CN115994308A - 基于元学习的数控机床故障识别方法、系统、设备及介质 - Google Patents

Abstract

本发明提供一种基于元学习的数控机床故障识别方法、系统、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目标机床型号和待识别数据，包括目标数控机床对应的振动数据；根据目标机床型号获取已训练故障识别模型，已训练故障识别模型是基于模型迁移训练数据集对预训练故障识别模型进行训练获得的模型，预训练故障识别模型是基于初始训练数据集，通过元学习算法对初始故障识别模型进行训练获得的模型，模型迁移训练数据集是与目标机床型号对应的数据集；根据待识别数据和已训练故障识别模型对目标数控机床进行故障识别并获得目标数控机床对应的目标故障类别。本发明有利于提高数控机床故障识别效率和准确性。

Description

基于元学习的数控机床故障识别方法、系统、设备及介质

技术领域

本发明涉及数控机床监测技术领域，尤其涉及一种基于元学习的数控机床故障识别方法、系统、设备及介质。

背景技术

随着科学技术的发展，数控机床等自动化生产设备的应用也越来越广泛。数控机床作为部件（尤其是金属部件）切削加工制造过程中的关键设备，其运转状况将对生产过程有着较大的影响。因此，需要对数控机床的运行过程进行监测，例如，对数控机床进行故障识别。

现有技术中，通常需要专业的技术人员对数控机床进行观察，结合数控机床的运行数据进行人工判断，确定数控机床的故障类别。现有技术的问题在于，基于人工识别故障的方式依赖于技术人员的人工分析和判断，不利于提高故障识别效率和准确性。

发明内容

本发明提供一种基于元学习的数控机床故障识别方法、系统、设备及介质，用以解决现有技术中需要技术人员进行人工分析和判断以实现故障识别，不利于提高故障识别效率和准确性的缺陷，实现提高数控机床故障识别效率和准确性。

本发明提供一种基于元学习的数控机床故障识别方法，包括：

获取目标数控机床对应的目标机床型号和待识别数据，其中，所述待识别数据包括所述目标数控机床对应的振动数据；

根据所述目标机床型号获取已训练故障识别模型，其中，所述已训练故障识别模型是基于模型迁移训练数据集对预训练故障识别模型进行训练获得的模型，所述预训练故障识别模型是基于预设的初始训练数据集，通过预设的元学习算法对预设的初始故障识别模型进行训练获得的模型，所述模型迁移训练数据集是预设的与所述目标机床型号对应的数据集；

根据所述待识别数据和所述已训练故障识别模型对所述目标数控机床进行故障识别并获得所述目标数控机床对应的目标故障类别。

根据本发明提供的一种基于元学习的数控机床故障识别方法，其中，所述预训练故障识别模型由云端服务器根据所述预设的初始训练数据集通过所述元学习算法对所述预设的初始故障识别模型进行预先训练获得；

所述初始训练数据集中包括多组初始故障子集，各所述初始故障子集对应的机床型号不同，且一组所述初始故障子集中包括分别与一种预设故障类别对应的多个初始机床故障数据。

根据本发明提供的一种基于元学习的数控机床故障识别方法，其中，所述已训练故障识别模型根据如下步骤训练获得：

接收所述云端服务器下发的所述预训练故障识别模型；

根据所述目标机床型号获取模型迁移训练数据集，其中，所述模型迁移训练数据集中包括多个迁移故障训练数据，一个所述迁移故障训练数据与一个迁移故障类别对应，所述迁移故障类别是所述预设故障类别以外的故障类别，各所述迁移故障训练数据与所述目标机床型号对应；

根据所述模型迁移训练数据集对所述预训练故障识别模型进行训练获得已训练故障识别模型。

根据本发明提供的一种基于元学习的数控机床故障识别方法，其中，所述待识别数据还包括所述目标数控机床对应的图像数据和温度数据；

其中，所述振动数据包括所述目标数控机床中多个预设位置对应的振动信号，所述图像数据包括所述目标数控机床对应的表面图像，所述温度数据包括各所述预设位置对应的温度值。

根据本发明提供的一种基于元学习的数控机床故障识别方法，其中，所述根据所述待识别数据和所述已训练故障识别模型对所述目标数控机床进行故障识别并获得所述目标数控机床对应的目标故障类别，包括：

根据各所述振动信号分别获取目标数控机床对应的各个振动特征矩阵，其中，一个振动特征矩阵与一个振动信号对应，且一个振动特征矩阵由一个振动信号中提取获得的特征向量组成；

