CN116662890A - 一种基于历史数据库模型分析的电动钉枪故障识别方法 - Google Patents

一种基于历史数据库模型分析的电动钉枪故障识别方法 Download PDF

Info

Publication number
CN116662890A
CN116662890A CN202310928525.0A CN202310928525A CN116662890A CN 116662890 A CN116662890 A CN 116662890A CN 202310928525 A CN202310928525 A CN 202310928525A CN 116662890 A CN116662890 A CN 116662890A
Authority
CN
China
Prior art keywords
data
nailing gun
working state
real
electric
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310928525.0A
Other languages
English (en)
Inventor
卢国峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tangfeng Mechanical & Electrical Co ltd
Original Assignee
Nanjing Tangfeng Mechanical & Electrical Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Tangfeng Mechanical & Electrical Co ltd filed Critical Nanjing Tangfeng Mechanical & Electrical Co ltd
Priority to CN202310928525.0A priority Critical patent/CN116662890A/zh
Publication of CN116662890A publication Critical patent/CN116662890A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
    • G06F16/1815—Journaling file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Instructional Devices (AREA)

Abstract

本发明涉及电动工具领域，公开了一种基于历史数据库模型分析的电动钉枪故障识别方法，包括收集并整理电动钉枪在工作状态下的数据，构建历史数据库模型；基于历史数据库模型中的工作状态下的数据，训练机器学习模型，识别电动钉枪的工作状态；监测电动钉枪实时工作数据，将电动钉枪实时工作数据送进机器学习模型；根据机器学习模型评估的电动钉枪实时工作状态，触发报告系统，向操作人员反馈结果；将电动钉枪的实时工作状态以及实时工作状态下所对应的数据存储到日志文件中。本方法智能化程度高，无需依赖主观经验，可以实时监测和及时响应故障，能够有效降低故障延误和安全风险，对于提高电动钉枪操作人员的工作效率具有非常重大的现实意义。

