通过电流来分析智能终端的工作状态的感知方法及系统与流程

1.本发明涉及智能终端制造技术领域，具体来说，涉及通过电流来分析智能终端的工作状态的感知方法及系统。


背景技术：

2.随着技术的发展，智能终端特别是智能手机已成为人人必备的一种产品，促进着人与人之间的交流，同时也丰富着人们的日常生活。因智能终端使用电池供电的方式，所以在减少智能终端耗电量，延长其续航能力等方面的改进就显得极为重要。
3.如今的平板电脑、手机等手持终端大部分都是基于android、linux系统开发，因为都是基于电池供电，一天甚至几天充电一次，所以在功耗管理方面非常严格。一旦有元器件被击穿，或者焊接短路等就会造成漏电的情况发生，导致系统工作电流过高，电池消耗过快，更有甚者会出现电池正负极短路，出现高温导致电池鼓包甚至起火，损毁机器，或引发火灾危险。
4.因此，本发明为了能够在终端生产制造过程中(尤其是整机组装过程中)挑出工作电流异常的机器，提出了一种通过电流来分析智能终端的工作状态的感知方法及系统。


技术实现要素：

5.针对相关技术中的问题，本发明提出通过电流来分析智能终端的工作状态的感知方法及系统，以克服现有相关技术所存在的上述技术问题。
6.为此，本发明采用的具体技术方案如下：
7.根据本发明的一个方面，提供了通过电流来分析智能终端的工作状态的感知方法，该感知方法包括以下步骤：
8.s1、采用预设精度的浮点数据表示实时获取的程控电源的电流数值；
9.s2、将所述浮点数据按照预设时间序列规则形成时间序列数据流；
10.s3、对所述时间序列数据流进行卡尔曼滤波处理；
11.s4、采用感知机分类方法对电流进行识别，预测得到被测终端的三种状态；
12.s5、计算每种状态下的平均电流及标准电流并进行对比，实现三种状态下漏电状况的判断。
13.进一步的，所述s1中程控电源的电流数值每50毫秒获取一次，所述预设精度为0.001ma。
14.进一步的，所述s3中对所述时间序列数据流进行卡尔曼滤波处理包括以下步骤：
15.s31、采用集合表示所述时间序列数据流，令表示时刻t的向量，并采用f
t
表示预测矩阵，计算得到t时刻的电流估值为：
16.17.s32、增加一个被测终端内部各元器件工作的耗电电流总和，进行累加并从电源线取电，基于各元器件的工作耗电每时每刻都在动态变化，得到t时刻的增量为向量则t时刻的电流估值为：
[0018][0019]
其中，b
t
表示动态电流变化增量矩阵；
[0020]
s33、将测量得到的尖峰电流和程控电源的测量干扰统称为干扰，并采用协方差矩阵q
t
表示该干扰电流噪声，则总协方差矩阵p
t
表示为：
[0021][0022]
s34、结合集合采用矩阵h
t
作为每个t时刻取出集合的转换矩阵，计算得到被测终端在t时刻的消耗电流预估分布：
[0023][0024][0025]
其中，h
t
为单位矩阵，h
tt
为h
t
的转置矩阵，∑表示预测高斯分布的协方差；
[0026]
s35、结合干扰协方差矩阵融合部分计算得到：
[0027][0028]
其中，表示在t时刻的预测电流预测值，表示在t时刻对的迭代，表示分布均值，k表示卡尔曼增益矩阵，k
′
表示卡尔曼增益迭代，r
t
表示噪声协方差，p
t
′
表示迭代结果，下一次迭代中p
t
′
会做为p
t
带入公式中产生新的p
t
′
。
[0029]
进一步的，所述s31中x
t-1
、x
t
及x
t 1
均符合高斯分布，即每个分量都有一个均值μ和方差δ2，表示不确定性；所述s33中的干扰电流噪声q
t
也符合高斯分布。
[0030]
进一步的，所述s4中采用感知机分类方法对电流进行识别，预测得到被测终端的三种状态包括以下步骤：
[0031]
s41、采用集合表示所述时间序列数据流，令表示时刻t的向量，设向量为t时刻的权重，则得到；
[0032][0033]
其中，b表示偏置；
[0034]
s42、将偏置b加入向量中得到并在向量中加入1得到将上述计算公式转换为向量形式，得到：
[0035][0036]
s43、以公式为决策边界模型，预测二分类问题，其中，电流预测值的计算公式如下：
[0037][0038]
s44、分别标注开机状态下、关机状态下及待机状态下的电流数据；
