CN115981240B - 数控机床故障原因确定方法、装置、设备及介质 - Google Patents
数控机床故障原因确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115981240B CN115981240B CN202310282238.7A CN202310282238A CN115981240B CN 115981240 B CN115981240 B CN 115981240B CN 202310282238 A CN202310282238 A CN 202310282238A CN 115981240 B CN115981240 B CN 115981240B
- Authority
- CN
- China
- Prior art keywords
- fault
- target
- data
- machine tool
- information
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Numerical Control (AREA)
Abstract
本发明提供一种数控机床故障原因确定方法、装置、设备及介质,涉及数控机床监测技术领域,方法包括:获取目标数控机床对应的机床型号、故障类别、故障监测数据和加工环境数据,故障监测数据包括目标数控机床对应的日志数据和加工图像数据,日志数据包括多个部件日志信息,加工图像数据包括多个加工图像组;根据机床型号和故障类别获取故障监测数据中的故障目标数据,故障目标数据包括故障目标日志数据和故障目标图像数据;根据故障类别、故障目标数据、加工环境数据和已训练的故障原因确定模型获取目标数控机床对应的故障原因。本发明有利于提高数控机床故障原因确定的效率和准确性。
Description
技术领域
本发明涉及数控机床监测技术领域,尤其涉及一种数控机床故障原因确定方法、装置、设备及介质。
背景技术
随着科学技术的发展,尤其是自动化加工技术的发展,数控机床作为重要的自动化加工设备得到了越来越广泛的应用。数控机床在运行过程中可能出现各种故障,而分析确定故障发生的原因,是对数控机床进行检修或避免再次出现相同故障的重要基础。
现有技术中,通常通过人工分析的方式确定数控机床对应的故障原因。具体的,在数控机床发生故障之后,由专业的分析人员根据数控机床的实际情况确定故障发生的原因。现有技术的问题在于,基于人工分析处理速度较慢,且完全依赖于分析人员的经验,对分析人员的专业水平要求较高,不利于提高数控机床故障原因确定的效率和准确性。
发明内容
本发明提供一种数控机床故障原因确定方法、装置、设备及介质,用以解决现有技术中通过人工分析的方式确定数控机床对应的故障原因时处理速度较慢,且完全依赖于分析人员的经验,对分析人员的专业水平要求较高,不利于提高数控机床故障原因确定的效率和准确性的缺陷,实现提高数控机床故障原因确定的效率和准确性。
本发明提供一种数控机床故障原因确定方法,包括:
获取目标数控机床对应的机床型号、故障类别、故障监测数据和加工环境数据,其中,所述故障监测数据包括所述目标数控机床对应的日志数据和加工图像数据,所述日志数据包括多个部件日志信息,一个所述部件日志信息包括所述目标数控机床的一个组成部件对应的操作信息和运行信息,所述加工图像数据包括多个加工图像组,一个所述加工图像组包括所述目标数控机床的一个组成部件对应的加工图像,所述加工环境数据包括环境温度数据和环境湿度数据;
根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,其中,所述故障目标数据包括故障目标日志数据和故障目标图像数据;
根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因。
根据本发明提供的一种数控机床故障原因确定方法,所述根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,包括:
将所述机床型号和所述故障类别输入已训练的关联部件识别模型,获取所述已训练的关联部件识别模型输出的目标关联部件;
根据所述目标关联部件从所述日志数据中筛选出对应的目标部件日志信息,并基于所述目标部件日志信息构建所述故障目标日志数据;
根据所述目标关联部件从所述加工图像数据中筛选出对应的目标加工图像组,并基于所述目标加工图像组构建所述故障目标图像数据。
根据本发明提供的一种数控机床故障原因确定方法,所述关联部件识别模型通过如下步骤进行训练:
将关联部件训练数据中的样本机床型号和样本故障类别输入所述关联部件识别模型,获取所述关联部件识别模型输出的样本目标关联部件,其中,所述关联部件训练数据包括多组部件关联信息组,每一组所述部件关联信息组包括样本机床型号、样本故障类别和标注关联部件;
根据所述标注关联部件和所述样本目标关联部件,对所述关联部件识别模型的模型参数进行调整,并继续执行所述将关联部件训练数据中的样本机床型号和样本故障类别输入所述关联部件识别模型的步骤,直至满足预设关联训练条件,以得到已训练的关联部件识别模型。
根据本发明提供的一种数控机床故障原因确定方法,所述根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因,包括:
对所述目标部件日志信息中的操作信息和运行信息分别进行语义分析提取,获取所述目标关联部件对应的操作语义信息和运行语义信息;
将所述操作语义信息和所述运行语义信息进行对比获得所述目标关联部件对应的操作差异信息;
