CN116226676B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116226676B CN116226676B CN202310506170.6A CN202310506170A CN116226676B CN 116226676 B CN116226676 B CN 116226676B CN 202310506170 A CN202310506170 A CN 202310506170A CN 116226676 B CN116226676 B CN 116226676B
- Authority
- CN
- China
- Prior art keywords
- machine tool
- training
- sample
- data
- state data
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- 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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供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，涉及数控机床技术领域，方法包括：获取第一训练数据以及所述第一训练数据对应的第一环境描述文本；将所述第一环境描述文本输入至已训练的样本生成模型中，获取所述样本生成模型输出的多个第二样本状态数据；基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据；基于多组训练数据训练机床故障预测模型，所述机床故障预测模型用于基于输入的待预测机床的状态数据，输出所述待预测机床的故障预测结果，所述多组训练数据包括多组所述第一训练数据和多组所述第二训练数据。本发明可以生成适用于极端环境下的机床故障预测模型。
Description
技术领域
本发明涉及数控机床技术领域，尤其涉及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。
背景技术
数控机床运行的极端环境是指一种或多种环境参数，例如湿度、温度、粉尘浓度等，超出数控机床常见的运行环境参数范围。在现有技术中，存在利用历史数据建立故障预测模型并训练，将机床的运行状态数据输入至训练后的故障预测模型进行机床故障预测的方式，但是深度学习模型的准确性需要大量的训练数据来支撑，而在极端环境下的采集的数控机床的状态数据的数据量不足，不足以训练得到适用于极端环境的机床故障预测模型。
发明内容
本发明提供一种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，用以解决现有技术中无法得到适用于极端环境的机床故障预测模型的缺陷，实现生成适用于极端环境的机床故障预测模型。
本发明提供一种适用于极端环境的机床故障预测模型生成方法，包括：
获取第一训练数据以及所述第一训练数据对应的第一环境描述文本，所述第一训练数据包括第一样本待预测机床的第一样本状态数据和所述第一样本状态数据对应的机床故障预测标签，所述第一环境描述文本反映所述第一样本待预测机床的运行环境，在采集所述第一样本状态数据时，所述第一样本待预测机床的运行环境参数超出预设范围；
将所述第一环境描述文本输入至已训练的样本生成模型中，获取所述样本生成模型输出的多个第二样本状态数据，其中，所述样本生成模型与判别器共同被训练，所述判别器用于基于输入的样本状态数据，输出所述样本状态数据对应的真实性分类结果，所述真实性分类结果用于反映所述样本状态数据被归类为所述第一样本状态数据或所述第二样本状态数据的概率；
基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据；
基于多组训练数据训练机床故障预测模型，所述机床故障预测模型用于基于输入的待预测机床的状态数据，输出所述待预测机床的故障预测结果，所述多组训练数据包括多组所述第一训练数据和多组所述第二训练数据。
根据本发明提供的一种适用于极端环境的机床故障预测模型生成方法，所述样本生成模型包括第一特征提取模块和生成器，所述样本生成模型的训练过程包括：
将所述第一环境描述文本输入至所述第一特征提取模块中，获取所述第一特征提取模块输出的第一语义特征；
将所述第一语义特征输入至所述生成器中，获取所述生成器输出的多个第三样本状态数据；
将所述多个第三样本状态数据和至少一个所述第一样本状态数据组成一个训练批次，将所述训练批次中的样本状态数据分别输入至所述判别器，获取所述判别器分别输出的各个所述真实性分类结果；
基于所述真实性分类结果以及所述真实性分类结果对应的输入数据，确定第一训练损失，所述输入数据为输入至所述判别器的数据；
基于所述第一训练损失更新所述第一特征提取模块和所述判别器的参数。
根据本发明提供的一种适用于极端环境的机床故障预测模型生成方法，所述基于所述真实性分类结果以及所述真实性分类结果对应的输入数据，确定第一训练损失，包括：
基于所述真实性分类结果以及所述真实性分类结果对应的输入数据之间的一致性，确定第一分损失；
获取所述多个第三样本状态数据的方差，基于所述方差确定第二分损失，其中，所述方差与所述第二分损失负相关；
对所述第一分损失和所述第二分损失进行加权求和，到所述第一训练损失。