[0039]
s45、采用上述三组电流数据的序列训练出开机状态a和其他状态b，得到并在状态b状态下训练出区分关机状态和待机状态的
[0040]
进一步的，所述s44中标注的电流数据包括开机状态下的电流测量值、关机状态下的电流测量值及待机状态下的电流测量值。
[0041]
进一步的，所述s45中采用上述三组电流数据的序列训练出开机状态a和其他状态b，得到并在状态b状态下训练出区分关机状态和待机状态的还包括以下步骤：
[0042]
s451、读取训练样本其中上标t表示第t组向量，执行预测
[0043]
s452、若表示电流预测值，表示标注的标准答案，则更新参数
[0044]
s453、重复s452，直到梯度下降到0.0001以下，最终求得三种状态下每个
[0045]
进一步的，所述s5中每种状态下的平均电流及标准电流的对比公式如下：
[0046][0047]
其中，表示不漏电情况下的平均电流，|δ|表示统计n台不漏电机器的阈值半径，或者叫公差。
[0048]
根据本发明的另一个方面，提供了通过电流来分析智能终端的工作状态的感知系统，该系统包括应用软件层、硬件层及待测半成品整机层；所述应用软件层包括识别程序，所述硬件层包括电脑及程控电源，且所述电脑上运行有所述识别程序，所述待测半成品整机层包括若干被测终端；
[0049]
其中，所述识别程序由不同步长的卡尔曼滤波和多分类感知机学习算法和预测构
成，用于实现对被测终端关机电流及状态、开机电流及状态、待机电流及状态三种基本状态的预测；
[0050]
所述识别程序被执行时实现以下步骤：
[0051]
s1、采用预设精度的浮点数据表示实时获取的程控电源的电流数值；
[0052]
s2、将所述浮点数据按照预设时间序列规则形成时间序列数据流；
[0053]
s3、对所述时间序列数据流进行卡尔曼滤波处理；
[0054]
s4、采用感知机分类方法对电流进行识别，预测得到被测终端的三种状态；
[0055]
s5、计算每种状态下的平均电流及标准电流并进行对比，实现三种状态下漏电状况的判断。
[0056]
进一步的，所述识别程序在预测之前还包括利用若干组人工标注的三种状态下的电流测量值进行训练，得到预测模型。
[0057]
本发明的有益效果为：通过采用不同步长的卡尔曼滤波和多分类感知机学习算法及预测，可以实现对被测终端的关机电流及状态、开机电流及状态、待机电流及状态的三种基本状态进行预测，实现自动化分析，减少人工判断情况的发生，从而可以有效地解决人工测试电流数据的误差，同时也极大的减轻了产线工人的劳动量和操作复杂度，从而可以有效地提高产线效率，提高准确性，提升产品的优良率；此外，相比于传统的机器识别算法，本发明采用了卡尔曼滤波，有效地解决了在电流测试过程中对尖峰电流的过滤问题，解决了尖峰电流对终端三种状态检测的干扰，并采用多分类感知机算法去识别电流，从而可以预测被测终端关机、开机及待机的三种状态。
附图说明
[0058]
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，下面将对实施例中所需要使用的附图作简单地介绍，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他的附图。
[0059]
图1是根据本发明实施例的通过电流来分析智能终端的工作状态的感知方法的流程示意图；
[0060]
图2是根据本发明实施例的通过电流来分析智能终端的工作状态的感知方法的原理示意图；
[0061]
图3是根据本发明实施例的通过电流来分析智能终端的工作状态的感知系统的原理示意图。
具体实施方式
[0062]
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
[0063]
根据本发明的实施例，提供了通过电流来分析智能终端的工作状态的感知方法及系统。
[0064]
现结合附图和具体实施方式对本发明进一步说明，如图1-2所示，根据本发明的一个实施例，提供了通过电流来分析智能终端的工作状态的感知方法，该感知方法包括以下步骤：
[0065]
s1、采用预设精度的浮点数据表示实时获取的程控电源的电流数值；
