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

本发明专利技术涉及电动工具领域，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。常重大的现实意义。常重大的现实意义。

【技术实现步骤摘要】
一种基于历史数据库模型分析的电动钉枪故障识别方法


[0001]本专利技术涉及电动工具领域，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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
技术介绍
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。
[0005]为实现上述目的，本专利技术提供如下技术方案：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。
[0006]本专利技术的进一步改进在于，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。
[0007]本专利技术的进一步改进在于，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。
[0008]本专利技术的进一步改进在于，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。
[0009]本专利技术的进一步改进在于，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。
[0010]本专利技术的进一步改进在于，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。
[0011]本专利技术的进一步改进在于，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。
[0012]本专利技术的进一步改进在于，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。
[0013]本专利技术的进一步改进在于，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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：卢国峰，
申请(专利权)人：南京汤峰机电有限公司，
类型：发明
国别省市：