基于电子烟雾检测的烟油成分识别方法及系统与流程

1.本发明涉及烟油成分识别领域，且更为具体地，涉及一种基于电子烟雾检测的烟油成分识别方法及系统。


背景技术：

2.现有电子烟的安全性尚未得到严密的科学论证，电子烟产品质量参差不齐，大量产品存在不安全成分添加、烟油泄漏、劣质电池等严重质量安全隐患。特别是一些电子烟企业为了提高产品的吸引力，随意添加各类添加剂以改变电子烟口味和烟油颜色，添加剂进入肺部可能带来一定的安全风险。因此市售的电子烟烟油的成分的识别检测至关重要。
3.然而，目前的基于电子烟烟雾的检测方法存在准确性和科学性不高的技术问题。因此，期待一种优化的基于电子烟雾检测的烟油成分识别方案。


技术实现要素：

4.为了解决上述技术问题，提出了本发明。本发明的实施例提供了一种基于电子烟雾检测的烟油成分识别方法及系统。其可以利用预定时间点的各个参数（雾化器的功率值、电压值、出雾量和加热温度值）和烟雾浓度测量值，并捕捉它们之间的交互特性，以此来实现对影响系数的确定，优化烟油成分识别方案，提高了烟油生产过程的效率和可靠性。
5.根据本发明的一个方面，提供了一种基于电子烟雾检测的烟油成分识别方法，其包括：
6.获得烟油的生产预定成分信息；
7.构建烟雾采集环境，基于所述烟雾采集环境通过烟雾测试设备进行所述烟油的烟雾采集，获得采集结果；
8.对所述采集结果进行烟雾浓度分析，获得影响系数；
9.基于所述影响系数进行所述采集结果的结果修正，获得修正结果；
10.构建人体健康标准成分列表，基于所述人体健康标准成分列表进行所述修正结果的成分评估，获得反馈参数；
11.以及，基于所述反馈参数进行所述生产预定成分信息的调整，并基于调整结果进行所述烟油的生产；
12.对所述采集结果进行烟雾浓度分析，获得影响系数，包括：
13.获取预定时间段内多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值，以及，所述多个预定时间点的烟雾浓度测量值；
14.分析所述多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值与所述多个预定时间点的烟雾浓度测量值之间的交互特性，以得到烟雾浓度-雾化参数交互特征向量；
15.以及，基于所述烟雾浓度-雾化参数交互特征向量，确定所述影响系数。
16.根据本发明的另一个方面，提供了一种基于电子烟雾检测的烟油成分识别系统，
其包括：
17.信息获取模块，用于获得烟油的生产预定成分信息；
18.环境构建并采集模块，用于构建烟雾采集环境，基于所述烟雾采集环境通过烟雾测试设备进行所述烟油的烟雾采集，获得采集结果；
19.烟雾浓度分析模块，用于对所述采集结果进行烟雾浓度分析，获得影响系数；
20.结果修正模块，用于基于所述影响系数进行所述采集结果的结果修正，获得修正结果；
21.成分评估模块，用于构建人体健康标准成分列表，基于所述人体健康标准成分列表进行所述修正结果的成分评估，获得反馈参数；
22.以及，信息调整模块，用于基于所述反馈参数进行所述生产预定成分信息的调整，并基于调整结果进行所述烟油的生产。
23.与现有技术相比，本发明提供的基于电子烟雾检测的烟油成分识别方法及系统，其首先获得烟油的生产预定成分信息，接着，构建烟雾采集环境并基于所述烟雾采集环境通过烟雾测试设备进行所述烟油的烟雾采集，获得采集结果，然后，对所述采集结果进行烟雾浓度分析，获得影响系数，接着，基于所述影响系数进行所述采集结果的结果修正，获得修正结果，然后，构建人体健康标准成分列表，基于所述人体健康标准成分列表进行所述修正结果的成分评估，获得反馈参数，最后，基于所述反馈参数进行所述生产预定成分信息的调整，并基于调整结果进行所述烟油的生产；这样，可以优化烟油成分识别方案，提高烟油生产过程的效率和可靠性。
附图说明
24.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本发明的主旨。
25.图1为根据本发明实施例的基于电子烟雾检测的烟油成分识别方法的流程图。
26.图2为根据本发明实施例的基于电子烟雾检测的烟油成分识别方法的子步骤s130的流程图。