Description

一种基于历史数据库模型分析的电动钉枪故障识别方法
技术领域
本发明涉及电动工具领域，具体为一种基于历史数据库模型分析的电动钉枪故障识别方法。
背景技术
电动钉枪是一种常见的电动工具，主要用于在木材、金属和其他材料上固定钉子；相比传统的手工操作，它能够提高施工速度和效率，节省时间和劳动力成本。由于电动钉枪常常在粉尘、潮湿，高温环境下工作，因此电动钉枪经常出现故障，传统电动钉枪故障识别方法存在智能化程度低，无法实时监测，依赖主观经验，费时费力等问题，这对于经验尚缺的操作人员是一个很大的挑战，严重影响操作人员的工作效率。
例如申请公开号为CN115828164A的中国专利公开了一种基于数据驱动的电动钉枪故障类型识别方法，该方法根据不同故障数据表现出的特征规律，对不同的故障类型进行分类识别，然而该种方法智能化程度不高，且无法对故障实时检测。又如申请公开号为CN109188269A的中国专利公开了判断电机故障的方法，这种方法只是简单的对电动机故障进行分类检测，适用范围狭窄，并没有拓展到与电动机相连接的电动工具上，这时就需要一种智能化程度高，无需依赖主观经验，且能够实时监测电动钉枪工作状态的方法。
发明内容
本发明的目的在于提供一种基于历史数据库模型分析的电动钉枪故障识别方法，以解决上述背景技术中提出的现有问题：传统电动钉枪故障识别方法存在智能化程度低，无法实时监测，依赖主观经验，费时费力等问题，最终会严重影响操作人员的工作效率。
为实现上述目的，本发明提供如下技术方案：一种基于历史数据库模型分析的电动钉枪故障识别方法，包含以下具体步骤：
收集并整理电动钉枪在工作状态下的数据，构建历史数据库模型；
基于历史数据库模型中的工作状态下的数据，训练机器学习模型，识别电动钉枪的工作状态；
监测电动钉枪实时工作数据，将电动钉枪实时工作数据送进机器学习模型；
根据机器学习模型评估的电动钉枪实时工作状态，触发报告系统，向操作人员反馈结果；
将电动钉枪的实时工作状态以及实时工作状态下所对应的数据存储到日志文件中。
本发明的进一步改进在于，所述收集并整理电动钉枪在工作状态下的数据，构建历史数据库模型是通过历史数据库建立模块实现，历史数据库建立模块包括数据收集单元、数据库模型构建单元；
其中，数据收集单元通过传感器收集电动钉枪在工作状态下的数据；每一条数据包含6个参数，分别为电流、电压、温度、压力、功率、重量，根据电流、电压、温度、压力、功率、重量的取值，为每一条数据标记电动钉枪的工作状态，工作状态包括正常、电源故障、压力故障、卡钉故障、连接故障、机器故障；数据库模型构建单元整理电动钉枪在工作状态下的数据，并存储在数据库中，最终构建出历史数据库模型。
本发明的进一步改进在于，整理电动钉枪在工作状态下的数据包含以下过程：
将电流、电压、温度、压力、功率、重量统一为国际单位，分别为安培、伏特、开尔文、帕斯卡、瓦特、克；若电流、电压、温度、压力、功率、重量存在缺失数值，则进行缺失数值填充。
本发明的进一步改进在于，所述缺失数值填充方法包含以下过程：
（a）找到缺失数值前后最近的两个已知数据点，记为和/>，其中
，/>和/>分别表示已知时间点，/>和/>分别表示已知时间点/>和/>对应的数值；
（b）计算缺失数值对应的时间点/>在两个已知时间点/>和/>之间的比例/>，计算公式如下：
；
其中，表示缺失数值/>对应的时间点，/>和/>分别表示已知时间点；
（c）将比例应用于已知值/>和/>，得到缺失数值/>，计算公式如下：
；
其中，和/>分别表示已知时间点/>和/>对应的值，/>表示缺失数值对应的时间点/>在两个已知时间点/>和/>之间的比例。
本发明的进一步改进在于，基于历史数据库模型中的工作状态下数据，训练
机器学习模型，识别电动钉枪的工作状态是通过模式识别模块实现，模式识别模块包括模式识别算法单元；
其中，模式识别算法单元从历史数据库模型中获取条电动钉枪在工作状态下的数据，将/>条电动钉枪在工作状态下的数据划分成训练集和验证集两个子集，每一个子集包含多条数据；每一条数据包含6个参数以及该条数据所对应的工作状态，6个参数包括电流、电压、温度、压力、功率、重量，每一个参数都有不同的取值；工作状态包含6种类别，分别为正常、电源故障、压力故障、卡钉故障、连接故障、机器故障；利用训练集中每一条数据包含的参数以及该条数据所对应的工作状态，训练决策树/>；训练完毕后，给定验证集中的数据，对/>进行剪枝操作，获得决策树模型。
