横坐标，以预设测试时间段内的电压数据为纵坐标的曲线。温度曲线可以是以采集时刻为横坐标，以预设测试时间段内的温度测试数据为纵坐标的曲线。电压温度坐标可以是以电压数据为横坐标，以温度测试数据为纵坐标的二维坐标。
需要说明的是，由于电压曲线和温度曲线分别可以表征电压数据和温度测试数据的分布变化情况，并且不同测试状态下的发热丝对应的电压数据和温度测试数据的变化情况往往不同，所以构建电压曲线和温度曲线可以便于后续对电压数据和温度测试数据进行异常检测。其次，构建的每个电压温度坐标均可以表征待检测发热丝在一个时刻下的电压温度情况，并且电压数据和温度测试数据存在一定的相关性，将相同时刻采集的电压数据和温度测试数据构成电压温度坐标，可以便于后续分析电压数据和温度测试数据的异常情况。
作为示例，本步骤可以包括以下步骤：
第一步，通过电压传感器，采集待检测发热丝在预设测试时间段内每个时刻下的电压，记为电压数据，并通过温度传感器，采集待检测发热丝在预设测试时间段内每个时刻下的温度，记为温度测试数据。
第二步，以采集时刻为横坐标，以电压数据为纵坐标，作预设测试时间段内所有电压数据对应的曲线，记为电压曲线；以采集时刻为横坐标，以温度测试数据为纵坐标，作预设测试时间段内所有温度测试数据对应的曲线，记为温度曲线。
第三步，将相同时刻采集的电压数据和温度测试数据构成电压温度坐标。
例如，若预设测试时间段内的某个采集时刻为2023年12月28日15时42分24秒，则可以将2023年12月28日15时42分24秒采集的待检测发热丝的电压数据和温度测试数据构成一个电压温度坐标，并且该电压温度坐标对应的采集时刻可以为2023年12月28日15时42分24秒。
步骤S2，根据每两个电压温度坐标包括的电压数据和温度测试数据分别在电压曲线和温度曲线上的导数、这两个电压温度坐标对应的采集时刻、以及这两个电压温度坐标之间的欧式距离，确定这两个电压温度坐标之间的目标距离度量。
其中，电压数据在电压曲线上的导数可以是该电压数据对应的电压坐标点在电压曲线上的导数，该电压数据对应的电压坐标点可以是电压曲线上纵坐标为该电压数据的坐标点。温度测试数据在温度曲线上的导数可以是该温度测试数据对应的温度坐标点在温度曲线上的导数，该温度测试数据对应的温度坐标点可以是温度曲线上纵坐标为该温度测试数据的坐标点。两个电压温度坐标之间的目标距离度量可以表征两个电压温度坐标之间的距离，在本发明实施例中，若无特殊说明，两个电压温度坐标之间的距离均指这两个电压温度坐标之间的目标距离度量。
需要说明的是，由于电压数据和温度测试数据在对应曲线上的导数往往可以表征各自的变化情况，不同测试状态下的发热丝对应的电压数据和温度测试数据的变化情况往往不同，并且不同采集时刻下的发热丝对应的测试状态往往不同，因此相较于直接将两个电压温度坐标之间的欧式距离作为两个电压温度坐标之间的距离度量，量化的两个电压温度坐标之间的目标距离度量更加可以表征这两个电压温度坐标之间的差异。
作为示例，可以根据这两个电压温度坐标包括的电压数据在电压曲线上导数的差值绝对值、这两个电压温度坐标包括的温度测试数据在温度曲线上导数的差值绝对值、这两个电压温度坐标对应的采集时刻之间的时长、以及这两个电压温度坐标之间的欧式距离，确定这两个电压温度坐标之间的目标距离度量。
例如，两个电压温度坐标之间的目标距离度量对应的公式为：
；
；其中，/>是第a个电压温度坐标与第b个电压温度坐标之间的目标距离度量。a和b是电压温度坐标的序号。/>。/>是归一化函数。/>是取绝对值函数。/>是第a个电压温度坐标包括的温度测试数据在温度曲线上的导数对应的数值。导数对应的数值也就是导数数值。/>是第b个电压温度坐标包括的温度测试数据在温度曲线上的导数对应的数值。/>是第a个电压温度坐标包括的电压数据在电压曲线上的导数对应的数值。/>是第b个电压温度坐标包括的电压数据在电压曲线上的导数对应的数值。/>是第a个电压温度坐标与第b个电压温度坐标对应的采集时刻之间的时长。/>是第a个电压温度坐标与第b个电压温度坐标之间的欧式距离。/>是第a个电压温度坐标对应的采集时刻。/>是第b个电压温度坐标对应的采集时刻。
