CN114676647A - 一种基于深度学习方法的数控机床零部件寿命预测方法 - Google Patents

一种基于深度学习方法的数控机床零部件寿命预测方法 Download PDF

Info

Publication number
CN114676647A
CN114676647A CN202210596737.9A CN202210596737A CN114676647A CN 114676647 A CN114676647 A CN 114676647A CN 202210596737 A CN202210596737 A CN 202210596737A CN 114676647 A CN114676647 A CN 114676647A
Authority
CN
China
Prior art keywords
data
target
machine tool
numerical control
control machine
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
Application number
CN202210596737.9A
Other languages
English (en)
Other versions
CN114676647B (zh
Inventor
杨之乐
刘祥飞
朱俊丞
王丁一
余发国
唐梦怀
江俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Hangmai CNC Software Shenzhen Co Ltd
Original Assignee
Zhongke Hangmai CNC Software Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongke Hangmai CNC Software Shenzhen Co Ltd filed Critical Zhongke Hangmai CNC Software Shenzhen Co Ltd
Priority to CN202210596737.9A priority Critical patent/CN114676647B/zh
Publication of CN114676647A publication Critical patent/CN114676647A/zh
Application granted granted Critical
Publication of CN114676647B publication Critical patent/CN114676647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种基于深度学习方法的数控机床零部件寿命预测方法，包括：获取目标数控机床的目标零部件在目标时刻前预设时段内的运行数据作为初始数据，对所述初始数据进行预处理，得到第一输入数据；获取所述目标数控机床在所述预设时段内的加工任务对应的加工图纸，对所述加工图纸进行处理，得到第二输入数据；将所述第一输入数据和所述第二输入数据输入至已训练的神经网络模型，通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果。本发明能够提升数控机床零部件寿命预测结果的准确性。