根据预设的非负矩阵分解算法分别对各所述振动特征矩阵进行分解，获得各所述振动特征矩阵对应的因子矩阵，其中，一个振动特征矩阵被分解为至少两个因子矩阵；

根据所述因子矩阵、所述图像数据、所述温度数据和所述已训练故障识别模型获取目标故障类别，其中，所述目标故障类别是候选类别集合中的一种故障类别，所述候选类别集合中包括所有所述预设故障类别和所有所述迁移故障类别。

根据本发明提供的一种基于元学习的数控机床故障识别方法，所述根据所述因子矩阵、所述图像数据、所述温度数据和所述已训练故障识别模型获取目标故障类别，包括：

根据所述因子矩阵获取所述振动特征矩阵对应的目标隐特征向量，其中，一个振动特征矩阵对应的目标隐特征向量由所述振动特征矩阵所对应的因子矩阵中的一列或多列元素构成；

将所述目标隐特征向量、所述图像数据和所述温度数据输入所述已训练故障识别模型，获取所述已训练故障识别模型输出的目标故障类别。

根据本发明提供的一种基于元学习的数控机床故障识别方法，其中，在接收所述云端服务器下发的所述预训练故障识别模型之前，所述方法还包括：

获取训练更新数据并将所述训练更新数据上传到所述云端服务器以触发所述云端服务器根据所述训练更新数据更新所述预训练故障识别模型。

本发明还提供一种基于元学习的数控机床故障识别系统，包括：

数据获取模块，用于获取目标数控机床对应的目标机床型号和待识别数据，其中，所述待识别数据包括所述目标数控机床对应的振动数据；

模型迁移模块，用于根据所述目标机床型号获取已训练故障识别模型，其中，所述已训练故障识别模型是基于模型迁移训练数据集对预训练故障识别模型进行训练获得的模型，所述预训练故障识别模型是基于预设的初始训练数据集，通过预设的元学习算法对预设的初始故障识别模型进行训练获得的模型，所述模型迁移训练数据集是预设的与所述目标机床型号对应的数据集；

故障识别模块，用于根据所述待识别数据和所述已训练故障识别模型对所述目标数控机床进行故障识别并获得所述目标数控机床对应的目标故障类别。

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基于元学习的数控机床故障识别方法。

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基于元学习的数控机床故障识别方法。

本发明提供的基于元学习的数控机床故障识别方法中，训练获得已训练故障识别模型，从而根据目标数控机床对应的待识别数据和已训练故障识别模型自动进行故障识别，无需进行人工分析和处理，有利于提高故障识别效率。同时，本发明中，基于元学习算法，预先训练好一个预训练故障识别模型，在需要针对具体的目标数控机床进行故障识别时，还根据该目标数控机床所对应的模型迁移训练数据集对该预训练故障识别模型进行进一步的迁移训练，从而可以获得一个针对于该目标数据机床的更精准的已训练故障识别模型，有利于提高针对目标数控机床的故障识别准确性。

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是本发明提供的基于元学习的数控机床故障识别方法的流程示意图；

图2是本发明提供的基于元学习的数控机床故障识别系统的结构示意图；

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，数控机床等自动化生产设备的应用也越来越广泛，对于数控机床的故障识别也越来越受到重视。现有技术中，通常需要专业的技术人员对数控机床进行观察，结合数控机床的运行数据进行人工判断，确定数控机床的故障类别。现有技术的问题在于，基于人工识别故障的方式依赖于技术人员的人工分析和判断，不利于提高故障识别效率和准确性。

在一种应用场景中，可以基于机器学习算法来实现数控机床的故障诊断，如支持向量机（SVM，Support Vector Machine）、决策树（Decision Tree）、人工神经网络（ANN，Artificial Neural Network）等。基于上述各算法进行故障识别时，需要手动提取特征，并选择合适的算法进行训练和测试；同时，需要使用大量的训练数据进行训练。进一步的，还需要大量的专家经验和主观判断，并且对于不同的数据集和任务需要重新进行特征提取和算法选择，例如，需要使用专家经验来提取特征，并手动选择分类器进行建模和训练。因此，需要大量的时间和精力来收集和处理数据，并且其诊断准确度也会受到专家经验和主观判断的限制。

进一步的，针对不同的数控机床，需要采集各个数控机床所对应的训练数据，分别训练各个数控机床所对应的模型，需要花费较长的训练时间和较多的训练资源。而如果使用综合的训练数据（即不同类型的数控机床所对应的数据组成的集合）来进行模型训练，则获得的模型缺少针对性，不利于提高故障识别的准确性。

