CN112347702B - 数控机床系统综合健康指数的计算方法及装置 - Google Patents
数控机床系统综合健康指数的计算方法及装置 Download PDFInfo
- Publication number
- CN112347702B CN112347702B CN202011389453.XA CN202011389453A CN112347702B CN 112347702 B CN112347702 B CN 112347702B CN 202011389453 A CN202011389453 A CN 202011389453A CN 112347702 B CN112347702 B CN 112347702B
- Authority
- CN
- China
- Prior art keywords
- model
- inputting
- health index
- machine tool
- health
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/28—Fuselage, exterior or interior
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Numerical Control (AREA)
Abstract
本发明提供了一种数控机床系统综合健康指数的计算方法和装置,数控机床系统综合健康指数的计算方法本通过将多通道数据特征提取得到的矢量特征信息映射到一个单维的系统综合健康指数HI中。HI的数值代表系统健康状况,其取值范围为0~1,其中1表示系统的状态完全正常,0表示系统已经失效。通过构建HI,建立系统的健康状态与多通道传感数据的关系模型,就可以根据数控机床的传感数据,对数控机床的健康状况进行评估。
Description
技术领域
本发明属于数控机床领域,具体涉及一种数控机床系统综合健康指数的计算方法及装置。
背景技术
数控机床的性能退化过程是一种不可逆的单调退化过程,如何判断数控机床的性能在长时间使用后的变化对企业生产具有重要意义。
现有技术中心,数控机床随着使用时间的增长,会出现性能退化的过程,当性能退化到一定程度,其生产出来的产品就不能满足企业的生产标准,从而会导致大量的不良产品的产出。
上述问题是目前亟待解决的。
发明内容
本发明所要解决的技术问题是提供一种数控机床系统综合健康指数的计算方法及装置。
本发明解决其技术问题所采用的技术方案是:提供了一种数控机床系统综合健康指数的计算方法,所述方法包括:
获取多通道传感器数据;
将多通道传感器数据输入到预先建立的健康模型中,从而得出系统的综合健康指数。
进一步的,所述健康模型的建立方法包括:
获取样本集;
将样本集输入到堆叠稀疏自动编码器进行特征提取;
将堆叠稀疏性自动编码器最后一层提取的特征与全连接神经网络相连接,获得初始模型;
对初始模型进行训练得到健康模型。
进一步的,将堆叠稀疏性自动编码器最后一层提取的特征与全连接神经网络相连接,获得初始模型的方法包括:
将样本集输入到自动编码器获得编码特征;
将编码特征输入到稀疏自编码器中获得通过稀疏性限制后的编码特征;
将多个稀疏自编码器堆叠形成堆叠稀疏自编码;
将堆叠稀疏自编码的最后一层的编码特征与全连接神经网络相连接获得初始模型。
进一步的,将样本集输入到自动编码器获得编码特征的方法包括:
将样本集传递到自动编码器的隐藏层中;
通过解码网络将隐藏层进行解码重构;
计算输入数据与输出数据的误差,并通过梯度下降算法调整自动编码器的权值得到自动编码器的最终的模型参数;
将最终的模型参数输入到自编码器得到目标函数;
将样本集输入到目标函数中得出的隐藏层为编码特征。
进一步的,所述将编码特征输入到稀疏自编码器中获得通过稀疏性限制后的编码特征的方法包括:
定义隐藏层神经元的活跃度;
在目标函数中加入基于Kullback-Leibler散度的惩罚因子;
获得总体的目标函数;
将编码特征输入到总体的目标函数中;
通过总体的目标函数对编码特征进行稀疏性限制后得出限制后的编码特征。
进一步的,对初始模型进行训练得到健康模型的方法,即,通过大量的数控机床历史退化数据可以对模型进行训练,从而得到最优权重和偏移的模型参数,将最优权重和偏移的模型参数带入初始模型从而获得健康模型。
本发明还提供了一种数控机床系统综合健康指数的计算装置,所述装置包括:
数据获取模块,适于获取多通道传感器数据;
健康指数计算模块,适于将多通道传感器数据输入到预先建立的健康模型中,从而得出系统的综合健康指数。
进一步的,所述健康模型的建立方法包括:
获取样本集;
将样本集输入到堆叠稀疏自动编码器进行特征提取;
将堆叠稀疏性自动编码器最后一层提取的特征与全连接神经网络相连接,