Description

一种基于深度学习方法的数控机床零部件寿命预测方法
技术领域
本发明涉及数控加工技术领域，特别涉及一种基于深度学习方法的数控机床零部件寿命预测方法。
背景技术
数控机床的加工效率和精度与机床的零部件息息相关，根据数控机床的使用情况不同，零部件的寿命不同，而在现有技术中，无法预先知晓零部件的剩余寿命，只能通过人工经验进行判断何时对零部件进行更换，寿命预测准确度低，导致零部件过度更换或者更换不及时。
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深度学习方法的数控机床零部件寿命预测方法，旨在解决现有技术中仅靠人工经验预测零部件剩余寿命准确性低的问题。
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，提供一种基于深度学习方法的数控机床零部件寿命预测方法，所述方法包括：
获取目标数控机床的目标零部件在目标时刻前预设时段内的运行数据作为初始数据，对所述初始数据进行预处理，得到第一输入数据；
获取所述目标数控机床在所述预设时段内的加工任务对应的加工图纸，对所述加工图纸进行处理，得到第二输入数据；
将所述第一输入数据和所述第二输入数据输入至已训练的神经网络模型，通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果。
所述的基于深度学习方法的数控机床零部件寿命预测方法，其中，所述对所述初始数据进行预处理，包括：
使用箱型图对所述初始数据进行分析，确定所述初始数据中的异常值；
对所述初始数据中的异常值进行删除、补缺或修正处理。
所述的基于深度学习方法的数控机床零部件寿命预测方法，其中，所述第二输入数据包括输入图像数据和输入文本数据；所述对所述加工图纸进行处理，得到第二输入数据，包括：
提取所述加工图纸中的图形部分和文本部分；
根据所述图形部分获取输入图像数据，根据所述文本部分获取输入文本数据；
其中，所述输入图像数据包括各个图像对，每个图像对包括所述目标数控机床执行的加工任务的工序图纸的图像部分和前序工序图纸的图像部分，所述输入文本数据包括第一输入文本数据和第二输入文本数据，所述第一输入文本数据包括所述目标数控机床执行的加工任务的工序图纸的比例尺信息，所述第二输入文本数据包括所述目标数控机床执行的加工任务的工序图纸的技术要求信息。
所述的基于深度学习方法的数控机床零部件寿命预测方法，其中，所述神经网络模型包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第一特征融合模块、第二特征融合模块和预测模块，所述通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果，包括：
将所述第一输入数据输入至所述第一特征提取模块，获取所述第一特征提取模块输出的第一特征，将所述输入图像数据输入至所述第二特征提取模块，获取所述第二特征提取模块输出的第二特征，将所述第二输入文本数据输入至所述第三特征提取模块，获取所述第三特征提取模块输出的第三特征；
将所述第二特征和所述第一输入文本数据输入至所述第一特征融合模块，获取所述第一特征融合模块输出的第一融合特征；
将所述第一特征、所述第一融合特征和所述第三特征输入至第二特征融合模块，获取所述第二特征融合模块输出的第二融合特征；
将所述第二融合特征输入至所述预测模块，获取所述预测模块输出的所述目标零部件对应的所述寿命预测结果。
所述的基于深度学习方法的数控机床零部件寿命预测方法，其中，所述第一特征提取模块为时域卷积网络。
所述的基于深度学习方法的数控机床零部件寿命预测方法，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输入数据和对应的寿命标注结果。
所述的基于深度学习方法的数控机床零部件寿命预测方法，其中，所述神经网络模型的训练过程为：
在各个所述训练数据中确定目标训练数据，将所述目标训练数据输入至所述神经网络模型中，获取所述神经网络模型输出的所述样本输入数据对应的寿命预测结果；
