一种用于灼烫式手持打码器的温度数据监测方法

技术领域

本申请涉及数据处理领域，特别是涉及一种用于灼烫式手持打码器的温度数据监测方法。

背景技术

当使用灼烫式打码器时，由于其工作原理是通过高温对物体表面进行烧灼和刻蚀，因此需要对其温度进行监控。如果温度过低，可能会导致刻蚀效果较差；如果温度过高，可能会损坏被刻标的目标，影响打码器的效果，甚至烧毁仪器、对工作人员造成伤害。因此，对灼烫式打码器进行温度监控是非常重要的。目前常用的检测手段是使用温度传感器来对温度进行监测，但是温度传感器采集到的原始数据中会有随机的数据噪声，这些数据噪声会对温度监测造成一定程度的影响，所以对于所采集的温度数据，首先需要进行数据清洗。

对于数据清洗主要进行采集过程异常数据的识别与剔除，常规的方法是直接用温度的变化反映数据的异常，但是在实际应用中，由于不同功率对温度的影响以及功率的变化对温度的影响，这种方法的检测并不准确。

发明内容

本发明提供一种用于灼烫式手持打码器的温度数据监测方法，该方法结合功率确定温度数据的异常程度，能够提高数据清洗的准确性，进而提高检测效果。

第一方面，本申请提供一种用于灼烫式手持打码器的温度数据监测方法，包括：

对灼烫式手持打码器进行监测，得到温度数据序列，并确定温度数据序列中每一温度数据对应的功率；

基于每一温度数据对应的功率和热量流失的影响程度确定每一温度数据的异常程度；

基于每一温度数据的异常程度对所述温度数据序列进行数据清洗。

在一实施例中，基于每一温度数据的功率和热量流失的影响程度确定每一温度数据的异常程度，包括：

通过功率相同的温度数据集合中每一温度数据的温度变化量与最大温度变化量的比值，确定相同功率下温度数据集合中每一温度数据的初始异常程度；

基于热量流失的影响程度对每一温度数据的初始异常程度进行修正，从而得到每一温度数据的异常程度。

在一实施例中，基于热量流失的影响程度对每一温度数据的初始异常程度进行修正，从而得到每一温度数据的异常程度，包括：

基于当前温度数据与环境温度的关系，确定是否利用热量流失的影响程度对每一温度数据的初始异常程度进行修正。

在一实施例中，如果当前温度数据大于环境温度，则计算当前温度数据对应的热量流失的影响程度与当前温度数据的初始异常程度之间的乘积，从而得到当前温度数据的异常程度；其中，当前温度数据对应的热量流失的影响程度为当前温度数据与环境温度的差值的倒数；

如果当前温度数据小于或等于环境温度，则当前温度数据的异常程度为当前温度数据的初始异常程度。

在一实施例中，基于热量流失的影响程度对每一温度数据的初始异常程度进行修正，从而得到每一温度数据的异常程度之后，还包括：

基于温度变化对功率变化的影响的滞后性对每一温度数据的异常程度进行修正。

在一实施例中，基于温度变化对功率变化的影响的滞后性对每一温度数据的异常程度进行修正，包括：

基于当前温度数据对应的采集时间与功率变化的响应时间确定是否对当前温度数据的异常程度进行修正；

如果当前温度数据对应的采集时间小于或等于功率变化的响应时间，则对当前温度数据的异常程度进行修正；

如果当前温度数据对应的采集时间大于功率变化的响应时间，则不对当前温度数据的异常程度进行修正。

在一实施例中，对当前温度数据的异常程度进行修正，包括：

将当前温度数据对应的采集时间下温度变化的综合影响程度作为修正系数，计算修正系数与当前温度数据的异常程度之间的乘积，从而对当前温度数据的异常程度进行修正；

当前温度数据对应的采集时间下温度变化的综合影响程度由当前温度数据热量流失的影响程度、当前温度数据对应的功率的影响程度、当前温度数据对应的功率的变化量以及当前温度数据对应的采集时间与功率变化时间的时间差确定。