根据本发明提供的一种适用于极端环境的机床故障预测模型生成方法，所述基于所述第一训练损失更新所述第一特征提取模块和所述判别器的参数，包括：
将第二环境描述文本输入至所述第一特征提取模块中，获取所述第一特征提取模块输出的第二语义特征，其中，所述第二环境描述文本反映第二样本数控机床的运行环境，所述第二样本数控机床的运行环境参数在所述预设范围内；
将所述多个第三样本状态数据分别输入至第二特征提取模块中，获取所述第二特征提取模块输出的第二故障预测特征，将所述多个第三样本状态数据对应的所述第一样本状态数据输入至所述第二特征提取模块中，获取所述第二特征提取模块输出的第一故障预测特征，所述第二特征提取模块输出的故障预测特征为基于所述第二特征提取模块从输入至所述第二特征提取模块数据中提取的用于预测机床故障的特征；
基于所述第一语义特征和所述第二语义特征确定第二训练损失；
基于各个所述第二故障预测特征分别与所述第一故障预测特征之间的差异确定第三训练损失；
基于所述第一训练损失、所述第二训练损失和所述第三训练损失更新所述第一特征提取模块、所述判别器和所述第二特征提取模块的参数。
根据本发明提供的一种适用于极端环境的机床故障预测模型生成方法，所述机床故障预测模型包括所述第二特征提取模块和预测模块；所述基于多组训练数据训练机床故障预测模型，包括：
基于所述多组训练数据更新所述机床故障预测模型中的预测模块的参数。
根据本发明提供的一种适用于极端环境的机床故障预测模型生成方法，所述基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据，包括：
将所述第二样本状态数据和所述第二样本状态数据对应的所述机床故障预测标签组合，得到所述第二训练数据，其中，所述第二样本状态数据对应的所述机床故障预测标签是用于生成所述第二样本状态数据的所述第一环境描述文本对应的所述第一训练数据中的所述机床故障预测标签。
根据本发明提供的一种适用于极端环境的机床故障预测模型生成方法，所述状态数据为振动数据和声波数据。
本发明还提供一种适用于极端环境的机床故障预测模型生成装置，包括：
第一数据获取模块，用于获取第一训练数据以及所述第一训练数据对应的第一环境描述文本，所述第一训练数据包括第一样本待预测机床的第一样本状态数据和所述第一样本状态数据对应的机床故障预测标签，所述第一环境描述文本反映所述第一样本待预测机床的运行环境，在采集所述第一样本状态数据时，所述第一样本待预测机床的运行环境参数超出预设范围；
第二数据生成模块，用于将所述第一环境描述文本输入至已训练的样本生成模型中，获取所述样本生成模型输出的多个第二样本状态数据，其中，所述样本生成模型与判别器共同被训练，所述判别器用于基于输入的样本状态数据，输出所述样本状态数据对应的真实性分类结果，所述真实性分类结果用于反映所述样本状态数据被归类为所述第一样本状态数据或所述第二样本状态数据的概率；
训练数据扩充模块，用于基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据；
训练模块，用于基于多组训练数据训练机床故障预测模型，所述机床故障预测模型用于基于输入的待预测机床的状态数据，输出所述待预测机床的故障预测结果，所述多组训练数据包括多组所述第一训练数据和多组所述第二训练数据。
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如上述任一种所述适用于极端环境的机床故障预测模型生成方法。
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如上述任一种所述适用于极端环境的机床故障预测模型生成方法。
本发明提供的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，在获取了第一样本待预测机床在超出预设范围的运行环境参数下运行的第一样本状态数据后，基于描述第一样本待预测机床的运行环境的第一环境描述文本进行样本扩充，生成多个第三样本状态数据，利用判别器进行对抗生成学习的方式保证生成的第二样本状态数据与实际采集的第一样本状态数据的相似性，基于实际采集的第一样本状态数据和扩充生成的第二样本状态数据，训练生成机床故障预测模型，可以生成适用于极端环境的机床故障预测模型，实现极端环境的机床故障准确预测。
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是本发明提供的适用于极端环境的机床故障预测模型生成方法的流程示意图；
图2是本发明提供的适用于极端环境的机床故障预测模型生成装置的结构示意图；
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。
下面结合图1描述本发明提供的适用于极端环境的机床故障预测模型生成方法，本发明提供的适用于极端环境的机床故障预测模型生成方法，可以是由电子设备执行，所述电子设备可以是个人计算机、云服务器、智能设备等终端产品。如图1所示，本发明提供的适用于极端环境的机床故障预测模型生成方法，包括步骤：
S110、获取第一训练数据以及所述第一训练数据对应的第一环境描述文本，所述第一训练数据包括第一样本待预测机床的第一样本状态数据和所述第一样本状态数据对应的机床故障预测标签，所述第一环境描述文本反映所述第一样本待预测机床的运行环境，在采集所述第一样本状态数据时，所述第一样本待预测机床的运行环境参数超出预设范围。