需要说明的是，可以作为/>的权重，用于对/>进行修正。/>可以表征第a个电压温度坐标和第b个电压温度坐标对应的采集时刻之间的电压温度差异，其值越大，往往说明第a个电压温度坐标和第b个电压温度坐标之间的差异越大。一般来说，在实际测试过程中，电压和温度的变化往往都是连续且缓慢的，即相邻时刻的温度差异和电压差异往往不大，并且采集时刻越相近的电压温度坐标处于同一测试阶段的概率较大。当/>越大时，往往说明第a个电压温度坐标和第b个电压温度坐标对应的采集时刻之间的时间间隔越大，往往说明第a个电压温度坐标和第b个电压温度坐标越可能处于不同的测试阶段。当/>越大时，往往说明第a个电压温度坐标和第b个电压温度坐标之间的温度变化率差异越大，往往说明第a个电压温度坐标和第b个电压温度坐标越可能处于不同的测试阶段。当/>越大时，往往说明第a个电压温度坐标和第b个电压温度坐标之间的电压变化率差异越大，往往说明第a个电压温度坐标和第b个电压温度坐标越可能处于不同的测试阶段。因此，当/>越大时，往往说明第a个电压温度坐标和第b个电压温度坐标之间的差异越大。
步骤S3，对预设测试时间段内每种电压数据下的所有电压温度坐标包括的温度测试数据进行异常分布分析处理，得到每种电压数据对应的温度分布异常特征。
其中，对于任意两个电压数据，若这两个电压数据相同，则可以认为这两个电压数据属于同一个类别，否则认为这两个电压数据属于不同类别。每种电压数据下的所有电压温度坐标可以是横坐标为该电压数据的所有电压温度坐标。
需要说明的是，对每种电压数据下的所有电压温度坐标包括的温度测试数据进行异常分布分析处理，量化的每种电压数据对应的温度分布异常特征越大，往往说明该电压数据下的温度测试数据越可能存在异常分布。
作为示例，本步骤可以包括以下步骤：
第一步，将每种电压数据下所有温度测试数据相同的电压温度坐标构成电压温度坐标组，并将每个电压温度坐标组中电压温度坐标在该种电压数据下电压温度坐标包括的占比，确定为初始占比，得到每种电压数据下的初始占比集合。
其中，电压温度坐标组中所有电压温度坐标包括的电压数据和温度测试数据相同，但电压温度坐标组中所有电压温度坐标对应采集时刻不同。
例如，记某种电压数据为第一电压，若第一电压下有5个电压温度坐标，并且依次为：（第一电压，第一温度），（第一电压，第一温度），（第一电压，第二温度），（第一电压，第一温度）和（第一电压，第二温度），则第一电压下的这5个电压温度坐标可以构成2个电压温度坐标组，依次为{（第一电压，第一温度），（第一电压，第一温度），（第一电压，第一温度）}和{（第一电压，第二温度），（第一电压，第二温度）}，故第一电压下的初始占比集合可以包括：和/>。
第二步，根据每种电压数据下的初始占比集合的超值峰度与偏度，确定每种电压数据对应的第一温度异常特征。
第三步，根据每种电压数据下的所有电压温度坐标包括的温度测试数据，确定第二温度异常特征。
例如，可以根据每种电压数据下的所有电压温度坐标包括的温度测试数据的方差，确定第二温度异常特征。
第四步，根据每种电压数据对应的第一温度异常特征和第二温度异常特征，确定每种电压数据对应的温度分布异常特征。
例如，预设测试时间段内电压数据对应的温度分布异常特征对应的公式可以为：
；/>；
；其中，/>是预设测试时间段内第i种电压数据对应的温度分布异常特征。i是预设测试时间段内电压数据的种类序号。/>是预设测试时间段内第i种电压数据对应的第一温度异常特征。/>是预设测试时间段内第i种电压数据对应的第二温度异常特征；N是预设测试时间段内温度测试数据的数量。/>是预设测试时间段内第i种电压数据下所有电压温度坐标中温度测试数据的数量，也就是第i种电压数据下所有电压温度坐标的总数。/>是以自然常数为底的指数函数。/>是预设测试时间段内第i种电压数据下的初始占比集合的超值峰度。/>是取绝对值函数。/>是预设测试时间段内第i种电压数据下的初始占比集合的偏度。/>是归一化函数。/>是预设测试时间段内第i种电压数据下的所有电压温度坐标包括的温度测试数据的方差。
