CN118010165B - 一种直发梳自动感应温度预警方法及*** - Google Patents

Abstract

本发明涉及数据清洗技术领域，具体涉及一种直发梳自动感应温度预警方法及***。该方法获取原始温度信号的每个独立分量信号的独立特征值，依据任意两个独立分量信号中数据点的幅值差异与独立特征值差异得到独立分量信号之间的差异度；结合独立分量信号中相邻数据点之间斜率的离散程度与独立分量信号的局部信号段的幅值均变化率的混乱程度与独立特征值，调整差异度得独立分量信号的滤波强度值；基于滤波强度值利用滤波算法对独立分量信号进行滤波得到去噪温度信号；依据其与正常温度信号中数据点幅值差异预警直发梳温度。本发明自适应获取对独立分量信号的滤波强度值，提高对原始温度信号去噪的有效性，增加对直发梳的温度预警的准确性。

Description

一种直发梳自动感应温度预警方法及***

技术领域

本发明涉及数据清洗技术领域，具体涉及一种直发梳自动感应温度预警方法及***。

背景技术

直发梳作为一种烫发工具被广泛使用，由于使用不当或设备故障等原因，直发梳在使用过程中产生的高温可能会对用户的头发和头皮造成损害，甚至引发安全隐患。因此，对直发梳进行温度预警非常重要。

通过在直发梳上安装的红外线传感器实时感知直发梳表面的温度变化，因周围环境温度变化与电磁辐射等因素容易导致传感器采集的温度信号中存在噪声，导致温度信号不准确。将信号分离为分量信号，通过滤波算法对每个分量信号进行去噪，由于不同分量信号中包含的噪声类型与噪声强度存在差异，则不同分量信号所需的滤波强度存在差异，现有方法预先指定滤波算法中的参数，若滤波算法中的参数设置不合理，导致分量信号中噪声无法有效去除和信号失真的情况，进而导致温度信号去噪效果较差，降低对直发梳的温度预警的准确度。

发明内容

为了解决对分量信号滤波时滤波算法中参数设置不合理，导致温度信号去噪效果较差，使直发梳的温度预警出现误差的技术问题，本发明的目的在于提供一种直发梳自动感应温度预警方法及***，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种直发梳自动感应温度预警方法，该方法包括：

分别获取直发梳在当前工作时间段内的原始温度信号，以及历史工作时间段内的正常温度信号；

对原始温度信号进行独立成分分析，得到各个独立分量信号；根据每个独立分量信号的峭度值与周期程度，获取每个独立分量信号的独立特征值；

依据任意两个独立分量信号中数据点的幅值差异与所述独立特征值之间的差异，得到独立分量信号之间的差异度；

将每个独立分量信号划分为不同局部信号段，获取每个局部信号段的幅值均变化率；结合每个独立分量信号中相邻数据点之间的斜率的离散程度，每个独立分量信号的局部信号段的所述幅值均变化率的混乱程度以及所述独立特征值，获得每个独立分量信号的噪声隶属度；

利用所述噪声隶属度对所述差异度进行调整，得到每个独立分量信号的滤波强度值；基于所述滤波强度值，利用滤波算法对原始温度信号的独立分量信号进行滤波，得到去噪温度信号；

基于去噪温度信号与正常温度信号中数据点的幅值差异，对直发梳的温度进行预警。

进一步地，所述根据每个独立分量信号的峭度值与周期程度，获取每个独立分量信号的独立特征值的方法，包括：

对于每个独立分量信号，以时间为横轴，温度值为纵轴建立二维坐标系，将独立分量信号映射至所述二维坐标系中，得到信号曲线段；选取所述信号曲线段中除最后一个拐点外的其余任意一个拐点作为分析点，将分析点与其相邻的下一个拐点均作为分析点的特征点，分别过每个特征点作所述二维坐标系的横轴的垂线，作为特征线；将所述信号曲线段，两条所述特征线以及所述横轴围成区域作为分析点的分析区域；计算所述分析区域的面积作为分析点的特征面积值；