所述预设范围是预先设置的数控机床的常见运行环境参数的范围，所述预设范围可以是技术人员根据经验值设定。所述预设范围可以有多个，每个所述预设范围分别对应一种环境参数，例如湿度、温度、粉尘浓度等，当有一种或多种环境参数超出对应的所述预设范围时，都可以称为运行环境参数超出所述预设范围。在所述第一样本待预测机床的运行环境参数超出所述预设范围时，说明所述第一样本待预测机床在极端环境下运行，此时采集的所述第一样本状态数据为所述第一样本待预测机床在极端环境下运行时的真实状态数据。为了避免极端环境对数据采集的影响，本发明中，采用不容易被极端环境影响采集精度的两种数据作为用于预测故障的状态数据：振动数据和声波数据。
传统的采用数据驱动和人工智能的机床故障预测方法中，根据多组包括所述第一样本待预测机床的第一样本状态数据和所述第一样本状态数据对应的机床故障预测标签的所述第一训练数据进行训练，可以得到能够实现机床故障预测的模型。但是，机床在极端环境下运行的场景不多，并且，在极端环境下进行数据采集也相对不容易，因此，所述第一训练数据的数量并不多，不足以用于作为全部的数据集去支撑模型的训练。本发明提供的方法，为了解决这一问题，实现适用于极端环境的机床故障预测模型生成，在获取了第一样本待预测机床在超出预设范围的运行环境参数下运行的第一样本状态数据后，基于描述第一样本待预测机床的运行环境的第一环境描述文本进行样本扩充，生成多个第三样本状态数据，利用判别器进行对抗生成学习的方式保证生成的第二样本状态数据与实际采集的第一样本状态数据的相似性，基于实际采集的第一样本状态数据和扩充生成的第二样本状态数据，训练生成机床故障预测模型，可以生成适用于极端环境的机床故障预测模型，实现极端环境的机床故障准确预测。具体地，在所述步骤S110之后，本发明提供的方法，还包括步骤：
S120、将所述第一环境文本输入至已训练的样本生成模型中，获取所述样本生成模型输出的多个第三样本状态数据，其中，所述样本生成模型与判别器共同被训练，所述判别器用于基于输入的样本状态数据，输出所述样本状态数据对应的真实性分类结果，所述真实性分类结果用于反映所述样本状态数据被归类为所述第一样本状态数据或所述第二样本状态数据的概率；
S130、基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据；
S140、基于多组训练数据训练机床故障预测模型，所述机床故障预测模型用于基于输入的待预测机床的状态数据，输出所述待预测机床的故障预测结果，所述多组训练数据包括多组所述第一训练数据和多组所述第二训练数据。
本发明提供的方法中，采用样本生成模型来实现样本扩充。具体地，将所述第一环境文本输入至所述样本生成模型中，获取所述样本生成模型输出的多个第二样本状态数据。所述基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据，包括：
将所述第二样本状态数据和所述第二样本状态数据对应的所述机床故障预测标签组合，得到所述第二训练数据，其中，所述第二样本状态数据对应的所述机床故障预测标签是用于生成所述第二样本状态数据的所述第一环境描述文本对应的所述第一训练数据中的所述机床故障预测标签。
也就是说，需要所述样本生成模型能够生成与输入的所述第一样本状态数据存在差异、但是能够反映相同的故障。为了实现这一目的，本申请针对所述样本生成模型的训练过程，进行了如下设置：
所述样本生成模型与判别器共同被训练，所述样本生成模型包括第一特征提取模块和生成器，所述样本生成模型的训练过程包括：
将所述第一环境描述文本输入至所述第一特征提取模块中，获取所述第一特征提取模块输出的第一语义特征；
将所述第一语义特征输入至所述生成器中，获取所述生成器输出的多个第三样本状态数据；
将所述多个第三样本状态数据和至少一个所述第一样本状态数据组成一个训练批次，将所述训练批次中的样本状态数据分别输入至所述判别器，获取所述判别器分别输出的各个所述真实性分类结果；
基于所述真实性分类结果以及所述真实性分类结果对应的输入数据，确定第一训练损失，所述输入数据为输入至所述判别器的数据；
基于所述第一训练损失更新所述第一特征提取模块和所述判别器的参数。
所述判别器用于基于输入至所述判别器的样本状态数据，确定所述样本状态数据是真实采集的所述第一样本状态数据还是所述生成器生成的所述第二样本状态数据，即，所述真实性分类结果用于反映基于所述判别器的计算结果；
为了使得所述生成器生成的所述第二样本状态数据更加接近实际采集的数据，应该使得所述判别器将所述第二样本状态数据归类为第一样本状态数据，同时，用大量十分接近的数据去训练模型，也会导致模型的预测能力受限，无法处理多样的真实数据，因此，为了使得最终生成的适用于极端环境的机床故障预测模型，生成的所述第二样本状态数据之间应该具有差异性。所述基于所述真实性分类结果以及所述真实性分类结果对应的输入数据，确定第一训练损失，包括：
基于所述真实性分类结果以及所述真实性分类结果对应的输入数据之间的一致性，确定第一分损失；
获取所述多个第三样本状态数据的方差，基于所述方差确定第二分损失，其中，所述方差与所述第二分损失负相关；
对所述第一分损失和所述第二分损失进行加权求和，到所述第一训练损失。
基于所述第一训练损失训练所述样本生成模型，可以使得所述样本生成模型能够生成更加接近真实采集数据、并且具有多样性的所述第二样本状态数据，进而提升所述机床故障预测模型的预测准确性。