需要说明的是，一般来说，不同电压对应的测试时间往往可以通过该电压下电压温度坐标的数量近似表征，该电压下电压温度坐标的数量越多，在该电压下进行测试的时间往往越长，并且由于测试过程中，输入电压的变化往往是按照从低到高进行变化，所以在某个电压下的电压温度坐标越多，往往说明在该电压下稳定的时间越长。当越大时，往往说明第i种电压数据下的温度分布越趋近于峰度较大的正态分布。对于稳定电压来说，温度往往会逐渐趋近于一个稳定值，则对于电压变化过程中温度的变化往往会逐渐居中，呈正态分布，且处于稳定值及其周围的数据量应该随着测试时间的增加而增多，即分布的峰度会较大。因此，当/>越大时，往往说明第i种电压数据下的电压温度坐标的数量越多，并且其温度变化越可能不呈现正态分布；往往说明第i种电压数据越可能是稳定电压，但其对应的温度分布却不符合正态分布，往往说明第i种电压数据下的电压温度坐标越可能出现了异常。当第i种电压数据下的电压温度坐标的数量越少时，往往说明第i种电压数据对应的电压越可能是变化过程维持时间很短的电压。一般来说，进行测试的变化电压往往是缓慢变化的，所以在测试变化电压过程中的温度变化程度往往不大。因此，当/>越大时，往往说明第i种电压数据下的电压温度坐标的数量越少，并且其温度变化越剧烈；往往说明第i种电压数据越可能是变化中的电压，但其对应的温度分布却不符合变化电压时的温度分布，往往说明第i种电压数据下的电压温度坐标越可能出现了异常。因此，当/>越大时，往往说明第i种电压数据下的电压温度坐标越可能出现了异常。
步骤S4，根据所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在每个预设k值下的k邻近距离、所有电压数据在电压曲线上的导数、以及所有电压温度坐标在每个预设k值下的k邻域内的电压温度坐标，确定每个预设k值下的异常检测效果因子。
其中，预设k值可以是预先设置的用于LOF（Local Outlier Factor，离群点检测）算法中的k值。例如，预设k值的取值范围可以为[1，10]。LOF算法中的k值是指对每个点进行异常检测时需要用到的最近邻居的数量。k邻近距离可以是电压温度坐标与距其最近的第k个电压温度坐标之间的目标距离度量。k邻域可以是距电压温度坐标最近的k个电压温度坐标所构成的邻域。例如，记任意一个电压温度坐标为第一坐标，若某个预设k值为5，则第一坐标在该预设k值下的k邻近距离的方法可以为：第一坐标与其他电压温度坐标之间的目标距离度量中最小的第5个目标距离度量；第一坐标在该预设k值下的k邻域内的所有电压温度坐标可以包括：与第一坐标之间的目标距离度量最小的5个其他电压温度坐标。
需要说明的是，综合考虑所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在每个预设k值下的k邻近距离、所有电压数据在电压曲线上的导数、以及所有电压温度坐标在每个预设k值下的k邻域内的电压温度坐标，量化的每个预设k值下的异常检测效果因子越大，往往说明该预设k值越适合用于后续的异常检测，其用于异常检测的效果越好。
作为示例，本步骤可以包括以下步骤：
第一步，将任意一个预设k值确定为标记k值，将每种电压数据下所有电压温度坐标在标记k值下的k邻近距离的均值，确定为每种电压数据在标记k值下的k邻近代表距离。
第二步，根据所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在标记k值下的k邻近距离、以及所有种类电压数据在标记k值下的k邻近代表距离，确定标记k值下的第一检测效果因子。
第三步，根据所有电压数据在电压曲线上的导数、以及所有电压温度坐标在标记k值下的k邻域内的电压温度坐标，确定标记k值下的第二检测效果因子可以包括以下子步骤：
第一子步骤，将预设测试时间段内所有电压数据在电压曲线上的导数的绝对值，构成电压导数绝对值序列。
其中，电压导数绝对值序列可以是按照采集时刻进行排序的时序序列。
第二子步骤，根据每个电压温度坐标在标记k值下的k邻域内所有的电压温度坐标，确定每个电压温度坐标在标记k值下的坐标信息熵。
第三子步骤，将所有电压温度坐标在标记k值下的坐标信息熵，构成标记k值下的坐标信息熵序列。