根据独立分量信号对应的所述信号曲线段中除最后一个拐点外的其余任意两个拐点的所述特征面积值之间的差异，获取独立分量信号的周期显著度；

获取每个独立分量信号的峭度值；结合每个独立分量信号的峭度值与标准高斯曲线的峭度值之间的差异，以及所述周期显著度，获取每个独立分量信号的所述独立特征值。

进一步地，所述每个独立分量信号的所述独立特征值的计算公式如下：

；式中，F为每个独立分量信号的所述独立特征值；K为每个独立分量信号的峭度值；Y为标准高斯曲线的峭度值；m为每个独立分量信号对应的所述信号曲线段中拐点的总数量；/>为每个独立分量信号对应的所述信号曲线段中第u个拐点的所述特征面积值；/>为每个独立分量信号对应的所述信号曲线段中第v个拐点的所述特征面积值；/>为每个独立分量信号的所述周期显著度；/>为绝对值函数；/>为预设正数。

进一步地，所述独立分量信号之间的差异度的计算公式如下：

；式中，/>为独立分量信号之间的所述差异度；N为独立分量信号的总数量；/>为第n1个独立分量信号的所述独立特征值；/>为第n2个独立分量信号的所述独立特征值；/>为第n1个独立分量信号中数据点的总数量；为第n1个独立分量信号中第a个数据点的幅值；/>为第n2个独立分量信号的中数据点的总数量；/>为第n2个独立分量信号中第b个数据点的幅值；/>为绝对值函数。

进一步地，所述获取每个局部信号段的幅值均变化率的方法，包括；

对于每个独立分量信号的每个局部信号段，将局部信号段中每个数据点与其相邻下一个数据点的幅值之间的差值绝对值，作为局部信号段中每个数据点的局部幅值差；***部信号段中除最后一个数据点外的其余数据点的所述局部幅值差的总和作为局部信号段的综合幅值差；

将局部信号段的两个端点位置的数据点对应时刻之间的时间间隔作为局部信号段的时长；

将局部信号段的所述综合幅值差与所述时长的比值作为局部信号段的所述幅值均变化率。

进一步地，所述获得每个独立分量信号的噪声隶属度的方法，包括：

获取每个独立分量信号中每个数据点与其相邻的下一个数据点之间的斜率，作为每个独立分量信号中每个数据点的倾斜值；计算每个独立分量信号中除最后一个数据点外的其余数据点的所述倾斜值的方差，作为每个独立分量信号的毛刺显著度；

获取每个独立分量信号的局部信号段的所述幅值均变化率的信息熵作为每个独立分量信号的变化率混乱度；

根据每个独立分量信号的所述独立特征值，所述毛刺显著度与所述变化率混乱度，获取每个独立分量信号的噪声隶属度；所述独立特征值与所述噪声隶属度为负相关的关系，所述毛刺显著度与所述变化率混乱度均与所述噪声隶属度为正相关的关系。

进一步地，所述每个独立分量信号的滤波强度值的获取方法，包括：

利用每个独立分量信号的所述噪声隶属度对所述差异度进行加权，得到每个独立分量信号的滤波强度值。

进一步地，所述基于所述滤波强度值，利用滤波算法对原始温度信号的独立分量信号进行滤波，得到去噪温度信号的方法，包括：

将每个独立分量信号的所述滤波强度值，作为对每个独立分量信号进行滤波处理的高斯滤波算法的标准差，得到每个独立分量信号的滤波分量信号；

将原始温度信号的所有独立分量信号的滤波分量信号进行重构，得到所述去噪温度信号。

进一步地，所述基于去噪温度信号与正常温度信号中数据点的幅值差异，对直发梳的温度进行预警发热方法，包括：

将去噪温度信号与正常温度信号作为分析信号，计算分析信号中数据点的幅值的方差作为分析信号的幅值离散度；

对去噪温度信号与正常温度信号的所述幅值离散度之间的差值绝对值进行归一化，得到温度差异度；

当所述温度差异度小于预设差异阈值时，直发梳的温度处于正常状态；当所述温度差异度大于或者等于预设差异阈值时，直发梳的温度处于异常状态。

第二方面，本发明另一个实施例提供了一种直发梳自动感应温度预警***，该***包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述任意一项方法的步骤。

