CN114660993B - 一种基于多源异构数据特征降维的数控机床故障预测方法 - Google Patents
一种基于多源异构数据特征降维的数控机床故障预测方法 Download PDFInfo
- Publication number
- CN114660993B CN114660993B CN202210572573.6A CN202210572573A CN114660993B CN 114660993 B CN114660993 B CN 114660993B CN 202210572573 A CN202210572573 A CN 202210572573A CN 114660993 B CN114660993 B CN 114660993B
- Authority
- CN
- China
- Prior art keywords
- feature
- data
- initial
- neural network
- network model
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31357—Observer based fault detection, use model
-
- 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)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于多源异构数据特征降维的数控机床故障预测方法,本发明提供的方法,获取目标数控机床的多个零部件的运行数据,并且对运行数据进行降维处理,再输入至神经网络模型中进行故障预测,结合了数控机床的多个零部件的多维数据进行故障预测,对多维数据进行降维,能够降低神经网络模型的运算时间,并且在神经网络模型中设置注意力机制模块,对降维后的数据执行注意力机制,可以提高重要维度信息在故障检测中的作用,提升故障检测的准确性。
Description
技术领域
本发明涉及数控加工技术领域,特别涉及一种基于多源异构数据特征降维的数控机床故障预测方法。
背景技术
目前已存在利用神经网络对数控机床的故障进行预测的方式,但是,现有技术中利用神经网络对数控机床的故障进行预测时,只考虑数控机床的单一化信息,例如只考虑数控机床的加工误差等,然而数控机床是一个多单元组合的复杂机械系统,各种零部件分别对机床的故障情况产生不同程度的影响,现有的故障预测方法采用单一化信息进行预测,准确性不高。
因此,现有技术还有待改进和提高。
发明内容
针对现有技术的上述缺陷,本发明提供一种基于多源异构数据特征降维的数控机床故障预测方法,旨在解决现有技术中采用单一化信息进行数控机床故障预测准确性低的问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
本发明的第一方面,提供一种基于多源异构数据特征降维的数控机床故障预测方法,所述方法包括:
获取目标数控机床多个零部件的运行数据,得到各组初始数据,对所述初始数据进行降维处理,得到预设尺寸的特征信息,所述特征信息中包括第一初始特征,所述第一初始特征包括每组所述初始数据降维后得到的降维数据,各个所述降维数据按照预设规则排列;
获取预先训练的神经网络模型,所述神经网络模型中包括注意力机制模块和预测模块;
将所述第一初始特征输入至所述注意力机制模块,通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征;
将所述中间特征输入至所述预测模块,获取所述预测模块输出的故障预测结果。
所述的基于多源异构数据特征降维的数控机床故障预测方法,其中,对所述初始数据进行降维处理,包括:
对所述初始数据采用主成分分析法进行降维处理。
所述的基于多源异构数据特征降维的数控机床故障预测方法,其中,所述预测模块为LSTM神经网络。
所述的基于多源异构数据特征降维的数控机床故障预测方法,其中,所述特征信息中还包括第二初始特征,所述第二初始特征包括每组初始数据对应的语义特征,所述语义特征包括第一语义特征和多个第二语义特征,所述第一语义特征为所述目标数控机床的加工任务对应的语义嵌入向量,每个所述第二语义特征为对应的所述初始数据的零部件名称的语义嵌入向量;所述神经网络模型还包括权重模块,所述通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征,包括:
将所述特征信息中的所述第二初始特征输入至所述权重模块,获取所述权重模块输出的权重矩阵,其中,所述权重矩阵包括注意力机制中的Q、K、V矩阵;
通过所述注意力机制模块基于所述权重矩阵对所述第一初始特征执行注意力机制,得到所述中间特征。
所述的基于多源异构数据特征降维的数控机床故障预测方法,其中,所述故障预测结果包括故障类型和对应的发生时间,所述神经网络模型是基于多组训练数据训练完成的,每组训练数据包括样本特征信息和对应的故障标注结果,所述多组训练数据的数据来源于多种数控机床。
所述的基于多源异构数据特征降维的数控机床故障预测方法,其中,所述神经网络模型的训练过程为:
在所述多组训练数据中选择目标训练数据,将所述目标训练数据中的目标样本特征信息输入至所述神经网络模型,获取所述目标样本特征信息对应的样本故障预测结果;
根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失;
根据所述训练损失,采用梯度下降法更新所述神经网络模型中的可学习参数;
重新执行所述在所述多组训练数据中选择目标训练数据的步骤,直至所述神经网络模型的可学习参数收敛。