本发明的进一步改进在于，所述训练决策树过程包含以下步骤：
（1）令训练集为，工作状态有/>个类别，其中/>的最大值为6，第个工作状态的数据集合为/>，对于每一个参数/>，其中/>，计算/>信息增益，公式如下：
；
其中，是参数/>取值的个数，/>为训练集/>的信息熵，/>是根据参数/>，从训练集/>中划分的子集，/>表示/>的信息熵，/>和/>计算公式分别如下：
；
其中，为第/>个工作状态的数据集合/>中所包含数据的数量，为训练集/>中所包含数据的数量，/>代表工作状态的个数；
；
是根据参数/>，从训练集/>中划分的子集，/>表示/>中第/>个工作状态所对应的数据集合；
（2）计算完毕每一个参数所对应的信息增益，选取最大信息增益所对应的参数作为节点，将训练集/>根据参数/>划分成子集，使得每个子集中的数据在当前参数下取值相同；
（3）对于每一个根据参数划分成的子集，重复步骤（1）和（2），直至数据集不能被划分为更小的子集为止；
（4）对训练完毕的决策树采用后剪枝方法进行剪枝操作，令和/>分别表示剪枝前后的决策树/>在验证集上的错误率，/>和/>计算公式如下：
；
；
其中表示验证集中所包含数据的数量，/>表示实际电动钉枪工作状态，/>表示预测电动钉枪的工作状态，/>表示逻辑判断函数，当括号内的条件为假时，取值为0，否则取值为1；最终决策树/>损失函数计算公式如下：
；
其中，和/>分别是剪枝前后的决策树/>在验证集上的错误率，/>是一个调控剪枝程度的超参数，/>表示剪枝后的决策树叶子节点数，选取损失函数最小化所对应的决策树模型/>作为最终模型。
本发明的进一步改进在于，监测电动钉枪实时工作数据，将电动钉枪实时工
作数据送进机器学习模型通过实时监测模块实现，实时监测模块包括传感器单元；
其中，传感器单元包含阻性电流传感器、磁性霍尔传感器、红外线温度传感器、容积式传感器、瞬时功率传感器、压电式称重传感器，分别测量电动钉枪的实时电流、电压、温度、压力、功率、重量，并将测量结果送入决策树模型，识别电动钉枪的工作状态。
本发明的进一步改进在于，根据机器学习模型识别的电动钉枪实时工作状态，向操作人员反馈结果是通过报告系统模块实现，报告系统模块包括反馈单元；
根据决策树模型识别的电动钉枪的实时工作状态，触发反馈单元，反馈单元向操作人员报告电动钉枪的实时工作状态。
本发明的进一步改进在于，将电动钉枪的实时工作状态以及实时工作状态下所对应的数据存储到日志文件中通过记录存储模块实现，记录存储模块包含数据记录单元；
其中，数据记录单元分别从模式识别算法单元和传感器单元中获取电动钉枪的实时工作状态以及实时工作状态下所对应的数据，并将电动钉枪的实时工作状态以及实时工作状态下所对应的参数存储到日志文件中。
一种基于历史数据库模型分析的电动钉枪故障识别系统，包含以下模块：
历史数据库建立模块，收集并整理电动钉枪在工作状态下的数据，构建历史数据库模型；
模式识别模块，基于历史数据库模型中的工作状态下的数据，训练机器学习模型，识别电动钉枪的工作状态；
实时监测模块，监测电动钉枪实时工作数据，将电动钉枪实时工作数据送进机器学习模型；
报告系统模块，根据机器学习模型识别的电动钉枪实时工作状态，向操作人员反馈结果；
记录存储模块，将电动钉枪的实时工作状态以及实时工作状态下所对应的数据存储到日志文件中。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现一种基于历史数据库模型分析的电动钉枪故障识别方法。
一种控制器，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现一种基于历史数据库模型分析的电动钉枪故障识别方法的步骤。
与现有技术相比，本发明的有益效果是：
本发明通过提出一种基于历史数据库模型分析的电动钉枪故障识别方法，该方法结合了数据库，机器学习，传感器等领域的技术。基于历史数据库模型分析，构建出机器学习模型，根据传感器实时采集的电动钉枪的工作数据，机器学习能够自动识别电动钉枪存在的故障，整个方法智能化程度高，能够实时对电动钉枪的工作状态进行监控，无需依赖主观经验去判断电动钉枪的故障类别，对于提高操作人员的工作效率具有重大意义。