本发明具有如下有益效果：

在本发明实施例中，获取原始温度信号的独立分量信号，独立成分之间具有最大非高斯性，独立分量信号的峭度值与周期程度分别从直接方面与侧面反映独立分量信号是否具有高斯性，通过分析独立分量信号具有高斯性的程度，确定独立特征值；独立分量信号之间数据点的幅值差异与独立特征值的差异，分别从信号的整体幅值情况与单个信号的独立特征两个方面呈现独立分量信号之间的独立性，结合两个因素获取的独立分量信号之间的差异度能准确反映信号之间的独立性；相邻数据点之间的斜率的离散程度呈现信号表面毛刺特征强弱，独立分量信号的局部信号段的幅值均变化率的混乱程度反映信号在一定时间的稳定状态，并结合独立特征值，使获取的噪声隶属度能准确地反映独立分量信号中存在的噪声程度；通过噪声隶属度自适应调整对每个独立分量信号进行滤波的强度即滤波强度值，即自适应调整对独立分量信号滤波处理的滤波算法中的参数，使包含噪声成分较多的独立分量信号的滤波效果更佳，并且保证噪声成分较少的独立分量信号不会出现信号失真的情况，有效地去除原始温度信号的噪声成分并增加信号稳定性；进而基于去噪温度信号与正常温度信号的数据点的幅值差异对直发梳在当前工作温度状态判断更加准确，提高直发梳的温度预警的准确度。

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为本发明一个实施例所提供的一种直发梳自动感应温度预警方法的步骤流程图。

图2为本发明一个实施例所提供的原始温度信号局部示意图；

图3为本发明一个实施例所提供的分析区域示意图。

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一种直发梳自动感应温度预警方法及***，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。

本发明所针对的具体场景：在直发梳上安装多种传感器，用于实时监测和感应直发梳的温度变化；红外线传感器主要用于非接触式地感应直发梳表面的温度，可以高精度地测量物体的表面温度。在自动感应温度的过程中，周围环境的温度变化、电磁辐射等因素可能会导致传感器信号不稳定，进而影响温度预警的准确性。

下面结合附图具体的说明本发明所提供的一种直发梳自动感应温度预警方法及***的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种直发梳自动感应温度预警方法的步骤流程图，该方法包括：

步骤S1：分别获取直发梳在当前工作时间段内的原始温度信号，以及历史工作时间段内的正常温度信号。

具体的，将红外线传感器安装在直发梳的侧面，使其能够对准直发梳的加热部分，以确保红外线传感器能准确地感知直发梳的表面温度；红外线传感器采集的信号为模拟信号，利用模数转换器将模拟信号转换为数字信号；将红外传感器采集到的温度信号传输至微处理器，以便实时显示直发梳的表面温度。

为判断直发梳在当前工作温度是否处于异常温度状态，首先分别获取直发梳在当前工作时间段内的温度信号作为原始温度信号，历史工作时间段内的温度信号作为正常温度信号；之后本发明实施例通过比较原始温度信号与正常温度信号之间的差异程度，确定当前状态下直发梳是否处于异常温度状态。原始温度信号与正常温度信号所处坐标系的横轴为时间，纵轴为温度值；图2为本发明一个实施例所提供的原始温度信号局部示意图，如图2所示，图2中坐标系的横轴为时间T，纵轴为温度值W。

需要说明的是，当前工作时间段的起始时刻为直发梳在当前次工作的开始时刻，终止时刻为直发梳工作的当前时刻；历史工作时间段为直发梳在历史某次工作的正常温度状态下的工作时间段，因直发梳在温度正常状态下的温度信号较为相似，则随机选取直发梳在历史某次工作的正常温度状态下的工作时间段作为历史工作时间段。

在利用红外线传感器自动监测直发梳的表面温度的过程中，由于周围环境温度变化与电磁辐射等因素容易导致温度信号中存在噪声，使温度信号不稳定，本申请旨在对原始温度信号进行去噪，提高其稳定性。

步骤S2：对原始温度信号进行独立成分分析，得到各个独立分量信号；根据每个独立分量信号的峭度值与周期程度，获取每个独立分量信号的独立特征值。

本发明实施例中利用独立成分分析获取原始温度信号的各个独立分量信号，独立分量信号之间不相关，不同独立分量可能具有不同的信号特征和噪声特征，独立处理可以更好地保留信号的有效信息。其中，独立成分分析为本领域技术人员公知技术，在此不再赘述。

独立成分之间具有最大非高斯性属于独立成分分析的规则，本发明实施例通过分析独立分量信号具有高斯性的程度，以确定独立分量信号的独立性特征即独立特征值。独立分量信号的峭度值直接反映独立分量信号是否具有高斯性；独立分量信号的周期程度从侧面反映独立分量信号是否具有高斯性，周期程度越小高斯性越明显；结合独立分量信号的峭度值与周期程度进行分析，提高独立特征值的准确性。