将所述故障类别、所述故障目标数据、所述加工环境数据和所述操作差异信息输入所述已训练的故障原因确定模型,获取所述已训练的故障原因确定模型输出的所述故障原因。
根据本发明提供的一种数控机床故障原因确定方法,所述故障原因确定模型通过如下步骤进行训练:
将故障原因训练数据中的样本故障类别、样本故障目标数据、样本加工环境数据和样本操作差异信息输入所述故障原因确定模型,获取所述故障原因确定模型输出的样本故障原因,其中,所述故障原因训练数据包括多组故障信息组,每一组故障信息组包括样本故障类别、样本故障目标数据、样本加工环境数据、样本操作差异信息和标注故障原因;
根据所述样本故障原因以及与所述样本故障原因对应的标注故障原因,对所述故障原因确定模型的模型参数进行调整,并继续执行所述将故障原因训练数据中的样本故障类别、样本故障目标数据、样本加工环境数据和样本操作差异信息输入所述故障原因确定模型的步骤,直至满足预设故障原因确定训练条件,以得到已训练的故障原因确定模型。
根据本发明提供的一种数控机床故障原因确定方法,所述故障原因包括部件损坏、操作失误、环境温度过高、环境温度过低、环境湿度过高和环境湿度过低中的至少一种。
根据本发明提供的一种数控机床故障原因确定方法,在所述根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因之后,所述方法还包括:
根据所述故障原因获取故障检修方案,并输出所述故障检修方案;
当所述故障原因包括操作失误时,根据所述目标部件日志信息中的操作信息获取失误操作对象,并输出所述失误操作对象。
本发明还提供一种数控机床故障原因确定装置,包括:
数据获取模块,用于获取目标数控机床对应的机床型号、故障类别、故障监测数据和加工环境数据,其中,所述故障监测数据包括所述目标数控机床对应的日志数据和加工图像数据,所述日志数据包括多个部件日志信息,一个部件日志信息包括所述目标数控机床的一个组成部件对应的操作信息和运行信息,所述加工图像数据包括多个加工图像组,一个加工图像组包括所述目标数控机床的一个组成部件对应的加工图像,所述加工环境数据包括环境温度数据和环境湿度数据;
数据筛选模块,用于根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,其中,所述故障目标数据包括故障目标日志数据和故障目标图像数据;
故障原因确定模块,用于根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一种所述数控机床故障原因确定方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现任一种所述数控机床故障原因确定方法。
本发明提供的数控机床故障原因确定方法中,在目标数控机床发生故障后,可以获取目标数控机床所对应的反映其运行状态和故障情况的数据,包括机床型号、故障类别、故障监测数据和加工环境数据,从而实现根据这些数据进行故障原因自动分析。其中,故障监测数据是对目标数控机床进行整体监测获得的数据,包括了目标数控机床中多个组成部件对应的信息。本发明中,根据机床型号和故障类别可以对故障监测数据,选择出其中与对应的故障类别相关联的数据作为故障目标数据,可以减小需要分析的数据量,提高处理效率。进一步的,通过所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型自动进行分析确定所述目标数控机床对应的故障原因,不需要进行人工分析处理,不依赖于分析人员的经验,所以分析过程不受人为因素影响。且可以实现实时监测和实时确定故障原因,有利于提高数控机床故障原因确定的效率和准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的数控机床故障原因确定方法的流程示意图;
图2是本发明提供的数控机床故障原因确定装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着科学技术的发展,尤其是自动化加工技术的发展,数控机床作为重要的自动化加工设备得到了越来越广泛的应用。数控机床在运行过程中可能出现各种故障,而分析确定故障发生的原因,是对数控机床进行检修或避免再次出现相同故障的重要基础。
现有技术中,通常通过人工分析的方式确定数控机床对应的故障原因。具体的,在数控机床发生故障之后,由专业的分析人员根据数控机床的实际情况确定故障发生的原因。现有技术的问题在于,基于人工分析处理速度较慢,且完全依赖于分析人员的经验,对分析人员的专业水平要求较高,如果分析人员专业水平较低,则无法准确确定数控机床的故障原因。因此,现有技术的方案不利于提高数控机床故障原因确定的效率和准确性。
为了解决上述多个问题中的至少一个问题,本发明提供一种数控机床故障原因确定方法、装置、设备及介质,下面结合图1-图3进行具体描述。
如图1所示,本发明实施例提供一种数控机床故障原因确定方法,具体的,所述方法包括如下步骤:
步骤S100,获取目标数控机床对应的机床型号、故障类别、故障监测数据和加工环境数据,其中,所述故障监测数据包括所述目标数控机床对应的日志数据和加工图像数据,所述日志数据包括多个部件日志信息,一个所述部件日志信息包括所述目标数控机床的一个组成部件对应的操作信息和运行信息,所述加工图像数据包括多个加工图像组,一个所述加工图像组包括所述目标数控机床的一个组成部件对应的加工图像,所述加工环境数据包括环境温度数据和环境湿度数据。