附图说明
图1为一种基于历史数据库模型分析的电动钉枪故障识别方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提出一种基于历史数据库模型分析的电动钉枪故障识别方法，对于提高电动钉枪操作人员的工作效率，具有重大的现实意义，如图1所示，一种基于历史数据库模型分析的电动钉枪故障识别方法，包含以下具体步骤：
收集并整理电动钉枪在工作状态下的数据，构建历史数据库模型。需要说明的是：
该步骤基于历史数据库建立模块实现，历史数据库建立模块包括数据收集单元、数据库模型构建单元；
其中，数据收集单元通过传感器收集电动钉枪在工作状态下的数据；每一条数据包含6个参数，分别为电流、电压、温度、压力、功率、重量，根据这些参数的取值，通过一名经验丰富的操作人员手动为每一条数据标记电动钉枪的工作状态，工作状态为正常、电源故障、压力故障、卡钉故障、连接故障、机器故障中的一种；
为了便于训练机器学习模型，数据库模型构建单元整理数据收集单元中电动钉枪在工作状态下的数据，其中将电流、电压、温度、压力、功率、重量统一为国际单位，分别为安培、伏特、开尔文、帕斯卡、瓦特、克；若电流、电压、温度、压力、功率、重量存在缺失数值，则进行缺失数值填充；对于电流、电压、温度、压力、功率的缺失数值，填充步骤如下：
（a）找到缺失数值前后最近的两个已知数据点，记为和/>，其中
，/>和/>分别表示已知时间点，/>和/>分别表示已知时间点/>和/>对应的数值；
（b）计算缺失数值对应的时间点/>在两个已知时间点/>和/>之间的比例/>，计算公式如下：
；
其中，表示缺失数值/>对应的时间点，/>和/>分别表示已知时间点；
（c）将比例应用于已知值/>和/>，得到缺失数值/>，计算公式如下：
；
其中，和/>分别表示已知时间点/>和/>对应的值，/>表示缺失数值对应的时间点/>在两个已知时间点/>和/>之间的比例；值得注意的是，上述缺失数值填充方法只适用于对连续时间序列变量进行插值，其中变量的值在一定范围内连续变化，若某一个变量不属于连续序列时间变量，则不能使用上述缺失数值填充方法。
整理完毕后，构建出历史数据库模型，历史数据库模型中包含一张数据表，在数据表里包含7个字段，分别为电流、电压、温度、压力、功率、重量、工作状态，对应的数据类型依次为FLOAT、FLOAT、FLOAT、FLOAT、FLOAT、FLOAT、VARCHAR。
基于历史数据库模型中的工作状态下数据，训练机器学习模型，识别电动钉枪的工作状态。需要说明的是：
该步骤是通过模式识别模块实现，模式识别模块包括模式识别算法单元；其中，模式识别算法单元从历史数据库模型中获取条电动钉枪在工作状态下的数据，将/>条电动钉枪在工作状态下的数据划分成训练集和验证集两个子集，每一个子集包含多条数据；每一条数据包含6个参数以及该条数据所对应的工作状态，6个参数包括电流、电压、温度、压力、功率、重量，每一个参数都有不同的取值；工作状态包含6种类别，分别为正常、电源故障、压力故障、卡钉故障、连接故障、机器故障；利用训练集中每一条数据包含的参数以及该条数据所对应的工作状态，训练决策树/>；训练完毕后，给定验证集中的数据，对/>进行剪枝操作，获得决策树模型/>；其中训练决策树/>过程包含以下步骤：
（1）令训练集为，工作状态有/>个类别，其中/>的最大值为6，第个工作状态的数据集合为/>，对于每一个参数/>，其中/>，计算/>信息增益，公式如下：
；
其中，是参数/>取值的个数，/>为训练集/>的信息熵，/>是根据参数/>，从训练集/>中划分的子集，/>表示/>的信息熵，/>和/>计算公式分别如下：
；
其中，为第/>个工作状态的数据集合/>中所包含数据的数量，为训练集/>中所包含数据的数量，/>代表工作状态的个数；
；
是根据参数/>，从训练集/>中划分的子集，/>表示/>中第/>个工作状态所对应的数据集合；
（2）计算完毕每一个参数所对应的信息增益，选取最大信息增益所对应的参数作为节点，将训练集/>根据参数/>划分成子集，使得每个子集中的数据在当前参数下取值相同；