因此，在训练模型进行数控机床故障识别的过程中，也可能面临数据不足、模型泛化能力差、易受到人为因素干扰等问题。具体的，需要大量的专家知识和经验来构建模型和选择特征，这样的过程十分耗时耗力。针对不同类型的数控机床，需要重新设计特征提取和模型构建，缺乏通用性。传统方法对于小样本数据和高维数据的处理能力相对较弱。传统方法难以处理复杂的非线性关系，因此不利于提高故障识别过程中的准确性和鲁棒性。

为了解决上述多个问题中的至少一个问题，本发明提供一种基于元学习的数控机床故障识别方法、系统、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基于元学习的数控机床故障识别方法，具体的，所述方法包括如下步骤：

S100，获取目标数控机床对应的目标机床型号和待识别数据，其中，所述待识别数据包括所述目标数控机床对应的振动数据。

其中，所述目标数控机床是需要进行故障识别的数控机床。目标机床型号是该目标数控机床的型号，本实施例中，需要根据目标数控机床对应的数据对预训练故障识别模型进行迁移训练，因此需要获取目标机床型号来确定需要获得的进行迁移训练时的数据。上述待识别数据是针对目标数控机床采集的反应其运行状态的数据，根据待识别数据可以对目标数控机床当前的运行状态进行判断，从而确定该目标数控机床是否出现故障，以及对应的故障类别。

本实施例中，所述待识别数据包括所述目标数控机床对应的振动数据，基于振动数据对数控机床的运行状态进行判断。具体的，上述振动数据可以包括目标数控机床中一个或多个轴承处的振动信号，或者包括目标数控机床中一个或多个预设位置处的振动信号，所述预设位置可以预先设置和调整，在此不作具体限定。本实施例中，结合多个位置的振动信号进行判断，有利于提高判断的准确性。

在一种应用场景中，所述待识别数据还包括所述目标数控机床对应的图像数据和温度数据，结合多种类型的数据进行故障识别，有利于进一步提高故障识别的准确性。

在另一种应用场景中，还可以在目标数控机床的预设位置处设置振动信号放大装置，从而更好地采集对应的振动信号，提高故障识别的准确性。

S200，根据所述目标机床型号获取已训练故障识别模型，其中，所述已训练故障识别模型是基于模型迁移训练数据集对预训练故障识别模型进行训练获得的模型，所述预训练故障识别模型是基于预设的初始训练数据集，通过预设的元学习算法对预设的初始故障识别模型进行训练获得的模型，所述模型迁移训练数据集是预设的与所述目标机床型号对应的数据集。

需要说明的是，本实施例中基于元学习算法进行模型训练，即先使用大量数据进行预训练获得一个预训练故障识别模型，然后再根据实际需求使用少量数据对预训练故障识别模型进行迁移训练，获得更为精准的已训练故障识别模型。其中，所述初始训练数据集中包括多个型号的数控机床所对应的数据，而所述模型迁移训练数据集中则仅包括目标机床型号所对应的数控机床的数据，以实现模型的优化。进一步的，在预训练和迁移训练过程中都可以依照预设的元学习算法进行训练，预设的元学习算法可以采用现有的元学习算法，在此不作具体限定。

进一步的，本实施例中还基于云边协同进行模型控制和故障识别，即使用云端服务器和边端的边缘设备来实现模型训练、数据采集和故障识别等过程，从而提高数据处理效率，进而提高故障识别效率。需要说明的是，本实施例中以设置于边缘的边缘设备为执行主体进行具体说明，即本实施例中的基于元学习的数控机床故障识别方法由边缘设备作为执行主体。但实际使用过程中，执行主体也可以是云端服务器或另外设置的其它控制设备，在此不作具体限定。

具体的，所述预训练故障识别模型由云端服务器根据所述预设的初始训练数据集通过所述元学习算法对所述预设的初始故障识别模型进行预先训练获得；所述初始训练数据集中包括多组初始故障子集，各所述初始故障子集对应的机床型号不同，且一组所述初始故障子集中包括分别与一种预设故障类别对应的多个初始机床故障数据。

其中，所述初始训练数据集通过预先采集数据获取，所述预设故障类别是在进行预训练时使用的故障类别，而在进行模型迁移时可以添加更多的类别（即迁移故障类别），从而使得迁移训练后的模型能够识别出更多种类的故障。需要说明的是，所述预设故障类别中包括无故障以及其它多种常见故障（如刀具松动、调速装置损坏等）。

所述元学习（MAML，meta-learning）算法是一种模型无关的元学习方法，能够用于解决用于训练的故障数据不足的问题。MAML基于模型无关的元学习思想，通过在多个任务上进行训练，使模型能够快速地学习新任务。MAML的关键在于在训练过程中，让模型自适应地调整参数，以适应新的任务。使用元学习方法MAML，可以使模型在迁移任务上具有更好的泛化能力。

