CN118009914A - 基于红外光谱的智能艾灸机器人部件温度变形监测方法 - Google Patents

Abstract

本发明涉及红外光谱处理技术领域，具体涉及基于红外光谱的智能艾灸机器人部件温度变形监测方法，该方法包括：采集艾灸机器人目标部件各检测位置的红外光谱图以及频谱图；基于频谱图中波峰波谷的频率差异构建各检测位置的运动影响置信因子；采用盒计数法获取各检测位置红外光谱图的尺度关系图；根据所有检测位置的尺度关系图确定目标部件的整体吸光性差异指数；结合整体吸光性差异指数以及运动影响置信因子，采用LOF异常检测算法计算热量数据序列各检测位置的局部异常因子；基于热量警报阈值判断目标部件的温度形变风险。本方面旨在排除阴影以及反射性质而产生的光谱差异变化，提高判断部件高温形变的精准性。

Description

基于红外光谱的智能艾灸机器人部件温度变形监测方法

技术领域

本申请涉及红外光谱处理技术领域，具体涉及基于红外光谱的智能艾灸机器人部件温度变形监测方法。

背景技术

智能艾灸机器人融合了传统艾灸疗法与现代智能科技，代表了医疗领域融合传统与现代的创新趋势，这一设备不仅能够个性化地调理用户的身体，提高治疗效果，还通过智能感知技术实时监测用户的生理参数，为用户提供科学的健康建议。其自动化特点不仅提高了医疗效率，减轻了医护人员的负担，还为患者提供了在家自我治疗的可能性。此外，智能艾灸机器人的发展推动了中医在现代医学中的应用，使传统疗法更符合现代人的需求，同时也开拓了健康产业的市场空间。因此，智能艾灸机器人不仅具有重要的临床意义，也在商业上具备广阔的前景，为医疗领域带来了全新的发展方向。

然而由于设计不当、工作负载过大、故障损坏或外部环境等原因，会导致艾灸机器人部分部件过热导致变形，不合理的设计和材料选择、长时间高负荷运行或故障破损均可引发温度异常，红外光谱图在艾灸机器人部件高温变形检测中发挥关键作用。通过测量目标部件的红外辐射，可以获得其表面温度分布，然而，由于不同材料的红外辐射特性有所不同，如果目标部件材料本身的红外辐射特性与预期不符，会影响检测结果的准确性，且由于在进行检测过程中艾灸机器人处于持续的工作状态，所检测区域上会由于机器人的行动而产生阴影，会影响红外光谱图的测量，使得检测结果不准确。

发明内容

为了解决上述技术问题，本发明提供基于红外光谱的智能艾灸机器人部件温度变形监测方法，以解决现有的问题。

本发明的基于红外光谱的智能艾灸机器人部件温度变形监测方法采用如下技术方案：

本发明一个实施例提供了基于红外光谱的智能艾灸机器人部件温度变形监测方法，该方法包括以下步骤：

采集艾灸机器人目标部件各检测位置的红外光谱图；

采用快速傅里叶变换获取红外光谱图的频谱图；采用二阶差分判别法输出频谱图中所有的波峰和波谷；基于频谱图中各波峰左右两侧相邻的波谷频率差异确定各波峰的峰宽判断值；结合各波峰的峰宽判断值以及振幅值确定各检测位置的干扰峰判别因子；根据各检测位置的干扰峰判别因子以及波峰、波谷的频率值构建各检测位置的运动影响置信因子；

采用盒计数法，基于不同盒子边长下光谱曲线在盒子中的分布获取各检测位置红外光谱图的尺度关系图；获取各检测位置的尺度关系图的离群点数量；根据所有检测位置的尺度关系图之间的距离以及离群点数量差异确定目标部件的整体吸光性差异指数；构建目标部件各波长下的热量数据序列；结合整体吸光性差异指数以及各检测位置的运动影响置信因子，采用LOF异常检测算法计算热量数据序列各检测位置的局部异常因子；