优选地，独立分量信号的独立特征值的具体获取方法为：对于每个独立分量信号，以时间为横轴，温度值为纵轴建立二维坐标系，将独立分量信号映射至二维坐标系中，得到信号曲线段；选取信号曲线段中除最后一个拐点外的其余任意一个拐点作为分析点，将分析点与其相邻的下一个拐点均作为分析点的特征点，分别过每个特征点作二维坐标系的横轴的垂线，作为特征线；将信号曲线段，两条特征线以及横轴围成区域作为分析点的分析区域；计算分析区域的面积作为分析点的特征面积值；根据独立分量信号对应的信号曲线段中除最后一个拐点外的其余任意两个拐点的特征面积值之间的差异，获取独立分量信号的周期显著度；获取每个独立分量信号的峭度值；结合每个独立分量信号的峭度值与标准高斯曲线的峭度值之间的差异，以及周期显著度，获取每个独立分量信号的独立特征值。

图3为本发明一个实施例所提供的分析区域示意图，如图3所示，图3中坐标系的横轴为时间T，纵轴为温度值W，图3中曲线为独立分量信号在二维坐标系中部分信号曲线段，曲线上两个灰色的点d1与d2为信号曲线段中相邻的两个拐点；过点d1作二维坐标系的横轴的垂线，该垂线与横轴为交点为点d3；过点d2作二维坐标系的横轴的垂线，该垂线与横轴为交点为点d4；将点d1与d2之间的曲线段，点d2与d4之间线段，点d4与d3之间线段以及点d3与d1之间的线段围成的区域作为点d1的分析区域。

需要说明的是，信号的峭度值的计算方法与标准高斯曲线的峭度值的获取方法均为公知技术，曲线上拐点与分析区域的面积的获取方法均为常用数学知识，在此不再赘述。

每个独立分量信号的独立特征值的计算公式如下：

式中，F为每个独立分量信号的独立特征值；K为每个独立分量信号的峭度值；Y为标准高斯曲线的峭度值；m为每个独立分量信号对应的信号曲线段中拐点的总数量；为每个独立分量信号对应的信号曲线段中第u个拐点的特征面积值；/>为每个独立分量信号对应的信号曲线段中第v个拐点的特征面积值；/>为每个独立分量信号的周期显著度；/>为绝对值函数；/>为预设正数，取经验值0.1，作用为防止分母为0导致分式无意义。

需要说明的是，反映独立分量信号与标准高斯分布特征之间的差异，当/>越小时，说明独立分量信号具有较强的高斯性，具有较强高斯性的独立分量信号的独立性越差，则独立特征值F越小。/>反映独立分量信号对应的信号曲线段中拐点的分析区域的面积即特征面积值之间的差异；当周期显著度/>越小时，独立分量信号的信号曲线段中拐点的分析区域的面积较为相似，说明独立分量信号具有周期性越明显；周期性的大小从侧面反映独立分量信号是否具有高斯性，因标准高斯分布不具有周期性，则独立分量信号的周期性越明显，其具有的非高斯性的特征越明显，使得独立分量信号的独立性特征越明显，则独立特征值F越大。

步骤S3：依据任意两个独立分量信号中数据点的幅值差异与独立特征值之间的差异，得到独立分量信号之间的差异度。

具体的，独立成分之间是相互独立的，且独立成分通常为非高斯分布，这两个特征属于独立成分分析法的规则。独立分量信号之间数据点的幅值差异与独立特征值的差异，分别从信号的整体幅值情况与单个信号的独立特征两个方面呈现独立分量信号之间的独立性，结合两个因素获取的独立分量信号之间的差异度能准确反映信号之间的独立性。

依据任意两个独立分量信号中数据点的幅值差异与独立特征值之间的差异，得到独立分量信号之间的差异度。独立分量信号之间的差异度的计算公式如下：

式中，为独立分量信号之间的差异度；N为独立分量信号的总数量；/>为第n1个独立分量信号的独立特征值；/>为第n2个独立分量信号的独立特征值；/>为第n1个独立分量信号中数据点的总数量；/>为第n1个独立分量信号中第a个数据点的幅值；/>为第n2个独立分量信号的中数据点的总数量；/>为第n2个独立分量信号中第b个数据点的幅值；/>为绝对值函数。

