CN116184930B - 数控机床故障预测方法、装置、设备及存储介质 - Google Patents
数控机床故障预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116184930B CN116184930B CN202310283246.3A CN202310283246A CN116184930B CN 116184930 B CN116184930 B CN 116184930B CN 202310283246 A CN202310283246 A CN 202310283246A CN 116184930 B CN116184930 B CN 116184930B
- Authority
- CN
- China
- Prior art keywords
- fault
- machine tool
- numerical control
- control machine
- fault prediction
- 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
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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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
本发明提供一种数控机床故障预测方法、装置、设备及存储介质,涉及数控机床监测技术领域,方法包括:获取被监测数控机床对应的运行数据,其中,所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据,所述监测时段的终止时刻是当前时刻,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数;根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,其中,所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列,一个所述预测故障信息包括故障类别和故障等级,所述预测时段的起始时刻是所述当前时刻。本发明有利于提高数控机床使用的安全性。
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预测方法、装置、设备及存储介质。
背景技术
目前,数控机床的应用越来越广泛,对于数控机床运行过程中的状态监测也越来越重要。在数控机床运行过程中,可能因为操作不当、机床部件磨损、环境因素不适宜(例如温度过高)等原因造成数控机床出现故障,而出现故障会严重影响数控机床的加工,甚至导致数控机床损坏。
现有技术中,只有在数控机床发生故障之后才能进行故障分析,从而调整对应的参数或者进行其它设置以避免下次出现相同的故障。现有技术的问题在于,无法预先获知可能发生的故障,只能在数控机床发生故障之后进行补救,不利于提高数控机床使用的安全性。
发明内容
本发明提供一种数控机床故障预测方法、装置、设备及存储介质,用以解决现有技术中在使用数控机床时无法预先获知可能发生的故障,只能在数控机床发生故障之后进行补救,不利于提高数控机床使用的安全性的缺陷,以实现对数控机床的故障进行提前预测,实现提高数控机床使用的安全性。
本发明提供一种数控机床故障预测方法,包括:
获取被监测数控机床对应的运行数据,其中,所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据,所述监测时段的终止时刻是当前时刻,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数;
根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,其中,所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列,一个所述预测故障信息包括故障类别和故障等级,所述预测时段的起始时刻是所述当前时刻。
根据本发明提供的一种数控机床故障预测方法,所述加工工艺参数包括刀具切削预设角度,所述加工图像数据包括对所述被监测数控机床进行多角度采集获得的多张加工区域图像,所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,包括:
根据各所述加工区域图像获取所述被监测数控机床对应的实际刀具切削角度;
根据所述刀具切削预设角度和所述实际刀具切削角度获取工艺参数偏移数据;
根据所述日志数据、所述工艺参数偏移数据和所述已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果。
根据本发明提供的一种数控机床故障预测方法,所述根据所述日志数据、所述工艺参数偏移数据和所述已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,包括:
针对所述日志数据进行文本向量化处理获得日志向量;
将所述日志向量和所述工艺参数偏移数据输入所述已训练的故障预测模型,获取所述已训练的故障预测模型输出的故障预测结果。
根据本发明提供的一种数控机床故障预测方法,所述故障预测模型根据如下步骤进行训练:
将训练数据中样本监测时段内的样本日志向量和样本工艺参数偏移数据输入所述故障预测模型,通过所述故障预测模型输出与所述样本监测时段对应的样本预测时段的样本故障预测结果,其中,所述训练数据包括多个训练信息组,每个训练信息组包括一个样本监测时段的样本日志向量、样本工艺参数偏移数据和标注故障结果,所述样本监测时段与所述样本预测时段一一对应,一个所述样本监测时段的终止时刻是与所述样本监测时段对应的样本预测时段的起始时刻;