其中,所述目标数控机床是需要进行故障原因分析以确定故障原因的数控机床,且所述目标数控机床是已经发生故障的数控机床,即本实施例中是针对已经发生故障的数控机床进行故障原因确定。所述机床型号是所述目标数控机床的型号,所述故障类别是所述目标数控机床所发生的故障对应的类别。
在一种应用场景中,所述故障类别可以根据所述目标数控机床在运故障时的具体情况,通过预先设置的训练好的故障分类模型进行分类获得,例如分类确定的故障类别可以是刀具故障、轴承故障、夹持部件故障、电路故障等多种类别中的一种。
在另一种应用场景中,所述故障类别由所述目标数控机床中的故障代码表示。具体的,在故障发生时,所述目标数控机床会生成对应的故障代码,可以使用该故障代码作为故障类别。进一步的,也可以根据故障代码进行分类而确定故障类别,预先将各种故障代码所对应的情况按照实际需求划分,分成多种类别,一种类别可以与一种或多种故障代码对应,有利于根据划分的实际类别进行数据处理,而相同类别下的数据具有相似性,有利于提高数据处理效率,从而提高故障原因确定效率。
所述故障监测数据和所述加工环境数据是对所述目标数控机床及其运行环境进行持续数据采集直到故障发生时停止采集获得的数据。在一种应用场景中,所述故障监测数据和加工环境数据值在故障监测时段内的数据,故障监测时段终止时刻是故障发生时刻,故障监测时段的时间长度可以根据实际需求进行设置和调整,例如可以设置为1小时,在此不作具体限定。在另一种应用场景中,所述故障监测数据和所述加工环境数据是故障发生时刻对应的数据。
具体的,所述日志数据是记录目标数控机床的操作信息和运行信息的数据,操作信息是分析人员或其它控制设备针对所述目标数控机床发出或者设置的信息,运行信息则是目标数控机床针对操作信息的执行情况。具体的,操作信息可以是用户设置的参数(例如设置的进给速度),运行信息则是目标数控机床实际执行的参数(例如实际执行的进给速度)。
所述组成部件是目标数控机床的组成部件,例如,可以是刀具、轴承、传动部件等,在此不作具体限定。所述加工图像数据则是针对各个组成部件进行图像采集获取的图像。需要说明的是,本实施例中,对于一个组成部件,可以采集获得一个或多个加工图像构成该组成部件对应的加工图像组,当采集有多个加工图像时,各个加工图像的采集角度不同,以对组成部件进行更准确的姿态分析和加工状态分析,从而提高故障原因确定的准确性。
需要说明的是,所述加工环境数据包括环境温度数据和环境湿度数据,具体为监测时段内的环境温度值和湿度值,还可以包括其它数据,例如温度值和湿度值对应的波动数据、环境大气压数据等,在此不作具体限定。
步骤S200,根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,其中,所述故障目标数据包括故障目标日志数据和故障目标图像数据。
需要说明的是,所述故障监测数据是对目标数控机床进行全面的数据采集所获得的数据,但其中的部分数据可能与故障并无关联,因此本实施例中对其进行筛选,筛选出与对应的故障类别相关的故障目标数据。其中,对于不同型号的数控机床,同一个故障类别影响的具体数据可能不同,因此筛选时也结合机床型号进行筛选。
在一种应用场景中,直接根据预设的数据关联表,基于机床型号和故障类别确定对应关联的故障目标数据。
本实施例中,所述根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,包括:将所述机床型号和所述故障类别输入已训练的关联部件识别模型,获取所述已训练的关联部件识别模型输出的目标关联部件;根据所述目标关联部件从所述日志数据中筛选出对应的目标部件日志信息并构建故障目标日志数据;根据所述目标关联部件从所述加工图像数据中筛选出对应的目标加工图像组并构建故障目标图像数据。
其中,所述已训练的关联部件识别模型用于根据输入的所述机床型号和所述故障类别确定与故障相关的组成部件(即目标关联部件),即可能出现故障或导致该故障的组成部件。然后筛选出目标关联部件对应的部件日志信息作为目标部件日志信息,筛选出目标关联部件对应的加工图像组作为目标加工图像组。
具体的,所述关联部件识别模型通过如下步骤进行训练:将关联部件训练数据中的样本机床型号和样本故障类别输入所述关联部件识别模型,获取所述关联部件识别模型输出的样本目标关联部件,其中,所述关联部件训练数据包括多组部件关联信息组,每一组部件关联信息组包括样本机床型号、样本故障类别和标注关联部件;根据所述标注关联部件和所述样本目标关联部件,对所述关联部件识别模型的模型参数进行调整,并继续执行所述将关联部件训练数据中的样本机床型号和样本故障类别输入所述关联部件识别模型的步骤,直至满足预设关联训练条件,以得到已训练的关联部件识别模型。
其中,所述样本故障类别是关联部件识别模型训练过程中所使用的故障类别,需要说明的是,关联部件识别模型在训练和使用过程中所对应的输入数据的格式是相同的。所述预设关联训练条件包括关联部件识别模型的迭代次数达到预设的部件识别迭代次数阈值或者所述标注关联部件和所述样本目标关联部件之间的部件损失值小于预设的部件识别损失阈值,还可以包括其它训练条件,在此不作具体限定。
步骤S300,根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因。
其中,所述故障原因是根据所述目标数控机床所对应的数据进行分析后确定的引起该目标数控机床故障的原因,故障原因可能是机床本身的原因,例如某些组成部件损坏,也可能是环境原因,例如环境温度值、湿度值过高或过低,还可能是操作对象在控制目标数控机床时操作失误(针对哪些部件的操作有误或者哪条命令有误),或者上述多种原因的综合,在此不作具体限定。