基于局部异常因子以及热量警报阈值，判断目标部件的温度形变风险。

所述基于频谱图中各波峰左右两侧相邻的波谷频率差异确定各波峰的峰宽判断值，包括：

将各波峰的后一波谷与前一波谷的频率差值记为第一差值；

将所述第一差值与预设频率范围阈值的差值的双曲正切函数的向上取整值，作为各波峰的峰宽判断值。

优选的，所述结合各波峰的峰宽判断值以及振幅值确定各检测位置的干扰峰判别因子，表达式为：

其中，为第k个检测位置的干扰峰判别因子，/>、/>分别为频谱图中的波峰数量、波谷数量，/>为最小值函数，/>为向上取整函数，/>为双曲正切函数，/>为振幅阈值，/>为第u个波峰的振幅值，/>为第k个检测位置上第u个波峰的峰宽判断值。

优选的，所述根据各检测位置的干扰峰判别因子以及波峰、波谷的频率值构建各检测位置的运动影响置信因子，表达式为：

其中，为第k个检测位置的运动影响置信因子，/>为第k个检测位置的干扰峰判别因子，/>、/>分别为频谱图中的波峰数量、波谷数量，/>为最小值函数，/>、/>分别为第u个、第u-1个波峰的频率值，/>、/>分别为第u-1个、第u个波谷的频率值。

优选的，所述采用盒计数法，基于不同盒子边长下光谱曲线在盒子中的分布获取各检测位置红外光谱图的尺度关系图，包括：

对于各检测位置的红外光谱图，将预设初始盒子边长为正方形的边长、以红外光谱图的中心作为正方形的中心，构建红外光谱图的初始正方形盒子；

从预设初始盒子边长开始，按照横坐标的单位波长开始逐渐递减，得到不同递减次数下的盒子边长；

对于不同递减次数下的盒子边长，将盒子边长构成的正方形盒子平铺在红外光谱图中，平铺后的面积大于等于初始正方向盒子的面积，平铺位置完全覆盖初始正方形盒子，且与初始正方形盒子存在交集；统计平铺后与红外光谱图中的光谱曲线存在交集的正方形盒子数量；

将不同递减次数下的盒子边长的所述正方形盒子数量，按照盒子边长从大到小组成各检测位置红外光谱图的尺度关系图。

优选的，所述获取各检测位置的尺度关系图的离群点数量，包括：采用CURE密度聚类算法，获取各检测位置的尺度关系图中的离群点；统计各检测位置的尺度关系图中的离群点数量。

优选的，所述根据所有检测位置的尺度关系图之间的距离以及离群点数量差异确定目标部件的整体吸光性差异指数，包括：

对于任意两个检测位置的尺度关系图，获取两个尺度关系图之间的DTW距离；计算两个尺度关系图之间的离群点数量的差值绝对值；

将所有任意两个检测位置的所述DTW距离与所述差值绝对值的乘积的均值，作为目标部件的整体吸光性差异指数。

优选的，所述构建目标部件各波长下的热量数据序列，包括：将目标部件所有检测位置在各波长下的吸光度，组成目标部件各波长下的热量数据序列。

优选的，所述结合整体吸光性差异指数以及各检测位置的运动影响置信因子，采用LOF异常检测算法计算热量数据序列各检测位置的局部异常因子，包括：

计算整体吸光性差异指数与热量数据序列各检测位置的运动影响置信因子的乘积的相反数，作为以自然常数e为底数的指数函数的指数；

采用LOF异常检测算法获取热量数据序列各检测位置的原始局部异常因子；将所述指数函数的计算结果与热量数据序列各检测位置的原始局部异常因子的乘积，作为热量数据序列各检测位置的局部异常因子。