需要说明的是，所述预设的初始故障识别模型是预先设置的未经过训练的模型，可以采用神经网络模型，其具体结构可以根据实际需求设置和调整，在此不作具体限定。对初始故障模型进行训练时，计算量较大，因此在云端服务器进行训练，以充分利用云端服务器的算力，提高模型训练效率。而对预训练故障识别模型进行迁移训练以获得已训练故障识别模型时，所使用的模型迁移训练数据集数据量比初始训练数据集的数据量小，且对应的计算量也小，因此可以在边缘设备上直接进行迁移训练，有利于减少数据传输量，节约带宽资源，同时。当然，也可以将模型迁移训练数据集上传到云端服务器，由云端服务器进行模型迁移训练，有利于提高模型训练效率，从而提高故障识别效率。

在一种应用场景中，通过云端服务器进行模型迁移训练。具体的，所述获取预训练故障识别模型，根据所述目标机床型号获取模型迁移训练数据集，根据所述模型迁移训练数据集对所述预训练故障识别模型进行训练获得已训练故障识别模型，包括：通过所述云端服务器获取所述预训练故障识别模型；通过边缘设备根据所述目标机床型号获取模型迁移训练数据集并将所述模型迁移训练数据集上传到所述云端服务器，其中，所述模型迁移训练数据集中包括多个迁移故障训练数据，一个所述迁移故障训练数据与一个迁移故障类别对应，所述迁移故障类别是所述预设故障类别以外的故障类别，各所述迁移故障训练数据与所述目标机床型号对应；通过所述云端服务器，根据所述模型迁移训练数据集对所述预训练故障识别模型进行训练获得已训练故障识别模型，并将所述已训练故障识别模型发送至所述边缘设备。

在本实施例中，在边缘设备上进行模型迁移训练。具体的，所述已训练故障识别模型根据如下步骤训练获得：

接收所述云端服务器下发的所述预训练故障识别模型；

根据所述目标机床型号获取模型迁移训练数据集，其中，所述模型迁移训练数据集中包括多个迁移故障训练数据，一个所述迁移故障训练数据与一个迁移故障类别对应，所述迁移故障类别是所述预设故障类别以外的故障类别，各所述迁移故障训练数据与所述目标机床型号对应；

根据所述模型迁移训练数据集对所述预训练故障识别模型进行训练获得已训练故障识别模型。

其中，所述迁移故障类别是初始训练数据集中没有使用到的故障类别，例如可以包括进给转动链故障、配套液压系统故障、自动换刀故障等，还可以根据实际需求进行调整，在此不做具体限定。

需要说明的是，所述模型迁移训练数据集可以由边缘设备进行数据采集获得，也可以预先设置，且所述模型迁移训练数据集中的迁移故障训练数据可以是目标数控机床所对应的运行数据及其标注故障类别。

当使用传统技术进行数控机床迁移故障诊断时，通常需要依赖于大量的标记数据来训练模型。然而，在实际应用中，由于缺乏大量的标记数据，会影响模型的训练效果。而本实施例中，基于MAML算法进行模型训练，能够解决故障数据不足的问题。

在一种应用场景中，所述预训练故障识别模型和所述已训练故障识别模型可以基于相似的训练步骤获得，只是训练时采用的训练数据不同。以对预训练故障识别模型进行训练以获得已训练故障识别模型为例进行具体说明，具体的：将迁移故障训练数据中的训练信息输入所述预训练故障识别模型，获取所述预训练故障识别模型输出的预测故障类别，其中，一个迁移故障训练数据包括一组训练信息和一个标注故障类别；根据所述预测故障类别与所述标注故障类别计算对应的损失值，根据损失值对预训练故障识别模型的模型参数进行调整，并继续执行所述将迁移故障训练数据中的训练信息输入所述预训练故障识别模型的步骤，直到满足预设训练条件，获得对应的已训练故障识别模型。所述预设训练条件可以包括迭代次数达到预设迭代阈值或损失值小于预设损失阈值，还可以包括其它条件，在此不作具体限定。需要说明的是，所述训练信息可以根据实际需求进行调整和设置，但在模型训练过程中所使用的训练信息与在模型使用过程中的训练信息应当保持一致。例如，在模型（包括初始故障识别模型、预训练故障识别模型和已训练故障识别模型）训练过程中如果只使用了振动信号作为训练信息，则使用训练好的模型进行故障识别时也仅使用振动信号；如果模型训练过程中使用了振动信号、图像数据和温度数据，则使用训练好的模型进行故障识别时也需要使用振动信号、图像数据和温度数据。进一步的，如果模型使用过程中使用的是基于振动信号处理之后获得的数据，则训练过程中也使用对应的处理后获得的数据，在此不再赘述。