具体的,所述根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因,包括:对所述目标部件日志信息中的操作信息和运行信息分别进行语义分析提取,获取所述目标关联部件对应的操作语义信息和运行语义信息;将所述操作语义信息和所述运行语义信息进行对比获得所述目标关联部件对应的操作差异信息;将所述故障类别、所述故障目标数据、所述加工环境数据和所述操作差异信息输入所述已训练的故障原因确定模型,获取所述已训练的故障原因确定模型输出的所述故障原因。
本实施例中,考虑到日志信息的记录方式可能不便于直接进行处理,可以对其中的操作信息和运行信息分别进行语义分析提取,获取操作信息对应的操作语音信息和运行信息对应的运行语义信息,以便进行后续处理,提高数据处理效率。例如,可以进行语义分析提取中其中具体的操作参数,如进给速度设置为多少,对应的实际运行时的进给速度的值为多少,然后进行对比可以获得对应的操作差异信息。其中,所述操作差异信息用于描述操作的信息与机床实际实现的信息之间的差距,即可以体现各个操作是否由目标数控机床正常执行。
需要说明的是,可以通过预先设置的语义分析模型进行语义分析提取,在此不作具体限定。
进一步的,所述故障原因确定模型通过如下步骤进行训练:将故障原因训练数据中的样本故障类别、样本故障目标数据、样本加工环境数据和样本操作差异信息输入所述故障原因确定模型,获取所述故障原因确定模型输出的样本故障原因,其中,所述故障原因训练数据包括多组故障信息组,每一组故障信息组包括样本故障类别、样本故障目标数据、样本加工环境数据、样本操作差异信息和标注故障原因;根据所述样本故障原因以及与所述样本故障原因对应的标注故障原因,对所述故障原因确定模型的模型参数进行调整,并继续执行所述将故障原因训练数据中的样本故障类别、样本故障目标数据、样本加工环境数据和样本操作差异信息输入所述故障原因确定模型的步骤,直至满足预设故障原因确定训练条件,以得到已训练的故障原因确定模型。
其中,所述样本故障类别是在对故障原因确定模型进行训练时对应的数据中的数控机床故障类别,样本故障目标数据是进行训练时所使用的故障目标数据,需要说明的是,在对故障原因确定模型进行训练时输入的数据与使用该对故障原因确定模型进行训练时进行故障原因分析时输入的数据是一一对应的,在此不再赘述。
所述预设故障原因确定训练条件包括故障原因确定模型的迭代次数达到对应的故障原因确定迭代次数阈值,或者所述样本故障原因以及与所述样本故障原因对应的标注故障原因之间的损失值达到对应的故障原因确定损失阈值,还可以包括其它条件,在此不作具体限定。
本实施例中,所述故障原因包括部件损坏、操作失误、环境温度过高、环境温度过低、环境湿度过高和环境湿度过低中的至少一种。具体的,本实施例中,所述故障原因是一段描述故障发生的具体原因的文字,即包括具体的内容,例如操作失误包括针对哪一个组成部件的具体哪条信息存在问题。
进一步的,在所述根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因之后,所述方法还包括:根据所述故障原因获取故障检修方案并输出所述故障检修方案;当所述故障原因包括操作失误时,根据所述目标部件日志信息中的操作信息获取失误操作对象,并输出所述失误操作对象。
具体的,在确定故障原因后,可以根据预设的检修方案对照表或者检修方案生成模型,获取与该故障原因对应的故障检修方案,以便操作人员及时对目标数控机床进行检修,提高使用安全性。进一步的,当故障原因包括操作失误,即是由于失误操作对象输入指令有误引起的失误时,可以根据引起故障的对应的操作信息确定输入该操作信息的用户(即失误操作对象),并进行输出,以便加强对该用户的培训和指导,提高后续使用安全性。进一步的,还可以对该失误操作对象进行操作评分并记录。
在一种应用场景中,所述已训练的故障原因确定模型可以是结合提示学习和on-policy强化学习对预训练大预言模型进行训练后获得的模型,具体的,所述故障原因确定模型可以是GPT-3.5模型。在进行故障原因确定模型的模型参数调整时,根据所述样本故障原因以及与所述样本故障原因对应的标注故障原因,通过预先设置的reward奖励模型计算对应的调优参考数据,从而根据调优参考数据对所述故障原因确定模型的模型参数进行调整。进一步的,在将所述故障类别、所述故障目标数据、所述加工环境数据和所述操作差异信息输入所述已训练的故障原因确定模型时,是将所述故障类别、所述故障目标数据、所述加工环境数据和所述操作差异信息所构建的序列信息输入所述已训练的故障原因确定模型。
其中,所述已训练的故障原因确定模型可以进行强化学习调优,基于chatGPT原理,使用On-policy方法,结合reward模型来进一步调优训练过程中的大语言模型。大语言模型进行初始化,强化学习的价值函数由 reward 模型初始化。训练过程会产生随机提示并期望对提示做出响应。对于给定的提示和响应,它会产生相应的回报(由 reward模型决定)。对应的,所述已训练的故障原因确定模型输出的数据也是由多个可能的故障原因所排序获得的序列。同时,在reward奖励模型训练阶段对应的标注数据是专家针对可能的故障原因进行标注且排序后获得的序列。需要说明的是,上述模型的限定仅作为示例,并不作为具体限定。
