CN116594349B - 机床预测方法、装置、终端设备以及计算机可读存储介质 - Google Patents
机床预测方法、装置、终端设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116594349B CN116594349B CN202310878111.1A CN202310878111A CN116594349B CN 116594349 B CN116594349 B CN 116594349B CN 202310878111 A CN202310878111 A CN 202310878111A CN 116594349 B CN116594349 B CN 116594349B
- Authority
- CN
- China
- Prior art keywords
- state
- data
- machine tool
- actual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013140 knowledge distillation Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G05B19/401—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 control arrangements for measuring, e.g. calibration and initialisation, measuring workpiece for machining purposes
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34242—For measurement only
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)
- Feedback Control In General (AREA)
Abstract
本申请涉及数控技术领域,尤其涉及一种机床预测方法、装置、终端设备及计算机可读存储介质,该方法包括:基于数控机床的采样频次获取所述数控机床的运行数据,确定所述数控机床指定的学生模型,所述学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习的模型,所述学生模型和所述教师模型均为所述数控机床的状态检测模型;将所述运行数据分别输入至所述学生模型和所述教师模型中,得到所述学生模型输出的所述数控机床的实际预测状态,和所述教师模型输出的所述数控机床的给定真实状态;依据所述实际预测状态和所述给定真实状态确定所述数控机床的真实运行状态。本申请提高了预测机床运行状态的准确性。
Description
技术领域
本申请涉及数控技术领域,尤其涉及一种机床预测方法、装置、终端设备及计算机可读存储介质。
背景技术
数控技术是当今先进制造业不可或缺的技术,在数控技术飞速发展的同时,用户对数控机床的预测准确性提出了更高的要求。
传统的数控机床监控系统主要采用预定的阈值或规则对机床的运行数据进行预测,但这种机床预测方式存在着很大的缺陷,数控机床的工作环境和状态都会随着时间和使用的不同而变化,采用预定的阈值或规则对数控机床的运行数据进行预测,容易导致数控机床监控系统输出的预测机床状态存在着失真现象,即该预测机床状态在机床生产过程中不具备参考价值。也就是说,如何提高预测机床运行状态的准确性是目前亟需解决的技术问题。
发明内容
本申请的主要目的在于提供一种机床预测方法、装置、终端设备及计算机可读存储介质,旨在提高预测机床运行状态的准确性。
为实现上述目的,本申请提供一种机床预测方法,所述机床预测方法包括:
基于数控机床的采样频次获取所述数控机床的运行数据,所述运行数据至少包括所述数控机床在当前时刻的温度数据、压力数据和振动数据,所述采样频次用于确定所述当前时刻到下一时刻之间的时间间隔;
确定所述数控机床指定的学生模型,所述学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习的模型,所述学生模型和所述教师模型均为所述数控机床的状态检测模型;
将所述运行数据分别输入至所述学生模型和所述教师模型中,得到所述学生模型输出的所述数控机床的实际预测状态,和所述教师模型输出的所述数控机床的给定真实状态;
依据所述实际预测状态和所述给定真实状态确定所述数控机床的真实运行状态。
可选地,所述依据所述实际预测状态和所述给定真实状态确定所述数控机床的真实运行状态的步骤包括:
当所述实际预测状态与所述给定真实状态相同时,将所述实际预测状态作为所述数控机床的真实运行状态;
当所述实际预测状态与所述给定真实状态不相同时,获取所述实际预测状态与所述给定真实状态之间的预测误差数据,依据所述预测误差数据确定所述实际预测状态与所述给定真实状态之间的匹配结果,并依据所述匹配结果和所述实际预测状态确定所述数控机床的真实运行状态。
可选地,所述实际预测状态至少包括所述数控机床的温度预测状态、压力预测状态和振动预测状态,所述给定真实状态至少包括所述数控机床的给定温度状态、给定压力状态和给定振动状态;
所述获取所述实际预测状态与所述给定真实状态之间的预测误差数据的步骤包括:
确定所述温度预测状态与所述给定温度状态之间的温度误差数值、所述压力预测状态与所述给定压力状态之间的压力误差数值、和所述振动预测状态与所述给定振动状态之间的振动误差数值;
依据所述温度误差数值确定所述数控机床的温度均方差,依据所述压力误差数值确定所述数控机床的压力均方差,并依据所述振动误差数值确定所述数控机床的振动均方差;
将所述温度均方差、所述压力均方差和所述振动均方差依次进行叠加,得到预测误差数据。
可选地,所述依据所述预测误差数据确定所述实际预测状态与所述给定真实状态之间的匹配结果的步骤包括:
确定所述给定真实状态指定的误差阈值范围,并检测所述预测误差数据是否超过所述误差阈值范围;
若所述预测误差数据未超过所述误差阈值范围,则确定所述实际预测状态与所述给定真实状态之间的匹配结果为所述实际预测状态与所述给定真实状态匹配;
若所述预测误差数据超过所述误差阈值范围,则确定所述实际预测状态与所述给定真实状态之间的匹配结果为所述实际预测状态与所述给定真实状态不匹配。
可选地,所述依据所述匹配结果和所述实际预测状态确定所述数控机床的真实运行状态的步骤,包括:
当所述匹配结果为所述实际预测状态与所述给定真实状态匹配时,依据所述预测误差数据指定的损失函数对所述学生模型进行更新,得到更新后的学生模型,并依据所述更新后的学生模型返回执行所述将所述运行数据分别输入至所述学生模型和所述教师模型中的步骤,直至训练得到与所述给定真实状态相同的目标预测状态后,将所述目标预测状态作为所述数控机床的真实运行状态;
当所述匹配结果为所述实际预测状态与所述给定真实状态不匹配时,依据所述实际预测状态对所述采样频次进行调整,得到调整后的采样频次,并依据所述调整后的采样频次返回执行所述基于数控机床的采样频次获取所述数控机床的运行数据的步骤。
可选地,所述依据所述预测误差数据指定的损失函数对所述学生模型进行更新的步骤包括:
依据所述预测误差数据指定的损失函数确定所述数控机床的梯度数据,并确定所述学生模型指定的学习频率;
依据所述梯度数据与所述学习频率之间的乘积数据对所述学生模型进行更新,得到更新后的学生模型。
可选地,所述机床预测方法还包括:
基于所述数控机床的设备数据构建所述数控机床的数字孪生模型,并将所述运行数据传输至所述数字孪生模型中,输出所述数控机床的实际运行状态,所述设备数据至少包括机床状态数据、机床刀具磨损数据和机床工件数据;
在所述数字孪生模型获取到所述真实运行状态后,判断所述实际运行状态是否与所述真实运行状态一致;
若所述实际运行状态与所述真实运行状态一致,则确定所述数控机床处于正常运行状态;
若所述实际运行状态与所述真实运行状态不一致,则确定所述数控机床处于异常运行状态,并依据所述异常运行状态进行故障提示。
此外,为实现上述目的,本申请还提供一种机床预测装置,本申请机床预测装置包括:
获取模块,用于基于数控机床的采样频次获取所述数控机床的运行数据,所述运行数据至少包括所述数控机床在当前时刻的温度数据、压力数据和振动数据,所述采样频次用于确定所述当前时刻到下一时刻之间的时间间隔;
指定模块,用于确定所述数控机床指定的学生模型,所述学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习的模型,所述学生模型和所述教师模型均为所述数控机床的状态检测模型;
模型输出模块,将所述运行数据分别输入至所述学生模型和所述教师模型中,得到所述学生模型输出的所述数控机床的实际预测状态,和所述教师模型输出的所述数控机床的给定真实状态;
预测模块,依据所述实际预测状态和所述给定真实状态确定所述数控机床的真实运行状态。
本申请机床预测装置的各个功能模块在运行时实现如上所述的本申请机床预测方法的步骤。
此外,为实现上述目的,本申请还提供一种终端设备,所述终端设备包括存储器、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机床预测程序,所述机床预测程序被所述处理器执行时实现上述机床预测方法的步骤。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有机床预测程序,所述机床预测程序被处理器执行时实现上述的机床预测方法的步骤。
本申请首先基于数控机床的采样频次可以实时获取数控机床的运行数据,其中,运行数据至少包括数控机床在当前时刻的温度数据、压力数据和振动数据,采样频次用于确定当前时刻到下一时刻之间的时间间隔;即本申请依据采样频次进行运行数据的采集,在保证运行数据质量的同时,还有效地节省数据采集的成本和资源。再确定数控机床指定的学生模型,学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习的模型,且学生模型和教师模型均为数控机床的状态检测模型,本申请的学生模型是一个相对简单的算法模型,该算法模型的计算效率高,适用于对数控机床的运行状态进行实时监测;然后将运行数据分别输入至学生模型和教师模型中,依据教师模型输出的给定真实状态对学生模型输出的实际预测状态进行约束,可以准确地确定数控机床的真实运行状态,从而有效地避免了因受预定的阈值或者规则的约束而致使机床预测状态存在着失真现象,进而在提高数控机床的监测效率的同时,还实现了提高预测机床运行状态的准确性的目的。
附图说明
图1是本申请机床预测方法第一实施例的流程示意图;
图2是本申请机床预测方法第二实施例的流程示意图;
图3是本申请实施例方案涉及的机床预测装置的结构示意图;
图4为本申请实施例方案涉及的终端设备的结构示意图;
图5是本申请实施例方案涉及的计算机可读存储介质的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
本申请实施例提供了一种机床预测方法,参照图1所示,图1是本申请机床预测方法第一实施例的流程示意图。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。
本实施例中,本申请机床预测方法是由预测机床运行状态的终端设备来执行,具体是由终端设备中的控制中枢来执行下述的机床预测方法。在下述实施例中不再对本申请的执行主体进行赘述。
本申请机床预测方法包括:
步骤S10:基于数控机床的采样频次获取所述数控机床的运行数据,所述运行数据至少包括所述数控机床在当前时刻的温度数据、压力数据和振动数据,所述采样频次用于确定所述当前时刻到下一时刻之间的时间间隔;
在本实施例中,首先确定对数控机床进行数据采集的采样频次,然后按照该采样频次接收机床传感器发送的数控机床的运转数据,并依据接收到的运转数据进行数据预处理,得到预处理后的运转数据(即运行数据)。
需要说明的是,机床传感器包括但不限于温度传感器、压力传感器和振动传感器;数据预处理包括但不限于清理异常值、填充缺失值和标准化数值;运行数据至少包括数控机床在当前时刻的温度数据、压力数据和振动数据;采样频次用于确定当前时刻到下一时刻之间的时间间隔。
在具体实施例中,在控制中枢接收到机床传感器发送的运转数据后,从运转数据中查找异常数据和缺失数据,然后将这些异常数据从运转数据中删除,并确定运转数据的数据类别,然后在各数据类别中的平均数据、中位数据、或者最频繁数据(众数)对运转数据中的缺失数据进行替换,具体的,当缺失数据至少包括温度数据时,其中,温度数据有多个,将温度缺失值替换成温度数据中的平均数据、中位数据、或者最频繁数据(众数);然后完成对运转数据的异常值清理以及缺失值填充后,对运转数据进行数据标准化的操作,将标准化的运转数据作为数控机床的运行数据,从而有效地提高了数据指令和模型的训练效率。