27.图3为根据本发明实施例的基于电子烟雾检测的烟油成分识别方法的子步骤s130的架构示意图。
28.图4为根据本发明实施例的基于电子烟雾检测的烟油成分识别方法的子步骤s132的流程图。
29.图5为根据本发明实施例的基于电子烟雾检测的烟油成分识别方法的子步骤s133的流程图。
30.图6为根据本发明实施例的基于电子烟雾检测的烟油成分识别方法的子步骤s1331的流程图。
31.图7为根据本发明实施例的基于电子烟雾检测的烟油成分识别系统的框图。
32.图8为根据本发明实施例的基于电子烟雾检测的烟油成分识别方法的应用场景图。
具体实施方式
33.下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例。基于本发明实施例，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，也属于本发明保护的范围。
34.本发明中，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
35.虽然本发明对根据本发明的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
36.本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
37.下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
38.本发明提供了一种基于电子烟雾检测的烟油成分识别方法，如图1所示，其步骤包括：s110，获得烟油的生产预定成分信息；s120，构建烟雾采集环境，基于所述烟雾采集环境通过烟雾测试设备进行所述烟油的烟雾采集，获得采集结果；s130，对所述采集结果进行烟雾浓度分析，获得影响系数；s140，基于所述影响系数进行所述采集结果的结果修正，获得修正结果；s150，构建人体健康标准成分列表，基于所述人体健康标准成分列表进行所述修正结果的成分评估，获得反馈参数；以及，s160，基于所述反馈参数进行所述生产预定成分信息的调整，并基于调整结果进行所述烟油的生产。
39.在s120步骤中，要构建烟雾采集环境并通过烟雾测试设备进行烟油的烟雾采集，可以按照以下步骤实现：1.确定烟雾采集环境的要求和条件，这可能包括选择一个适当的实验室或测试场所，确保环境中没有其他干扰物质的存在，并提供适当的通风和安全措施；2.获取烟雾测试设备，选择适合的烟雾测试设备，可以是专门用于烟雾采集和分析的设备，如烟雾粒子计数器、气相色谱仪等；3.设置烟雾采集设备，根据烟雾测试设备的操作说明，将设备设置在合适的位置，并确保设备与烟雾采集环境相连；4.准备烟油样品，根据需要的采集参数和测试要求，准备烟油样品，并确保样品的质量和成分符合预定的生产成分信息；5.进行烟雾采集，按照烟雾测试设备的操作流程，将烟油样品引入设备中，并进行烟雾采集，设备将根据设定的参数和采样时间自动采集烟雾样品；6.获得采集结果，烟雾测试设备将根据采集的烟雾样品进行分析，并生成采集结果，包括烟雾浓度、成分分析等。通过以上步骤，就可以构建烟雾采集环境，并通过烟雾测试设备进行烟油的烟雾采集，获得采集结果。
40.在s130步骤中，影响系数的确定通常需要人工进行化学或其他物理分析，这种方
法需要专业的设备和经验丰富的技术人员来进行样本处理和分析，其需要较高的人力和物力成本。因此，期待一种优化的方案。
41.对此，本发明的技术构思为利用预定时间点的各个参数（雾化器的功率值、电压值、出雾量和加热温度值）和烟雾浓度测量值，并捕捉它们之间的交互特性，以此来实现对影响系数的确定，优化烟油成分识别方案，提高了烟油生产过程的效率和可靠性。
42.实际上，所述影响系数反映了不同参数对烟雾浓度的影响程度，即参数的变化对烟雾浓度的贡献程度。在本发明的技术构思中，期待利用深度学习模型来建立参数本身、参数与参数之间的关联信息和烟雾浓度之间的映射关系，以实现对影响系数的确定。