所述基于所述第一训练损失更新所述第一特征提取模块和所述判别器的参数，包括：
将第二环境描述文本输入至所述第一特征提取模块中，获取所述第一特征提取模块输出的第二语义特征，其中，所述第二环境描述文本反映第二样本数控机床的运行环境，所述第二样本数控机床的运行环境参数在所述预设范围内；
将所述多个第三样本状态数据分别输入至第二特征提取模块中，获取所述第二特征提取模块输出的第二故障预测特征，将所述多个第三样本状态数据对应的所述第一样本状态数据输入至所述第二特征提取模块中，获取所述第二特征提取模块输出的第一故障预测特征，所述第二特征提取模块输出的故障预测特征为基于所述第二特征提取模块从输入至所述第二特征提取模块数据中提取的用于预测机床故障的特征；
基于所述第一语义特征和所述第二语义特征确定第二训练损失；
基于各个所述第二故障预测特征分别与所述第一故障预测特征之间的差异确定第三训练损失；
基于所述第一训练损失、所述第二训练损失和所述第三训练损失更新所述第一特征提取模块、所述判别器和所述第二特征提取模块的参数。
进一步地，在使得所述样本生成模型生成的所述第二样本状态数据更加接近真实数据、并且具有多样性的基础上，为了进一步地使得生成的所述第二样本状态数据和机床故障之间的关联性能够更加接近极端环境下真实采集的所述第一样本状态数据和机床故障之间的关联性，本发明提供的方法中，在所述样本生成模型的训练过程中，还设置第二特征提取模块，将所述样本生成模型在训练过程中输出的所述第三样本状态数据和所述第一样本状态数据分别输入至所述第二特征提取模块中，所述第二特征提取模块与所述样本生成模型、所述判别器一同被训练。所述第二特征提取模块用于提取输入至所述第二特征提取模块中的数据中与机床故障相关的特征数据。在训练所述样本生成模型的过程中，基于所述第三训练损失更新所述样本生成模型和所述第二特征提取模块的参数，可以使得所述第二特征提取模块能够学习到极端环境与机床故障之间的内在联系，并且使得所述样本生成模型能够生成更加接近于真实的极端环境下采集的数据的所述第二样本状态数据。
进一步地，在训练所述样本生成模型的过程中，使用所述样本生成模型中用于提取所述第一环境描述文本的语义特征的所述第一特征提取模块去提取第二环境描述文本的语义特征，所述第二环境描述文本中描述的运行环境的环境参数在所述预设范围内，也就是说，所述第二环境描述文本不是对机床的极端运行环境的描述，而是对机床的正常运行环境的描述，根据基于所述第一语义特征和所述第二语义特征之间的差异确定的所述第二训练损失更新所述样本生成模型的参数，可以使得所述样本生成模型能够更加生成能够更加准确地反映极端环境而不是非极端环境的样本状态数据，从而使得最终生成的所述机床故障预测模型能够更加地适用于极端环境。
所述机床故障预测模型包括所述第二特征提取模块和预测模块；所述基于多组训练数据训练机床故障预测模型，包括：
基于所述多组训练数据更新所述机床故障预测模型中的预测模块的参数。
所述第二特征提取模块在所述样本生成模型的训练过程中一同被训练，可以实现准确提取反映极端环境下的状态数据与机床故障之间的内在联系的特征的效果，因此，可以直接将所述样本生成模型训练过程中训练完成的所述第二特征提取模块用在所述机床故障预测模型中，并在所述机床故障预测模型的训练过程中固定，降低所述机床故障预测模型训练的数据计算量。
综上所述，本发明提供的适用于极端环境的机床故障预测模型生成方法，在获取了第一样本待预测机床在超出预设范围的运行环境参数下运行的第一样本状态数据后，基于描述第一样本待预测机床的运行环境的第一环境描述文本进行样本扩充，生成多个第三样本状态数据，利用判别器进行对抗生成学习的方式保证生成的第二样本状态数据与实际采集的第一样本状态数据的相似性，基于实际采集的第一样本状态数据和扩充生成的第二样本状态数据，训练生成机床故障预测模型，可以生成适用于极端环境的机床故障预测模型，实现极端环境的机床故障准确预测。
下面对本发明提供的适用于极端环境的机床故障预测模型生成装置进行描述，下文描述的适用于极端环境的机床故障预测模型生成装置与上文描述的适用于极端环境的机床故障预测模型生成方法可相互对应参照。如图2所示，本发明提供的适用于极端环境的机床故障预测模型生成装置包括：
第一数据获取模块210，用于获取第一训练数据以及所述第一训练数据对应的第一环境描述文本，所述第一训练数据包括第一样本待预测机床的第一样本状态数据和所述第一样本状态数据对应的机床故障预测标签，所述第一环境描述文本反映所述第一样本待预测机床的运行环境，在采集所述第一样本状态数据时，所述第一样本待预测机床的运行环境参数超出预设范围；
第二数据生成模块220，用于将所述第一环境描述文本输入至已训练的样本生成模型中，获取所述样本生成模型输出的多个第二样本状态数据，其中，所述样本生成模型与判别器共同被训练，所述判别器用于基于输入的样本状态数据，输出所述样本状态数据对应的真实性分类结果，所述真实性分类结果用于反映所述样本状态数据被归类为所述第一样本状态数据或所述第二样本状态数据的概率；
训练数据扩充模块230，用于基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据；
训练模块240，用于基于多组训练数据训练机床故障预测模型，所述机床故障预测模型用于基于输入的待预测机床的状态数据，输出所述待预测机床的故障预测结果，所述多组训练数据包括多组所述第一训练数据和多组所述第二训练数据。
