CN114675597A - 一种数控机床故障预测可视化方法 - Google Patents
一种数控机床故障预测可视化方法 Download PDFInfo
- Publication number
- CN114675597A CN114675597A CN202210599767.5A CN202210599767A CN114675597A CN 114675597 A CN114675597 A CN 114675597A CN 202210599767 A CN202210599767 A CN 202210599767A CN 114675597 A CN114675597 A CN 114675597A
- Authority
- CN
- China
- Prior art keywords
- target
- numerical control
- control machine
- machine tool
- fault
- 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.)
- Granted
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
-
- 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
本发明公开了一种数控机床故障预测可视化方法及相关设备,本发明提供的方法,根据目标数控机床的运行数据,采用神经网络模型预测目标数控机床的故障类别和对应的预计发生时刻,并将故障类别在该机床的三维模型上对应显示,同时结合目标数控机床的加工任务信息和故障的预计发生时刻确定故障对应的维护时段,将维护时段也展示在该机床的三维模型上,这样可以实现数控机床的可视化远程监测,不需要维护人员定期去现场观察数控机床情况,在数控机床发生故障前确定合适的维护时段并显示,可以提醒维护人员及时对数控机床进行必要的维护,保证了数控机床的安全稳定运行。
Description
技术领域
本发明涉及数控加工技术领域,特别涉及一种数控机床故障预测可视化方法。
背景技术
工厂内对于数控机床的维护检修目前还是停留在定时对机床进行停机,维护人员现场巡检,观察数控机床的状态进行维护的方式,然而即使是同种类型的数控机床,根据其加工任务的不同,产生故障需要维护的周期是不一样的,定时停机让维护人员现场观察数控机床状态再进行维护会导致维护不及时或者对不需要进行维护的机床进行停机造成资源浪费。
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,本发明提供一种数控机床故障预测可视化方法,旨在解决现有技术中定时对机床进行停机由维护人现场观察机床并进行维护的方式导致机床维护不及时的问题。
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,提供一种数控机床故障预测可视化方法,所述方法包括:
接收目标数控机床的运行数据,将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,其中,所述故障预测结果包括故障类别和对应的预计发生时刻;
根据预先建立的故障类别与关联零部件的映射关系确定所述故障预测结果中的目标故障类别对应的至少一个目标零部件,在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别;
根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时刻和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,将所述目标维护时段显示在所述目标数控机床的三维模型中所述目标零部件的位置。
所述的数控机床故障预测可视化方法,其中,所述在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别,包括:
将所述目标数控机床的三维模型中所述目标零部件的模型部分修改为预设颜色;
在预设的故障图示库中确定所述目标故障类别对应的故障图示信息,在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别以及对应的所述故障图示信息;
其中,所述目标故障类别对应的所述故障图示信息包括所述目标故障类别对应的故障演示动图和维护方案图示信息,所述维护方案图示信息包括维护工具的文本和/或图像信息、以及维护方法的文本和/或图像信息。
所述的数控机床故障预测可视化方法,其中,所述根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时间和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,包括:
基于预设的故障类别与维护时长的映射关系获取所述目标故障类别对应的目标维护时长;
当所述目标维护时长和预设预留时长的和小于所述目标数控机床的两个相邻加工任务之间的时间间隔时,根据所述目标数控机床的重要程度排序确定所述目标故障类别对应的所述目标维护时段;
当所述目标维护时长和预设预留时长的和大于所述目标数控机床的任意两个相邻加工任务之间的时间间隔时,根据所述目标数控机床的加工任务对应的产品的订单要求时刻和所述目标数控机床的重要程度排序确定所述目标维护时段;
其中,所述目标维护时段早于所述预计发生时刻,所述目标数控机床的重要程度是基于所述目标数控机床的加工任务在对应的产品的所有工序任务的顺序、所述目标数控机床的加工能力以及所述目标数控机床执行的加工任务对应的产品确定的。
所述的数控机床故障预测可视化方法,其中,所述确定所述目标故障类别对应的目标维护时间之后,包括:
在所述目标维护时段前向预设终端发送提示信息,所述提示信息中包括所述维护方案图示信息、所述目标数控机床的位置、以及所述目标故障类别对应的维护工具的位置。
所述的数控机床故障预测可视化方法,其中,所述神经网络模型包括权重模块、注意力机制模块和预测模块;所述将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,包括:
获取所述目标数控机床多个零部件的运行数据,将各个零部件的运行数据作为各组初始数据,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,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;
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,所述得到中间特征;
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。
所述的数控机床故障预测可视化方法,其中,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输入至所述神经网络模型,获取所述目标训练数据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。
所述的数控机床故障预测可视化方法,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和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,提供一种数控机床故障预测可视化装置,包括:
故障预测模块,所述故障预测模块用于接收目标数控机床的运行数据,将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,其中,所述故障预测结果包括故障类别和对应的预计发生时刻;
第一显示模块,所述第一显示模块用于根据预先建立的故障类别与关联零部件的映射关系确定所述故障预测结果中的目标故障类别对应的至少一个目标零部件,在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别;
第二显示模块,所述第二显示模块用于根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时刻和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,将所述目标维护时段显示在所述目标数控机床的三维模型中所述目标零部件的位置。
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数控机床故障预测可视化方法的步骤。
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数控机床故障预测可视化方法的步骤。
与现有技术相比,本发明提供了一种数控机床故障预测可视化方法,所述的数控机床故障预测可视化方法,根据目标数控机床的运行数据,采用神经网络模型预测目标数控机床的故障类别和对应的预计发生时刻,并将故障类别在该机床的三维模型上对应显示,同时结合目标数控机床的加工任务信息和故障的预计发生时刻确定故障对应的维护时段,将维护时段也展示在该机床的三维模型上,这样可以实现数控机床的可视化远程监测,不需要维护人员定期去现场观察数控机床情况,在数控机床发生故障前确定合适的维护时段并显示,可以提醒维护人员及时对数控机床进行必要的维护,保证了数控机床的安全稳定运行。
附图说明
图1为本发明提供的数控机床故障预测可视化方法的实施例的流程图;
图2为本发明提供的数控机床故障预测可视化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。
本发明提供的数控机床故障预测可视化方法,可以应用于具有计算能力的终端中,终端可以但不限于是各种计算机、服务器、移动设备等。
实施例一
如图1所示,所述数控机床故障预测可视化方法的一个实施例中,包括步骤:
S100、接收目标数控机床的运行数据,并将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,其中,所述故障预测结果包括故障类别和对应的预计发生时刻。
具体地,所述预计发生时刻可以是以小时、天为最小单位,也就是说,所述预计发生时刻可以不精确至分钟级或者小时级。所述神经网络模型包括权重模块、注意力机制模块和预测模块;所述将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,包括:
获取所述目标数控机床多个零部件的运行数据,将各个零部件的运行数据作为各组初始数据,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,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;
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,所述得到中间特征;
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。
具体地,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。
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别和对应的发生时间,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,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。
而在本实施例中,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输入至所述神经网络模型,获取所述目标训练数据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和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算是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。