根据所述样本输入数据对应的寿命预测结果和所述样本输入数据对应的寿命标注结果得到所述目标训练数据对应的训练损失；
根据所述训练损失跟新所述神经网络模型的可学习参数；
重新执行所述在各个所述训练数据中确定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。
本发明的第二方面，提供一种基于深度学习方法的数控机床零部件寿命预测装置，包括：
第一预处理模块，所述第一预处理模块用于获取目标数控机床的目标零部件在目标时刻前预设时段内的运行数据作为初始数据，对所述初始数据进行预处理，得到第一输入数据；
第二预处理模块，所述第二预处理模块用于获取所述目标数控机床在所述预设时段内的加工任务对应的加工图纸，对所述加工图纸进行处理，得到第二输入数据；
模型运算模块，所述模型运算模块用于将所述第一输入数据和所述第二输入数据输入至已训练的神经网络模型，通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果。
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深度学习方法的数控机床零部件寿命预测方法的步骤。
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深度学习方法的数控机床零部件寿命预测方法的步骤。
与现有技术相比，本发明提供了一种基于深度学习方法的数控机床零部件寿命预测方法，所述的基于深度学习方法的数控机床零部件寿命预测方法，在预测目标数控机床的目标零部件在目标时刻的剩余寿命时，除了将目标零部件在目标时刻前预设时段内的运行数据进行预处理后作为神经网络模型的输入之外，还将目标数控机床在预设时段内的加工任务对应的加工图纸进行处理后作为神经网络模型的输入，这样除了目标零部件的性能退化引起的状态变化之外，还考虑到了目标零部件的加工任务信息对目标零部件的状态的影响，提升了数控机床零部件寿命预测的准确性。
附图说明
图1为本发明提供的基于深度学习方法的数控机床零部件寿命预测方法的实施例的流程图；
图2为本发明提供的基于深度学习方法的数控机床零部件寿命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。
本发明提供的基于深度学习方法的数控机床零部件寿命预测方法，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深度学习方法的数控机床零部件寿命预测方法对目标数控机的目标零部件进行预测，以为零部件的更换提供可靠的参考数据，避免过度更换或更换不及时。
实施例一
如图1所示，所述基于深度学习方法的数控机床零部件寿命预测方法的一个实施例中，包括步骤：
S100、获取目标数控机床的目标零部件在目标时刻前预设时段内的运行数据作为初始数据，对所述初始数据进行预处理，得到第一输入数据。
当需要预测目标数控机床的目标零部件在目标时刻的剩余寿命时，首先获取所述目标零部件在所述目标时刻前一段时间内的运行数据，将这一段时间称为预设时段，所述预设时段的长度可以取3天、一周、一个月等。将所述目标零部件在所述预设时段内的运行数据作为初始数据，对所述初始数据进行预处理，得到第一输入数据。所述初始数据可以是所述目标零部件在所述预设时段内的多种运行数据，例如振动频率、噪声等，所述初始数据可以通过设置在所述目标零部件上的传感器采集获取。
对所述初始数据进行预处理，是对所述初始数据中的异常值进行处理，避免这些由于传感器工作异常或者数据传输异常导致的异常数据影响寿命预测结果的准确性，确定所述初始数据中的异常值后，可以采用邻近值、平均值或回归插补的方式对异常值进行删除、不缺或修正处理。可以采用多种现有的方法确定所述初始数据中的异常值，在本实施例中，使用箱型图（boxplot）对采集得到的所述初始数据进行异常值分析，即，所述对所述初始数据进行预处理，包括：
使用箱型图对所述初始数据进行分析，确定所述初始数据中的异常值；
对所述初始数据中的异常值进行删除、补缺或修正处理。