根据所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果,对所述故障预测模型的模型参数进行调整,并继续执行所述将训练数据中样本监测时段内的样本日志向量和样本工艺参数偏移数据输入所述故障预测模型的步骤,直至满足预设故障预测模型训练条件,以得到已训练的故障预测模型。
根据本发明提供的一种数控机床故障预测方法,所述根据所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果,对所述故障预测模型的模型参数进行调整,包括:
将所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果输入预设的奖励模型,获取所述奖励模型输出的调优参考数据;
根据所述调优参考数据对所述故障预测模型的模型参数进行调整。
根据本发明提供的一种数控机床故障预测方法,在所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果之后,所述方法还包括:
当所述故障预测结果中任意一个故障等级超过预设的故障等级阈值时,控制所述被监测数控机床停止运行,并输出故障等级过高告警信号。
根据本发明提供的一种数控机床故障预测方法,在所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果之后,所述方法还包括:
根据预设的故障评分对应表获取所述故障预测结果中各所述故障类别对应的类别评分和各所述故障等级对应的等级评分;
根据所述类别评分和所述等级评分计算获取所述故障预测结果对应的危险评分;
当所述危险评分超过预设的危险评分阈值时,控制所述被监测数控机床停止运行,并输出危险评分过高告警信号。
本发明还提供一种数控机床故障预测装置,包括:
数据获取模块,用于获取被监测数控机床对应的运行数据,其中,所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据,所述监测时段的终止时刻是当前时刻,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数;
故障预测模块,用于根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,其中,所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列,一个所述预测故障信息包括故障类别和故障等级,所述预测时段的起始时刻是所述当前时刻。
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预测方法。
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预测方法。
本发明提供的数控机床故障预测方法中,可以在数控机床运行的过程中进行监测,获得监测时段内反映被监测数控机床的状态的日志数据和加工图像数据,从而根据日志数据、加工图像数据和已训练的故障预测模型对被监测数控机床在预测时段(即未来的一段时间)内是否会发生故障进行预测并获得对应的故障预测结果。与现有技术相比,本发明中不会在故障发生之后才察觉故障,而是可以根据历史时段(即监测时段)内采集的数据对未来进行预测,提前预知数控机床是否会发生故障,从而可以根据对应的故障预测结果及时规避对应的故障,实现对数控机床的保护,有利于提高数控机床使用的安全性。
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预测方法的流程示意图;
图2是本发明提供的数控机床故障预测装置的结构示意图;
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。
目前,数控机床的应用越来越广泛,对于数控机床运行过程中的状态监测也越来越重要。在数控机床运行过程中,可能因为操作不当、机床部件磨损、环境因素不适宜(例如温度过高)等原因造成数控机床出现故障,而出现故障会严重影响数控机床的加工,甚至导致数控机床损坏。
现有技术中,只有在数控机床发生故障之后才能进行故障分析,从而调整对应的参数或者进行其它设置以避免下次出现相同的故障。现有技术的问题在于,无法预先获知可能发生的故障,只能在数控机床发生故障之后进行补救,不利于提高数控机床使用的安全性,同时,也不利于提高数控机床的加工效率。
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预测方法、装置、设备及存储介质,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预测方法,具体的,所述方法包括如下步骤:
步骤S100,获取被监测数控机床对应的运行数据,其中,所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据,所述监测时段的终止时刻是当前时刻,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数。
其中,所述被监测数控机床是需要进行故障预测的数控机床,在该被监测数控机床运行的过程中,对其进行实时数据监测,从而根据监测获得的数据进行故障预测。所述运行数据是被监测数控机床在运行过程中采集的体现对应的运行状态的数据。具体的,本实施例中以当前时刻即为需要进行预测的时刻为例进行说明,监测时段则是当前时刻之前一个预设时间长度(例如8小时)所对应的时间段。而该时间段内的运行数据包括日志数据和加工图像数据。