所述的基于多源异构数据特征降维的数控机床故障预测方法,其中,所述根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失,包括:
根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果之间的差异得到第一损失;
将所述目标样本特征信息中的所述第二初始特征输入至深层语义提取模块,获取所述深层语义提取模块输出的深层语义特征,根据所述深层语义特征和所述神经网络模型中的所述注意力机制模块输出的所述目标样本特征信息对应的所述中间特征得到第二损失;
在各个所述样本特征信息中选择对应的数控机床类型与所述目标样本特征信息相同的至少一个第一样本特征信息和对应的数控机床类型与所述目标样本特征信息不同的至少一个第二样本特征信息;
将所述第一样本特征信息和所述第二样本特征信息分别输入至所述深层语义提取模块,获取各个第一深层语义特征和各个所述第二深层语义特征;
根据所述注意力机制模块输出的所述目标样本特征信息和各个所述第一深层语义特征、各个所述第二深层语义特征之间的差异得到第三损失;
根据所述第一损失、所述第二损失和所述第三损失获取所述目标样本特征信息对应的训练损失;
所述根据所述训练损失,采用梯度下降法更新所述神经网络模型的参数,包括:
根据所述训练损失,采用梯度下降法更新所述神经网络模型和所述深层语义提取模块的可学习参数。
本发明的第二方面,提供一种基于多源异构数据特征降维的数控机床故障预测装置,包括:
数据预处理单元,所述数据预处理单元用于获取目标数控机床多个零部件的运行数据,得到各组初始数据,对所述初始数据进行降维处理,得到预设尺寸的特征信息,所述特征信息中包括第一初始特征,所述第一初始特征包括每组所述初始数据降维后得到的降维数据,各个所述降维数据按照预设规则排列;
模型运算单元,所述模型运算单元用于:
获取预先训练的神经网络模型,所述神经网络模型中包括注意力机制模块和预测模块;
将所述第一初始特征输入至所述注意力机制模块,通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征;
将所述中间特征输入至所述预测模块,获取所述预测模块输出的故障预测结果。
本发明的第三方面,提供一种终端,所述终端包括处理器、与处理器通信连接的计算机可读存储介质,所述计算机可读存储介质适于存储多条指令,所述处理器适于调用所述计算机可读存储介质中的指令,以执行实现上述任一项所述的基于多源异构数据特征降维的数控机床故障预测方法的步骤。
本发明的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述任一项所述的基于多源异构数据特征降维的数控机床故障预测方法的步骤。
与现有技术相比,本发明提供了一种基于多源异构数据特征降维的数控机床故障预测方法,所述的基于多源异构数据特征降维的数控机床故障预测方法,获取目标数控机床的多个零部件的运行数据,并且对运行数据进行降维处理,再输入至神经网络模型中进行故障预测,结合了数控机床的多个零部件的多维数据进行故障预测,对多维数据进行降维,能够降低神经网络模型的运算时间,并且在神经网络模型中设置注意力机制模块,对降维后的数据执行注意力机制,可以提高重要维度信息在故障检测中的作用,提升故障检测的准确性。
附图说明
图1为本发明提供的基于多源异构数据特征降维的数控机床故障预测方法的实施例的流程图;
图2为本发明提供的基于多源异构数据特征降维的数控机床故障预测装置的实施例的结构原理图;
图3为本发明提供的终端的实施例的原理示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供的基于多源异构数据特征降维的数控机床故障预测方法,可以应用于具有计算能力的终端中,终端可以执行本发明提供的基于多源异构数据特征降维的数控机床故障预测方法对目标数控机床进行故障预测,以为目标数控机床的正常运行与维护提供参考数据。
实施例一
如图1所示,所述基于多源异构数据特征降维的数控机床故障预测方法的一个实施例中,包括步骤:
S100、获取目标数控机床多个零部件的运行数据,得到各组初始数据,对所述初始数据进行降维处理,得到预设尺寸的特征信息,所述特征信息中包括第一初始特征,所述第一初始特征包括每组所述初始数据降维后得到的降维数据,各个所述降维数据按照预设规则排列。
一个数控机床中的零部件可以按照其功能进行分类,例如分为:传动件、固定件、加工件等,在本实施例提供的方法,当需要对目标数控机床进行故障预测时,先获取所述目标数控机床的多个零部件的运行数据,每个零部件对应一组初始数据,每组初始数据中包括多种运行数据,运行数据可以通过设置在零部件上的传感器读取运行数据。对应的零部件的类别不同,数据类型不同,例如对于轴承等传动件,可以获取振动频率、噪音分贝数等运行数据,而对于刀具等加工件,可以获取磨损度、加工精度等运行数据。不同零部件可获取的运行数据的类别数量不同,而神经网络模型需要固定的输入数据尺寸,同时为了降低神经网络模型的运算量,在本实施例中,在得到各组所述初始数据之后,对每组所述初始数据进行降维处理,得到预设尺寸的特征信息。可以采用现有的降维算法实现降维处理,在本实施例中,采用主成分分析法(PCA)进行降维处理,得到预设尺寸的特征信息。所述特征信息中包括第一初始特征,所述第一初始特征包括多个降维数据,每个降维数据是对一组所述初始数据进行降维后得到的数据。
所述第一初始特征中的各个降维数据按照预设规则排列,所述预设规则可以是预先设置的零部件类型的顺序,也就是说,所述第一初始特征中的各个降维数据按照对应的零部件类型进行排序,这样可以提升后续处理效率。