请再次参阅图1,本实施例提供的方法,在利用所述神经网络模型获取到所述目标数控机床的故障预测结果后,还包括步骤:
S200、根据预先建立的故障类别与关联零部件的映射关系确定所述故障预测结果中的目标故障类别对应的至少一个目标零部件,在所述目标数控机床的三维模型中所述目标零部件的位置上显示所述目标故障类别。
在获取到所述故障预测结果后,为了更加直观地展示所述故障预测结果中的目标故障类别的情况,将所述目标故障类别在所述目标数控机床的三维模型中展示。在采用所述神经网络模型预测故障预测结果时,预先确定各个所述故障类别,这样,可以预先根据不同的故障类别设置对应的关联零部件,建立故障类别与关联零部件的映射关系,例如故障类别为轴承磨损,对应的关联零部件为轴承,故障类别为传动精度超范围,对应的关联零部件为滚珠丝杆副等。在确定所述目标故障类别后,可以根据预先建立的映射关系确定所述目标故障类别对应的关联零部件作为所述目标零部件,所述目标零部件可以是一个或者多个。预先建立所述目标数控机床的三维模型,所述目标数控机床的三维模型可以采用现有的三维建模软件绘制生成。将所述目标数控机床的三维模型中的各个零部件部分与对应的零部件名称相对应,这样,在确定了所述目标故障类别对应的所述目标零部件后,可以在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别,具体包括:
将所述目标数控机床的三维模型中所述目标零部件的模型部分修改为预设颜色;
在预设的故障图示库中确定所述目标故障类别对应的故障图示信息,在所述目标数控机床的三维模型中所述目标零部件的位置所述目标故障类别以及对应的所述故障图示信息;
其中,所述目标故障类别对应的所述故障图示信息包括所述目标故障类别对应的故障演示动图和维护方案图示信息,所述维护方案图示信息包括维护工具和维护方法的文本和/或图像信息。
在一种可能的实现方式中,可以将所述目标数控机床的三维模型中所述零部件的模型部分修改为预设颜色,例如红色。在绘制三维模型时,为了区分不同的零部件,一般会将不同的零部件设置不同的颜色,所述预设颜色应与所述目标数控机床的三维模型中任一零部件的原始颜色不同。
进一步地,还可以预先建立故障图示库,所述故障图示库中包括各个故障类别对应的故障图示信息,在确定所述目标故障类别后,在所述故障图示库中查找所述目标故障类别对应的所述故障图示信息。具体地,所述目标故障类别对应的所述故障图示信息包括所述目标故障类别对应的故障演示动图和维护方案图示信息,所述目标故障类别对应的故障演示动图中包括所述目标故障类别对应的所述目标零部件的拆解动图以及所述目标故障类别对应的故障说明动图。所述拆解动图反映对所述目标数控机床进行拆解以达到维护所述目标零部件的过程,所述故障说明动图反映当所述目标故障类别发生时所述目标零部件的状态。所述目标故障类别对应的所述维护方案图示信息中包括维护工具的文本和/或图像信息、以及维护方法的文本和/或图像信息,即所述目标故障类别对应的所述维护方案图示信息中包括所述目标故障类别维护时需要的维护工具的图片和/或文字说明,还包括所述目标故障类别维护方法的图片和/或文字说明,所述目标故障类别维护方法的图片可以是动图。
将所述目标数控机床的故障预测结果中的故障类别在三维模型中对应展示,可以实现所述目标数控机床的远程可视化监测,方便维护人员查看数控机床是否需要维护。
进一步地,本实施例提供的方法,还包括步骤:
S300、根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时刻和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,将所述目标维护时段显示在所述目标数控机床的三维模型中所述目标零部件的位置。
所述根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时间和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,包括:
基于预设的故障类别与维护时长的映射关系获取所述目标故障类别对应的目标维护时长;
当所述目标维护时长和预设预留时长的和小于所述目标数控机床的两个相邻加工任务之间的时间间隔时,根据所述目标数控机床的重要程度排序确定所述目标故障类别对应的所述目标维护时段;
当所述目标维护时长和预设预留时长的和大于所述目标数控机床的任意两个相邻加工任务之间的时间间隔时,根据所述目标数控机床的加工任务对应的产品的订单要求时刻和所述目标数控机床的重要程度排序确定所述目标维护时段,在所述目标维护时段所述目标数控机床停机;
其中,所述目标维护时段早于所述预计发生时刻,所述目标数控机床的重要程度是基于所述目标数控机床的加工任务在对应的产品的所有工序任务的顺序、所述目标数控机床的加工能力以及所述目标数控机床执行的加工任务对应的产品类别确定的。
在本实施例中,终端根据所述目标数控机床的故障预测结果中的预计发生时刻自动确定合适的维护时间,具体地,是根据所述目标数控机床的加工任务来确定。
根据先验知识可以预先建立故障类别和需要的维护时长的映射关系,这样,在确定所述目标故障类别后,根据该映射关系,可以确定需要的维护时长,即所述目标维护时长。同时,为了保证维护的安全有效进行,预先设计时间余量,即所述预设预留时长,所述预设预留时长应能够保证维护人员在所述目标故障类别对应的所述目标维护时长和所述预设预留时长的总时长中能够完成针对所述目标故障类别的维护或者能够将所述目标数控机床恢复至可安全运行状态。
预先建立数据库,保存所有的数控机床的加工任务信息,所述加工任务信息中包括数控机床执行的加工任务的排期,即所述加工任务信息中包括数控机床执行每个加工任务的计划时刻。具体地,单个数控机床可能可以执行多种工序,例如铣、钻等,也可能只执行一个工序,例如车等。在工厂排产时,根据数控机床的能力以及产品订单需求,为不同的数控机床分配加工任务,并制定加工任务排期表,便于生产管理,终端可以访问存储有所有的数控机床的加工任务信息的数据库,获取所述目标数控机床的加工任务信息。