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，以执行适用于极端环境的机床故障预测模型生成方法，该方法包括：获取第一训练数据以及所述第一训练数据对应的第一环境描述文本，所述第一训练数据包括第一样本待预测机床的第一样本状态数据和所述第一样本状态数据对应的机床故障预测标签，所述第一环境描述文本反映所述第一样本待预测机床的运行环境，在采集所述第一样本状态数据时，所述第一样本待预测机床的运行环境参数超出预设范围；
将所述第一环境描述文本输入至已训练的样本生成模型中，获取所述样本生成模型输出的多个第二样本状态数据，其中，所述样本生成模型与判别器共同被训练，所述判别器用于基于输入的样本状态数据，输出所述样本状态数据对应的真实性分类结果，所述真实性分类结果用于反映所述样本状态数据被归类为所述第一样本状态数据或所述第二样本状态数据的概率；
基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据；
基于多组训练数据训练机床故障预测模型，所述机床故障预测模型用于基于输入的待预测机床的状态数据，输出所述待预测机床的故障预测结果，所述多组训练数据包括多组所述第一训练数据和多组所述第二训练数据。
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适用于极端环境的机床故障预测模型生成方法，该方法包括：获取第一训练数据以及所述第一训练数据对应的第一环境描述文本，所述第一训练数据包括第一样本待预测机床的第一样本状态数据和所述第一样本状态数据对应的机床故障预测标签，所述第一环境描述文本反映所述第一样本待预测机床的运行环境，在采集所述第一样本状态数据时，所述第一样本待预测机床的运行环境参数超出预设范围；
将所述第一环境描述文本输入至已训练的样本生成模型中，获取所述样本生成模型输出的多个第二样本状态数据，其中，所述样本生成模型与判别器共同被训练，所述判别器用于基于输入的样本状态数据，输出所述样本状态数据对应的真实性分类结果，所述真实性分类结果用于反映所述样本状态数据被归类为所述第一样本状态数据或所述第二样本状态数据的概率；
基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据；
基于多组训练数据训练机床故障预测模型，所述机床故障预测模型用于基于输入的待预测机床的状态数据，输出所述待预测机床的故障预测结果，所述多组训练数据包括多组所述第一训练数据和多组所述第二训练数据。
又一方面，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以执行上述各方法提供的适用于极端环境的机床故障预测模型生成方法，该方法包括：获取第一训练数据以及所述第一训练数据对应的第一环境描述文本，所述第一训练数据包括第一样本待预测机床的第一样本状态数据和所述第一样本状态数据对应的机床故障预测标签，所述第一环境描述文本反映所述第一样本待预测机床的运行环境，在采集所述第一样本状态数据时，所述第一样本待预测机床的运行环境参数超出预设范围；
将所述第一环境描述文本输入至已训练的样本生成模型中，获取所述样本生成模型输出的多个第二样本状态数据，其中，所述样本生成模型与判别器共同被训练，所述判别器用于基于输入的样本状态数据，输出所述样本状态数据对应的真实性分类结果，所述真实性分类结果用于反映所述样本状态数据被归类为所述第一样本状态数据或所述第二样本状态数据的概率；
基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据；
基于多组训练数据训练机床故障预测模型，所述机床故障预测模型用于基于输入的待预测机床的状态数据，输出所述待预测机床的故障预测结果，所述多组训练数据包括多组所述第一训练数据和多组所述第二训练数据。
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)
1.一种适用于极端环境的机床故障预测模型生成方法，其特征在于，包括：
获取第一训练数据以及所述第一训练数据对应的第一环境描述文本，所述第一训练数据包括第一样本待预测机床的第一样本状态数据和所述第一样本状态数据对应的机床故障预测标签，所述第一环境描述文本反映所述第一样本待预测机床的运行环境，在采集所述第一样本状态数据时，所述第一样本待预测机床的运行环境参数超出预设范围；
将所述第一环境描述文本输入至已训练的样本生成模型中，获取所述样本生成模型输出的多个第二样本状态数据，其中，所述样本生成模型与判别器共同被训练，所述判别器用于基于输入的样本状态数据，输出所述样本状态数据对应的真实性分类结果，所述真实性分类结果用于反映所述样本状态数据被归类为所述第一样本状态数据或所述第二样本状态数据的概率；
基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据；
基于多组训练数据训练机床故障预测模型，所述机床故障预测模型用于基于输入的待预测机床的状态数据，输出所述待预测机床的故障预测结果，所述多组训练数据包括多组所述第一训练数据和多组所述第二训练数据；
所述样本生成模型包括第一特征提取模块和生成器，所述样本生成模型的训练过程包括：