优选的，所述基于局部异常因子以及热量警报阈值，判断目标部件的温度形变风险，包括：

对于热量数据序列各检测位置的局部异常因子，统计大于预设异常阈值的局部异常因子的数量；

计算所述局部异常因子的数量与目标部件的检测位置数量的比值，当所述比值大于等于预设热量警报阈值时，目标部件出现温度形变风险。

本发明至少具有如下有益效果：

本发明针对由于艾灸机器人运动而产生的阴影对红外光谱检测的影响，采用快速傅里叶变换构建红外光谱图的频谱图，基于频谱图中的峰谷位置、频率分布，从横、纵坐标两个层面共同分析红外光谱图中干扰峰的分布情况，构建运动影响置信因子，挖掘关节处阴影的持续变化在红外光谱熵的细微、杂乱的波动，从而反映在光谱中出现的阴影影响；其次，针对由于艾灸机器人结构的表面涂层的反射性质，基于盒计数法构建整体吸光性差异指数，从而反映相同结构上由于反射性质而产生的吸光性差异；结合运动影响置信因子以及整体吸光性差异指数，对LOF算法中的局部异常因子进行改进，使得算法能够排除阴影以及反射性质而产生的光谱差异变化，更精准的找出异常值，实现对部件高温的及时警报，增强了算法的鲁棒性以及准确性。

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为本发明提供的基于红外光谱的智能艾灸机器人部件温度变形监测方法的流程图；

图2为盒子的设定示意图；

图3为局部异常因子的指标构建流程图。

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基于红外光谱的智能艾灸机器人部件温度变形监测方法，其具体实施方式、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”指的不一定是同一实施例。此外，一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。

下面结合附图具体的说明本发明所提供的基于红外光谱的智能艾灸机器人部件温度变形监测方法的具体方案。

本发明一个实施例提供的基于红外光谱的智能艾灸机器人部件温度变形监测方法。

具体的，提供了如下的基于红外光谱的智能艾灸机器人部件温度变形监测方法，请参阅图1，该方法包括以下步骤：

步骤S001，采集艾灸机器人目标部件的红外光谱图。

根据艾灸机器人的构造，机器人运动部件的关节和连接点在机器人系统中具有关键性作用，其设计不仅决定了机器人的运动灵活性、精准定位和负载能力，还直接影响了机械结构的可控性和工作稳定性。强大而可靠的关节系统使机器人能够执行复杂任务，同时确保力矩传递和机械结构的可靠性。因此，良好的关节设计是确保机器人在各种工作环境下高效、稳定执行任务的关键因素，对机器人技术的发展和应用有着不可忽视的重要性，若机器人的关节和连接处由于高温而产生形变，则会导致关节部件的机械失效，使得机械臂无法正常运动或失去原有的精确性，影响机器人的准确性和控制性能，缩短机器人的寿命。在本实施例中挑选一个艾灸机器人的关节处为样本进行温度变形监测。

本实施例采用可扫描式红外光谱仪对目标部件进行实时红外光谱采集，将红外光谱仪对准目标部件，并确保正确的测量距离和角度，使得红外光谱仪可以实时捕捉到艾灸机器人正常运行的红外辐射数据，红外光谱仪的扫描模式是指红外光谱仪能够在样品表面上进行扫描，从而获取不同位置的红外光谱数据。这种模式下，红外光谱仪会沿着水平或垂直方向移动，对整个样品表面进行逐点或逐线的扫描，从而收集各个位置的红外辐射数据。设在红外扫描仪的精度下检测到样本中共有K个检测位置，通过红外光谱仪获取所有位置的红外光谱图，红外光谱图的横轴为波长，纵轴为在不同波长下的吸光度。

至此，可得到艾灸机器人目标部件各检测位置的红外光谱图。

步骤S002，对不同检测位置的红外光谱图进行分析，构建目标部件的整体吸光性差异指数以及各检测位置的运动影响置信因子。

由于红外扫描仪是对艾灸机器人进行实时的红外光谱检测，此时由于艾灸机器人的持续运动，导致所监测的关节样本也在持续运动，其关节处的阴影会处于持续变化的状态，红外扫描仪通过检测物体反射或发射的红外光谱来获取信息，如果关节处的阴影不断变化，这会导致测量信号的不稳定性或失真，干扰红外光谱的准确获取。而在关节的持续运动过程中，关节处的理想热量情况应该是随着关节的持续运动而持续上升的，相对于理想情况，关节处阴影的变化会导致此时红外光谱仪检测到的实际情况是处于持续波动变化的。本实施例选择第k个检测位置为例进行分析。