基于所述目标数控机床的加工任务信息,可以获取所述目标数控机床的两个相邻加工任务之间的时间间隔。当所述目标维护时长和预设预留时长的和小于所述目标数控机床的两个相邻加工任务之间的时间间隔时,可以在所述目标数控机床的两个相邻加工任务之间停机进行针对所述目标故障类别的维护,这不会占用所述目标数控机床的生产时间,在这种情况下, 根据所述目标数控机床的重要程度排序确定所述目标故障类别对应的所述目标维护时段。而当所述目标维护时长和预设预留时长的和大于所述目标数控机床的任意两个相邻加工任务之间的时间间隔时,对所述目标数控机床的维护会占用所述目标数控机床的生产时间,在这种情况下,根据所述目标数控机床的加工任务对应的产品的订单要求时刻和所述目标数控机床的重要程度排序确定所述目标维护时段,具体地,所述目标维护时段需要能够满足保证所述目标数控机床的加工任务对应的产品能够在订单要求时刻之前完成,即所述目标数控机床的加工任务执行时间加上所述目标维护时段的时长不超出加工任务对应的产品的订单要求时刻。
所述目标数控机床的重要程度是基于所述目标数控机床的加工任务在对应的产品的所有工序任务的顺序、所述目标数控机床的加工能力以及所述目标数控机床执行的加工任务对应的产品确定的。可以将数控机床的加工任务在对应的产品的所有工序任务中的顺序、加工能力以及执行的加工任务对应的产品类别作为三个指标分别进行评分,再按照预设的权重进行求和,得到反映数控机床的重要程度的分数。具体地,每个指标下可以设置小指标,例如,所述目标数控机床执行的加工任务对应的产品指标中包括产品类别的个数指标、产品的重要程度指标、产品的订单要求时刻指标等,所述目标数控机床的加工能力指标中包括单位时间内可加工工件数量指标、支持的加工任务类型数量指标等。对于数控机床的加工任务在对应的产品的所有工序任务的顺序指标,若数控机床的加工任务在对应的产品的所有工序任务的顺序越靠前,则指标得分越高。对于数控机床的加工能力指标来说,若单位时间内可加工工件数量越多,则单位时间内可加工工件数量指标得分越高,若支持的加工任务类型数量越多,则支持的加工任务类型数量指标得分越高。对于数控机床执行的加工任务对应的产品指标来说,若产品类别的个数越多,则产品类别个数指标得分越高,若产品重要程度越高,则产品重要程度指标得分越高,若产品的订单要求时刻越早,则产品订单要求时刻指标得分越高。
得到所述目标数控机床的重要程度后,根据所述目标数控机床的重要程度排序来确定所述目标维护时段,具体地,将各个数控机床的重要程度排序,在满足所述目标维护时段在所述目标维护时段早于所述预计发生时刻,以及所述目标数控机床的加工任务执行时间加上所述目标维护时段的时长不超出加工任务对应的产品的订单要求时刻的前提下,重要程度越高的机床对应的维护时段越早。
在一种可能的实现方式中,在确定了所述目标故障类别对应的所述目标维护时间之后,还包括步骤:
在所述目标维护时段前向预设终端发送提示信息,所述提示信息中包括所述维护方案图示信息、所述目标数控机床的位置、以及所述目标故障类别对应的维护工具的位置。
所述预设终端为维护人员的移动终端,在所述目标维护时段前向所述预设终端发送包括所述维护方案图示信息、所述目标数控机床的位置、以及所述目标故障类别对应的维护工具的位置的提示信息,可以方便维护人员快速定位所述目标数控机床以及维护所述目标数控机床需要的维护工具,并且提前查看维护方案,提升维护人员的操作效率。
综上所述,本实施例提供一种数控机床故障预测可视化方法,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数控机床故障预测可视化装置,如图2所示,所述数控机床故障预测可视化装置包括:
故障预测模块,所述故障预测模块用于接收目标数控机床的运行数据,将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,其中,所述故障预测结果包括故障类别和对应的预计发生时刻,具体如实施例一中所述;
第一显示模块,所述第一显示模块用于根据预先建立的故障类别与关联零部件的映射关系确定所述故障预测结果中的目标故障类别对应的至少一个目标零部件,在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别,具体如实施例一中所述;
第二显示模块,所述第二显示模块用于根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时刻和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,将所述目标维护时段显示在所述目标数控机床的三维模型中所述目标零部件的位置,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可视化程序30,该数控机床故障预测可视化程序30可被处理器10所执行,从而实现本申请中数控机床故障预测可视化方法。
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,例如执行所述数控机床故障预测可视化方法等。
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可视化程序30时实现以下步骤:
接收目标数控机床的运行数据,将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,其中,所述故障预测结果包括故障类别和对应的预计发生时刻;
根据预先建立的故障类别与关联零部件的映射关系确定所述故障预测结果中的目标故障类别对应的至少一个目标零部件,在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别;
根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时刻和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,将所述目标维护时段显示在所述目标数控机床的三维模型中所述目标零部件的位置。