S200、获取预先训练的神经网络模型,所述神经网络模型中包括注意力机制模块和预测模块。
在本实施例中,通过预先训练一个神经网络模型来进行故障的预测,具体地,所述神经网络模型的训练过程将在后文被详细说明。
S300、将所述第一初始特征输入至所述注意力机制模块,通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征;
S400、将所述中间特征输入至所述预测模块,获取所述预测模块输出的故障预测结果。
所述神经网络模型中的所述注意力机制模块,可以为各个所述降维数据进行关注度分配,提高重要的所述降维数据在后续预测中的作用。在本实施例中,所述预测模块为LSTM神经网络,利用LSTM的输入门、遗忘门和输出门对输入的数据进行遗忘、记忆和学习,输出特征给softmax函数,最终输出所述故障预测结果。所述故障预测结果中包括故障类型和对应的发生时间,即预测所述目标数控机床在何时产生何种故障。
对于不同类型的数控机床来说,其具有的零部件种类不同,组合结构也不同,对于数控机床故障的影响的权重也不同。虽然针对一种类型的数控机床,理论上专门训练一个神经网络模型来进行故障预测准确性会更高,但是这样会带来另外的训练数据的整理分类工作量,而且实际上数控机床的可用训练数据并不多,采用单一类型的数控机床进行神经网络模型训练也可能会出现训练集数据不够,造成过拟合,实际上反而造成模型的故障预测准确性低的问题。在本实施例中,为了让单一的所述神经网络模型能够实现根据不同类型的数控机床灵活地地实现不同的权重分配机制,将反映数控机床的类型的语义特征加入至所述神经网络模型中,所述语义特征用于生成所述注意力机制中的权重矩阵。具体地,所述特征信息中还包括第二初始特征,所述第二初始特征包括每组初始数据对应的语义特征,所述语义特征包括第一语义特征和多个第二语义特征,所述第一语义特征为所述数控机床的加工任务对应的语义嵌入向量,每个所述第二语义特征为对应的所述初始数据的零部件名称的语义嵌入向量,所述神经网络模型还包括权重模块,所述通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征,包括:
将所述特征信息中的所述第二初始特征输入至所述权重模块,获取所述权重模块输出的权重矩阵,其中,所述权重矩阵包括注意力机制中的Q、K、V矩阵;
通过所述注意力机制模块基于所述权重矩阵对所述第一初始特征执行注意力机制,得到所述中间特征。
在现有技术中,注意力机制中的权重矩阵,即Q、K、V矩阵在模型训练完成后固定,虽然说可以实现根据输入至注意力机制中的特征的不同来自主地进行注意力分配,即实现不同的权重分配,但是这种方式仍然不够灵活,特别是对于输入至注意力机制中的特征的来源类别很多时,例如不同的数控机床的零部件的运行数据,可能机床类型非常不同,但是同种类别的运行数据可能差异不大,例如噪声分贝数等,这种固定权重矩阵的方式很可能会忽略掉数值差异不大、但是对应的机床类型差异较大的数据之间适用的权重分配机制的区别,造成故障预测结果不准确。
在本实施例中,在所述神经网络模型训练完成后,并不固定所述注意力机制模块中的注意力机制中的权重矩阵,而是通过输入的所述目标数控机床的类型的语义特征来预测适合的权重矩阵。具体地,反映所述目标数控机床的类型的所述第二初始特征中包括所述目标数控机床的加工任务对应的语义嵌入向量,所述目标数控机床的加工任务,例如:车、铣、钻等,可以反映所述目标数控机床的类型,所述第二初始特征中还包括采集到所述初始数据的各个零部件的名词的语义嵌入向量,所述目标数控机床中包括的零部件的名词也可以反映所述目标数控机床的类型。所述权重模块的结构可以是采用现有的神经网络结构,例如CNN等。
为了使得所述神经网络模型能够实现故障预测,采用多组训练数据训练得到所述神经网络模型,训练过程与一般的神经网络训练过程类似,可以首先随机初始化所述神经网络模型中的各个可学习参数,之后将每组训练数据分别输入至所述神经网络模型,根据所述神经网络模型输出的结果和对应的真实结果计算得到损失,更新所述神经网络模型的参数直至所述神经网络模型的参数达到收敛。
具体地,每组训练数据包括样本特征信息和对应的故障标注结果,所述多组训练数据的数据来源于多种数控机床,训练数据来自于数控机床的真实运行记录,也就是说,保存现有的数控机床的运行数据,按照前文生成所述特征信息的方法生成现有的数控机床的样本特征信息,然后根据样本特征信息对应的数控机床的真实故障情况得到该样本特征信息对应的所述故障标注结果,即将数控机床真实发生故障的类别和发生时间记录得到所述故障标注结果。所述神经网络模型的训练过程为:
在所述多组训练数据中选择目标训练数据,将所述目标训练数据中的目标样本特征信息输入至所述神经网络模型,获取所述目标样本特征信息对应的样本故障预测结果;
根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失;
根据所述训练损失,采用梯度下降法更新所述神经网络模型中的可学习参数;
重新执行所述在所述多组训练数据中选择目标训练数据的步骤,直至所述神经网络模型的可学习参数收敛。
所述根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失,包括:
根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果之间的差异得到第一损失;
将所述目标样本特征信息中的所述第二初始特征输入至深层语义提取模块,获取所述深层语义提取模块输出的深层语义特征,根据所述深层语义特征和所述神经网络模型中的所述注意力机制模块输出的所述目标样本特征信息对应的所述中间特征得到第二损失;