需要说明的是，独立成分的独立特征产生的原因为独立成分都包含了原始信号的部分特征，导致独立成分之间存在差异；当越大时，第n1个独立分量信号与第n2个独立分量信号之间的独立性特征越符合独立成分之间相互独立规则；呈现第n1与n2个独立分量信号中数据点的幅值差异，当越大时，说明两个独立分量信号中数据点的整体幅值差异越大，则两个独立分量信号之间的独立性特征越符合独立成分之间相互独立的规则；综合呈现两个独立分量信号之间独立性，通过两两独立分量信号之间独立性的均值/>衡量独立分量信号之间的独立性，独立分量信号之间的独立性越差，差异度/>越小，表明独立分量信号中存在噪声成分的可能性越大。

由于独立成分分析的核心思想是分离出相互独立的独立分量信号，如果独立分量信号之间的独立程度较低，说明独立分量信号包含的是共享的信息而不是独立的信息，这些共享信息是属于噪声的迹象。因此，本发明实施例中，将独立分量信号之间的差异度作为原始温度信号中的噪声强度。

步骤S4：将每个独立分量信号划分为不同局部信号段，获取每个局部信号段的幅值均变化率；结合每个独立分量信号中相邻数据点之间的斜率的离散程度，每个独立分量信号的局部信号段的幅值均变化率的混乱程度以及独立特征值，获得每个独立分量信号的噪声隶属度。

为了对每个独立分量信号进行准确分析，将每个独立分量信号均匀划分为L个局部信号段。需要说明的是，不同局部信号段对应的时间段的时长相等。在本发明实施例中L取经验值10，实施者可根据具体情况自行设置。

局部信号段的幅值均变化率的具体获取方法为：对于每个独立分量信号的每个局部信号段，将局部信号段中每个数据点与其相邻下一个数据点的幅值之间的差值绝对值，作为局部信号段中每个数据点的局部幅值差；***部信号段中除最后一个数据点外的其余数据点的局部幅值差的总和作为局部信号段的综合幅值差；将局部信号段的两个端点位置的数据点对应时刻之间的时间间隔作为局部信号段的时长；将局部信号段的综合幅值差与时长的比值作为局部信号段的幅值均变化率。幅值均变化率反映局部信号段中数据点的幅值的平均变化率。

在利用独立成分分析来分析原始温度信号的过程中，由于独立成分分析的核心思想是分离出相互独立的成分，噪声对于信号而言通常具有较低的能量，即在原本具有最大非高斯性的独立分量信号的表面存在一些细小的“毛刺”，使得独立分量信号具有一定的高斯性，并且打破了独立分量信号具有的分布特征。因此，需要获取独立分量信号中存在的噪声程度即噪声隶属度。

独立分量信号中相邻数据点之间的斜率的离散程度呈现信号表面毛刺特征强弱，独立分量信号的局部信号段的幅值均变化率的混乱程度反映信号在一定时间的稳定状态，并结合独立特征值，使获取的噪声隶属度能准确地反映独立分量信号中存在的噪声程度。

优选地，噪声隶属度的具体获取方法为：获取每个独立分量信号中每个数据点与其相邻的下一个数据点之间的斜率，作为每个独立分量信号中每个数据点的倾斜值；计算每个独立分量信号中除最后一个数据点外的其余数据点的倾斜值的方差，作为每个独立分量信号的毛刺显著度；获取每个独立分量信号的局部信号段的幅值均变化率的信息熵作为每个独立分量信号的变化率混乱度；根据每个独立分量信号的独立特征值，毛刺显著度与变化率混乱度，获取每个独立分量信号的噪声隶属度；独立特征值与噪声隶属度为负相关的关系，毛刺显著度与变化率混乱度均与噪声隶属度为正相关的关系。

需要说明的是，在本发明实施例中，构建独立分量信号中数据点的二元组，若独立分量信号中第1个数据点的二元组为X1=（r1，s1），第2个数据点的二元组为X2=（r2，s2）；其中，r1为独立分量信号中第1个数据点的时刻，s1为独立分量信号中第1个数据点的幅值，r2为独立分量信号中第2个数据点的时刻，s2为独立分量信号中第2个数据点的幅值；独立分量信号中第1个数据点的倾斜值为。根据上述方法，计算每个独立分量信号中除最后一个数据点外的其余每个数据点的倾斜值。其中，信息熵的具体计算方式为公知技术。