（3）对于每一个根据参数划分成的子集，重复步骤（1）和（2），直至数据集不能被划分为更小的子集为止；
（4）对训练完毕的决策树采用后剪枝方法进行剪枝操作，令和/>分别表示剪枝前后的决策树/>在验证集上的错误率，/>和/>计算公式如下：
；
；
其中表示验证集中所包含数据的数量，/>表示实际电动钉枪工作状态，/>表示预测电动钉枪的工作状态，/>表示逻辑判断函数，当括号内的条件为假时，取值为0，否则取值为1；最终决策树/>损失函数计算公式如下：
；
其中，和/>分别是剪枝前后的决策树/>在验证集上的错误率，/>是一个调控剪枝程度的超参数，/>表示剪枝后的决策树叶子节点数，选取损失函数最小化所对应的决策树模型/>作为最终模型。通过STM32微控制器将决策树模型/>部署到实际场景中去识别电动钉枪的工作状态。
监测电动钉枪实时工作数据，将电动钉枪实时工作数据送进机器学习模型。需要说明的是：
该步骤通过实时监测模块实现，实时监测模块包括传感器单元；
其中，传感器单元包含阻性电流传感器、磁性霍尔传感器、红外线温度传感器、容积式传感器、瞬时功率传感器、压电式称重传感器，分别测量电动钉枪的实时电流、电压、温度、压力、功率、重量，为了减少计算开销，每隔两秒，将实时测量结果送入决策树模型，识别电动钉枪的实时工作状态；其中，阻性电流传感器是一种基于电阻原理的传感器，它利用电阻元件的电阻值与电流之间的线性关系进行测量电流；磁性霍尔传感器基于霍尔效应原理，通过测量磁场强度变化，从而间接测量电压；红外线温度传感器通过测量电动钉枪辐射的红外线来推断电动钉枪的温度；容积式传感器利用电动钉枪中电容的变化来测量压力；瞬时功率传感器通过电压和电流的瞬时值计算功率；压电式称重传感器利用压电效应测量电动钉枪的重量。值得注意的是：测量结果送入决策树之前，需要对测量结果进行校准、单位转换和数据解码操作。
根据机器学习模型评估的电动钉枪实时工作状态，触发报告系统，向操作人员反馈结果，需要说明的是：
该步骤通过报告系统模块实现，报告系统模块包括反馈单元；反馈单元包含绿色指示灯，红色指示灯以及扬声器，根据决策树模型识别的电动钉枪的实时工作状态，触发反馈单元，反馈单元向操作人员报告电动钉枪的实时工作状态；
若电动钉枪的实时工作状态为正常，则以绿色指示灯的方式报告操作人员；
若电动钉枪的实时工作状态为电源故障、压力故障、卡钉故障、连接故障、机器故障中的一种，则以红色指示灯的方式报告操作人员，并用扬声器语音播报具体故障类型。
将电动钉枪的实时工作状态以及实时工作状态下所对应的数据存储到日志文件中。需要说明的是：
该步骤通过通过记录存储模块实现，记录存储模块包含数据记录单元；
其中，数据记录单元分别从模式识别算法单元和传感器单元中获取电动钉枪的实时工作状态以及实时工作状态下所对应的数据，并将电动钉枪的实时工作状态以及实时工作状态下所对应的数据存储到日志文件中；为了避免数据过载和资源耗尽，若电动钉枪的实时工作状态一直为正常，则间隔六秒，向日志文件中写入内容，若电动钉枪的实时工作状态为电源故障、压力故障、卡钉故障、连接故障、机器故障中的一种，则立即向日志文件中写入内容。通过对日志文件的分析，可以监控电动钉枪的运行状态，发现潜在的性能问题，及时对电动钉枪进行保养维护。
实施例二
本实施例为本发明的第二个实施例；一种基于历史数据库模型分析的电动钉枪故障识别系统包含以下模块：
历史数据库建立模块，收集并整理电动钉枪在工作状态下的数据，利用数据库构建历史数据库模型；
模式识别模块，基于历史数据库模型中的工作状态下的数据，训练机器学习模型，识别电动钉枪的工作状态；
实时监测模块，通过多种传感器，监测电动钉枪实时工作数据，并将电动钉枪实时工作数据送进机器学习模型；
报告系统模块：根据机器学习模型识别的电动钉枪实时工作状态，向操作人员反馈结果；
记录存储模块，将电动钉枪的实时工作状态以及实时工作状态下所对应的数据存储到日志文件中，以便发现潜在的性能问题，及时对电动钉枪进行保养维护。
实施例三
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，可以实现一种基于历史数据库模型分析的电动钉枪故障识别方法。需要说明的是：