在一实施例中，如果当前温度数据对应的功率是下降状态时，当前温度数据对应的采集时间下温度变化的综合影响程度表示为

如果当前温度数据对应的功率是上升状态时，当前温度数据对应的采集时间下温度变化的综合影响程度表示为

在一实施例中，基于每一温度数据的异常程度对所述温度数据序列进行数据清洗，包括：

如果所述温度数据的异常程度大于阈值，则剔除对应的温度数据，从而对温度数据序列进行数据清洗。

本申请的有益效果，区别于现有技术，本申请的用于灼烫式手持打码器的温度数据监测方法，包括：对灼烫式手持打码器进行监测，得到温度数据序列，并确定温度数据序列中每一温度数据对应的功率；基于每一温度数据对应的功率和热量流失的影响程度确定每一温度数据的异常程度；基于每一温度数据的异常程度对所述温度数据序列进行数据清洗。该方法结合功率确定温度数据的异常程度，能够提高数据清洗的准确性，进而提高检测效果。

附图说明

图1为本申请用于灼烫式手持打码器的温度数据监测方法的一实施例的流程示意图；

图2为图1中步骤S12的一实施例的流程示意图；

图3为图1中步骤S22的另一实施例的流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在使用温度传感器来对灼烫式手持打码器进行温度监测时，由于温度传感器采集到的原始数据中会有随机的数据噪声，这些数据噪声会对温度监测造成一定程度的影响，因此我们对原始数据进行清洗，排除其中的失真数据，排除数据噪声对温度监控的影响。下面结合附图和实施例对本申请进行详细的说明。

请参见图1，图1为本申请用于灼烫式手持打码器的温度数据监测方法的一实施例的流程示意图，具体包括：

步骤S11：对灼烫式手持打码器进行监测，得到温度数据序列，并确定温度数据序列中每一温度数据对应的功率。

本发明使用温度传感器进行仪器内部的温度监控，温度传感器的采样间隔为200ms，通过温度传感器得到一系列的温度数据序列

步骤S12：基于每一温度数据对应的功率和热量流失的影响程度确定每一温度数据的异常程度。

已知发热元件的温度变化与功率线性相关，功率越大，物体的热量的变化越快，功率恒定时，物体的热量变化相同，而物体热量的表现即为物体的温度。温度数据中的失真数据一般会存在数据偏差，这就导致失真数据处的温度变化和功率不符合这个关系。因此我们可以通过这个原理来监测失真数据。

具体的，请参见图2，图2为图1中步骤S12的一实施例的流程示意图，具体包括：

步骤S21：通过功率相同的温度数据集合中每一温度数据的温度变化量与最大温度变化量的比值，确定相同功率下温度数据集合中每一温度数据的初始异常程度。

已知温度数据序列中每一温度数据的温度变化和这个温度数据对应的功率有关，且这个联系是类线性相关，即功率一定时，相同时间内的温度变化也一定。但是对于失真数据，由于数据失真，因此不满足这个逻辑关系，就会出现数据关系的异常。

因此，我们将温度数据序列所有温度数据

通过上述分析，对相同功率下温度数据集合中每一温度数据进行初始异常程度计算：

其中，

对所有的温度数据集合均进行上述计算，由于每个温度数据集合都代表温度数据序列的一部分，那么将这些温度数据集合按照时序顺序首尾合并即可得到温度数据序列中每个温度数据的初始异常程度，记为

步骤S22：基于热量流失的影响程度对每一温度数据的初始异常程度进行修正，从而得到每一温度数据的异常程度。

上述的分析中，分析了功率对发热元件发热效率的影响，但是在实践过程中，物体的热量流失也是一个较为重要的因素。物体的热量流失的速度不是恒定的，他和物体的热传导有关，而热传导的原理可以用下面的公式来表述：

热量流失率 = 热导率 × 表面积 × 温度差 / 元件厚度

其中热导率、表面积、元件厚度均恒定，因此他们不造成影响，不进行考虑，而在周围环境的温度恒定时，温度差在时间的过程中是变化的，而仪器在环境中使用时通常不会低于环境的温度，因此对于低于环境的温度我们视为没有温度差，而对于高于环境温度的情况，我们计算该点温度和环境温度的温度差。又可知热量流失率即热量流失速度和物体的自身的温度正相关，因此我们通过每个温度数据的热量流失的影响程度对各温度数据的初始异常程度进行修正。