所述日志数据是所述被监测数控机床在运行过程中对应的日志信息所构成的数据,可以包括系统操作信息、系统运行信息、环境信息和加工工艺参数,还可以包括其它信息,在此不作具体限定。具体的,所述系统操作信息是由操作人员输入到数控机床的数控系统的操作信息,例如调整数控机床中某一部件的位置、角度、执行某一功能等。所述系统运行信息则是数控机床实际运行过程中的执行状态信息,例如刀具是否正常转动、切削,以及被监测数控机床对应的电压、电流等。需要说明的是,所述系统操作信息会记录操作人员对于被监测数控机床的每一条操作指令,例如开始运行、暂停运行、调整运行频率等;所述系统运行信息则会记录对应的操作指令的执行结果,例如执行成功、执行失败、执行时的电压、电流、执行过程中出现警告信息、故障信息等。所述环境信息则是在被监测数控机床运行过程中运行环境的信息,例如可以包括环境温度、湿度等。所述加工工艺参数是被监控数控机床在运行过程中的由操作人员预先设置的参数,例如运刀速率、加工角度、进给速度、刀具切削角度等。
进一步的,本实施例中,所述加工工艺参数包括刀具切削预设角度,所述加工图像数据包括对所述被监测数控机床进行多角度采集获得的多张加工区域图像,所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,包括:根据各所述加工区域图像获取所述被监测数控机床对应的实际刀具切削角度;根据所述刀具切削预设角度和所述实际刀具切削角度获取工艺参数偏移数据;根据所述日志数据、所述工艺参数偏移数据和所述已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果。
本实施例中,以加工工艺参数中包括刀具切削角度为例进行具体说明。所述加工图像数据包括通过预设的图像采集设备对被监测数控机床从多个角度进行采集获得多张加工区域图像,加工区域图像即对加工区域进行拍摄获得的图像。在加工区域图像中可以观察到被监测数控机床的刀具所对应的实际角度,因此根据加工工艺参数和加工图像数据即可以处理并计算获得工艺参数偏移数据(即刀具的实际角度与设置的角度之间的偏移)。如果偏移过大,则刀具出现故障的概率较大,因此可以将工艺参数偏移数据作为用于预测故障的数据之一。
需要说明的是,在一种应用场景中,可以针对所述加工区域图像进行特征识别,识别出其中的刀具以及被监测数控机床上预设的位置标识部件,从而根据两者的相对关系确定实际刀具切削角度。还可以通过其它方式获取实际刀具切削角度,在此不作具体限定。
步骤S200,根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,其中,所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列,一个所述预测故障信息包括故障类别和故障等级,所述预测时段的起始时刻是所述当前时刻。
本实施例中,进行故障预测时预测的是未来一段时间(即预测时段)内可能出现的数控机床故障。所述预设时段是从当前开始的一个预设未来时间长度的时间段。需要说明的是,所述预测时段的时间长度远小于所述监测时段的时间长度,以实现更精准的故障预测。例如,所述监测时段为24小时,所述预测时段可以是1小时或者10分钟,可以根据实际需求进行设置和调整,在此不作具体限定。
在一种应用场景中,所述故障预测结果中包括多个按顺序排列的预测故障信息,排序靠前的预测故障信息所对应的故障发生的概率更高、最先发生、用户更为关注或者更为重要。
本实施例中,所述预测故障信息是由多个预测故障信息按照发生概率由高到低的顺序排列的序列。一个预测故障信息包括故障类别和故障等级,还可以包括故障概率,在此不作具体限定。所述故障类别用于描述对应的故障属于什么类型,例如刀具故障、夹持部件故障、电压故障、主轴故障等,需要说明的是,所述故障类别还可以包括无故障这一类别。所述故障等级则代表对应的故障的严重程度,例如可以包括一级故障、二级故障、三级故障等。
进一步的,所述根据所述日志数据、所述工艺参数偏移数据和所述已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,包括:针对所述日志数据进行文本向量化处理获得日志向量;将所述日志向量和所述工艺参数偏移数据输入所述已训练的故障预测模型,获取所述已训练的故障预测模型输出的故障预测结果。
本实施例中,将日志数据处理成向量,有利于提高模型处理效率,从而提高对应的故障预测效率。其中,所述日志数据可以通过预设的文本编码规则编码成对应的日志向量,也可以通过预设的文本向量化模型进行文本向量化处理获得对应的日志向量,在此不作具体限定。
本实施例中,所述故障预测模型根据如下步骤进行训练:将训练数据中样本监测时段内的样本日志向量和样本工艺参数偏移数据输入所述故障预测模型,通过所述故障预测模型输出与所述样本监测时段对应的样本预测时段的样本故障预测结果,其中,所述训练数据包括多个训练信息组,每个训练信息组包括一个样本监测时段的样本日志向量、样本工艺参数偏移数据和标注故障结果,所述样本监测时段与所述样本预测时段一一对应,一个所述样本监测时段的终止时刻是与所述样本监测时段对应的样本预测时段的起始时刻;根据所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果,对所述故障预测模型的模型参数进行调整,并继续执行所述将训练数据中样本监测时段内的样本日志向量和样本工艺参数偏移数据输入所述故障预测模型的步骤,直至满足预设故障预测模型训练条件,以得到已训练的故障预测模型。
需要说明的是,所述故障预测模型在使用过程和训练过程中使用的数据是一一对应的,例如所述样本日志向量与使用过程中输入到所述已训练的故障预测模型中的日志向量的形式是完全相同的,其它数据同理,在此不再赘述。进一步的,所述样本监测时段的时间长度与所述监测时段相同,所述样本预测时段的时间长度与所述预测时段相同,以获得更好的模型训练和使用效果,提高故障预测的准确性。
所述预设故障预测模型训练是预先设置的用于确定故障预测模型训练完成的条件,可以包括该模型的迭代次数达到故障预测训练阈值,或者所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果之间的损失值达到对应的故障预测训练损失阈值,还可以包括其它条件,在此不作具体限定。