所述目标零部件在所述预设时段内的运行数据可以反映所述目标零部件在所述预设时段内的状态变化，但是根据数控机床的加工任务的不同，对所述目标零部件的影响是不同的，仅由所述目标零部件在所述预设时段内的运行数据不能全面地反映所述目标零部件的状态变化是由所述目标零部件本身结构或材料发生变化导致的性能变化还是由于加工任务不同引起的状态变化，为了提升所述目标零部件的寿命预测结果的准确性，在本实施中，结合所述目标数控机床在所述预设时段内的加工任务共同进行对所述目标零部件的寿命预测。本实施例提供的方法，还包括步骤：
S200、获取所述目标数控机床在所述预设时段内的加工任务对应的加工图纸，对所述加工图纸进行处理，得到第二输入数据。
在实际生产中，工艺部门会根据产品结构以及机床的功能为产品设计加工工艺，将产品的加工过程拆分为多个工序，并绘制加工图纸，加工图纸中包括每道工序对应的工序图纸，工序图纸中反映了该工序完成后产品的形态以及技术要求。根据工厂的排产需求，所述目标数控机床在所述预设时段内可能执行多种产品的工序，即执行多种加工任务，例如，执行A产品的第二道工序：钻孔、执行B产品的第一道工序：铣台阶等。每种加工任务对应有工序图纸。由于本工序的工序图纸只能反映工序完成后产品的形态，在本实施例中，还获取本工序的前一工序的工序图纸，二者之间的区别可以反映所述目标数控机床加工任务的具体信息。
所述对所述加工图纸进行处理，得到第二输入数据，包括：
提取所述加工图纸中的图形部分和文本部分；
根据所述图形部分获取输入图像数据，根据所述文本部分获取输入文本数据；
其中，所述输入图像数据包括各个图像对，每个图像对包括所述目标数控机床执行的加工任务的工序图纸的图像部分和前序工序图纸的图像部分，所述输入文本数据包括第一输入文本数据和第二输入文本数据，所述第一输入文本数据包括所述目标数控机床执行的加工任务的工序图纸的比例尺信息，所述第二输入文本数据包括所述目标数控机床执行的加工任务的工序图纸的技术要求信息。
加工图纸包括图形部分、技术要求部分、标题栏和零件明细栏部分，在本实施例中，将加工图纸的图形部分提取出来作为图像输入特征，将技术要求部分提取出来作为文本输入特征。具体地，对于所述目标数控机床在所述预设时段中执行的每个加工任务，提取在所述目标数控机床上执行的工序图纸的图像部分和在所述目标数控机床上执行的工序的前序工序图纸的图像部分作为一个图像对，不难看出，所述目标数控机床在所述预设时段中执行的每个加工任务对应有一个图像对，各个图像对组合得到所述输入图像数据。对于所述目标数控机床在所述预设时段中执行的每个加工任务，提取在所述目标数控机床上执行的工序图纸的技术要求信息作为单个文本数据，所述目标数控机床在所述预设时段中执行的每个加工任务对应的文本数据组合得到所述第二输入文本数据。
在得到所述第一输入数据和所述第二输入数据之后，利用已训练的神经网络模型来预测所述目标零部件在所述目标时刻的剩余寿命，即本实施例提供的基于深度学习方法的数控机床零部件寿命预测方法，还包括步骤：
S300、将所述第一输入数据和所述第二输入数据输入至已训练的神经网络模型，通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果。
具体地，所述神经网络模型包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第一特征融合模块、第二特征融合模块和预测模块，所述通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果，包括：
将所述第一输入数据输入至所述第一特征提取模块，获取所述第一特征提取模块输出的第一特征，将所述输入图像数据输入至所述第二特征提取模块，获取所述第二特征提取模块输出的第二特征，将所述第二输入文本数据输入至所述第三特征提取模块，获取所述第三特征提取模块输出的第三特征；
将所述第二特征和所述第一输入文本数据输入至所述第一特征融合模块，获取第一融合特征；
将所述第一特征、所述第一融合特征和所述的第三特征输入至第二特征融合模块，获取所述第二特征融合模块输出的第二融合特征；
将所述第二融合特征输入至所述预测模块，获取所述预测模块输出的所述目标零部件对应的所述寿命预测结果。