在各个所述样本特征信息中选择对应的数控机床类型与所述目标样本特征信息相同的至少一个第一样本特征信息和对应的数控机床类型与所述目标样本特征信息不同的至少一个第二样本特征信息;
将所述第一样本特征信息和所述第二样本特征信息分别输入至所述深层语义提取模块,获取各个第一深层语义特征和各个所述第二深层语义特征;
根据所述注意力机制模块输出的所述目标样本特征信息和各个所述第一深层语义特征、各个所述第二深层语义特征之间的差异得到第三损失;
根据所述第一损失、所述第二损失和所述第三损失获取所述目标样本特征信息对应的训练损失。
在所述神经网络模型的训练过程中,每次将目标样本特征信息输入至所述神经网络模型,获得所述神经网络模型输出的结果与所述目标样本特征信息对应的所述故障标注结果之间的差异以计算训练损失,具体可以采用现有的常见神经网络的训练损失函数来计算。而为了进一步提升训练效率,使得所述权重模块能够更好地学习到不同类型的数控机床适用的数据权重分配机制,在本实施例中,还设置有深层语义提取模块。所述深层语义提取模块用于提取所述第二初始特征的深层语义特征,为了让所述神经网络模型能够学习到不同类型的数控机床的零部件的数据对故障影响的权重的不同内在关系,使得所述神经网络模型能够实现根据不同类型的数控机床灵活确定合适的所述权重矩阵,所述权重模块基于所述第二初始特征输出的所述权重矩阵与所述第一初始特征通过注意力机制进行注意力分配之后得到的所述中间特征应具有如下特点:数控机床对应的所述中间特征与所述第二初始特征之间应具有共同联系,并且数控机床对应的所述中间特征与不同类型的数控机床对应的所述第二初始特征之间的共同联系应该更少,而与不同类型的数控机床对应的所述第二初始特征之间的共同联系应该更少。
因此,本实施例提供的方法中,在所述神经网络模型进行训练时,除了计算所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果之间的差异得到第一损失作为所述目标样本特征信息对应的训练损失中的一部分,基于所述目标样本特征信息对应的所述中间特征和所述目标样本特征信息对应的所述深层语义特征之间的差异得到第二损失作为所述目标样本特征信息对应的训练损失中的一部分之外,还将训练数据中的所述样本特征信息按照对应的数控机床的类型进行分类,可以根据数控机床的加工任务进行分类,将所述目标样本特征信息输入至所述神经网络模型时,还将与所述目标样本特征信息对应的数控机床类型不同的至少一个样本特征信息分别输入至所述深层语义提取模块,得到各个所述第二深层语义特征,将与所述目标样本特征信息对应的数控机床类型相同的至少一个样本特征信息分别输入至所述深层语义提取模块,得到各个所述第一深层语义特征。采用损失函数计算所述中间特征和各个所述第一深层语义特征的差异得到第一中间损失,采用损失函数计算所述中间特征和各个所述第二深层语义特征的差异得到第二中间损失,取所述第二中间损失的相反数后与所述第一中间损失求和,得到所述第三损失。
将第一损失、第二损失和第三损失按照预设的权重进行求和,得到所述目标样本特征信息对应的训练损失,以使得所述训练损失最小的优化目标更新所述神经网络模型中的可学习参数。在现有技术中,所述注意力机制模块的可学习参数为所述权重矩阵,而在本实施例中,所述权重矩阵是由所述权重模块动态输出的,因此所述注意力机制模块的所述权重矩阵不是可学习参数。在所述神经网络模型的训练过程中,所述深层语义提取模块也一同被训练,即所述根据所述训练损失,采用梯度下降法更新所述神经网络模型的参数,包括:
根据所述训练损失,采用梯度下降法更新所述神经网络模型和所述深层语义提取模块的可学习参数。
综上所述,本实施例提供一种基于多源异构数据特征降维的数控机床故障预测方法,获取目标数控机床的多个零部件的运行数据,并且对运行数据进行降维处理,再输入至神经网络模型中进行故障预测,结合了数控机床的多个零部件的多维数据进行故障预测,对多维数据进行降维,能够降低神经网络模型的运算时间,并且在神经网络模型中设置注意力机制模块,对降维后的数据执行注意力机制,可以提高重要维度信息在故障检测中的作用,提升故障检测的准确性。
应该理解的是,虽然本发明说明书附图中给出的的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取计算机可读存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
实施例二
基于上述实施例,本发明还相应提供了一种基于多源异构数据特征降维的数控机床故障预测装置,如图2所示,所述基于多源异构数据特征降维的数控机床故障预测装置包括:
数据预处理单元,所述数据预处理单元用于获取目标数控机床多个零部件的运行数据,得到各组初始数据,对所述初始数据进行降维处理,得到预设尺寸的特征信息,所述特征信息中包括第一初始特征,所述第一初始特征包括每组所述初始数据降维后得到的降维数据,各个所述降维数据按照预设规则排列,具体如实施例一中所述;
模型运算单元,所述模型运算单元用于:
获取预先训练的神经网络模型,所述神经网络模型中包括注意力机制模块和预测模块,具体如实施例一中所述;
将所述第一初始特征输入至所述注意力机制模块,通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征,具体如实施例一中所述;
将所述中间特征输入至所述预测模块,获取所述预测模块输出的故障预测结果,具体如实施例一中所述。
实施例三