其中，坐标信息熵序列中坐标信息熵的数量可以等于电压导数绝对值序列中导数绝对值的数量。坐标信息熵序列可以是按照采集时刻进行排序的时序序列。
第四子步骤，将电压导数绝对值序列和标记k值下的坐标信息熵序列的相关性系数，确定为标记k值下的第二检测效果因子。
其中，电压导数绝对值序列和标记k值下的坐标信息熵序列的相关性系数，可以用电压导数绝对值序列和标记k值下的坐标信息熵序列之间的皮尔逊相关系数表征。
第四步，根据标记k值下的第一检测效果因子和第二检测效果因子，确定标记k值下的异常检测效果因子。
例如，预设k值下的异常检测效果因子对应的公式可以为：
；/>；
；/>；其中，/>是第h个预设k值下的异常检测效果因子。h是不同预设k值的序号。/>是第h个预设k值下的第一检测效果因子。/>是第h个预设k值下的第二检测效果因子。m是预设测试时间段内电压数据的种类数量。i是预设测试时间段内电压数据的种类序号。/>是预设测试时间段内第i种电压数据对应的温度分布异常特征。/>是预设测试时间段内第i种电压数据下电压温度坐标的数量。j是预设测试时间段内第i种电压数据下电压温度坐标的序号。/>是预设测试时间段内第i种电压数据下第j个电压温度坐标在第h个预设k值下的k邻近距离。/>是预设测试时间段内第i种电压数据在第h个预设k值下的k邻近代表距离。/>是corr函数，可以用于计算相关性系数。/>是电压导数绝对值序列。/>是第h个预设k值下的坐标信息熵序列。/>是第a个电压温度坐标在第h个预设k值下的坐标信息熵。/>构成。a是电压温度坐标的序号。/>是第a个电压温度坐标在第h个预设k值下的k邻域内电压温度坐标的种类数量。x是第a个电压温度坐标在第h个预设k值下的k邻域内电压温度坐标的种类序号。比如，若两个电压温度坐标包括的横坐标和纵坐标均相同，则认为这两个电压温度坐标属于同一类，否则，认为这两个电压温度坐标属于不同类别。/>是第a个电压温度坐标在第h个预设k值下的k邻域内第x种电压温度坐标的数量。/>是第a个电压温度坐标在第h个预设k值下的k邻域内所有电压温度坐标的总数。/>是以B为底/>的对数。B是预先设置大于1的数值，比如，B可以为2。
需要说明的是，当越大时，往往说明第i种电压数据下的电压温度坐标越可能出现了异常。/>可以表征第i种电压数据下各个电压温度坐标在第h个预设k值下的k邻近距离与其k邻近代表距离之间的差异程度，对于异常程度不同的电压数据，出现异常坐标的概率也不同，因此通过表示异常程度的/>调节。所以，当/>越大时，往往说明第h个预设k值越能体现正常和异常数据的差异性。/>可以表征电压数据的变化时序情况，并且/>中的元素越大，往往说明对应的电压为变化电压的可能性越大。当/>越大时，往往说明第a个电压温度坐标在第h个预设k值下的k邻域内的电压温度分布越离散，往往说明第a个电压温度坐标中的数据越可能是变化的。因此，/>与/>的相关性越强，往往说明第h个预设k值越能区分正常和异常数据。因此，当/>越大时，往往说明第h个预设k值越能区分正常和异常数据，往往说明第h个预设k值越适合用于后续异常检测。
步骤S5，筛选出异常检测效果因子最大的预设k值，作为目标k值，并根据目标k值和电压温度坐标之间的目标距离度量，通过LOF算法，对所有电压温度坐标进行异常检测，得到温度异常检测结果。
需要说明的是，目标k值往往是所有预设k值中相对最适合用于后续异常检测的k值。其次，基于目标k值和电压温度坐标之间的目标距离度量，通过LOF算法，对所有电压温度坐标进行异常检测，实现了对温度测试数据和电压数据的异常检测。
作为示例，可以通过LOF算法，对所有电压温度坐标进行异常检测，此时，将LOF算法中的k值更新为目标k值，并将LOF算法中的距离更新为目标距离度量，得到每个电压温度坐标的异常得分，并将异常得分大于预设异常阈值的电压温度坐标作为异常的电压温度坐标，若得到的异常检测结果中存在异常的电压温度坐标，则判定温度异常检测结果为存在异常温度。其中，预设异常阈值可以是根据实际情况设置的阈值。
可选地，本发明实施例还可以包括以下步骤：