一种基于历史数据库模型分析的电动钉枪故障识别方法的所有计算机程序均使用C++语言实现，并通过STM32微控制器实现，STM32是一款嵌入式微控制器，它包含存储器和处理器，其中存储器，用于存储计算机程序；处理器用于执行计算机程序，使得STM32微控制器执行实现一种基于历史数据库模型分析的电动钉枪故障识别方法。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种基于历史数据库模型分析的电动钉枪故障识别方法，其特征在于：包括以下具体步骤：
收集并整理电动钉枪在工作状态下的数据，构建历史数据库模型；
基于历史数据库模型中的工作状态下的数据，训练机器学习模型，识别电动钉枪的工作状态；
监测电动钉枪实时工作数据，将电动钉枪实时工作数据送进机器学习模型；
根据机器学习模型评估的电动钉枪实时工作状态，触发报告系统，向操作人员反馈结果；
将电动钉枪的实时工作状态以及实时工作状态下所对应的数据存储到日志文件中。
2.根据权利要求1所述的一种基于历史数据库模型分析的电动钉枪故障识别方法，其特征在于：收集并整理电动钉枪在工作状态下的数据，构建历史数据库模型通过历史数据库建立模块实现，历史数据库建立模块包括数据收集单元、数据库模型构建单元；
其中，数据收集单元通过传感器收集电动钉枪在工作状态下的数据；每一条数据包含6个参数，分别为电流、电压、温度、压力、功率、重量，根据电流、电压、温度、压力、功率、重量的取值，为每一条数据标记电动钉枪的工作状态，工作状态包括正常、电源故障、压力故障、卡钉故障、连接故障、机器故障；数据库模型构建单元整理电动钉枪在工作状态下的数据，并存储在数据库中，最终构建出历史数据库模型。
3.根据权利要求2所述的一种基于历史数据库模型分析的电动钉枪故障识别方法，其特征在于，整理电动钉枪在工作状态下的数据包含以下过程：
将电流、电压、温度、压力、功率、重量统一为国际单位，分别为安培、伏特、开尔文、帕斯卡、瓦特、克；若电流、电压、温度、压力、功率、重量存在缺失数值，则进行缺失数值填充。
4.根据权利要求3所述的一种基于历史数据库模型分析的电动钉枪故障识别方法，其特征在于，所述缺失数值填充方法包含以下过程：
（a）找到缺失数值前后最近的两个已知数据点，记为和/>，其中
，/>和/>分别表示已知时间点，/>和/>分别表示已知时间点/>和/>对应的数值；
（b）计算缺失数值对应的时间点/>在两个已知时间点/>和/>之间的比例/>，计算公式如下：
；
其中，表示缺失数值/>对应的时间点，/>和/>分别表示已知时间点；
（c）将比例应用于已知值/>和/>，得到缺失数值/>，计算公式如下：
；
其中，和/>分别表示已知时间点/>和/>对应的值，/>表示缺失数值对应的时间点/>在两个已知时间点/>和/>之间的比例。
5.根据权利要求4所述的一种基于历史数据库模型分析的电动钉枪故障识别方法，其特征在于，基于历史数据库模型中的工作状态下数据，训练机器学习模型，识别电动钉枪的工作状态通过模式识别模块实现，模式识别模块包括模式识别算法单元；
其中，模式识别算法单元从历史数据库模型中获取条电动钉枪在工作状态下的数据，将/>条电动钉枪在工作状态下的数据划分成训练集和验证集两个子集，每一个子集包含多条数据；每一条数据包含6个参数以及该条数据所对应的工作状态，6个参数包括电流、电压、温度、压力、功率、重量，每一个参数都有不同的取值；工作状态包含6种类别，分别为正常、电源故障、压力故障、卡钉故障、连接故障、机器故障；利用训练集中每一条数据包含的参数以及该条数据所对应的工作状态，训练决策树/>；训练完毕后，给定验证集中的数据，对/>进行剪枝操作，获得决策树模型。
6.根据权利要求5所述的一种基于历史数据库模型分析的电动钉枪故障识别方法，其特征在于，所述训练决策树过程包含以下步骤：
（1）令训练集为，工作状态有/>个类别，其中/>的最大值为6，第/>个工作状态的数据集合为/>，对于每一个参数/>，其中/>，计算/>信息增益，公式如下：
；
其中，是参数/>取值的个数，/>为训练集/>的信息熵，/>是根据参数/>，从训练集/>中划分的子集，/>表示/>的信息熵，/>和/>计算公式分别如下：
；
其中，为第/>个工作状态的数据集合/>中所包含数据的数量，/>为训练集/>中所包含数据的数量，/>代表工作状态的个数；
；