所述第一输入数据是时间序列数据，在本实施例中，所述第一特征提取模块采用时域卷积网络（TCN），时域卷积网络通过编码-解码、因果卷积和残差连接的方式对数据进行特征提取，时域卷积网络的感受野的大小受层数、卷积核大小、扩张系数等决定，可以根据不同任务的特性灵活定制，并且时域卷积网络不太存在梯度消息和爆炸问题，在一层内卷积核是共享的，内存使用更低，可以避免如其他的深度学习神经网络容易陷入局部最优、灵活性差、训练时内存使用过高的问题。
所述第二特征提取模块和所述第三特征提取模块可以分别采用现有的适于提取图像和文本特征的深度学习神经网络。
在本实施例中，在将所述各个图像对输入至所述神经网络模型之前，将图像均缩放至固定大小。由于图纸的篇幅有限，对于不同尺寸的产品，会采用不同的比例尺来绘制图纸，而显然加工大尺寸的工件和加工小尺寸的工件对于零部件的影响是不同的，加工大尺寸的工件会需要机床更长的工作时间，机床的零部件的温升也会更大，对运行数据的影响也会更大。虽然图纸中的尺寸标注可以反映尺寸，但是自动识别图纸中的尺寸并进行相应的处理，难度更大，在本实施例中，直接识别图纸中的比例尺信息，基于比例尺信息对图像输入数据的特征进行相应的增强或减弱。具体地，在通过图纸的图形部分得到反映本次加工工序的加工量的所述第二特征后，将所述第二特征和所述第一输入文本数据输入至第一特征融合模块，获取所述第一特征融合模块输出的所述第一融合特征，以实现根据比例尺信息对根据图像提取的特征进行增强或减弱的目的。
在得到所述第一特征、所述第一融合特征和所述第三特征后，输入至第二特征融合模块进行融合，得到所述第二融合特征。基于所述第二融合特征得到所述目标零部件在所述目标时刻的所述寿命预测结果。
通过采用多组训练数据训练所述神经网络模型以得到所述神经网络模型各个模块的参数，以使得所述神经网络模型能够输出准确的寿命预测结果。所每组所述训练数据包括样本输入数据和对应的寿命标注结果。具体地，采集数控机床的零部件的运行数据，然后将时间序列的运行数据转为监督序列数据，即转化为与所述初始数据同样的格式（包括样本时刻和样本时刻前一定时段内的运行数据，该时段与所述预设时段的时长相同），再进行预处理后，得到各个所述样本输入数据，根据数控机床的零部件在样本时刻的实际剩余寿命或者经过测试后计算得到的预计剩余寿命得到各个所述样本输入数据对应的所述寿命标注结果。
所述神经网络模型的训练过程为：
在各个所述训练数据中确定目标训练数据，将所述目标训练数据输入至所述神经网络模型中，获取所述神经网络模型输出的所述样本输入数据对应的寿命预测结果；
根据所述样本输入数据对应的寿命预测结果和所述样本输入数据对应的寿命标注结果得到所述目标训练数据对应的训练损失；
根据所述训练损失跟新所述神经网络模型的可学习参数；
重新执行所述在各个所述训练数据中确定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。
综上所述，本实施例提供一种基于深度学习方法的数控机床零部件寿命预测方法，在预测目标数控机床的目标零部件在目标时刻的剩余寿命时，除了将目标零部件在目标时刻前预设时段内的运行数据进行预处理后作为神经网络模型的输入之外，还将目标数控机床在预设时段内的加工任务对应的加工图纸进行处理后作为神经网络模型的输入，这样除了目标零部件的性能退化引起的状态变化之外，还考虑到了目标零部件的加工任务信息对目标零部件的状态的影响，提升了数控机床零部件寿命预测的准确性。
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深度学习方法的数控机床零部件寿命预测装置，如图2所示，所述基于深度学习方法的数控机床零部件寿命预测装置包括：
第一预处理模块，所述第一预处理模块用于获取目标数控机床的目标零部件在目标时刻前预设时段内的运行数据作为初始数据，对所述初始数据进行预处理，得到第一输入数据，具体如实施例一中所述；
第二预处理模块，所述第二预处理模块用于获取所述目标数控机床在所述预设时段内的加工任务对应的加工图纸，对所述加工图纸进行处理，得到第二输入数据，具体如实施例一中所述；
