一种基于电子烟雾化器的温度测试数据管理方法与流程

本发明涉及电数字数据处理，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：

1、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。

2、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：

3、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。

技术实现思路

1、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。

2、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：

3、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；

4、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；

5、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；

6、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；

7、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。

8、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：

9、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。

10、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：

11、；

12、；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。

13、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：

14、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；

15、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；

16、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；

17、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。

18、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：

19、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。

20、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：

21、；；

22、；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。

23、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：

24、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；

25、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；

26、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；

27、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。

28、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：

29、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；

30、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；

31、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；

32、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。

33、可选地，预设k值下的异常检测效果因子对应的公式为：

34、；；

35、；；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。

36、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：

37、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。

38、本发明具有如下有益效果：

39、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。