进一步的,所述根据所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果,对所述故障预测模型的模型参数进行调整,包括:将所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果输入预设的奖励模型,获取所述奖励模型输出的调优参考数据;根据所述调优参考数据对所述故障预测模型的模型参数进行调整。
其中,所述调优参考数据是根据所述标注故障结果中故障信息及其排序以及所述样本故障预测结果中故障信息及其排序生成的用于反馈给所述故障预测模型并指导故障预测模型训练的奖励值,基于所述奖励值的指导,可以使得训练后的故障预测模型不仅在输出的故障信息上更为准确,还使其在输出信息的排序上更为准确(例如更加符合对应的概率排序或者更加符合用户的喜好排序)。在一种应用场景中,也可以根据所述调优参考数据、所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果之间的损失值调整所述故障预测模型的模型参数。
在另一种应用场景中,所述预设的奖励模型可以是预设的损失计算模型,也可以是预先设置的reward奖励模型,在此不作具体限定。本实施例中,以所述预设的奖励模型是预先设置并训练好的reward奖励模型为例,以使得所述故障预测模型获得更好的预测效果。
本实施例中,在所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果之后,所述方法还包括:当所述故障预测结果中任意一个故障等级超过预设的故障等级阈值时,控制所述被监测数控机床停止运行,并输出故障等级过高告警信号。具体的,所述预设的故障等级阈值是由用户预先设置的用于限制故障等级的阈值,当故障等级超过该阈值时,说明故障程度过高,可能会导致重大风险,此时立即停止被监测数控机床的运行并输出对应的告警信息以方便操作人员及时检修。
在一种应用场景中,在所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果之后,所述方法还包括:根据预设的故障评分对应表获取所述故障预测结果中各所述故障类别对应的类别评分和各所述故障等级对应的等级评分;根据所述类别评分和所述等级评分计算获取所述故障预测结果对应的危险评分;当所述危险评分超过预设的危险评分阈值时,控制所述被监测数控机床停止运行,并输出危险评分过高告警信号。
需要说明的是,所述类别评分的值越高,说明该类别的故障影响更大,所述等级评分的值越高,说明对应的故障程度越高。根据所述类别评分和所述等级评分可以综合计算预测出的故障预测结果所对应的危险评分。具体的,所述危险评分是所有等级评分和所有类别评分之和。
在另一种应用场景中,还可以结合序列权重值计算所述危险评分。具体的,所述序列权重值根据所述故障预测数据中各所述预测故障信息的序列位置获取,序列位置靠前的预测故障信息的序列权重值更大,各个位置的权重值可以预先设置好。例如排序在第一个位置的预测故障信息的权重值为10分,排在第二个位置的预测故障信息的权重值为5分,最后几个位置(例如最后2个位置,或者后面一半的位置)的预测故障信息的权重值可以小于1,以降低排序靠后的预测信息对于危险评分的影响,使得排序靠前的预测故障信息更受到重视。
具体的,结合序列权重值进行计算时,所述危险评分是各个预测故障信息对应的权重综合评分之和,一个预测故障信息的权重综合评分是类别评分与等级评分相加后的值与对应的序列权重值的乘积。
所述预设的危险评分阈值是由用户预先设置的用于根据评分指示数控机床故障的危险程度的值,超过该值时,说明对应故障将使得被监测数控机床危险程度过高,此时控制所述被监测数控机床停止运行,并输出危险评分过高告警信号,以及时告知对应的检修人员进行检修,提高数控机床使用安全性。
由上可见,本实施例提供的数控机床故障预测方法中,可以在数控机床运行的过程中进行监测,获得监测时段内反映被监测数控机床的状态的日志数据和加工图像数据,从而根据日志数据、加工图像数据和已训练的故障预测模型对被监测数控机床在预测时段(即未来的一段时间)内是否会发生故障进行预测并获得对应的故障预测结果。与现有技术相比,本实施例中不会在故障发生之后才察觉故障,而是可以根据历史时段(即监测时段)内采集的数据对未来进行预测,提前预知数控机床是否会发生故障,从而可以根据对应的故障预测结果及时规避对应的故障,实现对数控机床的保护,有利于提高数控机床使用的安全性。
本实施例中,还基于一种具体应用场景对所述数控机床故障预测方法进行具体说明。其中,所述已训练的故障预测模型是基于提示学习和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,定期将数控系统日志文件导出,日志中记录有系统异常和故障数据,以及在故障发生前一段时间的系统各方面参数(如环境参数、运刀速率、加工工艺信息等)。设计启发式的规则(基于正则表达以及日志表述上的语义逻辑)从日志文件中自动提取上述关键故障信息,形成输入序列。
对预训练大语言模型(例如GPT-3.5模型)进行建模训练,基于提示学习原理进行故障预测。即要在以后的数控系统工作中,基于故障未出现之前的日志记录提前预测故障风险,从而在系统超过风险阈值时终止机械运转。具体的,设计提示模板,包括[输入序列+需要大语言模型处理的下游任务],输出为一段输入序列导致的下一个时间点的系统风险(撞刀、过载等,根据专家意见和工艺要求可以自行添加和删除需预测的风险类型),原始输出为3-4个不同的风险类型和等级。
需要说明的是,还需要预先进行reward奖励模型训练。具体的,对风险输出数据需要进行人工排序,将这个排序作为输入用于训练一个reward模型(例如LSTM/BERT),该模型会学习人类专家(即用户)对于故障分析结果的偏好(即排序偏好),从而使得最终的输出序列符合偏好。