获得初始模型;
对初始模型进行训练得到健康模型。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有一个或一个以上的指令,所述一个或一个以上的指令内的健康指数计算装置的处理器执行时实现如上述的数控机床系统综合健康指数的计算方法。
本发明还提供了一种电子设备,包括:存储器和处理器;所述存储器中存储有至少一条程序指令;所述处理器,通过加载并执行所述至少一条程序指令以实现如上述的数控机床系统综合健康指数的计算方法。
本发明的有益效果是:本发明通过将多通道数据特征提取得到的矢量特征信息映射到一个单维的系统综合健康指数HI中。HI的数值代表系统健康状况,其取值范围为0~1,其中1表示系统的状态完全正常,0表示系统已经失效。通过构建HI,建立系统的健康状态与多通道传感数据的关系模型,就可以根据数控机床的传感数据,对数控机床的健康状况进行评估。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明实施例所提供的数控机床系统综合健康指数的计算方法的流程图。
图2是图1中步骤S120的部分步骤的流程图。
图3是本发明实施例所提供的堆叠稀疏性自编码的原理图。
图4是本发明实施例所提供的数控机床系统综合健康指数的计算装置的原理框图。
图5是本发明实施例所提供的电子设备的部分原理框图。
具体实施方式
现在结合附图对本发明作详细的说明。此图为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
实施例1
请参阅图1,本发明提供了一种数控机床系统综合健康指数的计算方法。本发明通过将多通道数据特征提取得到的矢量特征信息映射到一个单维的系统综合健康指数HI中。HI的数值代表系统健康状况,其取值范围为0~1,其中1表示系统的状态完全正常,0表示系统已经失效。通过构建HI,建立系统的健康状态与多通道传感数据的关系模型,就可以根据数控机床的传感数据,对数控机床的健康状况进行评估。所述方法包括:
S110:获取多通道传感器数据。
具体来说,通过多个传感器检测到数据信息形成多通道传感器数据。
S120:将多通道传感器数据输入到预先建立的健康模型中,从而得出系统的综合健康指数。
请参阅图2,所述健康模型的建立方法包括:
S121:获取样本集;
S122:将样本集输入到堆叠稀疏自动编码器进行特征提取;
S123:将堆叠稀疏性自动编码器最后一层提取的特征与全连接神经网络相连接,获得初始模型;
在本实施例中,步骤S123包括:
S1231:将样本集输入到自动编码器获得编码特征。
具体来说,步骤S1231:将样本集输入到自动编码器获得编码特征的方法包括:
将样本集传递到自动编码器的隐藏层中。
具体来说,自动编码器(Autoencoder,AE)是一种具有输入层、隐藏层和输出层的无监督神经网络,假设有输入样本集X={x1,x2,…,xN},通过使用编码网络将每个输入样本集传递到低维的隐藏层中:
hθ(x)=f(wx+b)
式中f是激活函数,激活函数是一个总称,具体有很多类型,例如Sigmoid、ReLU、tanh等,具体要根据实际数据进行选择,θ={w,b}表示编码网络的参数,w是输入层到隐藏层的权值矩阵,b为偏置项系数。
通过解码网络将隐藏层进行解码重构。
具体来说,
y=gθ′(hθ(x))=′(w′hθ(x)+b′)
式中θ′={w′,b′}是解码网络的参数矩阵,w′为隐藏层到输出层的权值矩阵,b′为偏置项系数。
计算输入数据与输出数据的误差,其重构误差的计算方式如下:
并通过梯度下降算法调整自动编码器的权值得到自动编码器的最终的模型参数,模型参数包括,w以及b,w是输入层到隐藏层的权值矩阵,b为偏置项系数。
将最终的模型参数输入到自编码器得到目标函数;
将样本集输入到目标函数中得出的隐藏层为编码特征。
S1232:将编码特征输入到稀疏自编码器中获得通过稀疏性限制后的编码特征。
具体来说,包括:
定义隐藏层神经元的活跃度;
在其中加入限制条件ρ是值接近于0的稀疏性参数,使得隐藏层大部分神经元失效。
在目标函数中加入基于Kullback-Leibler散度的惩罚因子;
获得总体的目标函数;
其中,β代表稀疏性惩罚项的权重。
将编码特征输入到总体的目标函数中;
通过总体的目标函数对编码特征进行稀疏性限制后得出限制后的编码特征。
S1233:将多个稀疏自编码器堆叠形成堆叠稀疏自编码。
请参阅图3,具体来说,整个模型的输入是经处理后的高维特征数据,经过多层稀疏自编码器网络进行进一步融合,每一层的输出都连接到后续层的输入,使输出的低维信号在包含本质特征的同时去除高维信号中的干扰部分,同时引入稀疏性和堆叠性增强模型的鲁棒性。