每个独立分量信号的噪声隶属度的计算公式具体示例如下：

式中，R为每个独立分量信号的噪声隶属度；F为每个独立分量信号的独立特征值；HL为每个独立分量信号的变化率混乱度；C为每个独立分量信号中数据点的总数量；为每个独立分量信号中除最后一个数据点外的其余第c个数据点的倾斜值；/>为每个独立分量信号中除最后一个数据点外的其余数据点的倾斜值的均值；/>为每个独立特征值的毛刺显著度；Norm为归一化函数；/>为预设正数，取经验值0.1，作用为防止分母为0导致分式无意义。

当越大时，独立分量信号的表面会出现较多的“锯齿状”信号点，说明独立分量信号的表面的毛刺特征越明显，独立分量信号中包含的噪声强度相对越大，则噪声隶属度R越大。独立分量信号的变化率混乱度/>反映独立分量信号在一定时间的稳定状态，当/>越大时，说明独立分量信号中不同局部时间段内数据点的幅值的变化率存在较大差异，而信号通常会在一定时间保持相对稳定的状态，噪声成分会破坏信号在一定时间段的稳定性；因此，当/>越大时，独立分量信号在一定时间的稳定状态越差，独立分量信号中包含的噪声强度相对越大，则噪声隶属度R越大。当独立特征值F越大时，独立分量信号具有的非高斯性的特征越明显，该信号在分离时分离的对象为原始温度信号中噪声的可能性越小，独立分量信号中包含的噪声强度越小，则噪声隶属度R越小。

步骤S5：利用噪声隶属度对差异度进行调整，得到每个独立分量信号的滤波强度值；基于滤波强度值，利用滤波算法对原始温度信号的独立分量信号进行滤波，得到去噪温度信号。

由于独立成分分析的核心思想是分离出相互独立的独立分量信号，如果独立分量信号之间的独立程度较低，说明独立分量信号包含的是共享的信息而不是独立的信息，这些共享信息是属于噪声的迹象。因此，本发明实施例中将步骤S3中获取的独立分量信号之间的差异度作为原始温度信号中的噪声强度。同时通过独立分离信号中包含的噪声程度对原始温度信号中的噪声强度进行调整，得到独立分量信号的滤波强度值。

利用每个独立分量信号的噪声隶属度对差异度进行加权，得到每个独立分量信号的滤波强度值。每个独立分量信号的滤波强度值的计算公式如下：

式中，为第q个独立分量信号的滤波强度值；/>为第q个独立分量信号的噪声隶属度；/>为独立分量信号之间的差异度。

需要说明的是，当噪声隶属度越大时，说明第q个独立分量信号包含的噪声强度越大，为保证独立分量信号的去噪强度，需要用越大的滤波强度去除独立分量信号中包含的噪声成分，则滤波强度值/>越大。当噪声隶属度/>越小时，说明第q个独立分量信号包含的噪声强度越小，为避免过大的滤波强度导致信号出现失真情况，需要用越小的滤波强度去除独立分量信号中包含的噪声成分，则滤波强度值/>越小。

本申请选用高斯滤波算法对独立分量信号进行滤波处理，较大的标准差会导致滤波器具有更广泛的响应范围，从而平滑图像或信号的效果更强烈，模糊程度更高；相反，较小的标准差会导致滤波器的影响范围更小，平滑效果更弱，模糊程度更低。因此，在本发明实施例中，将每个独立分量信号的滤波强度值，作为对每个独立分量信号进行滤波处理的高斯滤波算法的标准差，得到每个独立分量信号的滤波分量信号；将原始温度信号的所有独立分量信号的滤波分量信号进行重构，得到去噪温度信号。

需要说明的是，本发明实施例中选用独立成分分析对所有独立分量信号的滤波分量信号进行重构。其中，高斯滤波算法为本领域技术人员公知技术，在此不再赘述。

通过将每个独立分量信号的滤波强度值，作为对每个独立分量信号进行滤波处理的高斯滤波算法的标准差，使得包含噪声成分较高的独立分量信号具有较大的滤波效果，且包含噪声成分较高的独立分量信号能够较好的保留原始信号中的有效信息。通过独立地对每个独立分量信号进行去噪，可以针对性地减少每个独立分量信号中的噪声，对去噪后的独立分量信号即滤波分量信号进行重构后，可以最大程度地保留原始温度信号的信息，减少信息损失，提高整体重构信号即去噪温度信号的质量和清晰度。