其中,所述在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别,包括:
将所述目标数控机床的三维模型中所述目标零部件的模型部分修改为预设颜色;
在预设的故障图示库中确定所述目标故障类别对应的故障图示信息,在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别以及对应的所述故障图示信息;
其中,所述目标故障类别对应的所述故障图示信息包括所述目标故障类别对应的故障演示动图和维护方案图示信息,所述维护方案图示信息包括维护工具的文本和/或图像信息、以及维护方法的文本和/或图像信息。
其中,所述根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时间和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,包括:
基于预设的故障类别与维护时长的映射关系获取所述目标故障类别对应的目标维护时长;
当所述目标维护时长和预设预留时长的和小于所述目标数控机床的两个相邻加工任务之间的时间间隔时,根据所述目标数控机床的重要程度排序确定所述目标故障类别对应的所述目标维护时段;
当所述目标维护时长和预设预留时长的和大于所述目标数控机床的任意两个相邻加工任务之间的时间间隔时,根据所述目标数控机床的加工任务对应的产品的订单要求时刻和所述目标数控机床的重要程度排序确定所述目标维护时段;
其中,所述目标维护时段早于所述预计发生时刻,所述目标数控机床的重要程度是基于所述目标数控机床的加工任务在对应的产品的所有工序任务的顺序、所述目标数控机床的加工能力以及所述目标数控机床执行的加工任务对应的产品确定的。
其中,所述确定所述目标故障类别对应的目标维护时间之后,包括:
在所述目标维护时段前向预设终端发送提示信息,所述提示信息中包括所述维护方案图示信息、所述目标数控机床的位置、以及所述目标故障类别对应的维护工具的位置。
其中,所述神经网络模型包括权重模块、注意力机制模块和预测模块;所述将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,包括:
获取所述目标数控机床多个零部件的运行数据,将各个零部件的运行数据作为各组初始数据,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,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;
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,所述得到中间特征;
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,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输入至所述神经网络模型,获取所述目标训练数据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和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,以实现如上所述的数控机床故障预测可视化方法的步骤。
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 (10)
1.一种数控机床故障预测可视化方法,其特征在于,所述方法包括:
接收目标数控机床的运行数据,将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,其中,所述故障预测结果包括故障类别和对应的预计发生时刻;
根据预先建立的故障类别与关联零部件的映射关系确定所述故障预测结果中的目标故障类别对应的至少一个目标零部件,在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别;
根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时刻和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,将所述目标维护时段显示在所述目标数控机床的三维模型中所述目标零部件的位置。
2.根据权利要求1所述的数控机床故障预测可视化方法,其特征在于,所述在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别,包括:
将所述目标数控机床的三维模型中所述目标零部件的模型部分修改为预设颜色;
在预设的故障图示库中确定所述目标故障类别对应的故障图示信息,在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别以及对应的所述故障图示信息;
其中,所述目标故障类别对应的所述故障图示信息包括所述目标故障类别对应的故障演示动图和维护方案图示信息,所述维护方案图示信息包括维护工具的文本和/或图像信息、以及维护方法的文本和/或图像信息。
3.根据权利要求1所述的数控机床故障预测可视化方法,其特征在于,所述根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时间和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,包括:
基于预设的故障类别与维护时长的映射关系获取所述目标故障类别对应的目标维护时长;
当所述目标维护时长和预设预留时长的和小于所述目标数控机床的两个相邻加工任务之间的时间间隔时,根据所述目标数控机床的重要程度排序确定所述目标故障类别对应的所述目标维护时段;
当所述目标维护时长和预设预留时长的和大于所述目标数控机床的任意两个相邻加工任务之间的时间间隔时,根据所述目标数控机床的加工任务对应的产品的订单要求时刻和所述目标数控机床的重要程度排序确定所述目标维护时段;