进一步的,对于模型还需要进行强化学习调优,基于chatGPT原理,使用On-policy方法,使用reward模型来进一步调优训练过程中的大语言模型。模型由大语言模型初始化,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)。训练完成的模型可以接收日志信息,在使用模型进行故障预测时输出最优排序,从而预测和推荐出当前日志信息下最可能在下一个时间段出现的风险类型和等级。
下面对本发明提供的数控机床故障预测装置进行描述,下文描述的数控机床故障预测装置与上文描述的数控机床故障预测方法可相互对应参照。如图2中所示,所述数控机床故障预测装置包括:
数据获取模块210,用于获取被监测数控机床对应的运行数据,其中,所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据,所述监测时段的终止时刻是当前时刻,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数;
故障预测模块220,用于根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,其中,所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列,一个所述预测故障信息包括故障类别和故障等级,所述预测时段的起始时刻是所述当前时刻。
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预测方法,该方法包括:获取被监测数控机床对应的运行数据,其中,所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据,所述监测时段的终止时刻是当前时刻,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数;根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,其中,所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列,一个所述预测故障信息包括故障类别和故障等级,所述预测时段的起始时刻是所述当前时刻。
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预测方法,该方法包括:获取被监测数控机床对应的运行数据,其中,所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据,所述监测时段的终止时刻是当前时刻,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数;根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,其中,所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列,一个所述预测故障信息包括故障类别和故障等级,所述预测时段的起始时刻是所述当前时刻。
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 (8)
1.一种数控机床故障预测方法,其特征在于,包括:
获取被监测数控机床对应的运行数据,其中,所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据,所述监测时段的终止时刻是当前时刻,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数;
根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,其中,所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列,一个所述预测故障信息包括故障类别和故障等级,所述预测时段的起始时刻是所述当前时刻;
所述加工工艺参数包括刀具切削预设角度,所述加工图像数据包括对所述被监测数控机床进行多角度采集获得的多张加工区域图像,所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,包括:
根据各所述加工区域图像获取所述被监测数控机床对应的实际刀具切削角度;
根据所述刀具切削预设角度和所述实际刀具切削角度获取工艺参数偏移数据;
根据所述日志数据、所述工艺参数偏移数据和所述已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果;
所述根据所述日志数据、所述工艺参数偏移数据和所述已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,包括:
针对所述日志数据进行文本向量化处理获得日志向量;
将所述日志向量和所述工艺参数偏移数据输入所述已训练的故障预测模型,获取所述已训练的故障预测模型输出的故障预测结果;
其中,所述日志数据是所述被监测数控机床在运行过程中对应的日志信息所构成的数据,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数,所述系统操作信息是由操作人员输入到数控机床的数控系统的操作信息,所述系统运行信息是数控机床实际运行过程中的执行状态信息,所述系统运行信息反映数控机床对操作人员输入至数控机床的操作指令的执行结果。
2.根据权利要求1所述的数控机床故障预测方法,其特征在于,所述故障预测模型根据如下步骤进行训练:
将训练数据中样本监测时段内的样本日志向量和样本工艺参数偏移数据输入所述故障预测模型,通过所述故障预测模型输出与所述样本监测时段对应的样本预测时段的样本故障预测结果,其中,所述训练数据包括多个训练信息组,每个训练信息组包括一个样本监测时段的样本日志向量、样本工艺参数偏移数据和标注故障结果,所述样本监测时段与所述样本预测时段一一对应,一个所述样本监测时段的终止时刻是与所述样本监测时段对应的样本预测时段的起始时刻;