步骤S20:确定所述数控机床指定的学生模型,所述学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习的模型,所述学生模型和所述教师模型均为所述数控机床的状态检测模型;
在本实施例中,确定该数控机床指定的学生模型,该学生模型通过预设的知识蒸馏算法向已经训练好的教师模型进行训练学习,其中,学生模型和教师模型均为数控机床的状态检测模型。
需要说明的是,学生模型是一个相对简单的模型,即该学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习的模型,该学生模型的计算效率高,更适合于实时监测。
另外,需要说明的是,教师模型是一个依据该数控机床在任何工况和使用时长下的运行数据预先训练过的深度神经网络,可以捕获数据中的复杂模式和关系。
步骤S30:将所述运行数据分别输入至所述学生模型和所述教师模型中,得到所述学生模型输出的所述数控机床的实际预测状态,和所述教师模型输出的所述数控机床的给定真实状态;
在本实施例中,将运行数据传输至教师模型中,得到教师模型输出的数控机床的给定真实状态,其中,该给定真实状态至少包括数控机床的给定温度状态、给定压力状态和给定运动状态。在将运行数据传输至教师模型中的同时,本申请还将运行数据传输至学生模型中,即依据学生模型对运行数据的训练学习,可以快速地得到学生模型输出的数控机床的实际预测状态,从而有效地提高了数控机床的监测效率,其中,该实际预测状态至少包括数控机床的温度预测状态、压力预测状态和振动预测状态。
步骤S40:依据所述实际预测状态和所述给定真实状态确定所述数控机床的真实运行状态。
在本实施例中,当实际预测状态与给定真实状态相同时,将实际预测状态作为数控机床的真实运行状态;当实际预测状态与给定真实状态不相同时,获取实际预测状态与给定真实状态之间的预测误差数据,依据预测误差数据确定实际预测状态与给定真实状态之间的匹配结果,并依据匹配结果和实际预测状态确定数控机床的真实运行状态。
在实施例中,本申请将教师模型的输出值(即给定真实状态)作为数控机床的运行状态真值来约束将运行数据输入至学生模型中进行训练学习的过程,避免了学生模型输出的数据出现失真现象,即依据给定真实状态对实际预测状态进行约束,具体的,依据给定真实状态对实际预测状态进行对比,可以准确地确定数控机床的真实运行状态,进而有效地提高了预测机床运行状态的准确性。
综上,本申请首先基于数控机床的采样频次可以实时获取数控机床的运行数据,其中,运行数据至少包括数控机床在当前时刻的温度数据、压力数据和振动数据,采样频次用于确定当前时刻到下一时刻之间的时间间隔;即本申请依据采样频次进行运行数据的采集,在保证运行数据质量的同时,还有效地节省数据采集的成本和资源。再确定数控机床指定的学生模型,学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习的模型,且学生模型和教师模型均为数控机床的状态检测模型,本申请的学生模型是一个相对简单的算法模型,该算法模型的计算效率高,适用于对数控机床的运行状态进行实时监测;然后将运行数据分别输入至学生模型和教师模型中,依据教师模型输出的给定真实状态对学生模型输出的实际预测状态进行约束,可以准确地确定数控机床的真实运行状态,从而有效地避免了因受预定的阈值或者规则的约束而致使机床预测状态存在着失真现象,进而在提高数控机床的监测效率的同时,还实现了提高预测机床运行状态的准确性的目的。
进一步地,基于本申请机床预测方法的第一实施例,提出本申请机床预测方法的第二实施例,参照图2,图2是本申请机床预测方法第二实施例的流程示意图。
进一步地,在一些可行的实施例中,所述孪生模块包括学习算法单元,上述步骤S40:依据所述实际预测状态和所述给定真实状态确定所述数控机床的真实运行状态,可以包括以下实施步骤:
步骤S401:当所述实际预测状态与所述给定真实状态相同时,将所述实际预测状态作为所述数控机床的真实运行状态;
在本实施例中,判断学生模块输出的实际预测状态是否与教师模块输出的给定真实状态相同,当学生模块输出的实际预测状态与给定真实状态相同时,然后将实际预测状态作为数控机床的真实运行状态,进而可以确定此时学生模型的预测性能处于稳定状态(即此时学生模型的预测性能效果好且非常稳定可靠),从而可以确定此时学生模块输出的实际预测状态可以准确地反映数控机床的真实运行状态。
进一步地,在另一实施例中,当控制中枢获取到学生模型的预测性能处于稳定状态时,确定采样频次指定的数据采集频率,并按照预设的频次降低指令对数据采集频率做出的响应,确定调节后的采样频次,然后依据调节后的采样频次返回执行所述基于数控机床的采样频次获取所述数控机床的运行数据的步骤。具体的,若采样频次指定的数据采集频率为每1min采集一次数控机床的运行数据,且学生模型的预测性能处于稳定状态时,依据预设的频次降低指令对数据采集频率做出的响应,将数据采集频率为每1min采集一次运行数据替换成每2min采集一次运行数据,同时还可以将降低机床传感器的采集精度,从而有效地在保证数据的质量,又可以有效地节省数据采集的成本和资源。
步骤S402:当所述实际预测状态与所述给定真实状态不相同时,获取所述实际预测状态与所述给定真实状态之间的预测误差数据,依据所述预测误差数据确定所述实际预测状态与所述给定真实状态之间的匹配结果,并依据所述匹配结果和所述实际预测状态确定所述数控机床的真实运行状态。
在本实施例中,当实际预测状态与给定真实状态不相同时,可以及时获取实际预测状态与给定真实状态之间的预测误差数据,然后依据预测误差数据可以迅速地确定实际预测状态与给定真实状态之间的匹配结果,并依据匹配结果和实际预测状态可以准确地确定数控机床的真实运行状态,进一步地提高了预测机床运行状态的准确性。
进一步地,在一些可行的实施例中,所述实际预测状态至少包括所述数控机床的温度预测状态、压力预测状态和振动预测状态,所述给定真实状态至少包括所述数控机床的给定温度状态、给定压力状态和给定振动状态,在上述步骤S402:获取所述实际预测状态与所述给定真实状态之间的预测误差数据,还可以包括以下实施步骤:
步骤S4021:确定所述温度预测状态与所述给定温度状态之间的温度误差数值、所述压力预测状态与所述给定压力状态之间的压力误差数值、和所述振动预测状态与所述给定振动状态之间的振动误差数值;
