电动工具质量隐患诊断方法、装置、电子设备及存储介质与流程

1.本发明涉及电动工具检测领域，特别涉及一种基于计算机辅助的的电动工具质量隐患诊断方法、装置、电子设备及存储介质。


背景技术：

2.如今手持式电动工具在建筑装修等行业正发挥着日益重要的作用，常用于建筑装修过程中的锯割、钻孔、抛光、磨光、剪切、搅拌等作业。近年来科技发展迅猛，市场上的各类手持式电动工具新产品层出不穷。一些厂家过分追求价廉，压缩生产成本，导致“劣币驱逐良币”的现象时有发生，手持式电动工具在国家级及各地省级监督抽查中不合格率居高不下。手持式电动工具发展速度过快，但出现检测市场不规范，相关检测技术无法满足市场需要等问题。当前对手持式电动工具的质量检测都是依托专业实验室按照相关产品国家标准来进行检测，通常只有一些省级以上的检测机构才能进行全项目的检测，对检测机构的硬件设施和人员专业性要求都很高。主要缺点是：检测费用高，通常要数千元以上；检测周期长，通常要几十个工作日才能拿到检测结果。由于手持式电动工具产品的质量检验有较高的技术门槛，普通消费者对手持式电动工具产品的质量更无法快速直观地做出判断，更不可能花费高昂的检测费送到省级以上的专业检测机构去检测，只能相信明星代言的品牌效应和推销员的口头介绍，在选购时有较大的盲目性和随机性。而市场监督管理的工作人员在执法检查和监督抽样时也无法在现场快速高效地识别出手持式电动工具产品的潜在质量隐患。各级市场监督管理局由于经费、人手等条件限制，对生产和流通领域的电动工具产品的监管还无法全面覆盖，其监督抽样的工作往往滞后于市场动态。在市县两级的定期监督抽查中对手持式电动工具产品的监督抽查通常受限于经费和流程等因素，缺少快速智能诊断出质量隐患的手段，按照工作规范又不能抽查无3c证的产品又放过了一些漏网之鱼，因此造成了监督抽查时对手持式电动工具产品是花钱多耗时久而收效甚微。
3.自二十一世纪以来计算机软硬件技术发展迅猛，硬件计算能力逐年攀升，大数据分析和人工智能算法也得到飞速发展，人脸识别、扫码识别、图像识别、声音识别等智能模式识别技术被应用到社会生活中的各个角落，为工业生产和生活出行提供了巨大的便利。大数据分析作为人工智能算法的基石日趋成熟，即通过搜集整理一定数量的原始数据，再使用约束算法来挖掘和提取出这些原始数据之间潜在的逻辑因果关系，用这些大数据分析的方法代替人工的主管经验积累和判断，结果更加稳定准确。在历年来对手持式电动工具的市场监督检查、缺陷召回工作和各种委托检测业务中，各大检测机构积累了数量巨大的第一手原始数据资料包含手持式电动工具的各种特征参数和质量缺陷情况，这些数据资料在质量检测领域中有很高的潜在利用价值，如果应用计算机硬件结合人工智能算法和大数据分析，通过采用合适的特征提取和数学模型，用计算机辅助智能识别出手持式电动工具的潜在质量隐患，能极大地降低传统测试时对专业硬件设施和专业技术人员的依赖，提升测试的速度和准确性。


技术实现要素：

4.本发明目的是：为了克服上述现有检测技术的不足，本技术提供了一种基于计算机辅助的电动工具的质量隐患诊断方法、装置、电子设备及存储介质，运用大数据分析和人工智能算法，能够实现手持式电动工具的质量隐患的智能诊断，并且随着数据的累计实现计算机自动学习更新数据库，诊断过程高效快速并且结果准确率高。
5.本发明的技术方案是：
6.电动工具质量隐患诊断方法，包括：
7.算法训练阶段：对目标电动工具的多种特征参数进行观察测量，得到原始数据；对原始数据进行分类整理，根据分类后的结果数据使用计算机进行数学建模和训练，得到计算机自动学习算法模型；
8.质量隐患诊断阶段：对目标电动工具的多种特征参数进行观察测量，将测量到的数据作为预测样本输入所述的计算机自动学习算法模型，并将算法模型的输出作为目标电动工具的质量缺陷诊断结果；
9.结果反馈阶段：根据质量缺陷诊断结果，如有项目被诊断为存在质量隐患，则将目标电动工具进行全部项目的检测，将检测结果反馈至计算机的算法训练阶段，作为数据库的补充更新。
10.进一步地，还包括：