第一步，将异常检测结果中异常的电压温度坐标包括的电压数据和温度测试数据，分别确定为异常电压和异常温度。
第二步，将预设测试时间段内除了异常电压和异常温度之外的电压数据和温度测试数据，确定为研发检测数据。
其中，研发检测数据往往是表征待检测发热丝实际情况的数据。
可选地，为了研发分析的准确性，往往可以对多个预设测试时间段内的电压数据和温度测试数据进行异常检测，可以便于后续研究人员通过多个预设测试时间段内实际的电压和温度，对安装在电子烟上的雾化器的待检测发热丝进行研究分析，从而实现对电子烟的研究分析。
综上，相较于直接采用人为经验设置的k值，对温度测试数据和电压数据进行异常检测，本发明综合考虑所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在每个预设k值下的k邻近距离、所有电压数据在电压曲线上的导数、以及所有电压温度坐标在每个预设k值下的k邻域内的电压温度坐标，相对比较客观地量化了表征预设k值的异常检测效果的异常检测效果因子，使最终确定的k值更加合理，从而提高了后续对温度测试数据和电压数据进行异常检测的准确度。其次，相较于直接将两个电压温度坐标之间的欧式距离作为两个电压温度坐标之间的距离度量，量化的两个电压温度坐标之间的目标距离度量更加可以准确表征这两个电压温度坐标之间的差异，从而可以提高后续对温度测试数据和电压数据进行异常检测的准确度。最后，基于目标k值和电压温度坐标之间的目标距离度量，通过LOF算法，对所有电压温度坐标进行异常检测，实现了对温度测试数据和电压数据的异常检测，提高了对温度测试数据和电压数据进行异常检测的准确度。
以上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 (9)
1.一种基于电子烟雾化器的温度测试数据管理方法，其特征在于，包括以下步骤：
获取安装在电子烟上的雾化器的待检测发热丝在预设测试时间段内的电压数据和温度测试数据，得到电压曲线和温度曲线，并将相同时刻采集的电压数据和温度测试数据构成电压温度坐标；
根据每两个电压温度坐标包括的电压数据和温度测试数据分别在电压曲线和温度曲线上的导数、这两个电压温度坐标对应的采集时刻、以及这两个电压温度坐标之间的欧式距离，确定这两个电压温度坐标之间的目标距离度量；
对预设测试时间段内每种电压数据下的所有电压温度坐标包括的温度测试数据进行异常分布分析处理，得到每种电压数据对应的温度分布异常特征；
根据所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在每个预设k值下的k邻近距离、所有电压数据在电压曲线上的导数、以及所有电压温度坐标在每个预设k值下的k邻域内的电压温度坐标，确定每个预设k值下的异常检测效果因子；
筛选出异常检测效果因子最大的预设k值，作为目标k值，并根据目标k值和电压温度坐标之间的目标距离度量，通过LOF算法，对所有电压温度坐标进行异常检测，得到温度异常检测结果；
预设k值下的异常检测效果因子对应的公式为：
；/>；
；/>；其中，/>是第h个预设k值下的异常检测效果因子；h是不同预设k值的序号；/>是第h个预设k值下的第一检测效果因子；/>是第h个预设k值下的第二检测效果因子；m是预设测试时间段内电压数据的种类数量；i是预设测试时间段内电压数据的种类序号；/>是预设测试时间段内第i种电压数据对应的温度分布异常特征；/>是预设测试时间段内第i种电压数据下电压温度坐标的数量；j是预设测试时间段内第i种电压数据下电压温度坐标的序号；/>是预设测试时间段内第i种电压数据下第j个电压温度坐标在第h个预设k值下的k邻近距离；/>是预设测试时间段内第i种电压数据在第h个预设k值下的k邻近代表距离；/>是corr函数；/>是电压导数绝对值序列；/>是第h个预设k值下的坐标信息熵序列；/>是第a个电压温度坐标在第h个预设k值下的坐标信息熵；/>构成/>；a是电压温度坐标的序号；/>是第a个电压温度坐标在第h个预设k值下的k邻域内电压温度坐标的种类数量；x是第a个电压温度坐标在第h个预设k值下的k邻域内电压温度坐标的种类序号；/>是第a个电压温度坐标在第h个预设k值下的k邻域内第x种电压温度坐标的数量；/>是第a个电压温度坐标在第h个预设k值下的k邻域内所有电压温度坐标的总数；/>是以B为底/>的对数；B是预先设置大于1的数值。