在本实施例中,当实际预测状态与给定真实状态不相同时,确定所述实际预测状态指定的状态类型,其中,状态类型至少包括温度类型、压力类型和振动类型,然后按照该状态类型从给定真实状态中可以快速地查找到温度类型指向的给定温度状态、压力类型指向的给定压力状态和振动类型指向的给定振动状态;最后可以准确地得到温度预测状态与给定温度状态之间的温度误差数值、压力预测状态与给定压力状态之间的压力误差数值、和振动预测状态与给定振动状态之间的振动误差数值。
需要说明的是,实际预测状态至少包括数控机床的温度预测状态、压力预测状态和振动预测状态;给定真实状态至少包括数控机床的给定温度状态、给定压力状态和给定振动状态。
步骤S4022:依据所述温度误差数值确定所述数控机床的温度均方差,依据所述压力误差数值确定所述数控机床的压力均方差,并依据所述振动误差数值确定所述数控机床的振动均方差;
在本实施例中,在依据温度误差数值可以准确地确定数控机床的温度均方差的同时,还可以依据压力误差数值准确地确定所述数控机床的压力均方差,以及依据振动误差数值准确地确定数控机床的振动均方差。
S4023:将所述温度均方差、所述压力均方差和所述振动均方差依次进行叠加,得到预测误差数据。
在本实施例中,对温度均方差、压力均方差和振动均方差依次进行求和计算,得到实际预测状态与给定真实状态之间的预测误差数据。
进一步地,在又一实施例中,通过下述公式(1)可以计算得到实际预测状态与给定真实状态之间的预测误差数据。具体的,公式(1)为损失函数,其表达式为:
L = Σ(T(x) - S(x))^2
其中,T(x)表示教师模型输出的给定真实状态,S(x)表示学生模型输出的实际预测状态,x表示基于数控机床的采样频次接收到的机床传感器发送的运行数据,Σ表示求和运算,L表示预测误差数据。
进一步地,在另一些可行的实施例中,在步骤S402:依据所述预测误差数据确定所述实际预测状态与所述给定真实状态之间的匹配结果,可以包括以下实施步骤:
步骤S4024:确定所述给定真实状态指定的误差阈值范围,并检测所述预测误差数据是否超过所述误差阈值范围;
在本实施例中,在确定给定真实状态指定的误差阈值范围的同时,立即检测预测误差数据是否超过误差阈值范围。
步骤S4025:若所述预测误差数据未超过所述误差阈值范围,则确定所述实际预测状态与所述给定真实状态之间的匹配结果为所述实际预测状态与所述给定真实状态匹配;
在本实施例中,若预测误差数据未超过误差阈值范围,则确定实际预测状态与给定真实状态之间的匹配结果为实际预测状态与给定真实状态匹配,从而可以快速地确定此时学生模型的预测性能一般,即此时学生模型输出的实际预测状态与给定真实状态存在一定的误差,但此时学生模型输出的实际预测状态仍然具备一定的参考价值。
步骤S4026:若所述预测误差数据超过所述误差阈值范围,则确定所述实际预测状态与所述给定真实状态之间的匹配结果为所述实际预测状态与所述给定真实状态不匹配。
在本实施例中,若预测误差数据超过误差阈值范围,则确定实际预测状态与给定真实状态之间的匹配结果为实际预测状态与给定真实状态不匹配,从而可以快速地确定此时学生模型的预测性能差,即此时学生模型输出的实际预测状态存在失真现象,不具备参考价值。
进一步地,在一些可行的实施例中,上述步骤S402:依据所述匹配结果和所述实际预测状态确定所述数控机床的真实运行状态,还可以包括以下实施步骤:
步骤S4027:当所述匹配结果为所述实际预测状态与所述给定真实状态匹配时,依据所述预测误差数据指定的损失函数对所述学生模型进行更新,得到更新后的学生模型,并依据所述更新后的学生模型返回执行所述将所述运行数据分别输入至所述学生模型和所述教师模型中的步骤,直至训练得到与所述给定真实状态相同的目标预测状态后,将所述目标预测状态作为所述数控机床的真实运行状态;
在本实施例中,当匹配结果为所述实际预测状态与所述给定真实状态匹配时,确定此时学生模型输出的实际预测状态指向的时间标识,当该时间标识指定的时间节点与学生模型对应的更新时间相同时,确定预测误差数据指定的损失函数,依据损失函数对学生模型进行更新,得到更新后的学生模型,实现了持续更新学生模型目的,以便学生模型可以自动适应数控机床的变化情况,从而有效地提高了学生模型的泛化能力和稳定性。然后将更新后的学生模型作为下一个学生模型,返回执行所述将所述运行数据分别输入至所述学生模型和所述教师模型中的步骤,直至训练得到与给定真实状态相同的目标预测状态后,将目标预测状态作为数控机床的真实运行状态,进而有效地提高了预测机床运行状态的准确性。
需要说明的是,目标预测状态是指最终更新后的学生模型输出的实际预测状态。数控机床的变化情况可以理解为随着数控机床的使用,机床部件的磨损程度可能会改变的情况,且该数控机床的变化情况会直接影响机床运行状态。
步骤S4028:当所述匹配结果为所述实际预测状态与所述给定真实状态不匹配时,依据所述实际预测状态对所述采样频次进行调整,得到调整后的采样频次,并依据所述调整后的采样频次返回执行所述基于数控机床的采样频次获取所述数控机床的运行数据的步骤;
在本实施例中,当所述匹配结果为实际预测状态与给定真实状态不匹配时,确定实际预测状态为失真数据,即此时的学生模型的预测性能处于失效状态(即不稳定状态),依据该失真数据触发数控机床的频次增加指令,确定频次增加指令指定的采样频次增量,依据该采样频次增量对数控机床的采样频次进行自动调整,即将该采样频次增量叠加在采样频次上,得到调整后的采样频次,从而有效地改善了学生模型的预测性能,然后依据所述调整后的采样频次返回执行所述基于数控机床的采样频次获取所述数控机床的运行数据。
在具体实施例中,若采样频次指定的数据采集频率为每1min采集一次数控机床的运行数据,且学生模型的预测性能处于失效状态时,依据该采样频次增量对数控机床的采样频次进行自适应调整,以将数据采集频率从每1min采集一次运行数据调整为每30 S采集一次运行数据,同时还可以将增加机床传感器的采集精度。即本申请依据失真数据确定此时学生模型的预测性能处于失效状态以对数控机床的采样频次进行自动调整,从而动态地调整数控机床的采样频次,这种自适应数据采样策略在保证数据质量的同时,有效地节省数据采集的成本和资源。
进一步地,在另一些可行的实施例中,上述步骤S4027:依据所述预测误差数据指定的损失函数对所述学生模型进行更新,还可以包括以下实施步骤:
步骤S40271:依据所述预测误差数据指定的损失函数确定所述数控机床的梯度数据,并确定所述学生模型指定的学习频率;
在本实施例中,依据预测误差数据指定的损失函数可以快速确定数控机床的梯度数据,该梯度数据是指损失函数的导数,然后确定学生模型指定的学习频率。其中,不同的预测误差数据对应着不同的损失函数。