11.根据电动工具的多种特征参数和与其对应的质量缺陷诊断结果，生成训练样本集；
12.应用生成的训练样本集，基于对应的评价函数及约束算法建立贝叶斯网络的拓扑结构；
13.基于朴素贝叶斯决策理论确定所述贝叶斯网络的拓扑结构中各结点处的条件概率，得到各个所述结点的条件概率表。
14.进一步地，生成训练样本集的方法包括：
15.汇总一定批量的电动工具全项目检测数据以及相关特征参数；
16.在所述的全项目检测数据中提取电动工具的多种特征参数及对应的质量隐患数据，根据特征参数和质量隐患之间的逻辑关系建立电动工具特征参数指标体系；
17.根据建立的电动工具特征参数指标体系进行预处理并生成训练样本集。
18.进一步地，观察测量的目标电动工具的多种特征参数假设有m个，得到原始数据为m种特征观察量x1、x2……
xm；电动工具全项目假设有n个，d1j、d2j、d3j分别表示第j个项目的检测结果是“合格”、“不合格”和“不予判定”，j＝1～n；每个项目对应三种检测结果的概率p(d
1j
)、p(d
2j
)、p(d
3j
)；
19.建立特征观察量x1、x2……
xm和各项目检测结果d1j、d2j、d3j之间的数学关系函数模型，用该模型算出各种特征观察量出现概率的估计值p(xi|d
1j
),p(xi|d
2j
),p(xi|d
3j
)；i＝1～m，j＝1～n；
20.对一个未知结果的电动工具，观察测量其m个特征参数，得到结果记为x1、x2……
xm，用朴素贝叶斯算法，确定第j个项目是否合格，代入以下公式：
[0021][0022][0023][0024]
如果p(d
1j
|x1...xm)最大，则结果是“无隐患”；如果p(d
1j
|x1...xm)最大，则
[0025]
结果是“有隐患”；如果p(d
3j
|x1...xm)最大，则结果是“无法判定”。
[0026]
电动工具质量隐患诊断装置，包括：
[0027]
特征参数读取模块，用于在目标电动工具诊断时获取其特征参数；
[0028]
质量隐患诊断模块，用于将所述目标电动工具的特征参数作为预测样本输入预设的算法模型，并将该算法模型的输出作为该目标电动工具质量隐患诊断结果；
[0029]
其中，所述算法模型包括有贝叶斯网络的拓扑结构及对应的条件概率表，且所述的贝叶斯网络的拓扑结构用于表示电动工具的各个特征参数和各个质量隐患之间的对应关系。
[0030]
进一步地，质量隐患诊断装置还包括：
[0031]
训练样本集生成模块，用于根据电动工具的多种特征参数及其对应的已知质量隐患，生成训练样本集；
[0032]
算法建立模块，应用所述的训练样本集，基于对应的评价函数及约束算法建立贝叶斯网络的拓扑结构；
[0033]
条件概率获取模块，基于朴素贝叶斯决策理论定所属贝叶斯网络的拓扑结构中的各结点处的条件概率，得到各个所述结点的条件概率表。
[0034]
进一步地，所述训练样本集生成模块包括：
[0035]
历史数据获取单元，从各级市场监管部门和检测机构提供的电动工具检测结果中获得多个电动工具的历史已知数据；
[0036]
特征参数指标体系建立单元，用于在所述历史已知数据中提取的电动工具的多种特征参数和对应的质量隐患数据，根据特征参数和质量隐患之间的逻辑关系建立电动工具特征参数指标体系；
[0037]
数据预处理单元，用于对所述电动工具特征参数指标体系对应的数据进行预处理；
[0038]
训练样本集生成单元，用于根据经预处理后的电动工具特征参数生成训练样本集。
[0039]
进一步地，质量隐患诊断装置中各个模块、各个单元，通过计算机和软件程序来实现，或采用可编程逻辑控制器、单片机以及嵌入式微控制器来实现。
[0040]
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计
算机程序，所述处理器执行所述计算机程序时实现所述的电动工具质量隐患诊断方法的步骤。
[0041]
一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的电动工具质量隐患诊断方法的步骤。