对于第k个检测位置的红外光谱图使用快速傅里叶变换（FFT）将其转化为频谱图，快速傅里叶变换为公知技术不再赘述。由于上述所分析的关节处阴影的持续变化在红外光谱上的表现为细微且杂乱的波动，经过快速傅里叶变换（FFT）转化为频谱图时，这些波动通常会在频谱图上以干扰峰的形式呈现。本实施例设置振幅阈值，/>取值为，其中/>和/>分别为频谱图上的振幅最大值和振幅最小值。之后以频谱图为输入，使用二阶差分判别法输出频谱图的所有波峰和波谷，二阶差分判别法为公知技术不再赘述。设频谱图中共有/>个波峰和/>个波谷，设置频率范围阈值/>，取值为/>，其中，/>和/>分别为第u个波峰和第u个波谷的频率值，即/>的取值为相邻波峰和波谷的频率差值绝对值的均值。随后构建第k个检测位置的运动影响置信因子/>：

其中，为第k个检测位置的运动影响置信因子，代表艾灸机器人运动过程中关节阴影变化对红外光谱的影响情况以及影响程度，/>为第k个检测位置的干扰峰判别因子，/>、/>分别为频谱图中的波峰数量、波谷数量，/>为最小值函数，/>、/>分别为第u个、第u-1个波峰的频率值，/>、/>和/>分别为第u-1个波谷、第u个波谷以及第u+1个波谷的频率值；

为双曲正切函数，/>为振幅阈值，/>为第u个波峰的振幅值，/>为第k个检测位置上第u个波峰的峰宽判断值；

为频率范围阈值，/>为向上取整函数，u为求和函数索引。

需要注意的是，由于频谱图中波峰个数和波谷个数的不确定，所以引入判断函数进行区分计算与第u个波峰相邻的两个波谷。在运动影响置信因子的计算中，通过第k个检测位置的干扰峰判别因子/>对所有的干扰峰进行数量计算，当/>时，代表第u个波峰的振幅小于阈值，此时认为第u个波峰的幅值小于峰值的平均水平，代表该波峰的振幅处于干扰峰的振幅范围内，此时/>的取值为1，反之为0；而第k个检测位置上第u个波峰的峰宽判断值/>通过第u个波峰的宽度判别该波峰是否属于干扰峰，计算与第u个波峰相邻的两个峰谷之间的频率差异，与频率范围阈值做差判断该波峰宽度是否大于阈值，若大于阈值则经过双曲正切函数与向上取整函数后得到的数值为1，反之为0，即干扰峰判别因子/>通过将波峰的高度和宽度进行串联并求和，来判断属于干扰峰的波峰个数，将其除以波峰总数获取干扰峰所占比例，其值越大代表由于阴影变化导致的细微且杂乱的波动占比越大，/>越大；在频谱图中，主要峰通常呈现出清晰的对称形状，干扰峰则可能表现为不规则的形状，/>通过判断第u个波峰与其相邻的两个波谷的频率值差异判断干扰峰的不规则程度，当第u个波峰形状对称时，其值为0，当第u个波峰形状越不对称时，其值越大，代表该干扰峰的不规则程度越大，由于阴影变化导致的细微且杂乱的波动对红外光谱的影响程度越大，/>越大。

由于艾灸机器人为运动状态，其关节处的涂层在不同的运动位置存在着不同的反射，机器人在不同的运动位置可能会导致关节处的涂层发生变化，影响红外光谱的信号，不同的位置在光谱中产生不同的峰值或谷值。而机器人关节在运动过程中，整个关节部位的温度变化相似可能受到多方面因素的综合影响。

首先，正常运动通常伴随着均匀的能量分布，使得整个关节区域受到的能量变化相对均匀；其次，机器人关节常采用导热性较好的金属或其他导热性材料，促使热量在关节部位快速传导，进而使得整个关节区域的温度变化趋于一致；此外，合理设计的机械结构和稳定的工作环境也有助于分散和均匀传递运动产生的热量，进一步保持关节部位温度的相似性。这些因素共同作用，使得机器人关节在运动中整体呈现出相似的温度变化特征。