[0066]
其中，所述s1通过程序实时读取程控电源的电流，每50毫秒读取一次电流，电流数值用精度为0.001的浮点数据表示，单位是毫安，例如0.078ma、3.303ma、689.035ma等。
[0067]
s2、将所述浮点数据按照预设时间序列规则形成时间序列数据流；
[0068]
由于每50毫秒产生一个浮点数据，1秒钟会产生20个浮点数据，n秒钟就产生n*20个浮点数据，因此把这些浮点数据按照时间序列排成一列，就形成一个时间序列化的数据流。
[0069]
s3、对所述时间序列数据流进行卡尔曼滤波处理；
[0070]
其中，所述s3中对所述时间序列数据流进行卡尔曼滤波处理包括以下步骤：
[0071]
s31、采用集合表示所述时间序列数据流，令表示时刻t的向量(即把t时刻的前后两个关联电流数据纳入到卡尔曼滤波系统中)，x
t-1
、x
t
及x
t 1
均符合高斯分布，即每个分量都有一个均值μ和方差δ2，表示不确定性；采用f
t
表示预测矩阵，计算得到t时刻的电流估值为：
[0072][0073]
s32、增加一个被测终端内部各元器件工作的耗电电流总和，进行累加并从电源线取电(累加在一起从电源线取电，会动态影响电流测量序列)，相比t-1时刻，t时刻的增量为向量则t时刻的电流估值为：
[0074][0075]
其中，b
t
表示动态电流变化增量矩阵；
[0076]
s33、将测量得到的尖峰电流和程控电源的测量干扰统称为干扰，并采用协方差矩阵q
t
表示该干扰电流噪声，且该干扰电流噪声q
t
也符合高斯分布，则总协方差矩阵p
t
表示为：
[0077][0078]
s34、综合之前的序列化数据流集合采用矩阵ht作为每个t时刻取出集合的转换矩阵，计算得到被测终端在t时刻的消耗电流预估分布：
[0079][0080][0081]
其中，h
t
为单位矩阵，h
tt
为h
t
的转置矩阵，∑表示预测高斯分布的协方差，另外还有一个干扰协方差矩阵，也符合高斯分布，于是对这两个高斯分布融合分布进行计算，具体如下：
[0082]
s35、结合干扰协方差矩阵融合部分计算得到：
[0083][0084]
其中，表示在t时刻的预测电流预测值，表示在t时刻对的迭代，表示分布均值，k表示卡尔曼增益矩阵，k
′
表示卡尔曼增益迭代，r
t
表示噪声协方差，p
t
′
表示迭代结果，下一次迭代中p
t
′
会做为p
t
带入公式中产生新的p
t
′
。
[0085]
应用该卡尔曼滤波算法后，电流曲线明显改善，绿色线是噪声，红色线是滤波后的曲线。
[0086]
由于存在k中可能，该应用一共3种可能，即关机状态、开机状态、待机状态，故k＝3，采用次二分类方法，每次区分两种类型ci和cj，每种情况下有且仅有一种类别ck胜出。
[0087]
s4、采用感知机分类方法对电流进行识别，预测得到被测终端的三种状态；
[0088]
其中，所述s4中采用感知机分类方法对电流进行识别，预测得到被测终端的三种状态包括以下步骤：
[0089]
s41、采用集合表示所述时间序列数据流，令表示时刻t的向量，设向量为t时刻的权重，则得到；
[0090][0091]
其中，b表示偏置；
[0092]
s42、将偏置b加入向量中得到并在向量中加入1得到将上述计算公式转换为向量形式，得到：
[0093][0094]
s43、以公式为决策边界模型，预测二分类问题，其中，电流预测值的计算公式如下：
[0095][0096]
s44、分别标注开机状态下、关机状态下及待机状态下的电流数据；具体如下：
[0097]
236.345ma，302.023ma，689.035ma，565.224ma，784.454ma....为开机状态下的电流测量值；
[0098]
0.045ma，0.079ma，0.095ma，0.084ma，0.094ma....为关机状态下的电流测量值；
[0099]
4.345ma，3.023ma，4.035ma，4.224ma，3.454ma....为待机状态下的电流测量值。
[0100]
s45、采用上述三组电流数据的序列训练出开机状态a和其他状态b，得到并在状态b状态下训练出区分关机状态和待机状态的
[0101]