模型运算模块，所述模型运算模块用于将所述第一输入数据和所述第二输入数据输入至已训练的神经网络模型，通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果，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上存储有数控机床零部件寿命预测程序30，该数控机床零部件寿命预测程序30可被处理器10所执行，从而实现本申请中基于深度学习方法的数控机床零部件寿命预测方法。
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，例如执行所述基于深度学习方法的数控机床零部件寿命预测方法等。
在一实施例中，当处理器10执行所述存储器20中数控机床零部件寿命预测程序30时实现以下步骤：
获取目标数控机床的目标零部件在目标时刻前预设时段内的运行数据作为初始数据，对所述初始数据进行预处理，得到第一输入数据；
获取所述目标数控机床在所述预设时段内的加工任务对应的加工图纸，对所述加工图纸进行处理，得到第二输入数据；
将所述第一输入数据和所述第二输入数据输入至已训练的神经网络模型，通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果。
其中，所述对所述初始数据进行预处理，包括：
使用箱型图对所述初始数据进行分析，确定所述初始数据中的异常值；
对所述初始数据中的异常值进行删除、补缺或修正处理。
其中，所述第二输入数据包括输入图像数据和输入文本数据；所述对所述加工图纸进行处理，得到第二输入数据，包括：
提取所述加工图纸中的图形部分和文本部分；
根据所述图形部分获取输入图像数据，根据所述文本部分获取输入文本数据；
其中，所述输入图像数据包括各个图像对，每个图像对包括所述目标数控机床执行的加工任务的工序图纸的图像部分和前序工序图纸的图像部分，所述输入文本数据包括第一输入文本数据和第二输入文本数据，所述第一输入文本数据包括所述目标数控机床执行的加工任务的工序图纸的比例尺信息，所述第二输入文本数据包括所述目标数控机床执行的加工任务的工序图纸的技术要求信息。
其中，所述神经网络模型包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第一特征融合模块、第二特征融合模块和预测模块，所述通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果，包括：
将所述第一输入数据输入至所述第一特征提取模块，获取所述第一特征提取模块输出的第一特征，将所述输入图像数据输入至所述第二特征提取模块，获取所述第二特征提取模块输出的第二特征，将所述第二输入文本数据输入至所述第三特征提取模块，获取所述第三特征提取模块输出的第三特征；
将所述第二特征和所述第一输入文本数据输入至所述第一特征融合模块，获取所述第一特征融合模块输出的第一融合特征；
将所述第一特征、所述第一融合特征和所述第三特征输入至第二特征融合模块，获取所述第二特征融合模块输出的第二融合特征；
将所述第二融合特征输入至所述预测模块，获取所述预测模块输出的所述目标零部件对应的所述寿命预测结果。
其中，所述第一特征提取模块为时域卷积网络。
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输入数据和对应的寿命标注结果。
其中，所述神经网络模型的训练过程为：
在各个所述训练数据中确定目标训练数据，将所述目标训练数据输入至所述神经网络模型中，获取所述神经网络模型输出的所述样本输入数据对应的寿命预测结果；
根据所述样本输入数据对应的寿命预测结果和所述样本输入数据对应的寿命标注结果得到所述目标训练数据对应的训练损失；
根据所述训练损失跟新所述神经网络模型的可学习参数；
重新执行所述在各个所述训练数据中确定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。
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深度学习方法的数控机床零部件寿命预测方法的步骤。
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 (10)