是根据参数/>，从训练集/>中划分的子集，/>表示/>中第/>个工作状态所对应的数据集合；
（2）计算完毕每一个参数所对应的信息增益，选取最大信息增益所对应的参数/>作为节点，将训练集/>根据参数/>划分成子集，使得每个子集中的数据在当前参数下取值相同；
（3）对于每一个根据参数划分成的子集，重复步骤（1）和（2），直至数据集不能被划分为更小的子集为止；
（4）对训练完毕的决策树采用后剪枝方法进行剪枝操作，令/>和分别表示剪枝前后的决策树/>在验证集上的错误率，/>和/>计算公式如下：
；
；
其中表示验证集中所包含数据的数量，/>表示实际电动钉枪工作状态，/>表示预测电动钉枪的工作状态，/>表示逻辑判断函数，当括号内的条件为假时，取值为0，否则取值为1；最终决策树/>损失函数计算公式如下：
；
其中，和/>分别是剪枝前后的决策树/>在验证集上的错误率，/>是一个调控剪枝程度的超参数，/>表示剪枝后的决策树叶子节点数，选取损失函数最小化所对应的决策树模型/>作为最终模型。
7.根据权利要求6所述的一种基于历史数据库模型分析的电动钉枪故障识别方法，其特征在于：监测电动钉枪实时工作数据，将电动钉枪实时工作数据送进机器学习模型通过实时监测模块实现，实时监测模块包括传感器单元；
其中，传感器单元包含阻性电流传感器、磁性霍尔传感器、红外线温度传感器、容积式传感器、瞬时功率传感器、压电式称重传感器，分别测量电动钉枪的实时电流、电压、温度、压力、功率、重量，并将测量结果送入决策树模型，识别电动钉枪的工作状态。
8.根据权利要求7所述的一种基于历史数据库模型分析的电动钉枪故障识别方法，其特征在于：根据机器学习模型识别的电动钉枪实时工作状态，向操作人员反馈结果通过报告系统模块实现，报告系统模块包括反馈单元；
根据决策树模型识别的电动钉枪的实时工作状态，触发反馈单元，反馈单元向操作人员报告电动钉枪的实时工作状态。
9.根据权利要求8所述的一种基于历史数据库模型分析的电动钉枪故障识别方法，其特征在于：将电动钉枪的实时工作状态以及实时工作状态下所对应的数据存储到日志文件中通过记录存储模块实现，记录存储模块包含数据记录单元；
其中，数据记录单元分别从模式识别算法单元和传感器单元中获取电动钉枪的实时工作状态以及实时工作状态下所对应的数据，并将电动钉枪的实时工作状态以及实时工作状态下所对应的参数存储到日志文件中。
10.一种基于历史数据库模型分析的电动钉枪故障识别系统，基于权利要求1-9任一所述的一种基于历史数据库模型分析的电动钉枪故障识别方法实现，其特征在于：包括
历史数据库建立模块，收集并整理电动钉枪在工作状态下的数据，构建历史数据库模型；
模式识别模块，基于历史数据库模型中的工作状态下的数据，训练机器学习模型，识别电动钉枪的工作状态；
实时监测模块，监测电动钉枪实时工作数据，将电动钉枪实时工作数据送进机器学习模型；
报告系统模块，根据机器学习模型识别的电动钉枪实时工作状态，向操作人员反馈结果；
记录存储模块，将电动钉枪的实时工作状态以及实时工作状态下所对应的
数据存储到日志文件中。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1-9任一项所述的一种基于历史数据库模型分析的电动钉枪故障识别方法。
12.一种控制器，包括存储器和处理器，所述存储器用于存储计算机程序，
其特征在于，所述处理器用于执行所述计算机程序时实现权利要求1-9任一项所述的一种基于历史数据库模型分析的电动钉枪故障识别方法的步骤。
CN202310928525.0A 2023-07-27 2023-07-27 一种基于历史数据库模型分析的电动钉枪故障识别方法 Pending CN116662890A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310928525.0A CN116662890A (zh) 2023-07-27 2023-07-27 一种基于历史数据库模型分析的电动钉枪故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310928525.0A CN116662890A (zh) 2023-07-27 2023-07-27 一种基于历史数据库模型分析的电动钉枪故障识别方法