43.图2为根据本发明实施例的基于电子烟雾检测的烟油成分识别方法的子步骤s130的流程图。图3为根据本发明实施例的基于电子烟雾检测的烟油成分识别方法的子步骤s130的架构示意图。如图2和图3所示，对所述采集结果进行烟雾浓度分析，获得影响系数，包括：s131，获取预定时间段内多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值，以及，所述多个预定时间点的烟雾浓度测量值；s132，分析所述多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值与所述多个预定时间点的烟雾浓度测量值之间的交互特性，以得到烟雾浓度-雾化参数交互特征向量；以及，s133，基于所述烟雾浓度-雾化参数交互特征向量，确定所述影响系数。
44.具体地，在本发明的技术方案中，首先获取预定时间段内多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值，以及，所述多个预定时间点的烟雾浓度测量值。接着，将所述多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值按照时间维度和样本维度排列为雾化多参数全时序输入矩阵，以将各个参数整合转化为结构化的矩阵表示，便于作为后续模型的输入。
45.相应地，在一个具体示例中，如图4所示，分析所述多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值与所述多个预定时间点的烟雾浓度测量值之间的交互特性，以得到烟雾浓度-雾化参数交互特征向量，包括：s1321，将所述多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值按照时间维度和样本维度排列为雾化多参数全时序输入矩阵；s1322，对所述雾化多参数全时序输入矩阵进行参数间关联模式特征提取，以得到雾化多参数时序特征向量；s1323，将所述多个预定时间点的烟雾浓度测量值按照时间维度排列为烟雾浓度时序输入向量；s1324，对所述烟雾浓度时序输入向量进行时序分析，以得到烟雾浓度时序特征向量；以及，s1325，从所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量中提取所述烟雾浓度-雾化参数交互特征向量。
46.其中，要将多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值按照时间维度和样本维度排列为雾化多参数全时序输入矩阵，可以按照以下步骤实现：1.创建一个矩阵，行数为时间点的数量，列数为雾化参数的数量，假设有n个时间点和m个雾化参数，则创建一个n行m列的矩阵；2.将每个时间点的雾化参数值按照时间顺序填充到矩阵的相应位置，例如，第一个时间点的雾化参数值填充到矩阵的第一行，第二个时间点的雾化参数值填充到矩阵的第二行，依此类推；3.确保每个时间点的雾化参数值按照相同的顺序排列，例如，如果参数顺序为功率值、电压值、出雾量和加热温度值，则确保每个时间点的参数值按照这个顺序填充到矩阵的相应位置。这样，就可以将多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值按照时间维度和样本维度排列为雾化多参数全时序输入
矩阵。
47.考虑到在电子烟的工作过程中，各个参数之间存在一定的时序关系。例如，加热温度是影响电子烟雾化效果的重要参数之一。通常情况下，较高的温度会导致更充分的雾化，产生更多的烟雾，即随着温度的变化，出雾量也会产生相应的变化。此外，雾化器的功率值、电压值也存在关联关系，功率和电压之间相互影响、相互作用，并且两者能够决定电子烟加热元件的能量输入。为了能够捕捉各个参数之间的关联模式特征信息，在本发明的技术方案中，将所述雾化多参数全时序输入矩阵通过基于卷积神经网络模型的参数间时序关联特征提取器，以得到雾化多参数时序特征向量。