本实施例中，所述获取目标数控机床对应的目标机床型号和待识别数据，包括：通过所述边缘设备获取所述目标数控机床对应的目标机床型号、振动数据、图像数据和温度数据；其中，所述振动数据包括所述目标数控机床中多个预设位置对应的振动信号，所述图像数据包括所述目标数控机床对应的表面图像，所述温度数据包括各所述预设位置对应的温度值。

其中，所述图像数据可以包括从多个角度采集获取的表面图像，具体的采集角度可以根据实际需求设置和调整，例如针对数控机床中的多个轴承进行图像采集获取表面图像，在此不作具体限定。在一种应用场景中，所述温度数据还可以包括所述目标数控机床所对应的温度图像数据，从而可以对整个目标数控机床进行温度分子，以提高故障识别的准确性。

S300，根据所述待识别数据和所述已训练故障识别模型对所述目标数控机床进行故障识别并获得所述目标数控机床对应的目标故障类别。

具体的，在获得针对目标数控机床的已训练故障识别模型之后，可以通过待识别数据进行故障识别。具体包括：根据各所述振动信号分别获取目标数控机床对应的各个振动特征矩阵，其中，一个振动特征矩阵与一个振动信号对应，且一个振动特征矩阵由一个振动信号中提取获得的特征向量组成；根据预设的非负矩阵分解算法分别对各所述振动特征矩阵进行分解，获得各所述振动特征矩阵对应的因子矩阵，其中，一个振动特征矩阵被分解为至少两个因子矩阵；根据所述因子矩阵、所述图像数据、所述温度数据和所述已训练故障识别模型获取目标故障类别，其中，所述目标故障类别是候选类别集合中的一种故障类别，所述候选类别集合中包括所有所述预设故障类别和所有所述迁移故障类别。

在一种应用场景中，一个振动特征矩阵与一个振动信号对应，将振动信号与预设的标准振动信号（即目标数控机床在正常运行时对应位置的振动信号）相减获得差值信号，一个振动特征矩阵则由对该差值信号进行特征提取获得的特征向量组成。如此，有利于减小对应的计算量，提高数据处理效率，从而提高故障识别效率。

在另一种应用场景中，所述根据所述因子矩阵、所述图像数据、所述温度数据和所述已训练故障识别模型获取目标故障类别具体包括：根据所述因子矩阵获取所述振动特征矩阵对应的目标隐特征向量，其中，一个振动特征矩阵对应的目标隐特征向量由所述振动特征矩阵所对应的因子矩阵中的一列或多列元素构成；将所述目标隐特征向量、所述图像数据和所述温度数据输入所述已训练故障识别模型，获取所述已训练故障识别模型输出的目标故障类别。如此，在进行矩阵分解获得多个因子矩阵之后，只需要选取其中一列或多列元素构成目标隐特征向量进行后续计算，目标隐特征向量可以体现对应的振动信号中所包含的隐含特征，在实现故障识别的基础上有利于降低数据处理量，从而提高故障识别效率。其中，具体选择哪几列可以根据实际需求设置和调整，也可以进行随机选择，在此不作具体限定。

需要说明的是，预训练故障识别模型是仅根据预设故障类别所对应的数据训练获得的，即预训练故障模型只能执行预设故障类别的识别任务。但在对预训练故障识别模型进行迁移训练获得已训练故障识别模型时，加入了迁移故障类别所对应的数据，则迁移训练后获得的已训练故障识别模型还可以执行识别迁移故障类别的任务。进一步的，所述迁移训练数据集中还可以包括与预设故障类别对应的数据，以实现针对预设故障类别也获得更好的识别准确性，在此不作具体限定。

进一步的，在接收所述云端服务器下发的所述预训练故障识别模型之前，所述方法还包括：获取训练更新数据并将所述训练更新数据上传到所述云端服务器以触发所述云端服务器根据所述训练更新数据更新所述预训练故障识别模型。如此，可以基于边缘设备所采集的可以用于进行训练的数据，充分利用云端服务器的算力实时对云端服务器中的预训练故障识别模型更新，提高其对应的准确性，也有利于降低对其进行迁移训练时的计算量，提高迁移训练效率，且有利于提高迁移训练获得的已训练故障识别模型的准确性，从而有利于提高故障识别效率和准确性。