步骤S6：基于去噪温度信号与正常温度信号中数据点的幅值差异，对直发梳的温度进行预警。

若去噪温度信号与正常温度信号之间的分布特征相似，说明直发梳在当前工作时间段内的温度属于正常温度变化；若去噪温度信号与正常温度信号之间的分布特征存在较大差异，说明直发梳在当前工作时间段内的温度属于异常温度变化。通过实施例中通过去噪温度信号与正常温度信号中数据点的幅值差异，衡量去噪温度信号与正常温度信号之间的分布特征之间的差异情况。

将去噪温度信号与正常温度信号作为分析信号，计算分析信号中数据点的幅值的方差作为分析信号的幅值离散度；对去噪温度信号与正常温度信号的幅值离散度之间的差值绝对值进行归一化，得到温度差异度；当温度差异度小于预设差异阈值时，直发梳的温度处于正常状态，直发梳在当前工作时间段内温度正常；当温度差异度大于或者等于预设差异阈值时，直发梳的温度处于异常状态，直发梳在当前时刻会触发***报警，***自动停止直发梳的发热功能，以避免温度过高导致损伤。

需要说明的是，在本发明实施例中，预设差异阈值取经验值0.7，实施者可根据具体情况自行设置；使用归一化函数对去噪温度信号与正常温度信号的幅值离散度之间的差值绝对值进行归一化处理，在本发明实施例中也可选择函数转化、最大最小规范化、Sigmoid函数等归一化方法，在此不做限定。

至此，本发明完成。

综上所述，在本发明实施例中，获取原始温度信号的每个独立分量信号的独立特征值，依据任意两个独立分量信号中数据点的幅值差异与独立特征值差异得到独立分量信号之间的差异度；结合独立分量信号中相邻数据点之间斜率的离散程度与独立分量信号的局部信号段的幅值均变化率的混乱程度与独立特征值，调整差异度得独立分量信号的滤波强度值；基于滤波强度值利用滤波算法对独立分量信号进行滤波得到去噪温度信号；依据其与正常温度信号中数据点幅值差异预警直发梳温度。本发明自适应获取对独立分量信号的滤波强度值，提高对原始温度信号去噪的有效性，增加对直发梳的温度预警的准确性。

基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种直发梳自动感应温度预警***，该***包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述一种直发梳自动感应温度预警方法实施例中的步骤，例如图1所示的步骤。该一种直发梳自动感应温度预警方法在上述实施例中已经详细说明，不再赘述。

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。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。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种直发梳自动感应温度预警方法，其特征在于，该方法包括：

分别获取直发梳在当前工作时间段内的原始温度信号，以及历史工作时间段内的正常温度信号；

对原始温度信号进行独立成分分析，得到各个独立分量信号；根据每个独立分量信号的峭度值与周期程度，获取每个独立分量信号的独立特征值；

依据任意两个独立分量信号中数据点的幅值差异与所述独立特征值之间的差异，得到独立分量信号之间的差异度；

将每个独立分量信号划分为不同局部信号段，获取每个局部信号段的幅值均变化率；结合每个独立分量信号中相邻数据点之间的斜率的离散程度，每个独立分量信号的局部信号段的所述幅值均变化率的混乱程度以及所述独立特征值，获得每个独立分量信号的噪声隶属度；

利用所述噪声隶属度对所述差异度进行调整，得到每个独立分量信号的滤波强度值；基于所述滤波强度值，利用滤波算法对原始温度信号的独立分量信号进行滤波，得到去噪温度信号；

基于去噪温度信号与正常温度信号中数据点的幅值差异，对直发梳的温度进行预警；

所述根据每个独立分量信号的峭度值与周期程度，获取每个独立分量信号的独立特征值的方法，包括：

对于每个独立分量信号，以时间为横轴，温度值为纵轴建立二维坐标系，将独立分量信号映射至所述二维坐标系中，得到信号曲线段；选取所述信号曲线段中除最后一个拐点外的其余任意一个拐点作为分析点，将分析点与其相邻的下一个拐点均作为分析点的特征点，分别过每个特征点作所述二维坐标系的横轴的垂线，作为特征线；将所述信号曲线段，两条所述特征线以及所述横轴围成区域作为分析点的分析区域；计算所述分析区域的面积作为分析点的特征面积值；