S1234:将堆叠稀疏自编码的最后一层的编码特征与全连接神经网络相连接获得初始模型。
具体来说,初始模型为HI=F(W·(x×U)+B)
式中的x表示原始的传感器数据输入,U表示TVP投影矩阵,TVP指的是张量到向量的投影,通过一个投影矩阵与张量相乘来实现阶数的降低,实现高阶到低阶的投影,通过投影矩阵可以将原始的传感器数据转化为特征矢量,将特征矢量作为堆叠稀疏自编码模型的输入。W和B表示堆叠稀疏自编码模型的权重和偏移。
S124:对初始模型进行训练得到健康模型。
具体来说,通过大量的数控机床历史退化数据可以对模型进行训练,从而得到最优权重和偏移的模型参数W和B,将最优权重和偏移的模型参数带入初始模型从而获得健康模型。在输入数据正向传播过程中,经过多层隐含层处理并传向输出层,得到输出结果与实际期望值之间的误差,其中,实际期望是我们在训练模型前,通过实际测量、人工经验得到的,用来对模型的数据进行评判。常用的退化过程的实际期望例如设备的运行时间等。具体如何选择还需要根据实际设备来决定。然后对预测的误差进行反向传播,逐层求出目标函数对各神经元权值的偏导数,构成目标函数对权值向量的梯量,作为修改权值的依据,网络的学习在权值修改过程中完成。通过多次迭代更新各层网络的权重和偏移参数,误差达到期望值时学习结束。根据训练后的最优权重和偏移的模型参数W和B,对于采集到的多通道传感数据,通过健康模型可以快速计算数控机床的实时健康指数,描述数控机床的健康状态。
实施例2
请参阅图4,本实施例还提供了一种数控机床系统综合健康指数的计算装置,所述装置包括:
数据获取模块,适于获取多通道传感器数据;
健康指数计算模块,适于将多通道传感器数据输入到预先建立的健康模型中,从而得出系统的综合健康指数。
所述健康模型的建立方法包括:
获取样本集;
将样本集输入到堆叠稀疏自动编码器进行特征提取;
将堆叠稀疏性自动编码器最后一层提取的特征与全连接神经网络相连接,获得初始模型;
对初始模型进行训练得到健康模型。
实施例3
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有一个或一个以上的指令,所述一个或一个以上的指令内的健康指数计算装置的处理器执行时实现如实施例1提供的数控机床系统综合健康指数的计算方法。
本实施方式中,在对数控机床系统综合健康指数进行计算时,获取多通道传感器数据;将多通道传感器数据输入到预先建立的健康模型中,从而得出系统的综合健康指数。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例4
请参阅图5,本发明实施例还提供了一种电子设备,包括:存储器502和处理器501;所述存储器502中存储有至少一条程序指令;所述处理器501,通过加载并执行所述至少一条程序指令以实现如实施例1所提供的数控机床系统综合健康指数的计算方法。
存储器502和处理器501采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器501和存储器502的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器501处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器501。
处理器501负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器502可以被用于存储处理器501在执行操作时所使用的数据。
综上所述,本发明通过将多通道数据特征提取得到的矢量特征信息映射到一个单维的系统综合健康指数HI中。HI的数值代表系统健康状况,其取值范围为0~1,其中1表示系统的状态完全正常,0表示系统已经失效。通过构建HI,建立系统的健康状态与多通道传感数据的关系模型,就可以根据数控机床的传感数据,对数控机床的健康状况进行评估
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关的工作人员完全可以在不偏离本发明的范围内,进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.一种数控机床系统综合健康指数的计算方法,其特征在于,所述方法包括:
获取多通道传感器数据;
将多通道传感器数据输入到预先建立的健康模型中,从而得出系统的综合健康指数,其中,健康模型的建立包括:
获取样本集;
将样本集输入到堆叠稀疏自动编码器进行特征提取;
将堆叠稀疏性自动编码器最后一层提取的特征与全连接神经网络相连接,获得初始模型,初始模型为HI=F(W·(X×U)+B),式中的X表示原始的传感器数据输入,U表示TVP投影矩阵,TVP指的是张量到向量的投影,W和B表示堆叠稀疏自编码模型的权重和偏移;