步骤S40272:依据所述梯度数据与所述学习频率之间的乘积数据对所述学生模型进行更新,得到更新后的学生模型。
在本实施例中,依据梯度数据与学习频率之间的乘积数据对学生模型进行更新,得到更新后的学生模型。
进一步地,在另一实施例中,本申请还可以依据预设的增量学习算法对学生模型进行更新,得到更新后的学生模型,其中,增量学习算法如下述公式(2)所示:
其中,S'是更新后的学生模型,S是原始的学生模型,η是学习率,是梯度数据。
进一步地,在一些可行的实施例中,机床预测方法还可以包括以下实施步骤:
步骤A10:基于所述数控机床的设备数据构建所述数控机床的数字孪生模型,并将所述运行数据传输至所述数字孪生模型中,输出所述数控机床的实际运行状态,所述设备数据至少包括所述运行数据、机床刀具磨损数据和机床工件数据;
在本实施例中,基于数控机床的设备数据构建数控机床的数字孪生模型,并将运行数据传输至数字孪生模型中,输出数控机床的实际运行状态,其中,设备数据至少包括机床状态数据、机床刀具磨损数据和机床工件数据。
需要说明的是,机床状态数据至少包括历史运行状态;机床刀具磨损数据至少包括刀具切削参数、刀具寿命参数和刀具压力参数;机床工件数据至少包括加工工件的几何结构参数和加工质量参数;数字孪生模型用于反映数控机床的实际运行状态,即数字孪生模型是数控机床物理实体的虚拟实体。
步骤A20:在所述数字孪生模型获取到所述真实运行状态后,判断所述实际运行状态是否与所述真实运行状态一致;
在本实施例中,在数字孪生模型获取到真实运行状态后,通过数字孪生模型判断实际运行状态是否与真实运行状态一致,即依据数字孪生模型判断实际运行状态是否与真实运行状态相同,或者/和依据数字孪生模型判断实际运行状态是否处于真实运行状态对应的状态阈值范围内。
步骤A30:若所述实际运行状态与所述真实运行状态一致,则确定所述数控机床处于正常运行状态;
在本实施例中,若实际运行状态与真实运行状态一致,即实际运行状态与真实运行状态相同,或者/和实际运行状态处于真实运行状态对应的状态阈值范围内,则可以直接确定数控机床处于正常运行状态,并将正常运行状态通过数字孪生模型传输至数控机床的人机交互界面进行展示。
步骤A40:若所述实际运行状态与所述真实运行状态不一致,则确定所述数控机床处于异常运行状态,并依据所述异常运行状态进行故障提示。
在本实施例中,若实际运行状态与真实运行状态不一致,即实际运行状态与真实运行状态不相同,或者/和实际运行状态未处于真实运行状态对应的状态阈值范围内,则确定所述数控机床处于异常运行状态,依据异常运行状态通过数字孪生模型传输至数控机床的人机交互界面上进行故障提示,还将真实运行状态调整为实际运行状态相同,即本申请不仅实现实时监测机床运行状态的目的,还有效地提高了机床故障的预警能力和预防能力。
综上,本申请的学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习,实现了对机床运行状态的实时、精确且高效的预测,且当实际预测状态与给定真实状态匹配时,依据预测误差数据指定的损失函数对学生模型进行更新,从而实现了持续更新学生模型目的,以便学生模型可以自动适应数控机床的变化情况,进而有效地提高了学生模型的泛化能力和稳定性;当实际预测状态与给定真实状态不匹配时或者/和当实际预测状态与给定真实状态相同时,依据学生模型的预测性能自适应调整数控机床的采样频次,在保证数据质量的同时,实现了节省数据采集的成本和资源的目的;然后控制中枢将最终更新后的学生模型输出的实际预测状态发送到数字孪生模型中,与数字孪生模型输出的实际运行状态进行对比,以便控制中枢可以实时调节机床运行状态,进而有效地提高了机床故障的预警能力和预防能力。
此外,本申请还提供一种机床预测装置,请参照图3,图3是本申请实施例方案涉及的机床预测装置的结构示意图。
本申请机床预测装置包括:
获取模块H01,用于基于数控机床的采样频次获取所述数控机床的运行数据,所述运行数据至少包括所述数控机床在当前时刻的温度数据、压力数据和振动数据,所述采样频次用于确定所述当前时刻到下一时刻之间的时间间隔;
指定模块H02,用于确定所述数控机床指定的学生模型,所述学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习的模型,所述学生模型和所述教师模型均为所述数控机床的状态检测模型;
模型输出模块H03,将所述运行数据分别输入至所述学生模型和所述教师模型中,得到所述学生模型输出的所述数控机床的实际预测状态,和所述教师模型输出的所述数控机床的给定真实状态;
预测模块H04,依据所述实际预测状态和所述给定真实状态确定所述数控机床的真实运行状态。
可选地,所述预测模块H04还包括:
第一比对单元,用于当所述实际预测状态与所述给定真实状态相同时,将所述实际预测状态作为所述数控机床的真实运行状态;
第一匹配单元,用于当所述实际预测状态与所述给定真实状态不相同时,获取所述实际预测状态与所述给定真实状态之间的预测误差数据,依据所述预测误差数据确定所述实际预测状态与所述给定真实状态之间的匹配结果,并依据所述匹配结果和所述实际预测状态确定所述数控机床的真实运行状态。
可选地,所述预测模块H04还包括:
误差确定单元,用于确定所述温度预测状态与所述给定温度状态之间的温度误差数值、所述压力预测状态与所述给定压力状态之间的压力误差数值、和所述振动预测状态与所述给定振动状态之间的振动误差数值;
均方差确定单元,用于依据所述温度误差数值确定所述数控机床的温度均方差,依据所述压力误差数值确定所述数控机床的压力均方差,并依据所述振动误差数值确定所述数控机床的振动均方差;
叠加单元,用于将所述温度均方差、所述压力均方差和所述振动均方差依次进行叠加,得到预测误差数据。
可选地,所述预测模块H04还包括:
检测单元,用于确定所述给定真实状态指定的误差阈值范围,并检测所述预测误差数据是否超过所述误差阈值范围;
第二匹配单元,用于若所述预测误差数据未超过所述误差阈值范围,则确定所述实际预测状态与所述给定真实状态之间的匹配结果为所述实际预测状态与所述给定真实状态匹配;
第三匹配单元,用于若所述预测误差数据超过所述误差阈值范围,则确定所述实际预测状态与所述给定真实状态之间的匹配结果为所述实际预测状态与所述给定真实状态不匹配。
可选地,所述预测模块H04还包括:
训练单元,用于当所述匹配结果为所述实际预测状态与所述给定真实状态匹配时,依据所述预测误差数据指定的损失函数对所述学生模型进行更新,得到更新后的学生模型,并依据所述更新后的学生模型返回执行所述将所述运行数据分别输入至所述学生模型和所述教师模型中的步骤,直至训练得到与所述给定真实状态相同的目标预测状态后,将所述目标预测状态作为所述数控机床的真实运行状态;
调整单元,用于当所述匹配结果为所述实际预测状态与所述给定真实状态不匹配时,依据所述实际预测状态对所述采样频次进行调整,得到调整后的采样频次,并依据所述调整后的采样频次返回执行所述基于数控机床的采样频次获取所述数控机床的运行数据的步骤。
可选地,所述预测模块H04还包括:
指定单元,用于依据所述预测误差数据指定的损失函数确定所述数控机床的梯度数据,并确定所述学生模型指定的学习频率;
更新单元,用于依据所述梯度数据与所述学习频率之间的乘积数据对所述学生模型进行更新,得到更新后的学生模型。
可选地,所述预测模块H04还包括:
传输单元,用于基于所述数控机床的设备数据构建所述数控机床的数字孪生模型,并将所述运行数据传输至所述数字孪生模型中,输出所述数控机床的实际运行状态,所述设备数据至少包括机床状态数据、机床刀具磨损数据和机床工件数据;
判断单元,用于在所述数字孪生模型获取到所述真实运行状态后,判断所述实际运行状态是否与所述真实运行状态一致;
第二比对单元,用于若所述实际运行状态与所述真实运行状态一致,则确定所述数控机床处于正常运行状态;
故障提示单元,用于若所述实际运行状态与所述真实运行状态不一致,则确定所述数控机床处于异常运行状态,并依据所述异常运行状态进行故障提示。
本申请机床预测装置的各个功能模块在运行时实现如上所述的本申请机床预测方法的步骤。
此外,本申请还提供一种终端设备。请参照图4,图4为本申请实施例方案涉及的终端设备的结构示意图。本申请实施例终端设备具体可以是为本地运行机床预测的设备。
如图4所示,本申请实施例终端设备可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。
存储器1005设置在终端设备主体上,存储器1005上存储有程序,该程序被处理器1001执行时实现相应的操作。存储器1005还用于存储供终端设备使用的参数。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图4中示出的终端设备结构并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图4所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及终端设备的机床预测程序。
在图4所示的终端设备中,处理器1001可以用于调用存储器1005中存储的终端设备的机床预测程序,并执行上述机床预测方法的步骤。
此外,请参照图5,图5是本申请实施例方案涉及的计算机可读存储介质的结构示意图。本申请提供了一种计算机可读存储介质。该计算机可读存储介质上存储有机床预测程序,机床预测程序被处理器执行时实现上述的机床预测方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的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,该计算机软件产品存储在如上述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种机床预测方法,其特征在于,所述机床预测方法包括:
基于数控机床的采样频次获取所述数控机床的运行数据,所述运行数据至少包括所述数控机床在当前时刻的温度数据、压力数据和振动数据,所述采样频次用于确定所述当前时刻到下一时刻之间的时间间隔;
确定所述数控机床指定的学生模型,所述学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习的模型,所述学生模型和所述教师模型均为所述数控机床的状态检测模型;
将所述运行数据分别输入至所述学生模型和所述教师模型中,得到所述学生模型输出的所述数控机床的实际预测状态,和所述教师模型输出的所述数控机床的给定真实状态;
依据所述实际预测状态和所述给定真实状态确定所述数控机床的真实运行状态;
所述基于数控机床的采样频次获取所述数控机床的运行数据的步骤,包括:
按照数控机床的采样频次获取所述数控机床的运转数据,并确定所述运转数据中的异常数据和缺失数据,所述运转数据至少包括数据预处理前的温度数据、压力数据和振动数据,所述数据预处理包括异常值清理、缺失值填充和数值标准化,所述缺失数据至少包括温度缺失值;
在依据所述异常数据对所述运转数据进行异常值清理后,确定多个所述温度数据之间的平均数据、中位数据或者众数数据;
在依据所述平均数据、所述中位数据或者所述众数数据对所述温度缺失值进行缺失值填充处理后,对处理后的运转数据进行数值标准化处理,得到所述数控机床的运行数据;
所述依据所述实际预测状态和所述给定真实状态确定所述数控机床的真实运行状态的步骤,包括:
当所述实际预测状态与所述给定真实状态不相同时,获取所述实际预测状态与所述给定真实状态之间的预测误差数据,依据所述预测误差数据确定所述实际预测状态与所述给定真实状态之间的匹配结果,并依据所述匹配结果和所述实际预测状态确定所述数控机床的真实运行状态,所述预测误差数据指定的损失函数为:
L = Σ(T(x) - S(x))^2
其中,T(x)表示所述教师模型输出的给定真实状态,S(x)表示所述学生模型输出的实际预测状态,x表示基于所述数控机床的采样频次接收到的机床传感器发送的运行数据,Σ表示求和运算,L表示所述预测误差数据。
2.如权利要求1所述机床预测方法,其特征在于,所述实际预测状态至少包括所述数控机床的温度预测状态、压力预测状态和振动预测状态,所述给定真实状态至少包括所述数控机床的给定温度状态、给定压力状态和给定振动状态;
所述获取所述实际预测状态与所述给定真实状态之间的预测误差数据的步骤包括:
确定所述温度预测状态与所述给定温度状态之间的温度误差数值、所述压力预测状态与所述给定压力状态之间的压力误差数值、和所述振动预测状态与所述给定振动状态之间的振动误差数值;
依据所述温度误差数值确定所述数控机床的温度均方差,依据所述压力误差数值确定所述数控机床的压力均方差,并依据所述振动误差数值确定所述数控机床的振动均方差;
将所述温度均方差、所述压力均方差和所述振动均方差依次进行叠加,得到预测误差数据。
3.如权利要求2所述机床预测方法,其特征在于,所述依据所述预测误差数据确定所述实际预测状态与所述给定真实状态之间的匹配结果的步骤包括:
确定所述给定真实状态指定的误差阈值范围,并检测所述预测误差数据是否超过所述误差阈值范围;
若所述预测误差数据未超过所述误差阈值范围,则确定所述实际预测状态与所述给定真实状态之间的匹配结果为所述实际预测状态与所述给定真实状态匹配;
若所述预测误差数据超过所述误差阈值范围,则确定所述实际预测状态与所述给定真实状态之间的匹配结果为所述实际预测状态与所述给定真实状态不匹配。
4.如权利要求3所述机床预测方法,其特征在于,所述依据所述匹配结果和所述实际预测状态确定所述数控机床的真实运行状态的步骤,包括:
当所述匹配结果为所述实际预测状态与所述给定真实状态匹配时,依据所述预测误差数据指定的损失函数对所述学生模型进行更新,得到更新后的学生模型,并依据所述更新后的学生模型返回执行所述将所述运行数据分别输入至所述学生模型和所述教师模型中的步骤,直至训练得到与所述给定真实状态相同的目标预测状态后,将所述目标预测状态作为所述数控机床的真实运行状态;
当所述匹配结果为所述实际预测状态与所述给定真实状态不匹配时,依据所述实际预测状态对所述采样频次进行调整,得到调整后的采样频次,并依据所述调整后的采样频次返回执行所述基于数控机床的采样频次获取所述数控机床的运行数据的步骤。
5.如权利要求4所述机床预测方法,其特征在于,所述依据所述预测误差数据指定的损失函数对所述学生模型进行更新的步骤包括:
依据所述预测误差数据指定的损失函数确定所述数控机床的梯度数据,并确定所述学生模型指定的学习频率;
依据所述梯度数据与所述学习频率之间的乘积数据对所述学生模型进行更新,得到更新后的学生模型。
6.如权利要求1-5任一项所述的机床预测方法,其特征在于,所述机床预测方法还包括:
基于所述数控机床的设备数据构建所述数控机床的数字孪生模型,并将所述运行数据传输至所述数字孪生模型中,输出所述数控机床的实际运行状态,所述设备数据至少包括机床状态数据、机床刀具磨损数据和机床工件数据;
在所述数字孪生模型获取到所述真实运行状态后,判断所述实际运行状态是否与所述真实运行状态一致;
若所述实际运行状态与所述真实运行状态一致,则确定所述数控机床处于正常运行状态;
若所述实际运行状态与所述真实运行状态不一致,则确定所述数控机床处于异常运行状态,并依据所述异常运行状态进行故障提示。
7.一种机床预测装置,其特征在于,所述机床预测装置,包括:
获取模块,用于基于数控机床的采样频次获取所述数控机床的运行数据,所述运行数据至少包括所述数控机床在当前时刻的温度数据、压力数据和振动数据,所述采样频次用于确定所述当前时刻到下一时刻之间的时间间隔;
指定模块,用于确定所述数控机床指定的学生模型,所述学生模型是指依据预设的知识蒸馏算法向已经训练好的教师模型进行训练学习的模型,所述学生模型和所述教师模型均为所述数控机床的状态检测模型;
模型输出模块,用于将所述运行数据分别输入至所述学生模型和所述教师模型中,得到所述学生模型输出的所述数控机床的实际预测状态,和所述教师模型输出的所述数控机床的给定真实状态;
预测模块,用于依据所述实际预测状态和所述给定真实状态确定所述数控机床的真实运行状态;
所述获取模块,还用于按照数控机床的采样频次获取所述数控机床的运转数据,并确定所述运转数据中的异常数据和缺失数据,所述运转数据至少包括数据预处理前的温度数据、压力数据和振动数据,所述数据预处理包括异常值清理、缺失值填充和数值标准化,所述缺失数据至少包括温度缺失值;在依据所述异常数据对所述运转数据进行异常值清理后,确定多个所述温度数据之间的平均数据、中位数据或者众数数据;在依据所述平均数据、所述中位数据或者所述众数数据对所述温度缺失值进行缺失值填充处理后,对处理后的运转数据进行数值标准化处理,得到所述数控机床的运行数据;
所述预测模块,还用于当所述实际预测状态与所述给定真实状态不相同时,获取所述实际预测状态与所述给定真实状态之间的预测误差数据,依据所述预测误差数据确定所述实际预测状态与所述给定真实状态之间的匹配结果,并依据所述匹配结果和所述实际预测状态确定所述数控机床的真实运行状态,所述预测误差数据指定的损失函数为:L = Σ(T (x) - S(x))^2,其中,T(x)表示所述教师模型输出的给定真实状态,S(x)表示所述学生模型输出的实际预测状态,x表示基于所述数控机床的采样频次接收到的机床传感器发送的运行数据,Σ表示求和运算,L表示所述预测误差数据。
8.一种终端设备,其特征在于,所述终端设备包括存储器、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机床预测程序,所述处理器执行所述机床预测程序时实现如权利要求1至6中任一项所述机床预测方法的步骤。
9.一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上存储有机床预测程序,所述机床预测程序被处理器执行时实现如权利要求1至6中任一项所述机床预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310878111.1A CN116594349B (zh) | 2023-07-18 | 2023-07-18 | 机床预测方法、装置、终端设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310878111.1A CN116594349B (zh) | 2023-07-18 | 2023-07-18 | 机床预测方法、装置、终端设备以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116594349A CN116594349A (zh) | 2023-08-15 |
CN116594349B true CN116594349B (zh) | 2023-10-03 |
Family
ID=87594157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310878111.1A Active CN116594349B (zh) | 2023-07-18 | 2023-07-18 | 机床预测方法、装置、终端设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116594349B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117930742B (zh) * | 2024-03-21 | 2024-05-31 | 山西坚科控制技术有限公司 | 一种基于plc的自动控制系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110116371A (zh) * | 2018-02-06 | 2019-08-13 | 发那科株式会社 | 研磨工具磨损量预测装置、机器学习装置以及系统 |