48.相应地，对所述雾化多参数全时序输入矩阵进行参数间关联模式特征提取，以得到雾化多参数时序特征向量，包括：将所述雾化多参数全时序输入矩阵通过基于卷积神经网络模型的参数间时序关联特征提取器，以得到所述雾化多参数时序特征向量。应可以理解，卷积神经网络（convolutional neural network，cnn）是一种深度学习模型，主要用于处理具有网格结构的数据，例如图像和时序数据。在本示例中，使用卷积神经网络模型可以提取参数间的时序关联特征。通过将雾化多参数全时序输入矩阵输入到基于卷积神经网络的特征提取器中，网络可以学习到不同参数之间的关联模式，例如加热温度、功率和电压之间的关系，这些关联模式可以帮助我们理解各个参数对电子烟工作过程的影响。通过提取雾化多参数的时序特征向量，可以更好地理解电子烟的工作机制，优化参数配置，改善雾化效果，提高用户体验。同时，这些特征向量也可以用于进一步的分析和建模，例如预测雾化效果、优化电子烟设计等。换言之，卷积神经网络模型在电子烟中的应用可以帮助提取参数间的时序关联特征，从而更好地理解和优化电子烟的工作过程。
49.随后，将所述多个预定时间点的烟雾浓度测量值按照时间维度排列为烟雾浓度时序输入向量，并将所述烟雾浓度时序输入向量通过基于一维卷积神经网络模型的时序特征提取器，以得到烟雾浓度时序特征向量。也就是，基于所述一维卷积神经网络模型来构建所述时序特征提取器，以从所述烟雾浓度时序输入向量中提取关于烟雾浓度的时序隐含关联特征信息。
50.相应地，对所述烟雾浓度时序输入向量进行时序分析，以得到烟雾浓度时序特征向量，包括：将所述烟雾浓度时序输入向量通过基于一维卷积神经网络模型的时序特征提取器，以得到所述烟雾浓度时序特征向量。应可以理解，一维卷积神经网络模型（1d cnn）是卷积神经网络的一种变体，用于处理具有时序结构的数据。与传统的卷积神经网络不同，一维卷积神经网络模型在卷积操作中只在一个维度上进行滑动窗口计算。在本示例中，使用一维卷积神经网络模型可以提取烟雾浓度的时序特征。将多个预定时间点的烟雾浓度测量值按照时间维度排列为烟雾浓度时序输入向量，然后将该向量输入基于一维卷积神经网络模型的时序特征提取器中，通过卷积操作和池化操作，一维卷积神经网络模型可以学习到烟雾浓度的时序隐含关联特征信息，如浓度的变化趋势、周期性等。通过提取烟雾浓度的时序特征向量，可以更好地理解烟雾浓度的变化规律，分析烟雾产生的过程和影响因素。这些特征向量可以用于烟雾浓度的预测、异常检测、烟雾质量评估等应用。例如，可以通过监测烟雾浓度的时序特征来判断电子烟的工作状态是否正常，或者根据烟雾浓度的时序特征来调整电子烟的参数配置，以提供更好的用户体验。换言之，一维卷积神经网络模型模型在电子烟中的应用可以帮助提取烟雾浓度的时序特征，从而更好地理解和分析烟雾产生过程，
实现相关的应用和优化。
51.再使用级联函数来对所述烟雾浓度时序特征向量和所述雾化多参数时序特征向量进行特征交互，以得到烟雾浓度-雾化参数交互特征向量。也就是，利用级联函数来表征所述烟雾浓度时序特征向量和所述雾化多参数时序特征向量之间的交互特性。相应地，从所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量中提取所述烟雾浓度-雾化参数交互特征向量，包括：使用级联函数来对所述烟雾浓度时序特征向量和所述雾化多参数时序特征向量进行特征交互，以得到所述烟雾浓度-雾化参数交互特征向量；其中，所述级联函数为：，
52.其中，和均表示对输入进行点卷积，为激活函数，表示拼接操作，为所述烟雾浓度时序特征向量中各个位置的特征值，为所述雾化多参数时序特征向量中各个位置的特征值。
53.继而，将所述烟雾浓度-雾化参数交互特征向量通过解码器进行解码回归，以得到解码值，所述解码值为影响系数。也就是，通过所述解码器对所述烟雾浓度-雾化参数交互特征向量进行解码回归，以从中得到所述解码值，该解码值表示各个参数对烟雾浓度特性的影响程度。通过这种方式，无需进行传统的人工化学或物理分析即可得到所述影响系数，具有实现实时性和迭代性。