其中,所述目标维护时段早于所述预计发生时刻,所述目标数控机床的重要程度是基于所述目标数控机床的加工任务在对应的产品的所有工序任务的顺序、所述目标数控机床的加工能力以及所述目标数控机床执行的加工任务对应的产品确定的。
4.根据权利要求2所述的数控机床故障预测可视化方法,其特征在于,所述确定所述目标故障类别对应的目标维护时间之后,包括:
在所述目标维护时段前向预设终端发送提示信息,所述提示信息中包括所述维护方案图示信息、所述目标数控机床的位置、以及所述目标故障类别对应的维护工具的位置。
5.根据权利要求1所述的数控机床故障预测可视化方法,其特征在于,所述神经网络模型包括权重模块、注意力机制模块和预测模块;所述将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,包括:
获取所述目标数控机床多个零部件的运行数据,将各个零部件的运行数据作为各组初始数据,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,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;
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,所述得到中间特征;
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。
6.根据权利要求5所述的数控机床故障预测可视化方法,其特征在于,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输入至所述神经网络模型,获取所述目标训练数据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。
7.根据权利要求6所述的数控机床故障预测可视化方法,其特征在于,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和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。
8.一种数控机床故障预测可视化装置,其特征在于,包括:
故障预测模块,所述故障预测模块用于接收目标数控机床的运行数据,将所述目标数控机床的运行数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的所述目标数控机床的故障预测结果,其中,所述故障预测结果包括故障类别和对应的预计发生时刻;
第一显示模块,所述第一显示模块用于根据预先建立的故障类别与关联零部件的映射关系确定所述故障预测结果中的目标故障类别对应的至少一个目标零部件,在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别;
第二显示模块,所述第二显示模块用于根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时刻和所述目标数控机床的加工任务信息,确定所述目标故障类别对应的目标维护时段,将所述目标维护时段显示在所述目标数控机床的三维模型中所述目标零部件的位置。
9.一种终端,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1-7任一项所述的数控机床故障预测可视化方法的步骤。
10.一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1-7任一项所述的数控机床故障预测可视化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210599767.5A CN114675597B (zh) | 2022-05-30 | 2022-05-30 | 一种数控机床故障预测可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210599767.5A CN114675597B (zh) | 2022-05-30 | 2022-05-30 | 一种数控机床故障预测可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114675597A true CN114675597A (zh) | 2022-06-28 |
CN114675597B CN114675597B (zh) | 2022-08-26 |
Family
ID=82081140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210599767.5A Active CN114675597B (zh) | 2022-05-30 | 2022-05-30 | 一种数控机床故障预测可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114675597B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115981240A (zh) * | 2023-03-22 | 2023-04-18 | 中科航迈数控软件(深圳)有限公司 | 数控机床故障原因确定方法、装置、设备及介质 |
CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193836A (zh) * | 2011-04-18 | 2011-09-21 | 电子科技大学 | 机电设备的动态预防性维护方法 |
CN108921308A (zh) * | 2018-08-02 | 2018-11-30 | 深圳市晟达机械设计有限公司 | 一种数控机床综合管理系统 |
US20180373233A1 (en) * | 2017-06-27 | 2018-12-27 | Fanuc Corporation | Failure predicting apparatus and machine learning device |