1.一种基于深度学习方法的数控机床零部件寿命预测方法，其特征在于，所述方法包括：
获取目标数控机床的目标零部件在目标时刻前预设时段内的运行数据作为初始数据，对所述初始数据进行预处理，得到第一输入数据；
获取所述目标数控机床在所述预设时段内的加工任务对应的加工图纸，对所述加工图纸进行处理，得到第二输入数据；
将所述第一输入数据和所述第二输入数据输入至已训练的神经网络模型，通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果。
2.根据权利要求1所述的基于深度学习方法的数控机床零部件寿命预测方法，其特征在于，所述对所述初始数据进行预处理，包括：
使用箱型图对所述初始数据进行分析，确定所述初始数据中的异常值；
对所述初始数据中的异常值进行删除、补缺或修正处理。
3.根据权利要求1所述的基于深度学习方法的数控机床零部件寿命预测方法，其特征在于，所述第二输入数据包括输入图像数据和输入文本数据；所述对所述加工图纸进行处理，得到第二输入数据，包括：
提取所述加工图纸中的图形部分和文本部分；
根据所述图形部分获取输入图像数据，根据所述文本部分获取输入文本数据；
其中，所述输入图像数据包括各个图像对，每个图像对包括所述目标数控机床执行的加工任务的工序图纸的图像部分和前序工序图纸的图像部分，所述输入文本数据包括第一输入文本数据和第二输入文本数据，所述第一输入文本数据包括所述目标数控机床执行的加工任务的工序图纸的比例尺信息，所述第二输入文本数据包括所述目标数控机床执行的加工任务的工序图纸的技术要求信息。
4.根据权利要求3所述的基于深度学习方法的数控机床零部件寿命预测方法，其特征在于，所述神经网络模型包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第一特征融合模块、第二特征融合模块和预测模块，所述通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果，包括：
将所述第一输入数据输入至所述第一特征提取模块，获取所述第一特征提取模块输出的第一特征，将所述输入图像数据输入至所述第二特征提取模块，获取所述第二特征提取模块输出的第二特征，将所述第二输入文本数据输入至所述第三特征提取模块，获取所述第三特征提取模块输出的第三特征；
将所述第二特征和所述第一输入文本数据输入至所述第一特征融合模块，获取所述第一特征融合模块输出的第一融合特征；
将所述第一特征、所述第一融合特征和所述第三特征输入至第二特征融合模块，获取所述第二特征融合模块输出的第二融合特征；
将所述第二融合特征输入至所述预测模块，获取所述预测模块输出的所述目标零部件对应的所述寿命预测结果。
5.根据权利要求4所述的基于深度学习方法的数控机床零部件寿命预测方法，其特征在于，所述第一特征提取模块为时域卷积网络。
6.根据权利要求4所述的基于深度学习方法的数控机床零部件寿命预测方法，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输入数据和对应的寿命标注结果。
7.根据权利要求6所述的基于深度学习方法的数控机床零部件寿命预测方法，其特征在于，所述神经网络模型的训练过程为：
在各个所述训练数据中确定目标训练数据，将所述目标训练数据输入至所述神经网络模型中，获取所述神经网络模型输出的所述样本输入数据对应的寿命预测结果；
根据所述样本输入数据对应的寿命预测结果和所述样本输入数据对应的寿命标注结果得到所述目标训练数据对应的训练损失；
根据所述训练损失跟新所述神经网络模型的可学习参数；
重新执行所述在各个所述训练数据中确定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。
8.一种基于深度学习方法的数控机床零部件寿命预测装置，其特征在于，包括：
第一预处理模块，所述第一预处理模块用于获取目标数控机床的目标零部件在目标时刻前预设时段内的运行数据作为初始数据，对所述初始数据进行预处理，得到第一输入数据；
第二预处理模块，所述第二预处理模块用于获取所述目标数控机床在所述预设时段内的加工任务对应的加工图纸，对所述加工图纸进行处理，得到第二输入数据；
模型运算模块，所述模型运算模块用于将所述第一输入数据和所述第二输入数据输入至已训练的神经网络模型，通过所述神经网络模型获取所述目标零部件在所述目标时刻的寿命预测结果。
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任一项所述的基于深度学习方法的数控机床零部件寿命预测方法的步骤。
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任一项所述的基于深度学习方法的数控机床零部件寿命预测方法的步骤。
CN202210596737.9A 2022-05-30 2022-05-30 一种基于深度学习方法的数控机床零部件寿命预测方法 Active CN114676647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210596737.9A CN114676647B (zh) 2022-05-30 2022-05-30 一种基于深度学习方法的数控机床零部件寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210596737.9A CN114676647B (zh) 2022-05-30 2022-05-30 一种基于深度学习方法的数控机床零部件寿命预测方法