但是关节涂层的反射会导致红外光谱仪在不同的检测位置所检测到的红外光谱 产生差异，以第k个检测位置的红外光谱图为输入，在使用盒计数法分析红外光谱图时，首 先将位于第k个检测位置的红外光谱图放入一个初始正方形盒子中，这个初始盒子的边长 必须足够大，能够完全包含光谱图横轴和纵轴数据的取值范围。为了构建逐渐缩小的盒子 序列，从初始盒子边长开始，按照横坐标的单位波长进行递减，直到边长缩小到单位波长 为止。将初始盒子边长作为正方形的边长、以红外光谱图的中心作为正方形的中心，构建红 外光谱图的初始正方形盒子；随着每次盒子边长的减小，按照每次递减得到的盒子边长所 构成的多个正方形盒子平铺在初始正方形盒子中，每次平铺后的面积需要大于等于初始正 方形盒子的面积，且需要完全覆盖初始正方形盒子。其中，取频谱图的横轴和纵轴数据的 最大值。

在每次减小盒子边长的过程中，检查每个盒子内是否存在光谱曲线上的点，以统计盒子与光谱曲线的交集部分，对于每次减小盒子边长时的边长大小和包含曲线的盒子个数，建立一个坐标系，其中横轴表示盒子大小，纵轴表示对应的盒子数量，最终，通过绘制第k个检测位置的红外光谱图的尺度关系图，能够更直观地了解盒计数法在分析光谱图时的变化趋势。其中，盒子的设定如图2所示。

以第k个检测位置以及第l个检测位置的尺度关系图为输入，计算两个尺度关系图之间的DTW距离。之后，分别以第k个检测位置以及第l个检测位置的尺度关系图为输入，使用CURE密度聚类算法输出两个检测位置聚类后的离群点数量，构建关节部位的整体吸光性差异指数/>：

其中，为关节部位的整体吸光性差异指数，代表关节部位由于涂层或反射等特殊原因而引起对关节整体红外光吸收和反射的差异程度，/>为第k个检测位置以及第l个检测位置两个尺度关系图中的DTW距离，/>和/>分别代表第k个检测位置以及第l个检测位置尺度关系图的离群点数量，K为目标部件的检测位置数量，k和l均为求和函数索引。

在整体吸光性差异指数的计算中，距离的大小反映了在找到最优匹配路径的过程中，需要对其中一个序列进行多大程度的时间拉伸或压缩，距离越大，说明序列之间的匹配越困难，相似性越小，此时/>越大，则代表检测位置k和检测位置l之间的差异性越大，即在相同的关节处的两个检测点具有越不相似的红外光谱图，代表两个检测点之间由于涂层反射等因素造成的红外光谱差异越大，/>随之增大；而尺度关系图中的包含曲线的盒子个数是随着盒子大小的减小而逐渐增大的，若尺度关系图中存在离群点，则代表该尺度关系图所代表的红外光谱上存在着不规则的剧烈变化，离群点越多代表红外光谱上的这种变化越剧烈，/>其值越大，代表两个检测位置上尺度关系图之间的离群点差异越大，即两个检测位置上红外光谱的差异性越大，/>随之增大。

步骤S003，对不同检测位置在各波长下的吸光度进行异常检测，改进LOF算法中的局部异常因子，实现艾灸机器人高温形变预警。

在对所述关节区域进行高温形变监测时，为了避免由于局部摩擦而导致的局部升温产生的形变，实时记录在相同时刻上，所有检测位置在各波长下的吸光度，组成对应波长下的热量数据序列。并以该热量数据序列为输入，使用LOF异常检测算法对序列上检测位置为k的原始局部异常因子进行重新定义：

其中，为第k个检测位置的局部异常因子，/>为第k个检测位置的运动影响置信因子，/>为关节部位的整体吸光性差异指数，/>为传统LOF异常检测算法对热量数据序列第k个检测位置计算得到的原始局部异常因子。其中，局部异常因子的指标构建流程图如图3所示。LOF异常检测算法为公知技术不再赘述。