将所述第一环境描述文本输入至所述第一特征提取模块中，获取所述第一特征提取模块输出的第一语义特征；
将所述第一语义特征输入至所述生成器中，获取所述生成器输出的多个第三样本状态数据；
将所述多个第三样本状态数据和至少一个所述第一样本状态数据组成一个训练批次，将所述训练批次中的样本状态数据分别输入至所述判别器，获取所述判别器分别输出的各个所述真实性分类结果；
基于所述真实性分类结果以及所述真实性分类结果对应的输入数据，确定第一训练损失，所述输入数据为输入至所述判别器的数据；
基于所述第一训练损失更新所述第一特征提取模块和所述判别器的参数；
所述机床故障预测模型包括第二特征提取模块；所述基于所述第一训练损失更新所述第一特征提取模块和所述判别器的参数，包括：
将第二环境描述文本输入至所述第一特征提取模块中，获取所述第一特征提取模块输出的第二语义特征，其中，所述第二环境描述文本反映第二样本数控机床的运行环境，所述第二样本数控机床的运行环境参数在所述预设范围内；
将所述多个第三样本状态数据分别输入至所述第二特征提取模块中，获取所述第二特征提取模块输出的第二故障预测特征，将所述多个第三样本状态数据对应的所述第一样本状态数据输入至所述第二特征提取模块中，获取所述第二特征提取模块输出的第一故障预测特征，所述第二特征提取模块输出的故障预测特征为基于所述第二特征提取模块从输入至所述第二特征提取模块数据中提取的用于预测机床故障的特征；
基于所述第一语义特征和所述第二语义特征确定第二训练损失；
基于各个所述第二故障预测特征分别与所述第一故障预测特征之间的差异确定第三训练损失；
基于所述第一训练损失、所述第二训练损失和所述第三训练损失更新所述第一特征提取模块、所述判别器和所述第二特征提取模块的参数。
2.根据权利要求1所述的适用于极端环境的机床故障预测模型生成方法，其特征在于，所述基于所述真实性分类结果以及所述真实性分类结果对应的输入数据，确定第一训练损失，包括：
基于所述真实性分类结果以及所述真实性分类结果对应的输入数据之间的一致性，确定第一分损失；
获取所述多个第三样本状态数据的方差，基于所述方差确定第二分损失，其中，所述方差与所述第二分损失负相关；
对所述第一分损失和所述第二分损失进行加权求和，到所述第一训练损失。
3.根据权利要求1所述的适用于极端环境的机床故障预测模型生成方法，其特征在于，所述机床故障预测模型包括预测模块；所述基于多组训练数据训练机床故障预测模型，包括：
基于所述多组训练数据更新所述机床故障预测模型中的预测模块的参数。
4.根据权利要求1所述的适用于极端环境的机床故障预测模型生成方法，其特征在于，所述基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据，包括：
将所述第二样本状态数据和所述第二样本状态数据对应的所述机床故障预测标签组合，得到所述第二训练数据，其中，所述第二样本状态数据对应的所述机床故障预测标签是用于生成所述第二样本状态数据的所述第一环境描述文本对应的所述第一训练数据中的所述机床故障预测标签。
5.根据权利要求1-4任一项所述的适用于极端环境的机床故障预测模型生成方法，其特征在于，所述状态数据为振动数据和声波数据。
6.一种适用于极端环境的机床故障预测模型生成装置，其特征在于，包括：
第一数据获取模块，用于获取第一训练数据以及所述第一训练数据对应的第一环境描述文本，所述第一训练数据包括第一样本待预测机床的第一样本状态数据和所述第一样本状态数据对应的机床故障预测标签，所述第一环境描述文本反映所述第一样本待预测机床的运行环境，在采集所述第一样本状态数据时，所述第一样本待预测机床的运行环境参数超出预设范围；
第二数据生成模块，用于将所述第一环境描述文本输入至已训练的样本生成模型中，获取所述样本生成模型输出的多个第二样本状态数据，其中，所述样本生成模型与判别器共同被训练，所述判别器用于基于输入的样本状态数据，输出所述样本状态数据对应的真实性分类结果，所述真实性分类结果用于反映所述样本状态数据被归类为所述第一样本状态数据或所述第二样本状态数据的概率；
训练数据扩充模块，用于基于所述第二样本状态数据和所述第一训练数据中的机床故障预测标签，生成第二训练数据；
训练模块，用于基于多组训练数据训练机床故障预测模型，所述机床故障预测模型用于基于输入的待预测机床的状态数据，输出所述待预测机床的故障预测结果，所述多组训练数据包括多组所述第一训练数据和多组所述第二训练数据；
所述样本生成模型包括第一特征提取模块和生成器，所述样本生成模型的训练过程包括：
将所述第一环境描述文本输入至所述第一特征提取模块中，获取所述第一特征提取模块输出的第一语义特征；
将所述第一语义特征输入至所述生成器中，获取所述生成器输出的多个第三样本状态数据；
将所述多个第三样本状态数据和至少一个所述第一样本状态数据组成一个训练批次，将所述训练批次中的样本状态数据分别输入至所述判别器，获取所述判别器分别输出的各个所述真实性分类结果；
基于所述真实性分类结果以及所述真实性分类结果对应的输入数据，确定第一训练损失，所述输入数据为输入至所述判别器的数据；
基于所述第一训练损失更新所述第一特征提取模块和所述判别器的参数；
所述机床故障预测模型包括第二特征提取模块；所述基于所述第一训练损失更新所述第一特征提取模块和所述判别器的参数，包括：
将第二环境描述文本输入至所述第一特征提取模块中，获取所述第一特征提取模块输出的第二语义特征，其中，所述第二环境描述文本反映第二样本数控机床的运行环境，所述第二样本数控机床的运行环境参数在所述预设范围内；