2.根据权利要求1所述的一种基于电子烟雾化器的温度测试数据管理方法，其特征在于，所述根据每两个电压温度坐标包括的电压数据和温度测试数据分别在电压曲线和温度曲线上的导数、这两个电压温度坐标对应的采集时刻、以及这两个电压温度坐标之间的欧式距离，确定这两个电压温度坐标之间的目标距离度量，包括：
根据这两个电压温度坐标包括的电压数据在电压曲线上导数的差值绝对值、这两个电压温度坐标包括的温度测试数据在温度曲线上导数的差值绝对值、这两个电压温度坐标对应的采集时刻之间的时长、以及这两个电压温度坐标之间的欧式距离，确定这两个电压温度坐标之间的目标距离度量。
3.根据权利要求2所述的一种基于电子烟雾化器的温度测试数据管理方法，其特征在于，两个电压温度坐标之间的目标距离度量对应的公式为：
；
；其中，/>是第a个电压温度坐标与第b个电压温度坐标之间的目标距离度量；a和b是电压温度坐标的序号；/>；/>是归一化函数；/>是取绝对值函数；/>是第a个电压温度坐标包括的温度测试数据在温度曲线上的导数对应的数值；/>是第b个电压温度坐标包括的温度测试数据在温度曲线上的导数对应的数值；/>是第a个电压温度坐标包括的电压数据在电压曲线上的导数对应的数值；/>是第b个电压温度坐标包括的电压数据在电压曲线上的导数对应的数值；/>是第a个电压温度坐标与第b个电压温度坐标对应的采集时刻之间的时长；/>是第a个电压温度坐标与第b个电压温度坐标之间的欧式距离；/>是第a个电压温度坐标对应的采集时刻；/>是第b个电压温度坐标对应的采集时刻。
4.根据权利要求1所述的一种基于电子烟雾化器的温度测试数据管理方法，其特征在于，所述对预设测试时间段内每种电压数据下的所有电压温度坐标包括的温度测试数据进行异常分布分析处理，得到每种电压数据对应的温度分布异常特征，包括：
将每种电压数据下所有温度测试数据相同的电压温度坐标构成电压温度坐标组，并将每个电压温度坐标组中电压温度坐标在该种电压数据下电压温度坐标包括的占比，确定为初始占比，得到每种电压数据下的初始占比集合；
根据每种电压数据下的初始占比集合的超值峰度与偏度，确定每种电压数据对应的第一温度异常特征；
根据每种电压数据下的所有电压温度坐标包括的温度测试数据，确定第二温度异常特征；
根据每种电压数据对应的第一温度异常特征和第二温度异常特征，确定每种电压数据对应的温度分布异常特征。
5.根据权利要求4所述的一种基于电子烟雾化器的温度测试数据管理方法，其特征在于，所述根据每种电压数据下的所有电压温度坐标包括的温度测试数据，确定第二温度异常特征，包括：
根据每种电压数据下的所有电压温度坐标包括的温度测试数据的方差，确定第二温度异常特征。
6.根据权利要求5所述的一种基于电子烟雾化器的温度测试数据管理方法，其特征在于，预设测试时间段内电压数据对应的温度分布异常特征对应的公式为：
；/>；
；其中，/>是预设测试时间段内第i种电压数据对应的温度分布异常特征；i是预设测试时间段内电压数据的种类序号；/>是预设测试时间段内第i种电压数据对应的第一温度异常特征；/>是预设测试时间段内第i种电压数据对应的第二温度异常特征；N是预设测试时间段内温度测试数据的数量；/>是预设测试时间段内第i种电压数据下所有电压温度坐标中温度测试数据的数量；/>是以自然常数为底的指数函数；/>是预设测试时间段内第i种电压数据下的初始占比集合的超值峰度；/>是取绝对值函数；/>是预设测试时间段内第i种电压数据下的初始占比集合的偏度；/>是归一化函数；/>是预设测试时间段内第i种电压数据下的所有电压温度坐标包括的温度测试数据的方差。
7.根据权利要求1所述的一种基于电子烟雾化器的温度测试数据管理方法，其特征在于，所述根据所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在每个预设k值下的k邻近距离、所有电压数据在电压曲线上的导数、以及所有电压温度坐标在每个预设k值下的k邻域内的电压温度坐标，确定每个预设k值下的异常检测效果因子，包括：