基于上述实施例,本发明还相应提供了一种终端,如图3所示,所述终端包括处理器10以及存储器20。图3仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元,例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(SecureDigital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有数控机床故障预测程序30,该数控机床故障预测程序30可被处理器10所执行,从而实现本申请中基于多源异构数据特征降维的数控机床故障预测方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述基于多源异构数据特征降维的数控机床故障预测方法等。
在一实施例中,当处理器10执行所述存储器20中数控机床故障预测程序30时实现以下步骤:
获取目标数控机床多个零部件的运行数据,得到各组初始数据,对所述初始数据进行降维处理,得到预设尺寸的特征信息,所述特征信息中包括第一初始特征,所述第一初始特征包括每组所述初始数据降维后得到的降维数据,各个所述降维数据按照预设规则排列;
获取预先训练的神经网络模型,所述神经网络模型中包括注意力机制模块和预测模块;
将所述第一初始特征输入至所述注意力机制模块,通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征;
将所述中间特征输入至所述预测模块,获取所述预测模块输出的故障预测结果。
其中,对所述初始数据进行降维处理,包括:
对所述初始数据采用主成分分析法进行降维处理。
其中,所述预测模块为LSTM神经网络。
其中,所述特征信息中还包括第二初始特征,所述第二初始特征包括每组初始数据对应的语义特征,所述语义特征包括第一语义特征和多个第二语义特征,所述第一语义特征为所述目标数控机床的加工任务对应的语义嵌入向量,每个所述第二语义特征为对应的所述初始数据的零部件名称的语义嵌入向量;所述神经网络模型还包括权重模块,所述通过所述注意力机制模块对所述第二初始特征执行注意力机制,得到中间特征,包括:
将所述特征信息中的所述第二初始特征输入至所述权重模块,获取所述权重模块输出的权重矩阵,其中,所述权重矩阵包括注意力机制中的Q、K、V矩阵;
通过所述注意力机制模块基于所述权重矩阵对所述第二初始特征执行注意力机制,所述得到中间特征。
所述的基于多源异构数据特征降维的数控机床故障预测方法,其中,所述故障预测结果包括故障类型和对应的发生时间,所述神经网络模型是基于多组训练数据训练完成的,每组训练数据包括样本特征信息和对应的故障标注结果,所述多组训练数据的数据来源于多种数控机床。
其中,所述神经网络模型的训练过程为:
在所述多组训练数据中选择目标训练数据,将所述目标训练数据中的目标样本特征信息输入至所述神经网络模型,获取所述目标样本特征信息对应的样本故障预测结果;
根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失;
根据所述训练损失,采用梯度下降法更新所述神经网络模型中的可学习参数;
重新执行所述在所述多组训练数据中选择目标训练数据的步骤,直至所述神经网络模型的可学习参数收敛。
其中,所述根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失,包括:
根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果之间的差异得到第一损失;
将所述目标样本特征信息中的所述第二初始特征输入至深层语义提取模块,获取所述深层语义提取模块输出的深层语义特征,根据所述深层语义特征和所述神经网络模型中的所述注意力机制模块输出的所述目标样本特征信息对应的所述中间特征得到第二损失;
在各个所述样本特征信息中选择对应的数控机床类型与所述目标样本特征信息相同的至少一个第一样本特征信息和对应的数控机床类型与所述目标样本特征信息不同的至少一个第二样本特征信息;
将所述第一样本特征信息和所述第二样本特征信息分别输入至所述深层语义提取模块,获取各个第一深层语义特征和各个所述第二深层语义特征;
根据所述注意力机制模块输出的所述目标样本特征信息和各个所述第一深层语义特征、各个所述第二深层语义特征之间的差异得到第三损失;
根据所述第一损失、所述第二损失和所述第三损失获取所述目标样本特征信息对应的训练损失;
所述根据所述训练损失,采用梯度下降法更新所述神经网络模型的参数,包括:
根据所述训练损失,采用梯度下降法更新所述神经网络模型和所述深层语义提取模块的可学习参数。
实施例四
本发明还提供一种计算机可读存储介质,其中,存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的基于多源异构数据特征降维的数控机床故障预测方法的步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于多源异构数据特征降维的数控机床故障预测方法,其特征在于,所述方法包括:
获取目标数控机床多个零部件的运行数据,得到各组初始数据,对所述初始数据进行降维处理,得到预设尺寸的特征信息,所述特征信息中包括第一初始特征,所述第一初始特征包括每组所述初始数据降维后得到的降维数据,各个所述降维数据按照预设规则排列;
获取预先训练的神经网络模型,所述神经网络模型中包括注意力机制模块和预测模块;
将所述第一初始特征输入至所述注意力机制模块,通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征;
将所述中间特征输入至所述预测模块,获取所述预测模块输出的故障预测结果;