由上可见,本实施例提供的数控机床故障原因确定方法中,在目标数控机床发生故障后,可以获取目标数控机床所对应的反映其运行状态和故障情况的数据,包括机床型号、故障类别、故障监测数据和加工环境数据,从而实现根据这些数据进行故障原因自动分析。其中,故障监测数据是对目标数控机床进行整体监测获得的数据,包括了目标数控机床中多个组成部件对应的信息。本实施例中,根据机床型号和故障类别可以对故障监测数据,选择出其中与对应的故障类别相关联的数据作为故障目标数据,可以减小需要分析的数据量,提高处理效率。进一步的,通过所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型自动进行分析确定所述目标数控机床对应的故障原因,不需要进行人工分析处理,不依赖于分析人员的经验,所以分析过程不受人为因素影响。且可以实现实时监测和实时确定故障原因,有利于提高数控机床故障原因确定的效率和准确性。
下面对本发明提供的数控机床故障原因确定装置进行描述,下文描述的数控机床故障原因确定装置与上文描述的数控机床故障原因确定方法可相互对应参照。如图2中所示,所述数控机床故障原因确定装置包括:
数据获取模块210,用于获取目标数控机床对应的机床型号、故障类别、故障监测数据和加工环境数据,其中,所述故障监测数据包括所述目标数控机床对应的日志数据和加工图像数据,所述日志数据包括多个部件日志信息,一个部件日志信息包括所述目标数控机床的一个组成部件对应的操作信息和运行信息,所述加工图像数据包括多个加工图像组,一个加工图像组包括所述目标数控机床的一个组成部件对应的加工图像,所述加工环境数据包括环境温度数据和环境湿度数据;
数据筛选模块220,用于根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,其中,所述故障目标数据包括故障目标日志数据和故障目标图像数据;
故障原因确定模块230,用于根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行数控机床故障原因确定方法,该方法包括:获取目标数控机床对应的机床型号、故障类别、故障监测数据和加工环境数据,其中,所述故障监测数据包括所述目标数控机床对应的日志数据和加工图像数据,所述日志数据包括多个部件日志信息,一个部件日志信息包括所述目标数控机床的一个组成部件对应的操作信息和运行信息,所述加工图像数据包括多个加工图像组,一个加工图像组包括所述目标数控机床的一个组成部件对应的加工图像,所述加工环境数据包括环境温度数据和环境湿度数据;根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,其中,所述故障目标数据包括故障目标日志数据和故障目标图像数据;根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明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-Only Memory)、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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的数控机床故障原因确定方法,该方法包括:获取目标数控机床对应的机床型号、故障类别、故障监测数据和加工环境数据,其中,所述故障监测数据包括所述目标数控机床对应的日志数据和加工图像数据,所述日志数据包括多个部件日志信息,一个部件日志信息包括所述目标数控机床的一个组成部件对应的操作信息和运行信息,所述加工图像数据包括多个加工图像组,一个加工图像组包括所述目标数控机床的一个组成部件对应的加工图像,所述加工环境数据包括环境温度数据和环境湿度数据;根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,其中,所述故障目标数据包括故障目标日志数据和故障目标图像数据;根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种数控机床故障原因确定方法,其特征在于,包括:
获取目标数控机床对应的机床型号、故障类别、故障监测数据和加工环境数据,其中,所述故障监测数据包括所述目标数控机床对应的日志数据和加工图像数据,所述日志数据包括多个部件日志信息,一个所述部件日志信息包括所述目标数控机床的一个组成部件对应的操作信息和运行信息,所述加工图像数据包括多个加工图像组,一个所述加工图像组包括所述目标数控机床的一个组成部件对应的加工图像,所述加工环境数据包括环境温度数据和环境湿度数据;
根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,其中,所述故障目标数据包括故障目标日志数据和故障目标图像数据;
根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因;
所述根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,包括:
将所述机床型号和所述故障类别输入已训练的关联部件识别模型,获取所述已训练的关联部件识别模型输出的目标关联部件;
根据所述目标关联部件从所述日志数据中筛选出对应的目标部件日志信息,并基于所述目标部件日志信息构建所述故障目标日志数据;
根据所述目标关联部件从所述加工图像数据中筛选出对应的目标加工图像组,并基于所述目标加工图像组构建所述故障目标图像数据;
所述日志数据是记录所述目标数控机床的操作信息和运行信息的数据,所述目标数控机床的操作信息是分析人员或其他控制设备针对所述目标数控机床发出或者设置的信息,所述目标数控机床的运行信息是所述目标数控机床针对操作信息的执行情况;所述根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因,包括:
对所述目标部件日志信息中的操作信息和运行信息分别进行语义分析提取,获取所述目标关联部件对应的操作语义信息和运行语义信息;
将所述操作语义信息和所述运行语义信息进行对比获得所述目标关联部件对应的操作差异信息;
将所述故障类别、所述故障目标数据、所述加工环境数据和所述操作差异信息输入所述已训练的故障原因确定模型,获取所述已训练的故障原因确定模型输出的所述故障原因;
所述故障原因包括部件损坏、操作失误、环境温度过高、环境温度过低、环境湿度过高和环境湿度过低中的至少一种;
在所述根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因之后,所述方法还包括:
根据所述故障原因获取故障检修方案,并输出所述故障检修方案;
当所述故障原因包括操作失误时,根据所述目标部件日志信息中的操作信息获取失误操作对象,并输出所述失误操作对象,所述失误操作对象为输入所述目标部件日志信息中的操作信息的用户。
2.根据权利要求1所述的数控机床故障原因确定方法,其特征在于,所述关联部件识别模型通过如下步骤进行训练:
将关联部件训练数据中的样本机床型号和样本故障类别输入所述关联部件识别模型,获取所述关联部件识别模型输出的样本目标关联部件,其中,所述关联部件训练数据包括多组部件关联信息组,每一组所述部件关联信息组包括样本机床型号、样本故障类别和标注关联部件;
根据所述标注关联部件和所述样本目标关联部件,对所述关联部件识别模型的模型参数进行调整,并继续执行所述将关联部件训练数据中的样本机床型号和样本故障类别输入所述关联部件识别模型的步骤,直至满足预设关联训练条件,以得到已训练的关联部件识别模型。
3.根据权利要求1所述的数控机床故障原因确定方法,其特征在于,所述故障原因确定模型通过如下步骤进行训练:
将故障原因训练数据中的样本故障类别、样本故障目标数据、样本加工环境数据和样本操作差异信息输入所述故障原因确定模型,获取所述故障原因确定模型输出的样本故障原因,其中,所述故障原因训练数据包括多组故障信息组,每一组所述故障信息组包括样本故障类别、样本故障目标数据、样本加工环境数据、样本操作差异信息和标注故障原因;
根据所述样本故障原因以及与所述样本故障原因对应的标注故障原因,对所述故障原因确定模型的模型参数进行调整,并继续执行所述将故障原因训练数据中的样本故障类别、样本故障目标数据、样本加工环境数据和样本操作差异信息输入所述故障原因确定模型的步骤,直至满足预设故障原因确定训练条件,以得到已训练的故障原因确定模型。
4.一种数控机床故障原因确定装置,其特征在于,包括:
数据获取模块,用于获取目标数控机床对应的机床型号、故障类别、故障监测数据和加工环境数据,其中,所述故障监测数据包括所述目标数控机床对应的日志数据和加工图像数据,所述日志数据包括多个部件日志信息,一个部件日志信息包括所述目标数控机床的一个组成部件对应的操作信息和运行信息,所述加工图像数据包括多个加工图像组,一个加工图像组包括所述目标数控机床的一个组成部件对应的加工图像,所述加工环境数据包括环境温度数据和环境湿度数据;
数据筛选模块,用于根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,其中,所述故障目标数据包括故障目标日志数据和故障目标图像数据;
故障原因确定模块,用于根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因;
所述根据所述机床型号和所述故障类别获取所述故障监测数据中的故障目标数据,包括:
将所述机床型号和所述故障类别输入已训练的关联部件识别模型,获取所述已训练的关联部件识别模型输出的目标关联部件;
根据所述目标关联部件从所述日志数据中筛选出对应的目标部件日志信息,并基于所述目标部件日志信息构建所述故障目标日志数据;
根据所述目标关联部件从所述加工图像数据中筛选出对应的目标加工图像组,并基于所述目标加工图像组构建所述故障目标图像数据;
所述日志数据是记录所述目标数控机床的操作信息和运行信息的数据,所述目标数控机床的操作信息是分析人员或其他控制设备针对所述目标数控击穿刚发出或者设置的信息,所述目标数控机床的运行信息是所述目标数控机床针对所述操作信息的执行情况;所述根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因,包括:
对所述目标部件日志信息中的操作信息和运行信息分别进行语义分析提取,获取所述目标关联部件对应的操作语义信息和运行语义信息;
将所述操作语义信息和所述运行语义信息进行对比获得所述目标关联部件对应的操作差异信息;
将所述故障类别、所述故障目标数据、所述加工环境数据和所述操作差异信息输入所述已训练的故障原因确定模型,获取所述已训练的故障原因确定模型输出的所述故障原因;
所述故障原因包括部件损坏、操作失误、环境温度过高、环境温度过低、环境湿度过高和环境湿度过低中的至少一种;
在所述根据所述故障类别、所述故障目标数据、所述加工环境数据和已训练的故障原因确定模型获取所述目标数控机床对应的故障原因之后,所述装置还用于:
根据所述故障原因获取故障检修方案,并输出所述故障检修方案;
