基于人工智能的坐便器防虹吸测试方法、系统及存储介质与流程

本技术涉及坐便器虹吸性能测试领域，具体而言，涉及一种基于人工智能的坐便器防虹吸测试方法、系统及存储介质。

背景技术：

1、智能坐便器的生产完成后，需要对坐便器进行一系列的性能测试，例如，升温性能、水温稳定性、清洗水流量、清洗水量、清洗力、暖风温度、暖风出风量、坐圈温度、耐水压性能、防水击性能、防虹吸性能、部件强度、整机寿命等测试，以确保坐便器的出厂质量。

2、坐便器的防虹吸功能，是指在排水管道系统中采取措施，以防止污水从下水道倒流回到坐便器。坐便器的防虹吸功能，可以有效地阻止下水道中的污水倒流回到坐便器，避免污水回流和滋生细菌等卫生问题；能够避免污水与清洁用水的混合，保持卫生间的环境干净、卫生，减少细菌交叉感染的风险。在维护室内空气质量方面，防虹吸系统的阻隔功能可以防止下水道中不良气味通过管道进入室内，保持室内空气的清新。

3、双水路坐便器具有两条相互独立的冲洗水路，在两条冲洗水路同时运行的情况下，对于一些特殊情况，例如位于同一空间的进气管堵塞，可能形成影响两条水路的负压，从而对两条水路产生不同程度的影响。现有的测试方案，通常是利用负压分别对每条水路进行独立的虹吸功能测试，且测试方式仍是在设定负压条件下测试虹吸高度，依据特定负压下的虹吸高度判断坐便器的防虹吸功能是否合格。这样的方式对于特殊情况下的防虹吸功能无法测试，特定负压下的虹吸高度，在虹吸功能测试结论上偶然因素影响相对较强，难以更可靠地实现对双水路坐便器的防虹吸功能的测试，导致出厂产品的次品率较高，不利于实现更精细的产品质量控制。

技术实现思路

1、本技术实施例的目的在于提供一种基于人工智能的坐便器防虹吸测试方法、系统及存储介质，通过对坐便器的大量测试数据进行特征提取，以人工智能的方式实现对双水路坐便器防虹吸功能更加全面和精细的测试，有效降低出厂产品在防虹吸功能方面的次品率，提高产品质量控制的精度。

2、为了实现上述目的，本技术的实施例通过如下方式实现：

3、第一方面，本技术实施例提供一种基于人工智能的坐便器防虹吸测试方法，包括：获取第一测试数据、第二测试数据和第三测试数据，其中，所述第一测试数据为关闭第二水路以对第一水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第二测试数据为关闭第一水路以对第二水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第三测试数据为对开通第一水路和第二水路进行防虹吸测试时得到的负压-虹吸高度数据；对所述第一测试数据、所述第二测试数据和所述第三测试数据进行特征提取，确定出输入特征向量；将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果。

4、结合第一方面，在第一方面的第一种可能的实现方式中，防虹吸测试模型通过以下流程构建：s1：获取样本数据集，其中，样本数据集中包含n个坐便器样本对应的样本数据，每个样本数据包含第一测试数据、第二测试数据和第三测试数据，且每个样本数据具有标签，标签揭示该坐便器样本的防虹吸性能是否合格；s2：针对样本数据集中的每个样本数据，进行特征提取，确定出每个样本数据对应的样本特征向量；s3：将n个样本特征向量划分为训练集和测试集；s4：使用tensorflow搭建深度学习模型，利用训练集和测试集对深度学习模型进行训练和测试，得到所述防虹吸测试模型。

5、结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，负压-虹吸高度数据中负压值等值递增，s2中，针对样本数据集中的每个样本数据，进行特征提取，确定出每个样本数据对应的样本特征向量，包括：针对样本数据集中的每个样本数据：对第一测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第一特征分量；对第二测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第二特征分量；对第三测试数据进行特征提取，确定出每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，并形成第三特征分量；基于第一特征分量、第二特征分量和第三特征分量，确定出样本数据对应的样本特征向量。

6、结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，基于第一特征分量、第二特征分量和第三特征分量，确定出样本数据对应的样本特征向量，包括：计算第一特征分量中的临界点负压与第三特征分量中的临界点负压之间的第一临界点负压比值、计算第一特征分量中的极限负压与第三特征分量中的极限负压之间的第一极限负压比值、计算第一特征分量中的最速负压与第三特征分量中的最速负压之间的第一最速负压比值、计算第一特征分量中的最缓负压与第三特征分量中的最缓负压之间的第一最缓负压比值，以及，计算第二特征分量中的临界点负压与第三特征分量中的临界点负压之间的第二临界点负压比值、计算第二特征分量中的极限负压与第三特征分量中的极限负压之间的第二极限负压比值、计算第二特征分量中的最速负压与第三特征分量中的最速负压之间的第二最速负压比值、计算第二特征分量中的最缓负压与第三特征分量中的最缓负压之间的第二最缓负压比值；将第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值依次加入到第三特征分量末尾；基于第一特征分量、第二特征分量和第三特征分量形成样本数据对应的样本特征向量。

7、结合第一方面的第一种可能的实现方式，在第一方面的第四种可能的实现方式中，s4中，使用tensorflow搭建深度学习模型，利用训练集和测试集对深度学习模型进行训练和测试，得到所述防虹吸测试模型，包括：使用tensorflow搭建三通道的多层感知机模型作为深度学习模型；利用训练集对深度学习模型进行训练，达到训练目标后，利用测试集对训练后的深度学习模型进行测试，将测试结果进行人工校正后，加入到训练集中进行二次训练，直到达到训练目标，即可得到训练好的防虹吸测试模型。