[0042]
本发明的优点是：
[0043]
1.本发明提供了一种基于计算机辅助的电动工具的质量隐患诊断方法、装置、电子设备及存储介质，应用计算机硬件结合人工智能算法和大数据分析，通过采用合适的特征提取和数学模型，运用大数据分析和人工智能算法，用计算机辅助智能识别出手持式电动工具的潜在质量隐患，并且随着数历史据的累计实现计算机自动学习更新数据库，诊断过程高效快速并且结果准确率高，极大地降低传统测试时对专业硬件设施和专业技术人员的依赖，提升测试的速度和准确性。
[0044]
2.本发明有利于规范电动工具市场，避免偷工减料以次充好等问题，可用于市场监管部门的现场执法检测、经销商的进货快速检验、客户端的货物验收、技术人员的维修保养、消费者购机维权等需要快速判断产品质量隐患的场合。
附图说明
[0045]
下面结合附图及实施例对本发明作进一步描述：
[0046]
图1为电动工具质量隐患诊断装置的硬件结构图；
[0047]
图2为电动工具质量隐患诊断方法的算法训练阶段流程图；
[0048]
图3为电动工具质量隐患诊断方法的诊断阶段和反馈阶段流程图；
[0049]
图4为电动工具质量隐患诊断方法的大数据更新流程图。
具体实施方式
[0050]
实施例一
[0051]
本实施例提出了一种基于计算机辅助的手持式电动工具的质量隐患诊断方法及装置，如图1所示，具体装置包括特征参数读取模块、质量隐患诊断模块、训练样本集生成模块、算法建立模块、条件概率获取模块；所述训练样本集生成模块包括历史数据获取单元、特征参数指标体系建立单元、数据预处理单元、训练样本集生成单元。具体诊断流程如图2-4所示。
[0052]
(1)训练样本集生成模块
[0053]
通过对一定量的手持式电动工具样品进行观察测量，特征参数读取模块收集其特征参数，包括外观特征、整机重量、铭牌标志、说明书、电源线类型、电源线标称直径、插头标志、插头尺寸、滤波元件、转子铁芯直径和长度、定子铁芯直径和长度、空载功率、空载运行时的噪声、振动频率、振动速度等，假设有m个特征参数，得到原始数据为m种特征观察量x1、x2……
xm，建立原始数据库。
[0054]
对原始数据进行分类整理，根据分类后的结果数据使用计算机进行数学建模和训练，得到计算机自动学习算法模型。
[0055]
历史数据获取单元，从各级市场监管部门和检测机构提供的手持式电动工具检测结果中获得多个手持式电动工具的历史已知数据；
[0056]
特征参数指标体系建立单元，在所述历史已知数据中提取的手持式电动工具的多种特征参数和对应的质量隐患数据，根据特征参数和质量隐患之间的逻辑关系建立手持式电动工具特征参数指标体系；
[0057]
数据预处理单元，对所述手持式电动工具特征参数指标体系对应的数据进行预处理；
[0058]
训练样本集生成单元，根据经预处理后的手持式电动工具特征参数生成训练样本集。
[0059]
将上述的一批电动工具样品送至专业实验室，按照相关产品gb/t3883标准来进行全项目检测，假设有n个项目，经检测得到全部样品所有项目的检测结果。d1 j、d2j、d3j分别表示第j个项目的检测结果是“合格”、“不合格”和“不予判定”，j＝1～n。
[0060]
(2)算法建立模块
[0061]
根据已有的检测结果进行归纳分析，得到每个项目对应三种检测结果的概率p(d
1j
)、p(d
2j
)、p(d
3j
)。建立特征观察量x1、x2……
xm和各项目检测结果d1 j、d2j、d3j之间的数学关系函数模型。
[0062]
(3)条件概率获取模块
[0063]
用数学关系函数模型算出各种特征观察量出现概率的估计值p(xi|d
1j
),p(xi|d
2j
),p(xi|d
3j
)；i＝1～m，j＝1～n。
[0064]
(4)特征参数读取模块
[0065]
对一个未知结果的手持式电动工具，特征参数读取模块观察测量其m个特征参数，得到结果记为x1、x2……
xm。
[0066]
(5)质量隐患诊断模块