由上可见，本实施例提供的基于元学习的数控机床故障识别方法中，训练获得已训练故障识别模型，从而根据目标数控机床对应的待识别数据和已训练故障识别模型自动进行故障识别，无需进行人工分析和处理，有利于提高故障识别效率。同时，本实施例中，基于元学习算法，预先训练好一个预训练故障识别模型，在需要针对具体的目标数控机床进行故障识别时，还根据该目标数控机床所对应的模型迁移训练数据集对该预训练故障识别模型进行进一步的迁移训练，从而可以获得一个针对于该目标数据机床的更精准的已训练故障识别模型，有利于提高针对目标数控机床的故障识别准确性。

本实施例中，还基于一种具体应用场景对所述基于元学习的数控机床故障识别方法进行描述。具体的，在该具体应用场景中，将模型与方法集成在云端，进行云边协同的元学习，可以进一步提高模型的诊断精度。云端模型可以利用大量的数据和计算资源进行模型训练和更新，而边缘设备可以快速地对本地故障进行诊断。这种集成模型和方法的方式可以使模型具有更好的智能化和实时性，提高故障诊断的效率和准确性。同时，使用非负矩阵分解将数控机床的振动信号进行特征提取。传统的特征提取方法通常会丢失部分有用信息，从而导致诊断结果的不准确，而采用非负矩阵分解方法可以有效地提取信号的隐含特征，避免了传统特征提取方法的不足。非负矩阵分解的基本思想是将原始数据矩阵分解成两个非负矩阵的乘积形式，从而得到数据的稀疏表达。这种方法能够保留原始数据中的大部分信息，同时也能够降低数据的维度，提高诊断模型的效率。

具体的，使用非负矩阵分解进行特征提取时，构建数据矩阵，将采集的振动信号转化为时域、频域或时频域的特征表示形式，并将其作为特征向量组成数据矩阵；然后进行矩阵分解，使用非负矩阵分解算法将数据矩阵分解为两个非负矩阵的乘积形式，分别设为因子矩阵W和H；进行特征提取，将因子矩阵W或H中的某一列作为特征向量，即可将原始数据中的隐含特征提取出来（作为目标隐特征向量）。需要说明的是，具体选择因子矩阵中的哪一列可以随机确定，也可以预先指定或根据实际需求调整，在此不作具体限定。非负矩阵分解中的因子矩阵通常具有稀疏性质，因此可以使用稀疏表示方法对其进行进一步处理，从而得到更加紧凑和有效的特征表示形式，进一步降低模型训练过程中的计算量。

在基于MAML算法进行模型训练时，先确定初始任务集合，在进行元学习之前，需要先确定一组初始任务集合（即预设故障类别所构成的集合），每个任务都有一些已知的故障信息和对应的振动信号数据。制定元学习策略，选择MAML方法作为元学习的策略，通过在多个任务上进行训练，使模型能够快速地学习新任务，并具有更好的泛化能力。构建元学习模型（即初始故障识别模型），为了构建一个适用于数控机床故障诊断的元学习模型，需要定义合适的神经网络结构，并选择合适的损失函数和优化器。在这个过程中，可以将前面提到的非负矩阵分解作为预处理步骤，用于特征提取。进一步的，进行元学习训练，在训练过程中，首先从初始任务集合中选取一个任务，通过在该任务上进行训练，得到预训练故障识别模型。然后，将预训练故障识别模型应用于其他任务（即迁移故障类别所对应的任务），根据任务的反馈信息对模型参数进行调整，从而提高模型在新任务上的表现。迁移故障诊断，在需要进行故障识别的新任务到来时，使用已经训练好的已训练故障识别模型，快速地学习并适应新任务，提高模型的泛化能力和准确度，完成数控机床迁移故障诊断。

需要说明的是，元学习方法的具体实施方法可能因应用场景、数据集和模型结构等因素而有所不同，可以根据具体情况进行选择和调整。

同时，将模型与方法集成在云端，进行云边协同的元学习。具体的，在数控机床上安装传感器，采集振动信号等故障数据，并将数据传输到云端进行处理和分析。可以通过物联网技术实现数据的实时传输和处理。在云端进行模型训练和更新，在云端建立基于元学习的故障识别模型，利用大量的数据和计算资源进行模型训练和更新。可以采用机器学习算法和深度学习技术对数据进行处理和分析，提取有用的特征，并训练模型以实现对数控机床的故障诊断。将训练好的模型部署到边缘设备上，例如数控机床上的控制器或本地的服务器等，用于实时对机床进行故障诊断。当机床出现故障时，边缘设备可以通过本地的故障诊断模型快速地进行诊断，而不需要将所有数据都传输到云端进行处理。同时，还可以进行边缘计算和云端优化，当边缘设备进行故障诊断时，可以通过本地的计算资源进行处理，减少数据传输和处理的延迟，提高诊断的实时性。同时，云端模型也可以利用边缘设备反馈的数据进行优化和更新，提高模型的准确性和泛化能力。