CN111539515A (zh) * | 2020-04-21 | 2020-08-14 | 中国电子科技集团公司第三十八研究所 | 一种基于故障预测的复杂装备维修决策方法 |
CN111598251A (zh) * | 2019-02-20 | 2020-08-28 | 东莞先知大数据有限公司 | 一种基于机器学习的cnc预测性维护系统及方法 |
CN111754640A (zh) * | 2020-06-28 | 2020-10-09 | 济南浪潮高新科技投资发展有限公司 | 一种设备故障三维可视化系统及方法 |
US20200326698A1 (en) * | 2019-04-09 | 2020-10-15 | Nabtesco Corporation | Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method |
CN111913458A (zh) * | 2020-08-28 | 2020-11-10 | 华中科技大学 | 一种基于深度学习的车间控制方法及系统 |
CN111931979A (zh) * | 2020-06-30 | 2020-11-13 | 西门子工厂自动化工程有限公司 | 汽车制造设备预测性维护信息反馈方法和装置 |
CN112631204A (zh) * | 2020-12-14 | 2021-04-09 | 成都航天科工大数据研究院有限公司 | 一种数控机床健康管理平台、终端、系统和方法 |
CN112818035A (zh) * | 2021-01-29 | 2021-05-18 | 湖北工业大学 | 一种网络故障预测方法及终端设备及存储介质 |
CN113935443A (zh) * | 2021-12-20 | 2022-01-14 | 广东电网有限责任公司广州供电局 | 异构设备多域联合故障预测方法、装置、终端及存储介质 |
CN114241728A (zh) * | 2021-12-07 | 2022-03-25 | 纽控(广东)数控技术有限公司 | 数控机床运行状态监测及报警方法、装置和智能终端 |
CN114254779A (zh) * | 2021-12-23 | 2022-03-29 | 九号智能科技(上海)有限公司 | 一种基于预测性维护的生产设备健康管理系统 |
-
2022
- 2022-05-30 CN CN202210599767.5A patent/CN114675597B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193836A (zh) * | 2011-04-18 | 2011-09-21 | 电子科技大学 | 机电设备的动态预防性维护方法 |
US20180373233A1 (en) * | 2017-06-27 | 2018-12-27 | Fanuc Corporation | Failure predicting apparatus and machine learning device |
CN108921308A (zh) * | 2018-08-02 | 2018-11-30 | 深圳市晟达机械设计有限公司 | 一种数控机床综合管理系统 |
CN111598251A (zh) * | 2019-02-20 | 2020-08-28 | 东莞先知大数据有限公司 | 一种基于机器学习的cnc预测性维护系统及方法 |
US20200326698A1 (en) * | 2019-04-09 | 2020-10-15 | Nabtesco Corporation | Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method |
CN111539515A (zh) * | 2020-04-21 | 2020-08-14 | 中国电子科技集团公司第三十八研究所 | 一种基于故障预测的复杂装备维修决策方法 |
CN111754640A (zh) * | 2020-06-28 | 2020-10-09 | 济南浪潮高新科技投资发展有限公司 | 一种设备故障三维可视化系统及方法 |
CN111931979A (zh) * | 2020-06-30 | 2020-11-13 | 西门子工厂自动化工程有限公司 | 汽车制造设备预测性维护信息反馈方法和装置 |
CN111913458A (zh) * | 2020-08-28 | 2020-11-10 | 华中科技大学 | 一种基于深度学习的车间控制方法及系统 |
CN112631204A (zh) * | 2020-12-14 | 2021-04-09 | 成都航天科工大数据研究院有限公司 | 一种数控机床健康管理平台、终端、系统和方法 |
CN112818035A (zh) * | 2021-01-29 | 2021-05-18 | 湖北工业大学 | 一种网络故障预测方法及终端设备及存储介质 |
CN114241728A (zh) * | 2021-12-07 | 2022-03-25 | 纽控(广东)数控技术有限公司 | 数控机床运行状态监测及报警方法、装置和智能终端 |
CN113935443A (zh) * | 2021-12-20 | 2022-01-14 | 广东电网有限责任公司广州供电局 | 异构设备多域联合故障预测方法、装置、终端及存储介质 |
CN114254779A (zh) * | 2021-12-23 | 2022-03-29 | 九号智能科技(上海)有限公司 | 一种基于预测性维护的生产设备健康管理系统 |
Non-Patent Citations (1)
Title |
---|
钱虹 等: "串行分组深度学习运行状态分析与故障预测", 《控制工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115981240A (zh) * | 2023-03-22 | 2023-04-18 | 中科航迈数控软件(深圳)有限公司 | 数控机床故障原因确定方法、装置、设备及介质 |