将所述多个第三样本状态数据分别输入至所述第二特征提取模块中，获取所述第二特征提取模块输出的第二故障预测特征，将所述多个第三样本状态数据对应的所述第一样本状态数据输入至所述第二特征提取模块中，获取所述第二特征提取模块输出的第一故障预测特征，所述第二特征提取模块输出的故障预测特征为基于所述第二特征提取模块从输入至所述第二特征提取模块数据中提取的用于预测机床故障的特征；
基于所述第一语义特征和所述第二语义特征确定第二训练损失；
基于各个所述第二故障预测特征分别与所述第一故障预测特征之间的差异确定第三训练损失；
基于所述第一训练损失、所述第二训练损失和所述第三训练损失更新所述第一特征提取模块、所述判别器和所述第二特征提取模块的参数。
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任一项所述适用于极端环境的机床故障预测模型生成方法。
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任一项所述适用于极端环境的机床故障预测模型生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310506170.6A CN116226676B (zh) | 2023-05-08 | 2023-05-08 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310506170.6A CN116226676B (zh) | 2023-05-08 | 2023-05-08 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116226676A CN116226676A (zh) | 2023-06-06 |
| CN116226676B true CN116226676B (zh) | 2023-07-21 |
Family
ID=86584590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310506170.6A Active CN116226676B (zh) | 2023-05-08 | 2023-05-08 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116226676B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117102950B (zh) * | 2023-10-17 | 2023-12-22 | 上海诺倬力机电科技有限公司 | 故障分析方法、装置、电子设备及计算机可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128338A (zh) * | 2021-03-15 | 2021-07-16 | 西安理工大学 | 一种小样本下印刷机滚筒故障的智能诊断方法 |
| CN113946920A (zh) * | 2021-10-22 | 2022-01-18 | 大连海事大学 | 一种数据不平衡且数据集存在偏差的滚动轴承故障诊断方法 |
| CN114492533A (zh) * | 2022-01-30 | 2022-05-13 | 华中科技大学 | 一种变工况轴承故障诊断模型的构建方法及应用 |
| CN115310562A (zh) * | 2022-10-08 | 2022-11-08 | 深圳先进技术研究院 | 一种适用于极端状态的储能设备的故障预测模型生成方法 |
| EP4092632A1 (en) * | 2021-05-18 | 2022-11-23 | Samsung Display Co., Ltd. | Systems and methods for sample generation for identifying manufacturing defects |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109753998A (zh) * | 2018-12-20 | 2019-05-14 | 山东科技大学 | 基于对抗式生成网络的故障检测方法及系统、计算机程序 |
| CN110567720B (zh) * | 2019-08-07 | 2020-12-18 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
| CN110717579B (zh) * | 2019-11-13 | 2023-05-19 | 上海海事大学 | 一种齿轮箱数据模型训练及使用方法 |
| CN112649198B (zh) * | 2021-01-05 | 2023-04-18 | 西交思创智能科技研究院(西安)有限公司 | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 |
| CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN113324758B (zh) * | 2021-05-27 | 2022-08-09 | 西安交通大学 | 一种基于半监督对抗网络的轴承故障诊断方法 |