所述特征信息中还包括第二初始特征,所述第二初始特征包括每组初始数据对应的语义特征,所述语义特征包括第一语义特征和多个第二语义特征,所述第一语义特征为所述目标数控机床的加工任务对应的语义嵌入向量,每个所述第二语义特征为对应的所述初始数据的零部件名称的语义嵌入向量;所述神经网络模型还包括权重模块,所述通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征,包括:
将所述特征信息中的所述第二初始特征输入至所述权重模块,获取所述权重模块输出的权重矩阵,其中,所述权重矩阵包括注意力机制中的Q、K、V矩阵;
通过所述注意力机制模块基于所述权重矩阵对所述第一初始特征执行注意力机制,得到所述中间特征;
所述故障预测结果包括故障类型和对应的发生时间,所述神经网络模型是基于多组训练数据训练完成的,每组训练数据包括样本特征信息和对应的故障标注结果,所述多组训练数据的数据来源于多种数控机床;
所述神经网络模型的训练过程为:
在所述多组训练数据中选择目标训练数据,将所述目标训练数据中的目标样本特征信息输入至所述神经网络模型,获取所述目标样本特征信息对应的样本故障预测结果;
根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失;
根据所述训练损失,采用梯度下降法更新所述神经网络模型中的可学习参数;
重新执行所述在所述多组训练数据中选择目标训练数据的步骤,直至所述神经网络模型的可学习参数收敛;
所述根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失,包括:
根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果之间的差异得到第一损失;
将所述目标样本特征信息中的所述第二初始特征输入至深层语义提取模块,获取所述深层语义提取模块输出的深层语义特征,根据所述深层语义特征和所述神经网络模型中的所述注意力机制模块输出的所述目标样本特征信息对应的所述中间特征得到第二损失;
在各个所述样本特征信息中选择对应的数控机床类型与所述目标样本特征信息相同的至少一个第一样本特征信息和对应的数控机床类型与所述目标样本特征信息不同的至少一个第二样本特征信息;
将所述第一样本特征信息和所述第二样本特征信息分别输入至所述深层语义提取模块,获取各个第一深层语义特征和各个第二深层语义特征;
根据所述注意力机制模块输出的所述目标样本特征信息和各个所述第一深层语义特征、各个所述第二深层语义特征之间的差异得到第三损失;
根据所述第一损失、所述第二损失和所述第三损失获取所述目标样本特征信息对应的训练损失;
所述根据所述训练损失,采用梯度下降法更新所述神经网络模型的参数,包括:
根据所述训练损失,采用梯度下降法更新所述神经网络模型和所述深层语义提取模块的可学习参数。
2.根据权利要求1所述的基于多源异构数据特征降维的数控机床故障预测方法,其特征在于,对所述初始数据进行降维处理,包括:
对所述初始数据采用主成分分析法进行降维处理。
3.根据权利要求1所述的基于多源异构数据特征降维的数控机床故障预测方法,其特征在于,所述预测模块为LSTM神经网络。
4.一种基于多源异构数据特征降维的数控机床故障预测装置,其特征在于,包括:
数据预处理单元,所述数据预处理单元用于获取目标数控机床多个零部件的运行数据,得到各组初始数据,对所述初始数据进行降维处理,得到预设尺寸的特征信息,所述特征信息中包括第一初始特征,所述第一初始特征包括每组所述初始数据降维后得到的降维数据,各个所述降维数据按照预设规则排列;
模型运算单元,所述模型运算单元用于:
获取预先训练的神经网络模型,所述神经网络模型中包括注意力机制模块和预测模块;
将所述第一初始特征输入至所述注意力机制模块,通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征;
将所述中间特征输入至所述预测模块,获取所述预测模块输出的故障预测结果;
所述特征信息中还包括第二初始特征,所述第二初始特征包括每组初始数据对应的语义特征,所述语义特征包括第一语义特征和多个第二语义特征,所述第一语义特征为所述目标数控机床的加工任务对应的语义嵌入向量,每个所述第二语义特征为对应的所述初始数据的零部件名称的语义嵌入向量;所述神经网络模型还包括权重模块,所述通过所述注意力机制模块对所述第一初始特征执行注意力机制,得到中间特征,包括:
将所述特征信息中的所述第二初始特征输入至所述权重模块,获取所述权重模块输出的权重矩阵,其中,所述权重矩阵包括注意力机制中的Q、K、V矩阵;
通过所述注意力机制模块基于所述权重矩阵对所述第一初始特征执行注意力机制,得到所述中间特征;
所述故障预测结果包括故障类型和对应的发生时间,所述神经网络模型是基于多组训练数据训练完成的,每组训练数据包括样本特征信息和对应的故障标注结果,所述多组训练数据的数据来源于多种数控机床;
所述神经网络模型的训练过程为:
在所述多组训练数据中选择目标训练数据,将所述目标训练数据中的目标样本特征信息输入至所述神经网络模型,获取所述目标样本特征信息对应的样本故障预测结果;
根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失;
根据所述训练损失,采用梯度下降法更新所述神经网络模型中的可学习参数;
重新执行所述在所述多组训练数据中选择目标训练数据的步骤,直至所述神经网络模型的可学习参数收敛;
所述根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失,包括:
根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果之间的差异得到第一损失;