对初始模型进行训练得到健康模型。
2.如权利要求1所述的数控机床系统综合健康指数的计算方法,其特征在于,将堆叠稀疏性自动编码器最后一层提取的特征与全连接神经网络相连接,获得初始模型的方法包括:
将样本集输入到自动编码器获得编码特征;
将编码特征输入到稀疏自编码器中获得通过稀疏性限制后的编码特征;
将多个稀疏自编码器堆叠形成堆叠稀疏自编码;
将堆叠稀疏自编码的最后一层的编码特征与全连接神经网络相连接获得初始模型。
3.如权利要求2所述的数控机床系统综合健康指数的计算方法,其特征在于,将样本集输入到自动编码器获得编码特征的方法包括:
将样本集传递到自动编码器的隐藏层中;
通过解码网络将隐藏层进行解码重构;
计算输入数据与输出数据的误差,并通过梯度下降算法调整自动编码器的权值得到自动编码器的最终的模型参数;
将最终的模型参数输入到自编码器得到目标函数;
将样本集输入到目标函数中得出的隐藏层为编码特征。
4.如权利要求2所述的数控机床系统综合健康指数的计算方法,其特征在于,所述将编码特征输入到稀疏自编码器中获得通过稀疏性限制后的编码特征的方法包括:
定义隐藏层神经元的活跃度;
在目标函数中加入基于Kullback-Leibler散度的惩罚因子;
获得总体的目标函数;
将编码特征输入到总体的目标函数中;
通过总体的目标函数对编码特征进行稀疏性限制后得出限制后的编码特征。
5.如权利要求4所述的数控机床系统综合健康指数的计算方法,其特征在于,对初始模型进行训练得到健康模型的方法,即,通过大量的数控机床历史退化数据可以对模型进行训练,从而得到最优权重和偏移的模型参数,将最优权重和偏移的模型参数带入初始模型从而获得健康模型。
6.一种数控机床系统综合健康指数的计算装置,其特征在于,所述装置包括:
数据获取模块,适于获取多通道传感器数据;
健康指数计算模块,适于将多通道传感器数据输入到预先建立的健康模型中,从而得出系统的综合健康指数,所述健康模型的建立方法包括:
获取样本集;
将样本集输入到堆叠稀疏自动编码器进行特征提取;
将堆叠稀疏性自动编码器最后一层提取的特征与全连接神经网络相连接,获得初始模型,初始模型为HI=F(W·(X×U)+B),式中的X表示原始的传感器数据输入,U表示TVP投影矩阵,TVP指的是张量到向量的投影,W和B表示堆叠稀疏自编码模型的权重和偏移;
对初始模型进行训练得到健康模型。
7.一种计算机可读存储介质,所述计算机可读存储介质中存储有一个或一个以上的指令,其特征在于,所述一个或一个以上的指令内的健康指数计算装置的处理器执行时实现权利要求1-5任一项所述的数控机床系统综合健康指数的计算方法。
8.一种电子设备,其特征在于,包括:存储器和处理器;所述存储器中存储有至少一条程序指令;所述处理器,通过加载并执行所述至少一条程序指令以实现权利要求1-5中任一项所述的数控机床系统综合健康指数的计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011389453.XA CN112347702B (zh) | 2020-12-01 | 2020-12-01 | 数控机床系统综合健康指数的计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011389453.XA CN112347702B (zh) | 2020-12-01 | 2020-12-01 | 数控机床系统综合健康指数的计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347702A CN112347702A (zh) | 2021-02-09 |
CN112347702B true CN112347702B (zh) | 2024-03-12 |
Family
ID=74427179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011389453.XA Active CN112347702B (zh) | 2020-12-01 | 2020-12-01 | 数控机床系统综合健康指数的计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347702B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875281A (zh) * | 2018-08-08 | 2018-11-23 | 佛山科学技术学院 | 一种基于深度学习的混合智能健康状态诊断方法及装置 |
CN111164524A (zh) * | 2017-09-30 | 2020-05-15 | 西门子股份公司 | 一种数控机床的故障诊断信息库的生成方法和装置 |