当第k个检测位置的运动影响置信因子越大时，代表由于艾灸机器人的运动影响 所引起的阴影对红外光谱仪检测到的吸光度的干扰越大，此时为了排除阴影影响，需给予 该位置更小的异常置信度，随之减小；而代表了关节部位由于涂层或反射等特 殊原因而引起对关节整体红外光吸收和反射的差异程度，其值越大，该种影响对所检测位 置关节的吸光度影响越大，此时降低整体异常因子的计算，以排除所述由于涂层或反射等 特殊原因而引起红外光谱仪对关节整体红外光吸收的影响，随之减小。

设置异常阈值，本实施例取值为热量数据序列中所有检测位置的局部异常因子的标准差，最后通过统计热量数据序列中大于异常阈值的局部异常因子的数量。设该热量数据序列共检测到H个局部异常因子的数量，设置热量警报阈值，T取值为0.15，当/>时，则代表所检测部件关节处出现高温形变风险，此时发出警报提醒工作人员对所检测位置关节处进行额外的关注。其中，K为目标部件的检测位置数量。

综上所述，本发明实施例针对由于艾灸机器人运动而产生的阴影对红外光谱检测的影响，采用快速傅里叶变换构建红外光谱图的频谱图，基于频谱图中的峰谷位置、频率分布，从横、纵坐标两个层面共同分析红外光谱图中干扰峰的分布情况，构建运动影响置信因子，挖掘关节处阴影的持续变化在红外光谱熵的细微、杂乱的波动，从而反映在光谱中出现的阴影影响；其次，针对由于艾灸机器人结构的表面涂层的反射性质，基于盒计数法构建整体吸光性差异指数，从而反映相同结构上由于反射性质而产生的吸光性差异；结合运动影响置信因子以及整体吸光性差异指数，对LOF算法中的局部异常因子进行改进，使得算法能够排除阴影以及反射性质而产生的光谱差异变化，更精准的找出异常值，实现对部件高温的及时警报，增强了算法的鲁棒性以及准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (9)

1.基于红外光谱的智能艾灸机器人部件温度变形监测方法，其特征在于，该方法包括以下步骤：

采集艾灸机器人目标部件各检测位置的红外光谱图；

采用快速傅里叶变换获取红外光谱图的频谱图；采用二阶差分判别法输出频谱图中所有的波峰和波谷；基于频谱图中各波峰左右两侧相邻的波谷频率差异确定各波峰的峰宽判断值；结合各波峰的峰宽判断值以及振幅值确定各检测位置的干扰峰判别因子；根据各检测位置的干扰峰判别因子以及波峰、波谷的频率值构建各检测位置的运动影响置信因子；

采用盒计数法，基于不同盒子边长下光谱曲线在盒子中的分布获取各检测位置红外光谱图的尺度关系图；获取各检测位置的尺度关系图的离群点数量；根据所有检测位置的尺度关系图之间的距离以及离群点数量差异确定目标部件的整体吸光性差异指数；构建目标部件各波长下的热量数据序列；结合整体吸光性差异指数以及各检测位置的运动影响置信因子，采用LOF异常检测算法计算热量数据序列各检测位置的局部异常因子；

基于局部异常因子以及热量警报阈值，判断目标部件的温度形变风险；

所述基于频谱图中各波峰左右两侧相邻的波谷频率差异确定各波峰的峰宽判断值，包括：

将各波峰的后一波谷与前一波谷的频率差值记为第一差值；

将所述第一差值与预设频率范围阈值的差值的双曲正切函数的向上取整值，作为各波峰的峰宽判断值。

2.如权利要求1所述的基于红外光谱的智能艾灸机器人部件温度变形监测方法，其特征在于，所述结合各波峰的峰宽判断值以及振幅值确定各检测位置的干扰峰判别因子，表达式为：

其中，/>为第k个检测位置的干扰峰判别因子，/>、/>分别为频谱图中的波峰数量、波谷数量，/>为最小值函数，/>为向上取整函数，/>为双曲正切函数，/>为振幅阈值，/>为第u个波峰的振幅值，/>为第k个检测位置上第u个波峰的峰宽判断值。