将所述目标样本特征信息中的所述第二初始特征输入至深层语义提取模块,获取所述深层语义提取模块输出的深层语义特征,根据所述深层语义特征和所述神经网络模型中的所述注意力机制模块输出的所述目标样本特征信息对应的所述中间特征得到第二损失;
在各个所述样本特征信息中选择对应的数控机床类型与所述目标样本特征信息相同的至少一个第一样本特征信息和对应的数控机床类型与所述目标样本特征信息不同的至少一个第二样本特征信息;
将所述第一样本特征信息和所述第二样本特征信息分别输入至所述深层语义提取模块,获取各个第一深层语义特征和各个第二深层语义特征;
根据所述注意力机制模块输出的所述目标样本特征信息和各个所述第一深层语义特征、各个所述第二深层语义特征之间的差异得到第三损失;
根据所述第一损失、所述第二损失和所述第三损失获取所述目标样本特征信息对应的训练损失;
所述根据所述训练损失,采用梯度下降法更新所述神经网络模型的参数,包括:
根据所述训练损失,采用梯度下降法更新所述神经网络模型和所述深层语义提取模块的可学习参数。
5.一种终端,其特征在于,所述终端包括:处理器、与处理器通信连接的计算机可读存储介质,所述计算机可读存储介质适于存储多条指令,所述处理器适于调用所述计算机可读存储介质中的指令,以执行实现上述权利要求1-3任一项所述的基于多源异构数据特征降维的数控机床故障预测方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-3任一项所述的基于多源异构数据特征降维的数控机床故障预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572573.6A CN114660993B (zh) | 2022-05-25 | 2022-05-25 | 一种基于多源异构数据特征降维的数控机床故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572573.6A CN114660993B (zh) | 2022-05-25 | 2022-05-25 | 一种基于多源异构数据特征降维的数控机床故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114660993A CN114660993A (zh) | 2022-06-24 |
CN114660993B true CN114660993B (zh) | 2022-08-19 |
Family
ID=82038354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210572573.6A Active CN114660993B (zh) | 2022-05-25 | 2022-05-25 | 一种基于多源异构数据特征降维的数控机床故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114660993B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796407B (zh) * | 2023-02-13 | 2023-05-23 | 中建科技集团有限公司 | 一种生产线故障预测方法及相关设备 |
CN117421679B (zh) * | 2023-10-08 | 2024-06-18 | 宁波创基机械股份有限公司 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
US11361225B2 (en) * | 2018-12-18 | 2022-06-14 | Microsoft Technology Licensing, Llc | Neural network architecture for attention based efficient model adaptation |
CN109766277B (zh) * | 2019-01-02 | 2020-12-25 | 北京航空航天大学 | 一种基于迁移学习与dnn的软件故障诊断方法 |
CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
US20210357763A1 (en) * | 2020-05-18 | 2021-11-18 | StradVision, Inc. | Method and device for performing behavior prediction by using explainable self-focused attention |
CN112257263B (zh) * | 2020-10-22 | 2021-06-25 | 中国科学院自动化研究所 | 基于自注意力机制的设备剩余寿命预测系统 |
CN112926641B (zh) * | 2021-02-22 | 2022-05-17 | 山东大学 | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 |
CN112905421B (zh) * | 2021-03-18 | 2024-01-23 | 中科九度(北京)空间信息技术有限责任公司 | 基于注意力机制的lstm网络的容器异常行为检测方法 |
CN113281029B (zh) * | 2021-06-09 | 2022-03-15 | 重庆大学 | 一种基于多尺度网络结构的旋转机械故障诊断方法及系统 |