CN115981240B (zh) * | 2023-03-22 | 2023-06-20 | 中科航迈数控软件(深圳)有限公司 | 数控机床故障原因确定方法、装置、设备及介质 |
CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114675597B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114675597B (zh) | 一种数控机床故障预测可视化方法 | |
Xie et al. | Digital twin for cutting tool: Modeling, application and service strategy | |
US11119451B2 (en) | Apparatus, method, program, and recording medium | |
US11644803B2 (en) | Control system database systems and methods | |
Reis et al. | Assessing the value of information of data‐centric activities in the chemical processing industry 4.0 | |
CN112132400B (zh) | 一种工序时间规划方法、存储介质及系统 | |
CN110262279A (zh) | 控制系统以及控制方法 | |
Kholopov et al. | Application of the digital twin concept to solve the monitoring task of machine-building technological process | |
Ćwikła et al. | The expert system supporting design of the manufacturing information acquisition system (MIAS) for production management | |
Checa et al. | Using Machine-Learning techniques and Virtual Reality to design cutting tools for energy optimization in milling operations | |
Hung et al. | Development of an advanced manufacturing cloud for machine tool industry based on AVM technology | |
CN104081298A (zh) | 用于自动化和/或电气工程项目中的工作流程的自动化操控的系统和方法 | |
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 | |
Chen et al. | Exploring equipment electrocardiogram mechanism for performance degradation monitoring in smart manufacturing | |
Komissarov | Relevance of the application of the theory of fuzzy sets in the calculation of the strategic security of a complex technical system | |
Yanuardi et al. | Vocational High School Technical Skills Facing the Industrial Era 4.0 | |
Vlasov et al. | Economic Indicators of the Algorithm for Introducing Artificial Intelligence into the Automated Process Control System | |
de Andrade Mairinque et al. | A bootstrap control chart for the availability index | |
KR20230089756A (ko) | 제조데이터 기반 현장수요형 조립공정 도제 지원 시스템 | |
Filip et al. | Method for optimization production systems by computer aided modeling and simulation | |
JP2017211682A (ja) | データ検索視点生成方法、設備管理装置およびそれを用いた設備管理システム | |
Peng | Equipment Management in the Post-maintenance Era: Advancing in the Era of Smart Machines | |
Mourtzis et al. | A Conceptual Framework for the Improvement of Robotic System Reliability Through Industry 4.0 | |
VEGA ORTEGA | Development of a Digital Twin to support machine prognostics with low availability of run-to-failure data | |
Kovalev et al. | Determining the Volumes of In-Process Storage in Flexible Manufacturing Systems with Asynchronous Flow |
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 |