将任意一个预设k值确定为标记k值，将每种电压数据下所有电压温度坐标在标记k值下的k邻近距离的均值，确定为每种电压数据在标记k值下的k邻近代表距离；
根据所有种类电压数据对应的温度分布异常特征、所有种类电压数据下所有电压温度坐标在标记k值下的k邻近距离、以及所有种类电压数据在标记k值下的k邻近代表距离，确定标记k值下的第一检测效果因子；
根据所有电压数据在电压曲线上的导数、以及所有电压温度坐标在标记k值下的k邻域内的电压温度坐标，确定标记k值下的第二检测效果因子；
根据标记k值下的第一检测效果因子和第二检测效果因子，确定标记k值下的异常检测效果因子。
8.根据权利要求7所述的一种基于电子烟雾化器的温度测试数据管理方法，其特征在于，所述根据所有电压数据在电压曲线上的导数、以及所有电压温度坐标在标记k值下的k邻域内的电压温度坐标，确定标记k值下的第二检测效果因子，包括：
将预设测试时间段内所有电压数据在电压曲线上的导数的绝对值，构成电压导数绝对值序列；
根据每个电压温度坐标在标记k值下的k邻域内所有的电压温度坐标，确定每个电压温度坐标在标记k值下的坐标信息熵；
将所有电压温度坐标在标记k值下的坐标信息熵，构成标记k值下的坐标信息熵序列；
将电压导数绝对值序列和标记k值下的坐标信息熵序列的相关性系数，确定为标记k值下的第二检测效果因子。
9.根据权利要求1所述的一种基于电子烟雾化器的温度测试数据管理方法，其特征在于，所述通过LOF算法，对所有电压温度坐标进行异常检测，得到温度异常检测结果，包括：
通过LOF算法，对所有电压温度坐标进行异常检测，若得到的异常检测结果中存在异常的电压温度坐标，则判定温度异常检测结果为存在异常温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410263185.9A CN117851960B (zh) | 2024-03-08 | 2024-03-08 | 一种基于电子烟雾化器的温度测试数据管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410263185.9A CN117851960B (zh) | 2024-03-08 | 2024-03-08 | 一种基于电子烟雾化器的温度测试数据管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117851960A CN117851960A (zh) | 2024-04-09 |
| CN117851960B true CN117851960B (zh) | 2024-05-17 |
Family
ID=90536757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410263185.9A Active CN117851960B (zh) | 2024-03-08 | 2024-03-08 | 一种基于电子烟雾化器的温度测试数据管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117851960B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
| CN117097768A (zh) * | 2023-10-18 | 2023-11-21 | 江苏百维能源科技有限公司 | 一种基于大数据的智能电能表安全通信传输系统及方法 |
| CN117390972A (zh) * | 2023-12-11 | 2024-01-12 | 深圳博上科技有限公司 | 一种电子烟雾化器寿命预测方法 |
| CN117578664A (zh) * | 2023-11-28 | 2024-02-20 | 浙江智格科技有限公司 | 基于智能物联网的换电柜安全控制方法及系统 |
-
2024