CN113961718A (zh) * | 2021-10-28 | 2022-01-21 | 南京航空航天大学 | 一种基于工业机械故障诊断知识图谱的知识推理方法 |
CN114398893A (zh) * | 2021-12-15 | 2022-04-26 | 北京易康医疗科技有限公司 | 一种基于对比学习的临床数据处理模型的训练方法及装置 |
CN114492645A (zh) * | 2022-01-28 | 2022-05-13 | 上海电机学院 | 基于多源异构数据自适应融合的电机轴承故障诊断方法 |
CN114529817A (zh) * | 2022-02-21 | 2022-05-24 | 东南大学 | 基于注意力神经网络的无人机光伏故障诊断及定位方法 |
-
2022
- 2022-05-25 CN CN202210572573.6A patent/CN114660993B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114660993A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114660993B (zh) | 一种基于多源异构数据特征降维的数控机床故障预测方法 | |
CN110688288B (zh) | 基于人工智能的自动化测试方法、装置、设备及存储介质 | |
EP3462268B1 (en) | Classification modeling for monitoring, diagnostics optimization and control | |
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
Shuai et al. | Hybrid software obsolescence evaluation model based on PCA-SVM-GridSearchCV | |
US20200380336A1 (en) | Real-Time Predictive Maintenance of Hardware Components Using a Stacked Deep Learning Architecture on Time-Variant Parameters Combined with a Dense Neural Network Supplied with Exogeneous Static Outputs | |
US11556785B2 (en) | Generation of expanded training data contributing to machine learning for relationship data | |
CN114676647B (zh) | 一种基于深度学习方法的数控机床零部件寿命预测方法 | |
US11126692B2 (en) | Base analytics engine modeling for monitoring, diagnostics optimization and control | |
CN114675597B (zh) | 一种数控机床故障预测可视化方法 | |
US20220012309A1 (en) | Systems and methods for applying semi-discrete calculus to meta machine learning | |
CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
CN115081760B (zh) | 一种加工资源管理优化方法、装置、终端及存储介质 | |
CN114418146A (zh) | 基于规则引擎的机电设备故障诊断方法、系统及终端 | |
Felderer et al. | Artificial intelligence techniques in system testing | |
CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
Khilenko et al. | Solving the problem of dynamic adaptability of artificial intelligence systems that control dynamic technical objects | |
CN116166967B (zh) | 基于元学习与残差网络的数据处理方法、设备和存储介质 | |
CN112668223B (zh) | 基于数字孪生轻量化模型的机电装备仿真方法及系统 | |
CN105005210A (zh) | 机电一体化仿真系统及使用其的方法 | |
CN112860652B (zh) | 作业状态预测方法、装置和电子设备 | |
CN111240846A (zh) | 数据审核方法、装置、计算机设备和存储介质 | |
CN116611903B (zh) | 基于数字金融服务的大数据处理方法、服务器及存储介质 | |
US20240202099A1 (en) | Analysis device and method for detecting variable vulnerability in software using machine learning model | |
CN113254644B (zh) | 模型训练方法及非投诉工单处理方法及系统及装置及介质 |
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 |