根据所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果,对所述故障预测模型的模型参数进行调整,并继续执行所述将训练数据中样本监测时段内的样本日志向量和样本工艺参数偏移数据输入所述故障预测模型的步骤,直至满足预设故障预测模型训练条件,以得到已训练的故障预测模型。
3.根据权利要求2所述的数控机床故障预测方法,其特征在于,所述根据所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果,对所述故障预测模型的模型参数进行调整,包括:
将所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果输入预设的奖励模型,获取所述奖励模型输出的调优参考数据;
根据所述调优参考数据对所述故障预测模型的模型参数进行调整。
4.根据权利要求1-3任意一项所述的数控机床故障预测方法,其特征在于,在所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果之后,所述方法还包括:
当所述故障预测结果中任意一个故障等级超过预设的故障等级阈值时,控制所述被监测数控机床停止运行,并输出故障等级过高告警信号。
5.根据权利要求1-3任意一项所述的数控机床故障预测方法,其特征在于,在所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果之后,所述方法还包括:
根据预设的故障评分对应表获取所述故障预测结果中各所述故障类别对应的类别评分和各所述故障等级对应的等级评分;
根据所述类别评分和所述等级评分计算获取所述故障预测结果对应的危险评分;
当所述危险评分超过预设的危险评分阈值时,控制所述被监测数控机床停止运行,并输出危险评分过高告警信号。
6.一种数控机床故障预测装置,其特征在于,包括:
数据获取模块,用于获取被监测数控机床对应的运行数据,其中,所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据,所述监测时段的终止时刻是当前时刻,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数;
故障预测模块,用于根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,其中,所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列,一个所述预测故障信息包括故障类别和故障等级,所述预测时段的起始时刻是所述当前时刻;
所述加工工艺参数包括刀具切削预设角度,所述加工图像数据包括对所述被监测数控机床进行多角度采集获得的多张加工区域图像,所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,包括:
根据各所述加工区域图像获取所述被监测数控机床对应的实际刀具切削角度;
根据所述刀具切削预设角度和所述实际刀具切削角度获取工艺参数偏移数据;
根据所述日志数据、所述工艺参数偏移数据和所述已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果;
所述根据所述日志数据、所述工艺参数偏移数据和所述已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果,包括:
针对所述日志数据进行文本向量化处理获得日志向量;
将所述日志向量和所述工艺参数偏移数据输入所述已训练的故障预测模型,获取所述已训练的故障预测模型输出的故障预测结果;
其中,所述日志数据是所述被监测数控机床在运行过程中对应的日志信息所构成的数据,所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数,所述系统操作信息是由操作人员输入到数控机床的数控系统的操作信息,所述系统运行信息是数控机床实际运行过程中的执行状态信息,所述系统运行信息反映数控机床对操作人员输入至数控机床的操作指令的执行结果。
7.一种电子设备,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5任一项所述数控机床故障预测方法。
8.一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5任一项所述数控机床故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310283246.3A CN116184930B (zh) | 2023-03-22 | 2023-03-22 | 数控机床故障预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310283246.3A CN116184930B (zh) | 2023-03-22 | 2023-03-22 | 数控机床故障预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116184930A CN116184930A (zh) | 2023-05-30 |
CN116184930B true CN116184930B (zh) | 2023-07-21 |
Family
ID=86452194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310283246.3A Active CN116184930B (zh) | 2023-03-22 | 2023-03-22 | 数控机床故障预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116184930B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116820026B (zh) * | 2023-07-07 | 2024-09-06 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床集群监控方法及相关设备 |