54.相应地，如图5所示，基于所述烟雾浓度-雾化参数交互特征向量，确定所述影响系数，包括：s1331，对所述烟雾浓度-雾化参数交互特征向量进行信息增益，以得到优化后烟雾浓度-雾化参数交互特征向量；以及，s1332，将所述优化后烟雾浓度-雾化参数交互特征向量通过解码器进行解码回归，以得到解码值，所述解码值为影响系数。应可以理解，解码器是一个神经网络模型的组件，用于将输入特征向量转换为目标输出，在本示例中，解码器用于将烟雾浓度-雾化参数交互特征向量解码回归为影响系数。解码器的作用是通过学习输入特征向量与目标输出之间的映射关系，将输入特征转化为对应的输出。在本示例中，解码器将烟雾浓度-雾化参数交互特征向量作为输入，通过神经网络的层级结构和激活函数等操作，将其转化为表示各个参数对烟雾浓度特性影响程度的解码值。解码回归是指通过解码器进行回归分析，将输入特征向量映射为连续的数值输出。在这个案例中，解码回归的目的是从烟雾浓度-雾化参数交互特征向量中提取出各个参数对烟雾浓度特性的影响系数。通过训练解码器，它可以学习特征之间的关联模式，并生成对应的解码值作为输出。换言之，解码器的作用是将烟雾浓度-雾化参数交互特征向量解码回归为影响系数，从而得到各个参数对烟雾浓度特性的影响程度。
55.进一步地，如图6所示，对所述烟雾浓度-雾化参数交互特征向量进行信息增益，以得到优化后烟雾浓度-雾化参数交互特征向量，包括：s13311，对所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量进行前向传播信息保留融合，以得到校正特征向量；s13312，对所述校正特征向量进行线性插值，以得到长度调整后校正特征向量，其中，所述长度调整后校正特征向量与所述烟雾浓度-雾化参数交互特征向量具有相同长度；以及，s13313，基于所述长度调整后校正特征向量，对所述烟雾浓度-雾化参数交互特征向量进行
点乘加权，以得到所述优化后烟雾浓度-雾化参数交互特征向量。
56.值得一提的是，线性插值和点乘加权是优化烟雾浓度-雾化参数交互特征向量的两种操作。其中，线性插值是一种插值方法，用于在给定一组已知数据点的情况下，通过计算两个已知数据点之间的线性关系，估计两个数据点之间的值。在本发明中，校正特征向量通过线性插值进行长度调整，以使其与烟雾浓度-雾化参数交互特征向量具有相同的长度。通过线性插值，可以保持特征向量之间的时序关系，并确保特征向量的一致性。点乘加权是一种数学运算，也称为向量的点积，它将两个向量进行逐元素相乘，并将结果相加得到一个标量值。在本发明中，通过基于长度调整后的校正特征向量，对烟雾浓度-雾化参数交互特征向量进行点乘加权，以得到优化后的烟雾浓度-雾化参数交互特征向量。点乘加权的目的是根据校正特征向量的权重信息，调整烟雾浓度-雾化参数交互特征向量的值，以实现特征向量的优化和改进。换言之，线性插值用于调整特征向量的长度，以保持时序关系和一致性；点乘加权用于根据校正特征向量的权重信息，对烟雾浓度-雾化参数交互特征向量进行调整，实现特征向量的优化。这些操作有助于提高特征向量的质量和表达能力，从而提高模型的性能和准确性。
57.在本发明的技术方案中，所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量分别表达雾化器的雾化参数间的时序语义关联特征和烟雾浓度测量值时序关联特征，因此，由于源数据语义的差异，所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量的高维特征分布并不能够完全不对齐。
58.这样，在使用级联函数来融合所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量得到所述烟雾浓度-雾化参数交互特征向量时，所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量的各自的不对齐的高维特征分布在经由级联函数进行点卷积和激活操作时，会在模型的前向传播时产生信息损失，影响所述烟雾浓度-雾化参数交互特征向量通过解码器得到的解码结果的准确性。
59.基于此，本发明的申请人对所述雾化多参数时序特征向量，例如记为和所述烟雾浓度时序特征向量，例如记为进行前向传播信息保留融合，以得到校正特征向量。