[0067]
用朴素贝叶斯算法，确定第j个项目是否合格，代入以下公式：
[0068][0069][0070][0071]
如果p(d
1j
|x1…
xm)最大，则结果是“无隐患”；如果p(d
1j
|x1…
xm)最大，则结果是“有隐患”；如果p(d
3j
|x1…
xm)最大，则结果是“无法判定”。
[0072]
根据上述诊断后的结果，如有项目被诊断为存在质量隐患，则将目标手持式电动工具送至专业检测机构进行全部项目的检测，将检测结果反馈至计算机的算法训练阶段，作为数据库的补充更新。
[0073]
如图4所示，训练样本集生成模块的历史数据获取单元根据各级市场监管局、消防、医院、缺陷召回管理中心、媒体等渠道收集手持式电动工具产品质量缺陷和造成人身伤
害的案例，收集案例中涉及到手持式电动工具的特征参数和检测结果反馈到数据库，对大数据自动更新。随着数据库录入的检测结果增加，每个项目对应三种检测结果的概率p(d
1j
)、p(d
2j
)、p(d
3j
)和各种特征观察量出现概率的估计值p(xi|d
1j
),p(xi|d
2j
),p(xi|d
3j
)也会更加准确。在使用时，将测量的m个特征参数和作为输入，根据算法模型智能分析出该手持式电动工具的质量隐患。
[0074]
本实施例提供的装置、各个模块、各个单元，可以通过计算机和软件程序来实现，也可以将上述方法应用于可编程逻辑控制器、单片机以及嵌入式微控制器等硬件来实现相同的功能。本实施例提供的装置应该被认为是一种硬件系统，其内部包含的用于实现各种程序功能的模块单元可以视为硬件部件的结构，可也以视为软件程序中的一部分。
[0075]
实施例二
[0076]
本实施例提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的电动工具质量隐患诊断方法的步骤。
[0077]
实施例三
[0078]
本实施例提出了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的电动工具质量隐患诊断方法的步骤。
[0079]
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明主要技术方案的精神实质所做的修饰，都应涵盖在本发明的保护范围之内。

技术特征：
1.电动工具质量隐患诊断方法，其特征在于，包括：算法训练阶段：对目标电动工具的多种特征参数进行观察测量，得到原始数据；对原始数据进行分类整理，根据分类后的结果数据使用计算机进行数学建模和训练，得到计算机自动学习算法模型；质量隐患诊断阶段：对目标电动工具的多种特征参数进行观察测量，将测量到的数据作为预测样本输入所述的计算机自动学习算法模型，并将算法模型的输出作为目标电动工具的质量缺陷诊断结果；结果反馈阶段：根据质量缺陷诊断结果，如有项目被诊断为存在质量隐患，则将目标电动工具进行全部项目的检测，将检测结果反馈至计算机的算法训练阶段，作为数据库的补充更新。2.根据权利要求1所述的电动工具质量隐患诊断方法，其特征在于，还包括：根据电动工具的多种特征参数和与其对应的质量缺陷诊断结果，生成训练样本集；应用生成的训练样本集，基于对应的评价函数及约束算法建立贝叶斯网络的拓扑结构；基于朴素贝叶斯决策理论确定所述贝叶斯网络的拓扑结构中各结点处的条件概率，得到各个所述结点的条件概率表。3.根据权利要求2所述的电动工具质量隐患诊断方法，其特征在于，生成训练样本集的方法，包括：汇总一定批量的电动工具全项目检测数据以及相关特征参数；在所述的全项目检测数据中提取电动工具的多种特征参数及对应的质量隐患数据，根据特征参数和质量隐患之间的逻辑关系建立电动工具特征参数指标体系；根据建立的电动工具特征参数指标体系进行预处理并生成训练样本集。4.根据权利要求3所述的电动工具质量隐患诊断方法，其特征在于，观察测量的目标电动工具的多种特征参数假设有m个，得到原始数据为m种特征观察量x1、x2……
x
m