综上所述，将模型与方法集成在云端，进行云边协同的元学习可以通过数据采集和传输、云端模型训练和更新、模型部署和边缘设备使用、以及边缘计算和云端优化等步骤来实现，从而提高模型的智能化和实时性，提高故障诊断的效率和准确性。

如此，使用非负矩阵分解将数控机床的振动信号进行特征提取，基于非负矩阵分解能够提取信号的隐含特征，避免了传统特征提取方法的不足。这种方法能够保留原始数据中的大部分信息，同时也能够降低数据的维度，提高诊断模型的效率。基于MAML能够使模型在迁移任务上具有更好的泛化能力，能够快速地学习新任务。这种方法可以使模型具有更好的适应性，避免了传统方法在新任务上需要重新训练的问题。基于云边协同的元学习可以进一步提高模型的诊断精度，同时也具有更好的智能化和实时性。云端模型可以利用大量的数据和计算资源进行模型训练和更新，而边缘设备可以快速地对本地故障进行诊断。这种方式可以使模型具有更好的适应性和实用性。

下面对本发明提供的基于元学习的数控机床故障识别系统进行描述，下文描述的基于元学习的数控机床故障识别系统与上文描述的基于元学习的数控机床故障识别方法可相互对应参照。如图2中所示，所述基于元学习的数控机床故障识别系统包括：

数据获取模块210，用于获取目标数控机床对应的目标机床型号和待识别数据，其中，所述待识别数据包括所述目标数控机床对应的振动数据；

模型迁移模块220，用于根据所述目标机床型号获取已训练故障识别模型，其中，所述已训练故障识别模型是基于模型迁移训练数据集对预训练故障识别模型进行训练获得的模型，所述预训练故障识别模型是基于预设的初始训练数据集，通过预设的元学习算法对预设的初始故障识别模型进行训练获得的模型，所述模型迁移训练数据集是预设的与所述目标机床型号对应的数据集；

故障识别模块230，用于根据所述待识别数据和所述已训练故障识别模型对所述目标数控机床进行故障识别并获得所述目标数控机床对应的目标故障类别。

具体的，本实施例中，上所述基于元学习的数控机床故障识别系统及其各模块的具体功能可以参照所述基于元学习的数控机床故障识别方法中的对应描述，在此不再赘述。

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，以执行基于元学习的数控机床故障识别方法，该方法包括：获取目标数控机床对应的目标机床型号和待识别数据，其中，所述待识别数据包括所述目标数控机床对应的振动数据；根据所述目标机床型号获取已训练故障识别模型，其中，所述已训练故障识别模型是基于模型迁移训练数据集对预训练故障识别模型进行训练获得的模型，所述预训练故障识别模型是基于预设的初始训练数据集，通过预设的元学习算法对预设的初始故障识别模型进行训练获得的模型，所述模型迁移训练数据集是预设的与所述目标机床型号对应的数据集；根据所述待识别数据和所述已训练故障识别模型对所述目标数控机床进行故障识别并获得所述目标数控机床对应的目标故障类别。

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基于元学习的数控机床故障识别方法，该方法包括：获取目标数控机床对应的目标机床型号和待识别数据，其中，所述待识别数据包括所述目标数控机床对应的振动数据；根据所述目标机床型号获取已训练故障识别模型，其中，所述已训练故障识别模型是基于模型迁移训练数据集对预训练故障识别模型进行训练获得的模型，所述预训练故障识别模型是基于预设的初始训练数据集，通过预设的元学习算法对预设的初始故障识别模型进行训练获得的模型，所述模型迁移训练数据集是预设的与所述目标机床型号对应的数据集；根据所述待识别数据和所述已训练故障识别模型对所述目标数控机床进行故障识别并获得所述目标数控机床对应的目标故障类别。

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 (10)

1.一种基于元学习的数控机床故障识别方法，其特征在于，包括：

获取目标数控机床对应的目标机床型号和待识别数据，其中，所述待识别数据包括所述目标数控机床对应的振动数据；

根据所述目标机床型号获取已训练故障识别模型，其中，所述已训练故障识别模型是基于模型迁移训练数据集对预训练故障识别模型进行训练获得的模型，所述预训练故障识别模型是基于预设的初始训练数据集，通过预设的元学习算法对预设的初始故障识别模型进行训练获得的模型，所述模型迁移训练数据集是预设的与所述目标机床型号对应的数据集；