60.相应地，在一个示例中，对所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量进行前向传播信息保留融合以得到校正特征向量，包括：以如下融合优化公式对所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量进行前向传播信息保留融合以得到所述校正特征向量；其中，所述融合优化公式为：， ，
61.其中，是所述雾化多参数时序特征向量，是所述烟雾浓度时序特征向量，和分别表示将特征向量左移位和右移位，为取整函数，是所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量的所有特征值的均值，表示特征向量的一范数，是所述雾化多参数时序特征向量和所述烟雾浓度
时序特征向量之间的距离，且为以2为底的对数函数，和分别表示按位置加法和按位置减法，和为加权超参数，是所述校正特征向量。
62.这里，针对所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量在网络模型中的前向传播过程中，由于卷积和激活操作产生的在向量尺度上的浮点分布误差和信息损失，通过从均一化信息角度来引入向量的逐位位移操作，来平衡和标准化前向传播过程中的量化误差和信息损失，并通过在融合之前重塑特征参数的分布来引入分布多样性，由此以扩大信息熵的方式进行信息保留（retention）。这样，再通过对所述校正特征向量进行线性插值以转换到与所述烟雾浓度-雾化参数交互特征向量相同的长度后，对所述烟雾浓度-雾化参数交互特征向量进行点乘加权，就可以减少所述烟雾浓度-雾化参数交互特征向量的信息损失，从而提升所述烟雾浓度-雾化参数交互特征向量通过解码器得到的解码结果的准确性。
63.综上，基于本发明实施例的基于电子烟雾检测的烟油成分识别方法被阐明，其可以利用预定时间点的各个参数（雾化器的功率值、电压值、出雾量和加热温度值）和烟雾浓度测量值，并捕捉它们之间的交互特性，以此来实现对影响系数的确定，优化烟油成分识别方案，提高了烟油生产过程的效率和可靠性。
64.图7为根据本发明实施例的基于电子烟雾检测的烟油成分识别系统100的框图。如图7所示，根据本发明实施例的基于电子烟雾检测的烟油成分识别系统100，包括：信息获取模块110，用于获得烟油的生产预定成分信息；环境构建并采集模块120，用于构建烟雾采集环境，基于所述烟雾采集环境通过烟雾测试设备进行所述烟油的烟雾采集，获得采集结果；烟雾浓度分析模块130，用于对所述采集结果进行烟雾浓度分析，获得影响系数；结果修正模块140，用于基于所述影响系数进行所述采集结果的结果修正，获得修正结果；成分评估模块150，用于构建人体健康标准成分列表，基于所述人体健康标准成分列表进行所述修正结果的成分评估，获得反馈参数；以及，信息调整模块160，用于基于所述反馈参数进行所述生产预定成分信息的调整，并基于调整结果进行所述烟油的生产。
65.这里，本领域技术人员可以理解，上述基于电子烟雾检测的烟油成分识别系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的基于电子烟雾检测的烟油成分识别方法的描述中得到了详细介绍，并因此，将省略其重复描述。
66.如上所述，根据本发明实施例的基于电子烟雾检测的烟油成分识别系统100可以实现在各种无线终端中，例如具有基于电子烟雾检测的烟油成分识别算法的服务器等。在一个示例中，根据本发明实施例的基于电子烟雾检测的烟油成分识别系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于电子烟雾检测的烟油成分识别系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于电子烟雾检测的烟油成分识别系统100同样可以是该无线终端的众多硬件模块之一。
67.替换地，在另一示例中，该基于电子烟雾检测的烟油成分识别系统100与该无线终端也可以是分立的设备，并且该基于电子烟雾检测的烟油成分识别系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
68.图8为根据本发明实施例的基于电子烟雾检测的烟油成分识别方法的应用场景