；电动工具全项目假设有n个，d1j、d2j、d3j分别表示第j个项目的检测结果是“合格”、“不合格”和“不予判定”，j＝1～n；每个项目对应三种检测结果的概率p(d
1j
)、p(d
2j
)、p(d
3j
)；建立特征观察量x1、x2……
x
m
和各项目检测结果d1j、d2j、d3j之间的数学关系函数模型，用该模型算出各种特征观察量出现概率的估计值p(x
i
|d
1j
),p(x
i
|d
2j
),p(x
i
|d
3j
)；i＝1～m，j＝1～n；对一个未知结果的电动工具，观察测量其m个特征参数，得到结果记为x1、x2……
x
m
，用朴素贝叶斯算法，确定第j个项目是否合格，代入以下公式：朴素贝叶斯算法，确定第j个项目是否合格，代入以下公式：
如果p(d
1j
|x1...x
m
)最大，则结果是“无隐患”；如果p(d
1j
|x1...x
m
)最大，则结果是“有隐患”；如果p(d
3j
|x1...x
m
)最大，则结果是“无法判定”。5.电动工具质量隐患诊断装置，其特征在于，包括：特征参数读取模块，用于在目标电动工具诊断时获取其特征参数；质量隐患诊断模块，用于将所述目标电动工具的特征参数作为预测样本输入预设的算法模型，并将该算法模型的输出作为该目标电动工具质量隐患诊断结果；其中，所述算法模型包括有贝叶斯网络的拓扑结构及对应的条件概率表，且所述的贝叶斯网络的拓扑结构用于表示电动工具的各个特征参数和各个质量隐患之间的对应关系。6.根据权利要求5所述的电动工具质量隐患诊断装置，其特征在于，质量隐患诊断装置还包括：训练样本集生成模块，用于根据电动工具的多种特征参数及其对应的已知质量隐患，生成训练样本集；算法建立模块，应用所述的训练样本集，基于对应的评价函数及约束算法建立贝叶斯网络的拓扑结构；条件概率获取模块，基于朴素贝叶斯决策理论定所属贝叶斯网络的拓扑结构中的各结点处的条件概率，得到各个所述结点的条件概率表。7.根据权利要求6所述的电动工具质量隐患诊断装置，其特征在于，所述训练样本集生成模块包括：历史数据获取单元，从各级市场监管部门和检测机构提供的电动工具检测结果中获得多个电动工具的历史已知数据；特征参数指标体系建立单元，用于在所述历史已知数据中提取的电动工具的多种特征参数和对应的质量隐患数据，根据特征参数和质量隐患之间的逻辑关系建立电动工具特征参数指标体系；数据预处理单元，用于对所述电动工具特征参数指标体系对应的数据进行预处理；训练样本集生成单元，用于根据经预处理后的电动工具特征参数生成训练样本集。8.根据权利要求7所述的电动工具质量隐患诊断装置，其特征在于，质量隐患诊断装置中各个模块、各个单元，通过计算机和软件程序来实现，或采用可编程逻辑控制器、单片机以及嵌入式微控制器来实现。9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-4任一项所述的电动工具质量隐患诊断方法的步骤。10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的电动工具质量隐患诊断方法的步骤。

技术总结
本发明公开了电动工具质量隐患诊断方法、装置、电子设备及存储介质，诊断方法包括：算法训练阶段：对目标电动工具的多种特征参数进行观察测量，得到原始数据；对原始数据进行分类整理，根据分类后的结果数据使用计算机进行数学建模和训练，得到计算机自动学习算法模型；质量隐患诊断阶段：对目标电动工具的多种特征参数进行观察测量，将测量到的数据作为预测样本输入所述的计算机自动学习算法模型，并将算法模型的输出作为目标电动工具的质量缺陷诊断结果；结果反馈阶段：根据质量缺陷诊断结果，如有项目被诊断为存在质量隐患，则将目标电动工具进行全部项目的检测，将检测结果反馈至计算机的算法训练阶段，作为数据库的补充更新。作为数据库的补充更新。作为数据库的补充更新。


技术研发人员：黄海泉 桂旭 张健 唐勇 季天虬 王翔 袁旗
受保护的技术使用者：南通市产品质量监督检验所
技术研发日：2023.06.06
技术公布日：2023/9/23