8、结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，深度学习模型包括：第一通道模型，包括第一通道输入层、第一通道隐藏层、第一通道输出层，第一通道输入层用于接收第一特征分量并发送给第一通道隐藏层，第一通道隐藏层用于对第一特征分量进行处理，并将处理后的特征传输到第一通道输出层，第一通道输出层用于对处理后的特征进行概率映射，确定出此第一特征分量对应的标签概率；第二通道模型，包括第二通道输入层、第二通道隐藏层、第二通道输出层，第二通道输入层用于接收第二特征分量并发送给第二通道隐藏层，第二通道隐藏层用于对第二特征分量进行处理，并将处理后的特征传输到第二通道输出层，第二通道输出层用于对处理后的特征进行概率映射，确定出此第二特征分量对应的标签概率；第三通道模型，包括第三通道输入层、第三通道隐藏层、第三通道输出层，第三通道输入层用于接收第三特征分量并发送给第三通道隐藏层，第三通道隐藏层用于对第三特征分量进行处理，并将处理后的特征传输到第三通道输出层，第三通道输出层用于对处理后的特征进行概率映射，确定出此第三特征分量对应的标签概率；整合输出层，用于接收第一通道输出层、第二通道输出层、第三通道输出层的输出，并基于第一特征分量对应的标签概率、第二特征分量对应的标签概率、第三特征分量对应的标签概率，确定出样本特征向量的所属标签并输出。

9、结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，基于第一特征分量对应的标签概率、第二特征分量对应的标签概率、第三特征分量对应的标签概率，确定出样本特征向量的所属标签并输出，包括：基于第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值，计算出第一权重参数和第二权重参数；基于第一权重参数和第二权重参数，以及，第一特征分量对应的标签概率、第二特征分量对应的标签概率和第三特征分量对应的标签概率，计算出样本特征向量对应的综合标签概率；基于样本特征向量对应的综合标签概率，确定出样本特征向量的所属标签并输出。

10、第二方面，本技术实施例提供一种基于人工智能的坐便器防虹吸测试系统，包括：数据获取单元，用于获取第一测试数据、第二测试数据和第三测试数据，其中，所述第一测试数据为关闭第二水路以对第一水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第二测试数据为关闭第一水路以对第二水路独立进行防虹吸测试时得到的负压-虹吸高度数据，所述第三测试数据为对开通第一水路和第二水路进行防虹吸测试时得到的负压-虹吸高度数据；特征提取单元，用于对所述第一测试数据、所述第二测试数据和所述第三测试数据进行特征提取，确定出输入特征向量；防虹吸测试单元，用于将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果。

11、第三方面，本技术实施例提供一种存储介质，所述存储介质设置在电子设备内，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在电子设备执行第一方面或第一方面的可能的实现方式中任一项所述的基于人工智能的坐便器防虹吸测试方法。

12、第四方面，本技术实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现第一方面或第一方面的可能的实现方式中任一项所述的基于人工智能的坐便器防虹吸测试方法。

13、本方案的有益效果在于 ：1.本方案通过分别对双水路坐便器的两条水路（即第一水路和第二水路）进行独立的防虹吸功能测试，得到相应的负压-虹吸高度数据（测试时，负压呈等值递增的方式进行，记录各个负压下的虹吸高度），得到第一测试数据和第二测试数据。再对开通第一水路和第二水路同时进行防虹吸测试（即防虹吸功能测试），得到的负压-虹吸高度数据作为第三测试数据。然后对第一测试数据、第二测试数据和第三测试数据进行特征提取，确定出待检测坐便器对应的输入特征向量，将输入特征向量输入至预设的防虹吸测试模型中，得到防虹吸测试模型输出的防虹吸测试结果，从而判断待检测坐便器的防虹吸性能是否合格。这样的方式不仅可以实现对每条水路的独立测试，还可以实现对两条水路在特殊情况下的防虹吸功能测试（这样还有利于将双水路坐便器应用到气压差异较大的区域，保证合格产品在不同气压下的防虹吸功能的适用性）。而在测试时，不单单考虑特定负压下的防虹吸功能，能够从测试中各个负压下的虹吸高度，来进行综合的评判，从而大大提升产品防虹吸功能的测试精度，尽可能规避偶然因素带来的次品风险，提高产品质量控制的精度。

14、2.通过对第一测试数据、第二测试数据和第三测试数据进行特征提取，针对性地提取对防虹吸功能更具有反映能力的特征（第一测试数据、第二测试数据和第三测试数据中每相邻两个负压对应的虹吸高度增量、虹吸高度开始变化的临界点负压、设定虹吸高度对应的极限负压、最大虹吸高度增量对应的最速负压、最小虹吸高度增量对应的最缓负压，以及第一临界点负压比值、第一极限负压比值、第一最速负压比值和第一最缓负压比值、第二临界点负压比值、第二极限负压比值、第二最速负压比值和第二最缓负压比值等），形成第一特征分量、第二特征分量和第三特征分量，使用tensorflow针对性地构建三通道的多层感知机模型作为深度学习模型，以便分别对第一特征分量、第二特征分量和第三特征分量分别进行独立的分类判断，利用整合输出层进行综合性的防虹吸功能判断，这样可以保证对双水路坐便器的防虹吸功能测试的可靠性，大大提升产品质量控制精度，有效降低出厂产品在防虹吸功能方面的次品率。

15、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。