Publications (2)

Publication Number Publication Date
CN114676647A true CN114676647A (zh) 2022-06-28
CN114676647B CN114676647B (zh) 2022-08-23

Family

ID=82079862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210596737.9A Active CN114676647B (zh) 2022-05-30 2022-05-30 一种基于深度学习方法的数控机床零部件寿命预测方法

Country Status (1)

Country Link
CN (1) CN114676647B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081760A (zh) * 2022-08-22 2022-09-20 中科航迈数控软件(深圳)有限公司 一种加工资源管理优化方法、装置、终端及存储介质
CN115081967A (zh) * 2022-08-22 2022-09-20 中科航迈数控软件(深圳)有限公司 基于多维度感知的数控机床加工过程的模拟方法及系统
CN115237054A (zh) * 2022-09-21 2022-10-25 中科航迈数控软件(深圳)有限公司 一种主轴驱动电机控制方法、装置、终端及存储介质
CN115600512A (zh) * 2022-12-01 2023-01-13 深圳先进技术研究院（Cn） 一种基于分布式学习的刀具寿命预测方法
CN116911204A (zh) * 2023-09-13 2023-10-20 南通迈程汽车技术有限公司 一种基于深度学习的汽车零部件寿命预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782689A (zh) * 2019-01-10 2019-05-21 上海交通大学 一种基于大数据技术的数控加工的刀具管理方法及系统
CN110263474A (zh) * 2019-06-27 2019-09-20 重庆理工大学 一种数控机床的刀具寿命实时预测方法
CN110472800A (zh) * 2019-08-23 2019-11-19 山东浪潮通软信息科技有限公司 一种基于lstm+cnn的机床刀具剩余寿命预测方法
CN112241608A (zh) * 2020-10-13 2021-01-19 国网湖北省电力有限公司电力科学研究院 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN112540317A (zh) * 2020-12-16 2021-03-23 武汉理工大学 基于实车数据的电池健康状态估计与剩余寿命预测方法
CN114417913A (zh) * 2021-12-22 2022-04-29 太原理工大学 基于pc-tcn和迁移学习的轴承寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782689A (zh) * 2019-01-10 2019-05-21 上海交通大学 一种基于大数据技术的数控加工的刀具管理方法及系统
CN110263474A (zh) * 2019-06-27 2019-09-20 重庆理工大学 一种数控机床的刀具寿命实时预测方法
CN110472800A (zh) * 2019-08-23 2019-11-19 山东浪潮通软信息科技有限公司 一种基于lstm+cnn的机床刀具剩余寿命预测方法
CN112241608A (zh) * 2020-10-13 2021-01-19 国网湖北省电力有限公司电力科学研究院 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN112540317A (zh) * 2020-12-16 2021-03-23 武汉理工大学 基于实车数据的电池健康状态估计与剩余寿命预测方法
CN114417913A (zh) * 2021-12-22 2022-04-29 太原理工大学 基于pc-tcn和迁移学习的轴承寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
田园: ""基于机器学习的机床关键零件状态评价与剩余寿命预测研究"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 *
蔡伟立: ""基于深度学习的汽轮机轮槽精加工刀具剩余寿命预测技术研究"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081760A (zh) * 2022-08-22 2022-09-20 中科航迈数控软件(深圳)有限公司 一种加工资源管理优化方法、装置、终端及存储介质
CN115081967A (zh) * 2022-08-22 2022-09-20 中科航迈数控软件(深圳)有限公司 基于多维度感知的数控机床加工过程的模拟方法及系统
CN115081967B (zh) * 2022-08-22 2022-11-29 中科航迈数控软件(深圳)有限公司 基于多维度感知的数控机床加工过程的模拟方法及系统
CN115237054A (zh) * 2022-09-21 2022-10-25 中科航迈数控软件(深圳)有限公司 一种主轴驱动电机控制方法、装置、终端及存储介质
CN115237054B (zh) * 2022-09-21 2022-12-16 中科航迈数控软件(深圳)有限公司 一种主轴驱动电机控制方法、装置、终端及存储介质
CN115600512A (zh) * 2022-12-01 2023-01-13 深圳先进技术研究院（Cn） 一种基于分布式学习的刀具寿命预测方法
CN116911204A (zh) * 2023-09-13 2023-10-20 南通迈程汽车技术有限公司 一种基于深度学习的汽车零部件寿命预测方法
CN116911204B (zh) * 2023-09-13 2023-12-15 南通迈程汽车技术有限公司 一种基于深度学习的汽车零部件寿命预测方法

Also Published As

Publication number Publication date
CN114676647B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
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
CN110024097B (zh) 基于机器学习的半导体制造良率预测系统和方法
CN116009480B (zh) 一种数控机床的故障监测方法、装置、设备及存储介质
US20190102494A1 (en) System for tracking incremental damage accumulation
EP3723011A1 (en) Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method
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
US10528041B2 (en) Machining time estimation device
CN115690405B (zh) 一种基于机器视觉的加工轨迹优化方法及相关设备
CN115796407A (zh) 一种生产线故障预测方法及相关设备
CN117451115B (zh) 一种用于分拣输送系统的实时状态监测方法
CN109063846B (zh) 机器学习的运行方法、装置、设备及存储介质
US11340590B2 (en) Data collection system, data collection method, and information storage medium
CN112860779B (zh) 一种批量数据导入方法及装置
CN115169412A (zh) 用于确定作业模式的方法、装置、控制器及工程车辆
CN109344545B (zh) 建筑设计软件中构件尺寸的精确度调整方法、装置
CN112883590A (zh) 系统可靠性验证试验方案确定方法
CN111045390A (zh) 机床的控制系统
CN112446564A (zh) 确定设备检修时间的方法、装置、设备及存储介质
CN110968640A (zh) 油井数据处理方法及装置、油井控制系统
CN110727888B (zh) 页面处理方法、装置、计算机存储介质及处理器
EP4212973A1 (en) Method and system for quality inspection
CN114756440B (zh) 智能卡的数据写入方法、装置、设备及存储介质
US20210286343A1 (en) Production system, data transmission method, and information storage medium
CN115601363B (zh) 一种基于小目标检测算法的装配式建筑产品缺陷检测方法
CN114742391B (zh) 基于人工智能的异常处理方法、装置、计算机设备及介质

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