- 2024-03-08 CN CN202410263185.9A patent/CN117851960B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
| CN117097768A (zh) * | 2023-10-18 | 2023-11-21 | 江苏百维能源科技有限公司 | 一种基于大数据的智能电能表安全通信传输系统及方法 |
| CN117578664A (zh) * | 2023-11-28 | 2024-02-20 | 浙江智格科技有限公司 | 基于智能物联网的换电柜安全控制方法及系统 |
| CN117390972A (zh) * | 2023-12-11 | 2024-01-12 | 深圳博上科技有限公司 | 一种电子烟雾化器寿命预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117851960A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW201915727A (zh) | 多元感測器之錯誤偵測與分類方法 | |
| CN116111727B (zh) | 基于动态温度阈值的综合配电箱异常监测方法 | |
| CN107137093B (zh) | 一种包含异常血糖概率报警器的连续血糖监测设备 | |
| CN107704663A (zh) | 一种半导体器件温度循环应力加速模型优选方法 | |
| CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及系统 | |
| US20220317679A1 (en) | Methods and systems for predictive analysis and/or process control | |
| CN116298765A (zh) | 一种高温高湿反偏试验系统 | |
| CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
| CN109426655A (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
| CN118091300B (zh) | 基于数据分析的贴片电阻故障诊断方法 | |
| CN117851960B (zh) | 一种基于电子烟雾化器的温度测试数据管理方法 | |
| CN117249922B (zh) | 一种用于温度测试仪的温度校准方法及系统 | |
| CN117330850A (zh) | 用于智能移动终端的辐射检测方法、系统、设备及介质 | |
| CN113378350A (zh) | 一种温度变化趋势确定方法、装置及电子设备 | |
| CN116087759A (zh) | 一种电路板导电路径的检验方法及电路系统 | |
| CN116184060A (zh) | 一种适用于瓷质绝缘子带电作业的异动监测方法和系统 | |
| CN109308395A (zh) | 基于lof-knn算法的晶圆级空间测量参数异常识别方法 | |
| JP2018141753A (ja) | 異常検出装置、異常検出方法及び異常検出プログラム | |
| CN117272033B (zh) | 一种直流分路电流计量异常监测方法 | |
| CN117325699B (zh) | 一种用于液冷超充技术的安全监控系统 | |
| CN113190406B (zh) | 一种云原生可观测性下的it实体群组异常检测方法 | |
| CN118294786B (zh) | 基于人工智能的芯片检测方法及系统 | |
| CN117783679B (zh) | 一种石墨电极的自动检测系统 | |
| CN108955743B (zh) | 一种基于机器学习提高测量设备校准精度的方法及装置 | |
| CN117481405A (zh) | 一种电子烟的电路控制方法 |
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 |