CN110231803A (zh) * | 2018-03-06 | 2019-09-13 | 发那科株式会社 | 碰撞位置推定装置以及机器学习装置 |
CN113222123A (zh) * | 2021-06-15 | 2021-08-06 | 深圳市商汤科技有限公司 | 模型训练方法、装置、设备及计算机存储介质 |
CN114266897A (zh) * | 2021-12-24 | 2022-04-01 | 深圳数联天下智能科技有限公司 | 痘痘类别的预测方法、装置、电子设备及存储介质 |
CN114330510A (zh) * | 2021-12-06 | 2022-04-12 | 北京大学 | 模型训练方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11443235B2 (en) * | 2019-11-14 | 2022-09-13 | International Business Machines Corporation | Identifying optimal weights to improve prediction accuracy in machine learning techniques |
-
2023
- 2023-07-18 CN CN202310878111.1A patent/CN116594349B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110116371A (zh) * | 2018-02-06 | 2019-08-13 | 发那科株式会社 | 研磨工具磨损量预测装置、机器学习装置以及系统 |
CN110231803A (zh) * | 2018-03-06 | 2019-09-13 | 发那科株式会社 | 碰撞位置推定装置以及机器学习装置 |
CN113222123A (zh) * | 2021-06-15 | 2021-08-06 | 深圳市商汤科技有限公司 | 模型训练方法、装置、设备及计算机存储介质 |
CN114330510A (zh) * | 2021-12-06 | 2022-04-12 | 北京大学 | 模型训练方法、装置、电子设备和存储介质 |
CN114266897A (zh) * | 2021-12-24 | 2022-04-01 | 深圳数联天下智能科技有限公司 | 痘痘类别的预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116594349A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116594349B (zh) | 机床预测方法、装置、终端设备以及计算机可读存储介质 | |
US20170308052A1 (en) | Cell controller for optimizing motion of production system including industrial machines | |
CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
JP2017033239A (ja) | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 | |
CN116339239B (zh) | 数控机床协同控制方法、装置、设备以及计算机存储介质 | |
CN111209609A (zh) | 生产参数确定方法及装置、系统、存储介质和电子设备 | |
JP7221196B2 (ja) | 加工装置誤差補正方法及びそのシステム | |
CN110363355B (zh) | 一种氧化铝生产指标的云-边协同预报系统及方法 | |
JP7285208B2 (ja) | 加工装置誤差補正方法及びそのシステム | |
CN115185234A (zh) | 一种数控机床的适应性故障监测方法及系统 | |
CN114091688B (zh) | 一种计算资源获取方法、装置、电子设备和存储介质 | |
CN116520769B (zh) | 数控机床的监测方法、装置、终端设备及计算机存储介质 | |
CN116795069B (zh) | 一种基于边缘计算的智能制造方法 | |
CN111108738B (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 | |
CN117170310A (zh) | 一种基于数字孪生的数控机床远程故障诊断方法及系统 | |
CN116307946A (zh) | 基于加工环境的自适应能耗评估方法、装置、设备及介质 | |
CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
CN111633466B (zh) | 大数据分析五轴小龙门数控加工中心的动态精度检测方法 | |
CN116540633B (zh) | 机床调试方法、装置、终端设备以及计算机可读存储介质 | |
CN113204411A (zh) | 一种数据处理方法、中间处理设备及存储介质 | |
CN117471990A (zh) | 数控机床加工方法、装置、终端设备以及计算机存储介质 | |
CN116208297B (zh) | 一种数控机床传输数据自适应编码方法、装置及相关设备 | |
CN113780737A (zh) | 基于机器学习的作业调度优化方法、装置、设备及介质 | |
CN112417701B (zh) | 数控机床剩余寿命预测方法、装置和网络侧服务端 | |
CN118034183A (zh) | 一种基于嵌入式Linux的远程在线预测刀具磨损系统 |
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 |