当所述故障原因包括操作失误时,根据所述目标部件日志信息中的操作信息获取失误操作对象,并输出所述失误操作对象,所述失误操作对象为输入所述目标部件日志信息中的操作信息的用户。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述数控机床故障原因确定方法。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述数控机床故障原因确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310282238.7A CN115981240B (zh) | 2023-03-22 | 2023-03-22 | 数控机床故障原因确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310282238.7A CN115981240B (zh) | 2023-03-22 | 2023-03-22 | 数控机床故障原因确定方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115981240A CN115981240A (zh) | 2023-04-18 |
CN115981240B true CN115981240B (zh) | 2023-06-20 |
Family
ID=85960023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310282238.7A Active CN115981240B (zh) | 2023-03-22 | 2023-03-22 | 数控机床故障原因确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115981240B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116560891A (zh) * | 2023-05-23 | 2023-08-08 | 北京优特捷信息技术有限公司 | 一种故障处理方法、装置、电子设备及存储介质 |
CN117171591B (zh) * | 2023-11-03 | 2024-04-05 | 南通钜盛数控机床有限公司 | 一种数控机床故障相关关系动态变化分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105116842A (zh) * | 2015-07-13 | 2015-12-02 | 华中科技大学 | 一种基于数控系统日志的故障数据可视化解析方法 |
CN207408818U (zh) * | 2017-08-10 | 2018-05-25 | 黄河交通学院 | 一种具有故障预测及诊断功能的数控机床 |
WO2022032684A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | A method, device, system and storage medium for fault diagnosis and solution recommendation |
US11281521B1 (en) * | 2021-03-10 | 2022-03-22 | Keysight Technologies, Inc. | Methods, systems and computer readable media for troubleshooting test environments using automated analysis of log file data |
CN114675597A (zh) * | 2022-05-30 | 2022-06-28 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床故障预测可视化方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09222911A (ja) * | 1996-02-16 | 1997-08-26 | Makino Milling Mach Co Ltd | Nc工作機械の故障診断方法および装置 |
JP2002018680A (ja) * | 2000-07-10 | 2002-01-22 | Mitsubishi Electric Corp | 工作機械 |
CN207457811U (zh) * | 2017-07-24 | 2018-06-05 | 黄河交通学院 | 一种数控机床智能故障诊断装置 |
CN111164524B (zh) * | 2017-09-30 | 2023-09-01 | 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 |
US20200232885A1 (en) * | 2018-08-28 | 2020-07-23 | Dalian University Of Technology | Reliability evaluation method for cnc machine tools based on bayes and fault tree |
CN114327983A (zh) * | 2021-12-28 | 2022-04-12 | 浪潮(北京)电子信息产业有限公司 | 一种基于日志的故障确定方法、装置、设备和介质 |
CN115122155B (zh) * | 2022-08-31 | 2022-11-22 | 深圳市玄羽科技有限公司 | 基于工业互联网大数据的机床远程诊断方法及系统 |
CN115392512B (zh) * | 2022-10-28 | 2023-02-14 | 中科航迈数控软件(深圳)有限公司 | 基于ar技术的设备检修方法、系统及相关设备 |