图。如图8所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值（例如，图8中所示意的d1），以及，所述多个预定时间点的烟雾浓度测量值（例如，图8中所示意的d2），然后，将所述多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值与所述多个预定时间点的烟雾浓度测量值输入至部署有基于电子烟雾检测的烟油成分识别算法的服务器中（例如，图8中所示意的s），其中，所述服务器能够使用所述基于电子烟雾检测的烟油成分识别算法对所述多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值与所述多个预定时间点的烟雾浓度测量值进行处理以得到解码值，所述解码值为影响系数。
69.此外，本领域技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本发明的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
70.除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
71.上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

技术特征：
1.一种基于电子烟雾检测的烟油成分识别方法，其特征在于，包括：获得烟油的生产预定成分信息；构建烟雾采集环境，基于所述烟雾采集环境通过烟雾测试设备进行所述烟油的烟雾采集，获得采集结果；对所述采集结果进行烟雾浓度分析，获得影响系数；基于所述影响系数进行所述采集结果的结果修正，获得修正结果；构建人体健康标准成分列表，基于所述人体健康标准成分列表进行所述修正结果的成分评估，获得反馈参数；以及基于所述反馈参数进行所述生产预定成分信息的调整，并基于调整结果进行所述烟油的生产；对所述采集结果进行烟雾浓度分析，获得影响系数，包括：获取预定时间段内多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值，以及，所述多个预定时间点的烟雾浓度测量值；分析所述多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值与所述多个预定时间点的烟雾浓度测量值之间的交互特性，以得到烟雾浓度-雾化参数交互特征向量；以及基于所述烟雾浓度-雾化参数交互特征向量，确定所述影响系数。2.根据权利要求1所述的基于电子烟雾检测的烟油成分识别方法，其特征在于，分析所述多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值与所述多个预定时间点的烟雾浓度测量值之间的交互特性，以得到烟雾浓度-雾化参数交互特征向量，包括：将所述多个预定时间点的雾化器的功率值、电压值、出雾量和加热温度值按照时间维度和样本维度排列为雾化多参数全时序输入矩阵；对所述雾化多参数全时序输入矩阵进行参数间关联模式特征提取，以得到雾化多参数时序特征向量；将所述多个预定时间点的烟雾浓度测量值按照时间维度排列为烟雾浓度时序输入向量；对所述烟雾浓度时序输入向量进行时序分析，以得到烟雾浓度时序特征向量；以及从所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量中提取所述烟雾浓度-雾化参数交互特征向量。3.根据权利要求2所述的基于电子烟雾检测的烟油成分识别方法，其特征在于，对所述雾化多参数全时序输入矩阵进行参数间关联模式特征提取，以得到雾化多参数时序特征向量，包括：将所述雾化多参数全时序输入矩阵通过基于卷积神经网络模型的参数间时序关联特征提取器，以得到所述雾化多参数时序特征向量。4.根据权利要求3所述的基于电子烟雾检测的烟油成分识别方法，其特征在于，对所述烟雾浓度时序输入向量进行时序分析，以得到烟雾浓度时序特征向量，包括：将所述烟雾浓度时序输入向量通过基于一维卷积神经网络模型的时序特征提取器，以得到所述烟雾浓度时序特征向量。5.根据权利要求4所述的基于电子烟雾检测的烟油成分识别方法，其特征在于，从所述