Publications (1)

Publication Number Publication Date
CN116662890A true CN116662890A (zh) 2023-08-29

Family

ID=87722748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310928525.0A Pending CN116662890A (zh) 2023-07-27 2023-07-27 一种基于历史数据库模型分析的电动钉枪故障识别方法

Country Status (1)

Country Link
CN (1) CN116662890A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038453A (zh) * 2017-03-06 2017-08-11 辽宁大唐国际新能源有限公司 一种风电机组的故障预警系统及判断方法
CN115392560A (zh) * 2022-08-23 2022-11-25 国能龙源电气有限公司 一种基于决策树的变流器故障预测方法和系统
CN115828164A (zh) * 2022-12-29 2023-03-21 浙江工业大学台州研究院 一种基于数据驱动的电动钉枪故障类型识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038453A (zh) * 2017-03-06 2017-08-11 辽宁大唐国际新能源有限公司 一种风电机组的故障预警系统及判断方法
CN115392560A (zh) * 2022-08-23 2022-11-25 国能龙源电气有限公司 一种基于决策树的变流器故障预测方法和系统
CN115828164A (zh) * 2022-12-29 2023-03-21 浙江工业大学台州研究院 一种基于数据驱动的电动钉枪故障类型识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李淼: "电动工具常见失效模式分析", 《电子质量》, no. 7, pages 120 - 121 *

Similar Documents

Publication Publication Date Title
CN106407589B (zh) 一种风机状态评估与预测方法及系统
CN111191878A (zh) 一种基于异常分析的台区及电能表状态评价方法及系统
CN104866632A (zh) 家电设备的故障数据获取方法、装置及终端
CN105846780A (zh) 一种基于决策树模型的光伏组件故障诊断方法
CN109035067A (zh) 基于rf和arma算法的建筑能耗处理方法及装置
CN105515888A (zh) 基于多维熵序列分类的智能变电站通信网络异常检测方法
CN108005893A (zh) 一种节能降耗的空压机分析诊断系统及其控制方法
CN116629458B (zh) 一种基于数据分析的储能设备运行优化方法及系统
CN116643178B (zh) 一种电池管理系统的soc估算方法及相关装置
CN115267646A (zh) 一种电能表状态检测的方法及相关设备
CN112952827A (zh) 一种精确识别电动自行车充电的非侵入式全负荷识别技术
CN107103425B (zh) 发电设备运行状态计算机智能量化评价系统
WO2022271632A1 (en) Systems and methods for evaluating crimp applications
CN108446202B (zh) 一种机房设备的安全状况的判断方法
CN116662890A (zh) 一种基于历史数据库模型分析的电动钉枪故障识别方法
CN116660759B (zh) 基于bms电池管理系统的电池寿命预测方法及装置
CN103246814A (zh) 一种基于K-means建模的个人用电设备状态识别方法
CN113671287B (zh) 电网自动化终端智能检测方法、系统和可读存储介质
CN110568257A (zh) 一种空调能耗持续监测方法及装置
CN117113135A (zh) 一种可对异常数据整理分类的碳排放异常监测分析系统
CN115361424A (zh) 一种基于物联网数据分析的医疗设备监控方法和系统
CN111428780B (zh) 基于数据驱动的电网异常运行状态识别方法
CN110456191B (zh) 一种超大规模电池储能电站运行单元检测的方法及系统
CN107316130A (zh) 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法
CN101464224A (zh) 气压沉箱设备性能检测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20230829