CN116915459B (zh) * | 2023-07-13 | 2024-03-08 | 上海戎磐网络科技有限公司 | 一种基于大语言模型的网络威胁分析方法 |
CN117575565A (zh) * | 2023-11-15 | 2024-02-20 | 重庆雄川科技有限公司 | 基于工业互联网的自动化设备故障监测方法及系统 |
CN118094344A (zh) * | 2024-04-25 | 2024-05-28 | 中科航迈数控软件(深圳)有限公司 | 安全隐患检查方法、数控机床以及可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6167948B2 (ja) * | 2014-03-14 | 2017-07-26 | 富士ゼロックス株式会社 | 障害予測システム、障害予測装置およびプログラム |
CN105081879B (zh) * | 2015-08-27 | 2017-04-12 | 成都飞机工业(集团)有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
CN109902731B (zh) * | 2019-02-21 | 2020-12-18 | 武汉大学 | 一种基于支持向量机的性能故障的检测方法及装置 |
CN110472684B (zh) * | 2019-08-14 | 2022-02-08 | 树根互联股份有限公司 | 一种风机叶片的结冰监测方法、其装置及可读存储介质 |
CN113552840B (zh) * | 2021-07-30 | 2024-01-30 | 娄底市同丰科技有限公司 | 一种机械加工控制系统 |
CN114090320A (zh) * | 2021-11-19 | 2022-02-25 | 中国联合网络通信集团有限公司 | 故障检测方法及装置 |
CN114707401A (zh) * | 2022-03-08 | 2022-07-05 | 通号城市轨道交通技术有限公司 | 信号系统设备的故障预警方法及装置 |
CN115629938A (zh) * | 2022-10-17 | 2023-01-20 | 广东中星电子有限公司 | 故障状态类型信息生成方法、装置、设备、介质和产品 |
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 |
-
2023
- 2023-03-22 CN CN202310283246.3A patent/CN116184930B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116184930A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116184930B (zh) | 数控机床故障预测方法、装置、设备及存储介质 | |
CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
CN115981240B (zh) | 数控机床故障原因确定方法、装置、设备及介质 | |
CN110858812B (zh) | 网元割接值守方法及装置 | |
CN115994099B (zh) | 数控机床代码的自动检查方法、装置、设备及存储介质 | |
CN113424120A (zh) | 无需计量地捕获机器特别是机床的特性确定该特性的方法 | |
CN114707401A (zh) | 信号系统设备的故障预警方法及装置 | |
CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控系统 | |
CN110765249A (zh) | 机器人客服引导对话中多轮对话的质检方法和装置 | |
CN112816898A (zh) | 电瓶故障预测方法、装置、电子设备和存储介质 | |
CN111898661A (zh) | 道岔转辙机的工作状态监测方法及装置 | |
CN111078457A (zh) | 一种基于大数据的存储故障分析方法与装置 | |
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 | |
CN115964470B (zh) | 一种摩托车配件的寿命预测方法及系统 | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 | |
CN108363738B (zh) | 一种工业设备数据分析算法的推荐方法 | |
CN113955149B (zh) | 一种电机系统的健康诊断方法和装置 | |
CN116383048A (zh) | 软件质量信息处理方法及装置 | |
CN114881321A (zh) | 机械部件故障预测方法、装置、电子设备及存储介质 | |
CN116860529A (zh) | 故障定位方法及装置 | |
CN112395280A (zh) | 一种数据质量检测方法及其系统 | |
CN117667497B (zh) | 一种调度集中系统的自动化故障分析方法及系统 | |
CN116820026B (zh) | 一种数控机床集群监控方法及相关设备 | |
CN111245631A (zh) | 网元操作结果审查方法及系统 |
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 |