在一实施例中，基于当前温度数据与环境温度的关系，确定是否利用热量流失的影响程度对每一温度数据的初始异常程度进行修正。具体的，如果当前温度数据

如果当前温度数据小于或等于环境温度，则当前温度数据的异常程度为当前温度数据的初始异常程度。以当前温度数据为第i个温度数据为例，即第i个温度数据与环境温度

通过上述的方式可以得到准确度更高的温度数据的异常程度，以此该异常程度可以对温度数据序列进行清洗。

为了进一步提高数据清洗的准确性，本申请在上述图2所示的实施例的基础上还提供了另外一个实施例，具体基于温度变化对功率变化的影响的滞后性对每一温度数据的异常程度进行修正。请结合图3，图3中步骤S31和步骤S32与上述图2所示的步骤S21和步骤S22相同，在此不再赘述，区别在于，本实施例在步骤S32之后还包括：

步骤S33：基于温度变化对功率变化的影响的滞后性对每一温度数据的异常程度进行修正。

具体的，当发热元件的功率发生变化时，例如功率增大，元件开始吸收更多的能量，温度开始上升。然而，由于发热元件的热容量和热传导性能，温度的变化不会立即发生，而是需要一定的时间来传递和分散热量。因此，发热元件的温度会有一个响应时间，即从功率变化开始到温度变化稳定所需的时间。

发热元件的自身温度也会影响响应时间。如果发热元件的初始温度较低，响应时间可能会较长，因为温度的变化较大。相反，如果发热元件的初始温度较高，响应时间可能会较短，因为温度的变化范围较小。

同时，响应时间与功率变化程度有关。一般来说，当功率变化程度较小时，响应时间较短，因为温度的变化范围较小，热量的传递和分散相对较快。而当功率变化程度较大时，响应时间较长，因为温度的变化范围较大，热量的传递和分散需要更长的时间。

发热元件功率改变时存在响应时间是因为发热元件的温度变化需要一定的时间来适应功率的变化。当发热元件的功率降低时，热传导的影响更大，改变后的功率的影响较小，然后随时间两个影响逐渐平衡。

基于上述分析，本申请基于当前温度数据对应的采集时间与功率变化的响应时间确定是否对当前温度数据的异常程度进行修正；如果当前温度数据对应的采集时间小于或等于功率变化的响应时间，则对当前温度数据的异常程度进行修正；如果当前温度数据对应的采集时间大于功率变化的响应时间，则不对当前温度数据的异常程度进行修正。

具体的，对当前温度数据的异常程度进行修正时，将当前温度数据对应的采集时间下温度变化的综合影响程度作为修正系数，计算修正系数与当前温度数据的异常程度之间的乘积，从而对当前温度数据的异常程度进行修正。在一实施例中，当前温度数据对应的采集时间下温度变化的综合影响程度由当前温度数据热量流失的影响程度、当前温度数据对应的功率的影响程度、当前温度数据对应的功率变化量以及当前温度数据对应的采集时间与功率变化时间的时间差确定。

在一具体实施例中，当前温度数据对应的功率存在两种情况，一种是功率下降状态，一种是功率上升状态，不同状态下，当前温度数据对应的采集时间下温度变化的综合影响程度是不同的。

下面同样以当前温度数据为第i个温度数据为例进行说明，记第i个温度数据的采集时间为

如果第i个温度数据对应的功率是下降状态时，第i个温度数据对应的采集时间下温度变化的综合影响程度表示为

此时，利用修正系数

如果第i个温度数据对应的功率是上升状态时，第i个温度数据对应的采集时间下温度变化的综合影响程度表示为

进一步的，如果

本实施例基于温度变化对功率变化的影响的滞后性对每一温度数据的异常程度进行修正，能够进一步提高温度数据的异常程度的准确性。

步骤S13：基于每一温度数据的异常程度对所述温度数据序列进行数据清洗。

具体的，对获取的异常程度进行归一化处理，将其归一化到[0，1]的区间内。如果所述温度数据的异常程度大于阈值，则剔除对应的温度数据，从而对温度数据序列进行数据清洗。阈值取值为0.9，利用清洗后的数据进行温度监控。另外，如图3所示的实施例中，如果修正后的温度数据的异常程度大于阈值，则剔除对应的温度数据，从而对温度数据序列进行数据清洗。

本申请的方法，对温度传感器的温度数据进行清洗，排除其中的失真数据，排除随机干扰，使温度传感器得到的数据更准确。考虑到温度和功率变化的影响，对每个数据点的异常程度进行修正，通过修正后异常程度进行数据清洗，清洗的效果更好。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。