根据所述待识别数据和所述已训练故障识别模型对所述目标数控机床进行故障识别并获得所述目标数控机床对应的目标故障类别。

2.根据权利要求1所述的基于元学习的数控机床故障识别方法，其特征在于，所述预训练故障识别模型由云端服务器根据所述预设的初始训练数据集通过所述元学习算法对所述预设的初始故障识别模型进行预先训练获得；

所述初始训练数据集中包括多组初始故障子集，各所述初始故障子集对应的机床型号不同，且一组所述初始故障子集中包括分别与一种预设故障类别对应的多个初始机床故障数据。

3.根据权利要求2所述的基于元学习的数控机床故障识别方法，其特征在于，所述已训练故障识别模型根据如下步骤训练获得：

接收所述云端服务器下发的所述预训练故障识别模型；

根据所述目标机床型号获取模型迁移训练数据集，其中，所述模型迁移训练数据集中包括多个迁移故障训练数据，一个所述迁移故障训练数据与一个迁移故障类别对应，所述迁移故障类别是所述预设故障类别以外的故障类别，各所述迁移故障训练数据与所述目标机床型号对应；

根据所述模型迁移训练数据集对所述预训练故障识别模型进行训练获得已训练故障识别模型。

4.根据权利要求3所述的基于元学习的数控机床故障识别方法，其特征在于，所述待识别数据还包括所述目标数控机床对应的图像数据和温度数据；

其中，所述振动数据包括所述目标数控机床中多个预设位置对应的振动信号，所述图像数据包括所述目标数控机床对应的表面图像，所述温度数据包括各所述预设位置对应的温度值。

5.根据权利要求4所述的基于元学习的数控机床故障识别方法，其特征在于，所述根据所述待识别数据和所述已训练故障识别模型对所述目标数控机床进行故障识别并获得所述目标数控机床对应的目标故障类别，包括：

根据各所述振动信号分别获取目标数控机床对应的各个振动特征矩阵，其中，一个振动特征矩阵与一个振动信号对应，且一个振动特征矩阵由一个振动信号中提取获得的特征向量组成；

根据预设的非负矩阵分解算法分别对各所述振动特征矩阵进行分解，获得各所述振动特征矩阵对应的因子矩阵，其中，一个振动特征矩阵被分解为至少两个因子矩阵；

根据所述因子矩阵、所述图像数据、所述温度数据和所述已训练故障识别模型获取目标故障类别，其中，所述目标故障类别是候选类别集合中的一种故障类别，所述候选类别集合中包括所有所述预设故障类别和所有所述迁移故障类别。

6.根据权利要求5所述的基于元学习的数控机床故障识别方法，其特征在于，所述根据所述因子矩阵、所述图像数据、所述温度数据和所述已训练故障识别模型获取目标故障类别，包括：

根据所述因子矩阵获取所述振动特征矩阵对应的目标隐特征向量，其中，一个振动特征矩阵对应的目标隐特征向量由所述振动特征矩阵所对应的因子矩阵中的一列或多列元素构成；

将所述目标隐特征向量、所述图像数据和所述温度数据输入所述已训练故障识别模型，获取所述已训练故障识别模型输出的目标故障类别。

7.根据权利要求3-6任一项所述的基于元学习的数控机床故障识别方法，其特征在于，在接收所述云端服务器下发的所述预训练故障识别模型之前，所述方法还包括：

获取训练更新数据并将所述训练更新数据上传到所述云端服务器以触发所述云端服务器根据所述训练更新数据更新所述预训练故障识别模型。

8.一种基于元学习的数控机床故障识别系统，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目标机床型号和待识别数据，其中，所述待识别数据包括所述目标数控机床对应的振动数据；

模型迁移模块，用于根据所述目标机床型号获取已训练故障识别模型，其中，所述已训练故障识别模型是基于模型迁移训练数据集对预训练故障识别模型进行训练获得的模型，所述预训练故障识别模型是基于预设的初始训练数据集，通过预设的元学习算法对预设的初始故障识别模型进行训练获得的模型，所述模型迁移训练数据集是预设的与所述目标机床型号对应的数据集；

故障识别模块，用于根据所述待识别数据和所述已训练故障识别模型对所述目标数控机床进行故障识别并获得所述目标数控机床对应的目标故障类别。

9.一种电子设备，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7任一项所述基于元学习的数控机床故障识别方法。

10.一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7任一项所述基于元学习的数控机床故障识别方法。

Images