3.如权利要求1所述的基于红外光谱的智能艾灸机器人部件温度变形监测方法，其特征在于，所述根据各检测位置的干扰峰判别因子以及波峰、波谷的频率值构建各检测位置的运动影响置信因子，表达式为：

其中，/>为第k个检测位置的运动影响置信因子，/>为第k个检测位置的干扰峰判别因子，/>、/>分别为频谱图中的波峰数量、波谷数量，/>为最小值函数，/>、/>分别为第u个、第u-1个波峰的频率值，/>、/>分别为第u-1个、第u个波谷的频率值。

4.如权利要求1所述的基于红外光谱的智能艾灸机器人部件温度变形监测方法，其特征在于，所述采用盒计数法，基于不同盒子边长下光谱曲线在盒子中的分布获取各检测位置红外光谱图的尺度关系图，包括：

对于各检测位置的红外光谱图，将预设初始盒子边长为正方形的边长、以红外光谱图的中心作为正方形的中心，构建红外光谱图的初始正方形盒子；

从预设初始盒子边长开始，按照横坐标的单位波长开始逐渐递减，得到不同递减次数下的盒子边长；

对于不同递减次数下的盒子边长，将盒子边长构成的正方形盒子平铺在红外光谱图中，平铺后的面积大于等于初始正方向盒子的面积，平铺位置完全覆盖初始正方形盒子，且与初始正方形盒子存在交集；统计平铺后与红外光谱图中的光谱曲线存在交集的正方形盒子数量；

将不同递减次数下的盒子边长的所述正方形盒子数量，按照盒子边长从大到小组成各检测位置红外光谱图的尺度关系图。

5.如权利要求1所述的基于红外光谱的智能艾灸机器人部件温度变形监测方法，其特征在于，所述获取各检测位置的尺度关系图的离群点数量，包括：采用CURE密度聚类算法，获取各检测位置的尺度关系图中的离群点；统计各检测位置的尺度关系图中的离群点数量。

6.如权利要求1所述的基于红外光谱的智能艾灸机器人部件温度变形监测方法，其特征在于，所述根据所有检测位置的尺度关系图之间的距离以及离群点数量差异确定目标部件的整体吸光性差异指数，包括：

对于任意两个检测位置的尺度关系图，获取两个尺度关系图之间的DTW距离；计算两个尺度关系图之间的离群点数量的差值绝对值；

将所有任意两个检测位置的所述DTW距离与所述差值绝对值的乘积的均值，作为目标部件的整体吸光性差异指数。

7.如权利要求1所述的基于红外光谱的智能艾灸机器人部件温度变形监测方法，其特征在于，所述构建目标部件各波长下的热量数据序列，包括：将目标部件所有检测位置在各波长下的吸光度，组成目标部件各波长下的热量数据序列。

8.如权利要求1所述的基于红外光谱的智能艾灸机器人部件温度变形监测方法，其特征在于，所述结合整体吸光性差异指数以及各检测位置的运动影响置信因子，采用LOF异常检测算法计算热量数据序列各检测位置的局部异常因子，包括：

计算整体吸光性差异指数与热量数据序列各检测位置的运动影响置信因子的乘积的相反数，作为以自然常数e为底数的指数函数的指数；

采用LOF异常检测算法获取热量数据序列各检测位置的原始局部异常因子；将所述指数函数的计算结果与热量数据序列各检测位置的原始局部异常因子的乘积，作为热量数据序列各检测位置的局部异常因子。

9.如权利要求1所述的基于红外光谱的智能艾灸机器人部件温度变形监测方法，其特征在于，所述基于局部异常因子以及热量警报阈值，判断目标部件的温度形变风险，包括：

对于热量数据序列各检测位置的局部异常因子，统计大于预设异常阈值的局部异常因子的数量；

计算所述局部异常因子的数量与目标部件的检测位置数量的比值，当所述比值大于等于预设热量警报阈值时，目标部件出现温度形变风险。