| CN113569685A (zh) * | 2021-07-20 | 2021-10-29 | 华中科技大学 | 机床主轴轴承故障诊断模型建立、故障诊断方法和系统 |
| CN114757286A (zh) * | 2022-04-19 | 2022-07-15 | 中科航迈数控软件(深圳)有限公司 | 一种基于条件对抗生成网络的多类别故障数据生成方法 |
| CN114936575A (zh) * | 2022-05-07 | 2022-08-23 | 重庆大学 | 基于样本生成和深度迁移学习的电机轴承故障诊断方法 |
| CN115293057B (zh) * | 2022-10-10 | 2022-12-20 | 深圳先进技术研究院 | 一种基于多源异构数据的风力发电机故障预测方法 |
-
2023
- 2023-05-08 CN CN202310506170.6A patent/CN116226676B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128338A (zh) * | 2021-03-15 | 2021-07-16 | 西安理工大学 | 一种小样本下印刷机滚筒故障的智能诊断方法 |
| EP4092632A1 (en) * | 2021-05-18 | 2022-11-23 | Samsung Display Co., Ltd. | Systems and methods for sample generation for identifying manufacturing defects |
| CN113946920A (zh) * | 2021-10-22 | 2022-01-18 | 大连海事大学 | 一种数据不平衡且数据集存在偏差的滚动轴承故障诊断方法 |
| CN114492533A (zh) * | 2022-01-30 | 2022-05-13 | 华中科技大学 | 一种变工况轴承故障诊断模型的构建方法及应用 |
| CN115310562A (zh) * | 2022-10-08 | 2022-11-08 | 深圳先进技术研究院 | 一种适用于极端状态的储能设备的故障预测模型生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116226676A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
| CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
| EP3683640B1 (en) | Fault diagnosis method and apparatus for numerical control machine tool | |
| CN111198815B (zh) | 用户界面的兼容性测试方法及装置 | |
| SE542335C2 (en) | Method and system for vehicle analysis | |
| CN112966088A (zh) | 未知意图的识别方法、装置、设备及存储介质 | |
| CN111177135B (zh) | 一种基于界标的数据填补方法及装置 | |
| CN114418146A (zh) | 基于规则引擎的机电设备故障诊断方法、系统及终端 | |
| CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
| CN117252149A (zh) | 芯片验证方法及装置、芯片验证系统和可读存储介质 | |
| CN109063846B (zh) | 机器学习的运行方法、装置、设备及存储介质 | |
| CN110929786B (zh) | 一种数据增广方法及电子设备 | |
| CN113139932B (zh) | 一种基于集成学习的深度学习缺陷图像识别方法及系统 | |
| CN110716101B (zh) | 电力线路故障定位方法、装置、计算机和存储介质 | |
| CN113032363A (zh) | 一种基于k-means算法的混沌测试优化方法及系统 | |
| CN111881266B (zh) | 一种应答方法及装置 | |
| CN112784903B (zh) | 用于目标识别模型训练的方法、装置及设备 | |
| CN117194942A (zh) | 基于因果关系的特征处理方法、装置及电子设备 | |
| CN113935940A (zh) | 一种面板缺陷分类模型的生成方法及面板缺陷分类方法 | |
| CN115688352A (zh) | 基于机器学习的高压发生器控制方法、系统、电子装置及计算机存储介质 | |
| CN113887300A (zh) | 目标、人脸、人脸关键点检测方法、装置及存储介质 | |
| CN116302859A (zh) | 应用平台告警方法及装置 | |
| CN114297347A (zh) | 行业类别的确定方法、装置、存储介质和电子设备 | |
| CN112541597A (zh) | 多设备维修方法及装置、存储介质、终端 |
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 |