雾化多参数时序特征向量和所述烟雾浓度时序特征向量中提取所述烟雾浓度-雾化参数交互特征向量，包括：使用级联函数来对所述烟雾浓度时序特征向量和所述雾化多参数时序特征向量进行特征交互，以得到所述烟雾浓度-雾化参数交互特征向量；其中，所述级联函数为：，其中，和均表示对输入进行点卷积，为激活函数，表示拼接操作，为所述烟雾浓度时序特征向量中各个位置的特征值，为所述雾化多参数时序特征向量中各个位置的特征值。6.根据权利要求5所述的基于电子烟雾检测的烟油成分识别方法，其特征在于，基于所述烟雾浓度-雾化参数交互特征向量，确定所述影响系数，包括：对所述烟雾浓度-雾化参数交互特征向量进行信息增益，以得到优化后烟雾浓度-雾化参数交互特征向量；以及将所述优化后烟雾浓度-雾化参数交互特征向量通过解码器进行解码回归，以得到解码值，所述解码值为影响系数。7.根据权利要求6所述的基于电子烟雾检测的烟油成分识别方法，其特征在于，对所述烟雾浓度-雾化参数交互特征向量进行信息增益，以得到优化后烟雾浓度-雾化参数交互特征向量，包括：对所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量进行前向传播信息保留融合，以得到校正特征向量；对所述校正特征向量进行线性插值，以得到长度调整后校正特征向量，其中，所述长度调整后校正特征向量与所述烟雾浓度-雾化参数交互特征向量具有相同长度；以及基于所述长度调整后校正特征向量，对所述烟雾浓度-雾化参数交互特征向量进行点乘加权，以得到所述优化后烟雾浓度-雾化参数交互特征向量。8.根据权利要求6所述的基于电子烟雾检测的烟油成分识别方法，其特征在于，对所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量进行前向传播信息保留融合，以得到校正特征向量，包括：以如下融合优化公式对所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量进行前向传播信息保留融合，以得到所述校正特征向量；其中，所述融合优化公式为：， ，其中，是所述雾化多参数时序特征向量，是所述烟雾浓度时序特征向量，和分别表示将特征向量左移位和右移位，为取整函数，是所述雾化多参
数时序特征向量和所述烟雾浓度时序特征向量的所有特征值的均值，表示特征向量的一范数，是所述雾化多参数时序特征向量和所述烟雾浓度时序特征向量之间的距离，且为以2为底的对数函数，和分别表示按位置加法和按位置减法，和为加权超参数，是所述校正特征向量。9.一种基于电子烟雾检测的烟油成分识别系统，其特征在于，包括：信息获取模块，用于获得烟油的生产预定成分信息；环境构建并采集模块，用于构建烟雾采集环境，基于所述烟雾采集环境通过烟雾测试设备进行所述烟油的烟雾采集，获得采集结果；烟雾浓度分析模块，用于对所述采集结果进行烟雾浓度分析，获得影响系数；结果修正模块，用于基于所述影响系数进行所述采集结果的结果修正，获得修正结果；成分评估模块，用于构建人体健康标准成分列表，基于所述人体健康标准成分列表进行所述修正结果的成分评估，获得反馈参数；以及信息调整模块，用于基于所述反馈参数进行所述生产预定成分信息的调整，并基于调整结果进行所述烟油的生产。

技术总结
本发明公开了一种基于电子烟雾检测的烟油成分识别方法及系统，其首先获得烟油的生产预定成分信息，接着，构建烟雾采集环境并基于所述烟雾采集环境通过烟雾测试设备进行所述烟油的烟雾采集，获得采集结果，然后，对所述采集结果进行烟雾浓度分析，获得影响系数，接着，基于所述影响系数进行所述采集结果的结果修正，获得修正结果，然后，构建人体健康标准成分列表，基于所述人体健康标准成分列表进行所述修正结果的成分评估，获得反馈参数，最后，基于所述反馈参数进行所述生产预定成分信息的调整，并基于调整结果进行所述烟油的生产；这样，可以优化烟油成分识别方案，提高烟油生产过程的效率和可靠性。的效率和可靠性。的效率和可靠性。


技术研发人员：胡磊
受保护的技术使用者：东莞市鸿馥生物科技有限公司
技术研发日：2023.07.26
技术公布日：2023/8/28