-
2023
- 2023-03-22 CN CN202310282238.7A patent/CN115981240B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105116842A (zh) * | 2015-07-13 | 2015-12-02 | 华中科技大学 | 一种基于数控系统日志的故障数据可视化解析方法 |
CN207408818U (zh) * | 2017-08-10 | 2018-05-25 | 黄河交通学院 | 一种具有故障预测及诊断功能的数控机床 |
WO2022032684A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | A method, device, system and storage medium for fault diagnosis and solution recommendation |
US11281521B1 (en) * | 2021-03-10 | 2022-03-22 | Keysight Technologies, Inc. | Methods, systems and computer readable media for troubleshooting test environments using automated analysis of log file data |
CN114675597A (zh) * | 2022-05-30 | 2022-06-28 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床故障预测可视化方法 |
Non-Patent Citations (2)
Title |
---|
"CNC-implemented Fault Diagnosis and Web-based Remote Services";Dong-Hoon Kim;《Journal of Mechanical Science and Technology》;第19卷(第5期);1095-1106 * |
"基于自适应缺陷定位的机床故障点安全监测";张西珠;《科技通报》;第31卷(第4期);178-180 * |
Also Published As
Publication number | Publication date |
---|---|
CN115981240A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115981240B (zh) | 数控机床故障原因确定方法、装置、设备及介质 | |
CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
CN113377484A (zh) | 弹窗处理方法及装置 | |
CN115994099B (zh) | 数控机床代码的自动检查方法、装置、设备及存储介质 | |
CN111462811A (zh) | 自动化测试方法、装置、存储介质和电子设备 | |
CN114416511A (zh) | 基于日志的系统异常检测方法、装置、介质及电子设备 | |
CN116361147A (zh) | 测试用例根因定位方法及其装置、设备、介质、产品 | |
CN116184930B (zh) | 数控机床故障预测方法、装置、设备及存储介质 | |
CN114418146A (zh) | 基于规则引擎的机电设备故障诊断方法、系统及终端 | |
CN116226676B (zh) | 适用于极端环境的机床故障预测模型生成方法及相关设备 | |
CN115964115B (zh) | 基于预训练强化学习的数控机床交互方法及相关设备 | |
CN112363465A (zh) | 一种专家规则集训练方法、训练器和工业设备预警系统 | |
CN110968518A (zh) | 自动化测试日志文件的分析方法及装置 | |
CN116069628A (zh) | 一种智能处置的软件自动化回归测试方法、系统及设备 | |
CN112749079A (zh) | 软件测试的缺陷分类方法、装置及计算设备 | |
CN116303105B (zh) | 数控机床控制代码自动检查方法、装置、设备及介质 | |
CN114245895A (zh) | 为至少两个日志文件生成一致表示的方法 | |
CN111881266A (zh) | 一种应答方法及装置 | |
CN111953544B (zh) | 一种服务器的故障检测方法、装置、设备及存储介质 | |
CN114066402B (zh) | 一种基于文字识别的自动化流程实现方法及系统 | |
CN116330041B (zh) | 数控加工传动装置故障检测方法、装置、设备及介质 | |
CN116149258B (zh) | 基于多模态信息的数控机床代码生成方法及相关设备 | |
US10534344B2 (en) | Operation management system and measurement system | |
CN115099371B (zh) | 一种lstm异常检测方法、装置、设备及存储介质 | |
KR102315228B1 (ko) | Plc 제어를 위한 데이터 관리장치 및 방법 |
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 |