根据独立分量信号对应的所述信号曲线段中除最后一个拐点外的其余任意两个拐点的所述特征面积值之间的差异，获取独立分量信号的周期显著度；

获取每个独立分量信号的峭度值；结合每个独立分量信号的峭度值与标准高斯曲线的峭度值之间的差异，以及所述周期显著度，获取每个独立分量信号的所述独立特征值；

所述每个独立分量信号的所述独立特征值的计算公式如下：

；式中，F为每个独立分量信号的所述独立特征值；K为每个独立分量信号的峭度值；Y为标准高斯曲线的峭度值；m为每个独立分量信号对应的所述信号曲线段中拐点的总数量；/>为每个独立分量信号对应的所述信号曲线段中第u个拐点的所述特征面积值；/>为每个独立分量信号对应的所述信号曲线段中第v个拐点的所述特征面积值；/>为每个独立分量信号的所述周期显著度；/>为绝对值函数；/>为预设正数；

所述独立分量信号之间的差异度的计算公式如下：

；式中，/>为独立分量信号之间的所述差异度；N为独立分量信号的总数量；/>为第n1个独立分量信号的所述独立特征值；/>为第n2个独立分量信号的所述独立特征值；/>为第n1个独立分量信号中数据点的总数量；/>为第n1个独立分量信号中第a个数据点的幅值；/>为第n2个独立分量信号的中数据点的总数量；/>为第n2个独立分量信号中第b个数据点的幅值；/>为绝对值函数。

2.根据权利要求1所述的一种直发梳自动感应温度预警方法，其特征在于，所述获取每个局部信号段的幅值均变化率的方法，包括；

对于每个独立分量信号的每个局部信号段，将局部信号段中每个数据点与其相邻下一个数据点的幅值之间的差值绝对值，作为局部信号段中每个数据点的局部幅值差；***部信号段中除最后一个数据点外的其余数据点的所述局部幅值差的总和作为局部信号段的综合幅值差；

将局部信号段的两个端点位置的数据点对应时刻之间的时间间隔作为局部信号段的时长；

将局部信号段的所述综合幅值差与所述时长的比值作为局部信号段的所述幅值均变化率。

3.根据权利要求1所述的一种直发梳自动感应温度预警方法，其特征在于，所述获得每个独立分量信号的噪声隶属度的方法，包括：

获取每个独立分量信号中每个数据点与其相邻的下一个数据点之间的斜率，作为每个独立分量信号中每个数据点的倾斜值；计算每个独立分量信号中除最后一个数据点外的其余数据点的所述倾斜值的方差，作为每个独立分量信号的毛刺显著度；

获取每个独立分量信号的局部信号段的所述幅值均变化率的信息熵作为每个独立分量信号的变化率混乱度；

根据每个独立分量信号的所述独立特征值，所述毛刺显著度与所述变化率混乱度，获取每个独立分量信号的噪声隶属度；所述独立特征值与所述噪声隶属度为负相关的关系，所述毛刺显著度与所述变化率混乱度均与所述噪声隶属度为正相关的关系。

4.根据权利要求1所述的一种直发梳自动感应温度预警方法，其特征在于，所述每个独立分量信号的滤波强度值的获取方法，包括：

利用每个独立分量信号的所述噪声隶属度对所述差异度进行加权，得到每个独立分量信号的滤波强度值。

5.根据权利要求1所述的一种直发梳自动感应温度预警方法，其特征在于，所述基于所述滤波强度值，利用滤波算法对原始温度信号的独立分量信号进行滤波，得到去噪温度信号的方法，包括：

将每个独立分量信号的所述滤波强度值，作为对每个独立分量信号进行滤波处理的高斯滤波算法的标准差，得到每个独立分量信号的滤波分量信号；

将原始温度信号的所有独立分量信号的滤波分量信号进行重构，得到所述去噪温度信号。

6.根据权利要求1所述的一种直发梳自动感应温度预警方法，其特征在于，所述基于去噪温度信号与正常温度信号中数据点的幅值差异，对直发梳的温度进行预警发热方法，包括：

将去噪温度信号与正常温度信号作为分析信号，计算分析信号中数据点的幅值的方差作为分析信号的幅值离散度；

对去噪温度信号与正常温度信号的所述幅值离散度之间的差值绝对值进行归一化，得到温度差异度；

当所述温度差异度小于预设差异阈值时，直发梳的温度处于正常状态；当所述温度差异度大于或者等于预设差异阈值时，直发梳的温度处于异常状态。

7.一种直发梳自动感应温度预警***，其特征在于，该***包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述权利要求1-6任意一项所述一种直发梳自动感应温度预警方法的步骤。