具体的，所述s45中采用上述三组电流数据的序列训练出开机状态a和其他状态b，得到并在状态b状态下训练出区分关机状态和待机状态的还包括以下步骤：
[0102]
s451、读取训练样本其中上标t表示第t组向量，执行预测
[0103]
s452、若表示电流预测值，表示标注的标准答案，则更新参数
[0104]
s453、重复s452，直到梯度下降到0.0001以下，最终求得三种状态下每个
[0105]
由于被测终端的主板一般有漏电和短路两种发生，例如在阻容感被击穿或者贴片失误等导致某一路电压对地短接，或者原本是电容的地方被贴片成一个小阻值的电阻引起漏电等。也就是说，主板的供电异常，要么是短路引起的大电流，要么是负载引起的微弱漏电。因此需要在三种状态下准确识别出是否存在这两种状况。具体如下：
[0106]
s5、计算每种状态下的平均电流及标准电流并进行对比，实现三种状态下漏电状况的判断。
[0107]
其中，所述s5中每种状态下的平均电流及标准电流的对比公式如下：
[0108][0109]
其中，表示不漏电情况下的平均电流，|δ|表示统计n台不漏电机器的阈值半径，或者叫公差。
[0110]
根据本发明的另一个实施例，如图3所示，提供了通过电流来分析智能终端的工作状态的感知系统，该系统包括应用软件层、硬件层及待测半成品整机层；所述应用软件层包括识别程序，所述硬件层包括电脑及程控电源，且所述电脑上运行有所述识别程序，所述待测半成品整机层包括若干被测终端；
[0111]
其中，所述识别程序由不同步长的卡尔曼滤波和多分类感知机学习算法和预测构成，用于实现对被测终端关机电流及状态、开机电流及状态、待机电流及状态三种基本状态的预测；预测之前需要做几十甚至上百组人工标注的黄金数据(三种状态下的电流测量值)做训练，得到预测模型。
[0112]
具体应用时，所述电脑物理连接程控电源，电脑上运行一个识别程序，该程序可以实时控制程控电源和读取程控电源的电压和电流，然后该程序用算法预测和识别被测终端
是否电流异常。当工人直接把程控电源引出的电源线插入已经组装好的半成品终端时，识别程序开始测量终端的关机电流，经过识别程序实时获取关机电流，机器学习算法可以预测出被测终端当前处于关机模式；当工人用手长按终端的开机键后，终端开机启动，终端消耗更多的电流，经过识别程序实时获取该终端在开机启动过程中的开机电流，机器学习算法可以预测出被测终端当前处于开机模式；当工人用手短按终端的关机键强制终端进入待机状态时(或者等待屏幕超时关闭屏幕，进入待机状态也可以)，操作系统经过短暂的调整后进入待机模式，机器学习算法可以预测出被测终端当前处于待机模式，随时可能被一键唤醒，亮屏和做人脸识别等。
[0113]
其中，所述识别程序被执行时实现以下步骤：
[0114]
s1、采用预设精度的浮点数据表示实时获取的程控电源的电流数值；
[0115]
s2、将所述浮点数据按照预设时间序列规则形成时间序列数据流；
[0116]
s3、对所述时间序列数据流进行卡尔曼滤波处理；
[0117]
s4、采用感知机分类方法对电流进行识别，预测得到被测终端的三种状态；
[0118]
s5、计算每种状态下的平均电流及标准电流并进行对比，实现三种状态下漏电状况的判断。
[0119]
综上所述，借助于本发明的上述技术方案，通过采用不同步长的卡尔曼滤波和多分类感知机学习算法及预测，可以实现对被测终端的关机电流及状态、开机电流及状态、待机电流及状态的三种基本状态进行预测，实现自动化分析，减少人工判断情况的发生，从而可以有效地解决人工测试电流数据的误差，同时也极大的减轻了产线工人的劳动量和操作复杂度，从而可以有效地提高产线效率，提高准确性，提升产品的优良率；此外，相比于传统的机器识别算法，本发明采用了卡尔曼滤波，有效地解决了在电流测试过程中对尖峰电流的过滤问题，解决了尖峰电流对终端三种状态检测的干扰，并采用多分类感知机算法去识别电流，从而可以预测被测终端关机、开机及待机的三种状态。
[0120]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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。