CN111256965A (zh) * | 2020-01-20 | 2020-06-09 | 郑州轻工业大学 | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130197854A1 (en) * | 2012-01-30 | 2013-08-01 | Siemens Corporation | System and method for diagnosing machine tool component faults |
-
2020
- 2020-12-01 CN CN202011389453.XA patent/CN112347702B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111164524A (zh) * | 2017-09-30 | 2020-05-15 | 西门子股份公司 | 一种数控机床的故障诊断信息库的生成方法和装置 |
CN108875281A (zh) * | 2018-08-08 | 2018-11-23 | 佛山科学技术学院 | 一种基于深度学习的混合智能健康状态诊断方法及装置 |
CN111256965A (zh) * | 2020-01-20 | 2020-06-09 | 郑州轻工业大学 | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112347702A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019091020A1 (zh) | 权重数据存储方法和基于该方法的神经网络处理器 | |
CN112000772B (zh) | 面向智能问答基于语义特征立方体的句子对语义匹配方法 | |
US20220215298A1 (en) | Method for training sequence mining model, method for processing sequence data, and device | |
CN102680646A (zh) | 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法 | |
CN115147655A (zh) | 油气集输监控系统及其方法 | |
CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
CN112257751A (zh) | 神经网络剪枝方法 | |
CN113297374B (zh) | 一种基于bert和字词特征融合的文本分类方法 | |
CN112347702B (zh) | 数控机床系统综合健康指数的计算方法及装置 | |
CN112990454B (zh) | 基于集成dpu多核异构的神经网络计算加速方法及装置 | |
CN112541530B (zh) | 针对聚类模型的数据预处理方法及装置 | |
CN113988178A (zh) | 一种低压配电网窃电用户检测方法和装置 | |
WO2020195940A1 (ja) | ニューラルネットワークのモデル縮約装置 | |
CN111863153A (zh) | 一种基于数据挖掘的废水中悬浮固体总量的预测方法 | |
CN113657595B (zh) | 基于神经网络实时剪枝的神经网络加速器 | |
CN110555209A (zh) | 训练词向量模型的方法及装置 | |
CN112580797B (zh) | 一种多模态多标签预测模型的增量学习方法 | |
CN114239949A (zh) | 一种基于双阶段注意力机制的网站访问量预测方法及系统 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
CN110852361B (zh) | 基于改进深度神经网络的图像分类方法、装置与电子设备 | |
CN114121178A (zh) | 一种基于图卷积网络的色谱保留指数预测方法及装置 | |
CN113159419A (zh) | 一种群体特征画像分析方法、装置、设备及可读存储介质 | |
CN110728292A (zh) | 一种多任务联合优化下的自适应特征选择算法 | |
CN111783711B (zh) | 基于身体部件层面的骨架行为识别方法及装置 | |
CN114997070B (zh) | 控制图模式识别模型的训练方法及控制图模式识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |