CN117784710A - 数控机床远程状态监控系统及其方法 - Google Patents

Abstract

本申请公开了一种数控机床远程状态监控系统及其方法，其通过部署于数控机床的振动传感器实时监测采集机床振动信号，并在后端引入基于人工智能和深度学习的信号处理和分析算法来进行该机床振动信号的分析，以此来对于机床的工作状态进行实时远程地监测，并基于机床的工作状态异常情况来及时采取相应的措施进行维修和调整，从而提高机床的稳定性和生产效率。

Description

数控机床远程状态监控系统及其方法

技术领域

本申请涉及智能监控领域，且更为具体地，涉及一种数控机床远程状态监控系统及其方法。

背景技术

数控机床是一种能够自动执行预设程序的机械加工设备，它在制造业中具有重要的应用价值。然而，数控机床在工作过程中可能会出现各种故障，如刀具磨损、轴承损坏、电机过热等，这些故障会影响机床的加工精度和效率，甚至导致机床损坏或事故发生。因此，对数控机床的状态进行实时监测和诊断是保证机床安全运行和提高生产效率的重要手段。

然而，传统的数控机床状态监控系统通常需要人工巡检和实时观察，存在以下问题：人工巡检需要花费大量的人力和时间成本，智能化程度较低，无法实现实时的数控机床状态监控。并且，通过人工实时观察的方式受限于人的感知能力和专业知识，可能无法准确判断机床状态是否存在异常。此外，现有的一些基于数值监测和固定规则的状态监控方案难以识别和适应数控机床的复杂工作状态和隐藏的异常情况。

因此，期望一种数控机床远程状态监控系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种数控机床远程状态监控系统及其方法，其通过部署于数控机床的振动传感器实时监测采集机床振动信号，并在后端引入基于人工智能和深度学习的信号处理和分析算法来进行该机床振动信号的分析，以此来对于机床的工作状态进行实时远程地监测，并基于机床的工作状态异常情况来及时采取相应的措施进行维修和调整，从而提高机床的稳定性和生产效率。

根据本申请的一个方面，提供了一种数控机床远程状态监控方法，其包括：

获取部署于数控机床的振动传感器采集的机床振动信号；

将所述振动信号通过无线网络传输至后台监控服务器；

在所述后台监控服务器，对所述机床振动信号进行信号切分以得到机床振动信号片段的序列；

通过基于深度神经网络模型的信号波形特征提取器对所述机床振动信号片段的序列进行特征提取以得到机床振动信号片段波形特征图的序列；

使用基于重参数化层的特征图增强器对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到强化机床振动信号片段波形特征图的序列；

计算所述强化机床振动信号片段波形特征图的序列中的各个强化机床振动信号片段波形特征图的强化机床振动信号片段波形语义特征向量以得到强化机床振动信号片段波形语义特征向量的序列；

使用振动类型原型特征提取器对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到机床振动原型表征特征向量作为机床振动原型表征特征；

基于所述机床振动原型表征特征，确定机床工作状态是否存在异常。

根据本申请的另一个方面，提供了一种数控机床远程状态监控系统，其包括：

信号采集模块，用于获取部署于数控机床的振动传感器采集的机床振动信号；

信号传输模块，用于将所述振动信号通过无线网络传输至后台监控服务器；

信号切分模块，用于在所述后台监控服务器，对所述机床振动信号进行信号切分以得到机床振动信号片段的序列；

振动信号片段波形特征提取模块，用于通过基于深度神经网络模型的信号波形特征提取器对所述机床振动信号片段的序列进行特征提取以得到机床振动信号片段波形特征图的序列；

特征表达强化模块，用于使用基于重参数化层的特征图增强器对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到强化机床振动信号片段波形特征图的序列；

振动信号片段波形语义特征计算模块，用于计算所述强化机床振动信号片段波形特征图的序列中的各个强化机床振动信号片段波形特征图的强化机床振动信号片段波形语义特征向量以得到强化机床振动信号片段波形语义特征向量的序列；

振动原型表征特征提取模块，用于使用振动类型原型特征提取器对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到机床振动原型表征特征向量作为机床振动原型表征特征；

结果生成模块，用于基于所述机床振动原型表征特征，确定机床工作状态是否存在异常。

与现有技术相比，本申请提供的一种数控机床远程状态监控系统及其方法，其通过部署于数控机床的振动传感器实时监测采集机床振动信号，并在后端引入基于人工智能和深度学习的信号处理和分析算法来进行该机床振动信号的分析，以此来对于机床的工作状态进行实时远程地监测，并基于机床的工作状态异常情况来及时采取相应的措施进行维修和调整，从而提高机床的稳定性和生产效率。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的数控机床远程状态监控方法的流程图；

图2为根据本申请实施例的数控机床远程状态监控方法的系统架构图；

图3为根据本申请实施例的数控机床远程状态监控方法的训练阶段的流程图；

图4为根据本申请实施例的数控机床远程状态监控系统的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

传统的数控机床状态监控系统通常需要人工巡检和实时观察，存在以下问题：人工巡检需要花费大量的人力和时间成本，智能化程度较低，无法实现实时的数控机床状态监控。并且，通过人工实时观察的方式受限于人的感知能力和专业知识，可能无法准确判断机床状态是否存在异常。此外，现有的一些基于数值监测和固定规则的状态监控方案难以识别和适应数控机床的复杂工作状态和隐藏的异常情况。因此，期望一种数控机床远程状态监控系统。

在本申请的技术方案中，提出了一种数控机床远程状态监控方法。图1为根据本申请实施例的数控机床远程状态监控方法的流程图。图2为根据本申请实施例的数控机床远程状态监控方法的系统架构图。如图1和图2所示，根据本申请的实施例的数控机床远程状态监控方法，包括步骤：S1，获取部署于数控机床的振动传感器采集的机床振动信号；S2，将所述振动信号通过无线网络传输至后台监控服务器；S3，在所述后台监控服务器，对所述机床振动信号进行信号切分以得到机床振动信号片段的序列；S4，通过基于深度神经网络模型的信号波形特征提取器对所述机床振动信号片段的序列进行特征提取以得到机床振动信号片段波形特征图的序列；S5，使用基于重参数化层的特征图增强器对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到强化机床振动信号片段波形特征图的序列；S6，计算所述强化机床振动信号片段波形特征图的序列中的各个强化机床振动信号片段波形特征图的强化机床振动信号片段波形语义特征向量以得到强化机床振动信号片段波形语义特征向量的序列；S7，使用振动类型原型特征提取器对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到机床振动原型表征特征向量作为机床振动原型表征特征；S8，基于所述机床振动原型表征特征，确定机床工作状态是否存在异常。

特别地，所述S1和所述S2，获取部署于数控机床的振动传感器采集的机床振动信号；以及，将所述振动信号通过无线网络传输至后台监控服务器。应可以理解，振动信号是数控机床工作状态的重要反映，它包含了机床各个部件的运动信息和故障信息。通过对振动信号进行采集、传输、分析和识别，可以实现对数控机床状态的远程监测和诊断。振动传感器是一种用于测量物体振动或震动的传感器设备。它可以将物体的振动信号转换为电信号，以便进行监测、分析和控制。

特别地，所述S3，在所述后台监控服务器，对所述机床振动信号进行信号切分以得到机床振动信号片段的序列。应可以理解，所述机床振动信号是一个连续的时间序列，其中包含了机床在运行过程中的各种振动信息。然而，直接对整个振动信号进行处理可能会导致信息的混杂和模糊，难以准确提取出所述机床振动信号中有用的特征。因此，在所述后台监控服务器，需要对所述机床振动信号进行信号切分以得到机床振动信号片段的序列，以此来将整个机床振动信号分割成多个信号片段，以便于更为细粒度地提取该振动信号的有用和关键特征信息。特别地，由于不同的数控机床的工作状态可能对应着不同的振动模式和频率，通过切分还可以更好地捕捉到机床在不同工作状态下的振动特征，从而更准确地对机床状态进行监测和异常检测。

特别地，所述S4，通过基于深度神经网络模型的信号波形特征提取器对所述机床振动信号片段的序列进行特征提取以得到机床振动信号片段波形特征图的序列。特别地，所述深度神经网络模型为卷积神经网络模型。也就是，在本申请的技术方案中，将所述机床振动信号片段的序列通过基于卷积神经网络模型的信号波形特征提取器中进行特征挖掘，以分别提取出各个所述机床振动信号片段中的波形语义特征信息，从而得到机床振动信号片段波形特征图的序列。这样，能够从各个机床振动信号片段中提取出更具有代表性的波形特征。这些波形特征可以捕捉到振动信号中的局部模式、频率成分和时域特征等信息，以此来提高对机床状态的理解和判断能力，从而进一步提高远程状态监控系统的准确性和可靠性。具体地，使用所述基于卷积神经网络模型的信号波形特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基局部特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的信号波形特征提取器的最后一层的输出为所述机床振动信号片段波形特征图的序列，所述基于卷积神经网络模型的信号波形特征提取器的第一层的输入为所述机床振动信号片段的序列。

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，特别适用于处理具有网格结构数据（如图像、音频、文本等）的任务。CNN通过在输入数据上应用卷积操作来提取特征，并通过多个卷积层和池化层来逐渐提取更高级别的特征。下面是卷积神经网络模型的基本结构：卷积层：卷积层是CNN的核心组件。它通过在输入数据上应用卷积操作来提取特征。卷积操作使用卷积核（也称为滤波器）在输入数据上滑动，并计算每个位置上的卷积结果。卷积操作可以捕捉数据的局部关系和模式，并生成特征图作为输出；激活函数：卷积层的输出通常会通过激活函数进行非线性变换。常用的激活函数包括ReLU、Sigmoid和Tanh等。激活函数引入非线性特性，增加模型的表达能力；池化层：池化层用于减少特征图的尺寸并提取更重要的特征。常见的池化操作有最大池化和平均池化。池化操作可以减少模型的参数数量，降低计算复杂度，并提高模型的鲁棒性；全连接层：全连接层将池化层的输出展平，并与输出层连接。全连接层的神经元与前一层的所有神经元相连，可以学习到更高级别的特征表示。最后一个全连接层通常用于分类任务，输出模型的预测结果。

特别地，所述S5，使用基于重参数化层的特征图增强器对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到强化机床振动信号片段波形特征图的序列。为了增强和丰富机床振动信号片段的这些局部波形语义特征的表达能力，使其更具区分性和鲁棒性，在本申请的技术方案中，进一步使用基于重参数化层的特征图增强器对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到强化机床振动信号片段波形特征图的序列。通过所述基于重参数化层的特征图增强器进行处理，能够引入随机性，将原始特征图重新参数化为更丰富的特征表示，从而增强所述机床振动信号片段波形特征图的表达能力。在这个过程中，每个所述机床振动信号片段波形特征图的均值和方差被提取出来，并用于生成新的特征图。这种重参数化的形式可以看作是在语义特征空间中进行数据增强的一种方式，能够更好地捕捉到振动信号中的细微变化和模式，这有助于提高分类器对不同机床振动信号片段的局部波形语义特征的感知和识别能力，提高后续分类的准确性和鲁棒性。也就是说，通过增强特征的多样性和判别性，可以提高机床状态异常检测的准确性和可靠性。具体地，使用基于重参数化层的特征图增强器对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到强化机床振动信号片段波形特征图的序列，包括：使用基于重参数化层的特征图增强器以如下局部强化公式对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到所述强化机床振动信号片段波形特征图的序列；其中，所述局部强化公式为：

其中，为每个所述机床振动信号片段波形特征图的全局均值，为每个所述 机床振动信号片段波形特征图的方差，是对每个所述机床振动信号片段波形特征图的高 斯分布进行随机采样得到的第个值，是所述强化机床振动信号片段波形特征图的序列 中每个强化机床振动信号片段波形特征图的第个特征值。

特别地，所述S6，计算所述强化机床振动信号片段波形特征图的序列中的各个强化机床振动信号片段波形特征图的强化机床振动信号片段波形语义特征向量以得到强化机床振动信号片段波形语义特征向量的序列。应可以理解，由于所述强化机床振动信号片段波形特征图的序列中的各个强化机床振动信号片段波形特征图分别表示了机床振动信号的局部片段波形语义特征，特别地，考虑到在数控机床的正常工作状态下的振动信号局部片段波形语义在特征空间中是非常接近的，但偶尔会有一两个特例与其他局部片段中的振动波形语义特征差异度较大，其并不能够反映出振动波形的语义本质特征，也就对于机床的工作状态检测的贡献度较小，因此需要减少偏离本质特征的波形语义对于原型计算的影响。而对于振动信号中的局部片段波形语义特征相似度较高的特征信息，应该增加其对于原型计算的影响。基于此，在本申请的技术方案中，需要计算所述强化机床振动信号片段波形特征图的序列中的各个强化机床振动信号片段波形特征图的强化机床振动信号片段波形语义特征向量以得到强化机床振动信号片段波形语义特征向量的序列。特别地，可以通过对于所述各个强化机床振动信号片段波形特征图进行沿通道维度的均值池化处理来得到强化机床振动信号片段波形语义特征向量，以实现降维，从而有利于后续对于振动类型原型特征的提取。

特别地，所述S7，使用振动类型原型特征提取器对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到机床振动原型表征特征向量作为机床振动原型表征特征。也就是，在本申请的技术方案中，使用振动类型原型特征提取器对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到机床振动原型表征特征向量。通过所述振动类型原型特征提取器的处理，可以将所述强化机床振动信号片段波形语义特征向量的序列中各个局部片段的振动波形语义特征进行原型本质贡献度加权融合分析，以此来将各个局部振动波形语义特征映射到一个更具有区分性和表达能力的特征空间中，从而捕捉到机床振动原型的表征特征。这可以提高振动信号的特征表达能力和判别能力，从而更准确地实现数控机床的远程状态监控和故障检测。具体地，使用振动类型原型特征提取器以如下原型公式对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到所述机床振动原型表征特征向量；其中，所述原型公式为：

其中，和为所述强化机床振动信号片段波形语义特征向量的序列中第和第 个强化机床振动信号片段波形语义特征向量，是所述强化机床振动信号片段波形语义特 征向量的序列，为向量的一范数，为所述强化机床振动信号片段波形语义特征向量的 序列中向量的个数－1，为振动语义波动特征向量中各个位置的特征值，是所述振动语 义波动特征向量的长度，是所述机床振动原型表征特征向量，为指数运算。

特别地，所述S8，基于所述机床振动原型表征特征，确定机床工作状态是否存在异常。在本申请的技术方案中，将所述机床振动原型表征特征向量通过分类器以得到分类结果，所述分类结果用于表示机床工作状态是否存在异常。也就是说，利用所述数控机床的振动原型表征信息来进行分类处理，以此来对于机床的工作状态进行实时远程地监测，以便于基于机床的工作状态异常情况来及时采取相应的措施进行维修和调整，从而提高机床的稳定性和生产效率。具体地，将所述机床振动原型表征特征向量通过分类器以得到分类结果，包括：使用所述分类器的多个全连接层对所述机床振动原型表征特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

也就是，在本申请的技术方案中，所述分类器的标签包括机床工作状态存在异常(第一标签)，以及，机床工作状态未存在异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述机床振动原型表征特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“机床工作状态是否存在异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，机床工作状态是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“机床工作状态是否存在异常”的语言文本意义。

应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于卷积神经网络模型的信号波形特征提取器、所述基于重参数化层的特征图增强器、所述振动类型原型特征提取器和所述分类器进行训练。也就是说，在本申请的数控机床远程状态监控方法中，还包括训练阶段，用于对所述基于卷积神经网络模型的信号波形特征提取器、所述基于重参数化层的特征图增强器、所述振动类型原型特征提取器和所述分类器进行训练。

图3为根据本申请实施例的数控机床远程状态监控方法的训练阶段的流程图。如图3所示，根据本申请实施例的数控机床远程状态监控方法，包括：训练阶段，包括：S110,获取训练数据，所述训练数据包括部署于数控机床的振动传感器采集的训练机床振动信号；S120,将所述训练振动信号通过无线网络传输至后台监控服务器；S130,在所述后台监控服务器，对所述训练机床振动信号进行信号切分以得到训练机床振动信号片段的序列；S140,通过基于卷积神经网络模型的信号波形特征提取器对所述训练机床振动信号片段的序列进行特征提取以得到训练机床振动信号片段波形特征图的序列；S150,使用基于重参数化层的特征图增强器对所述训练机床振动信号片段波形特征图的序列进行特征表达强化以得到训练强化机床振动信号片段波形特征图的序列；S160,计算所述训练强化机床振动信号片段波形特征图的序列中的各个训练强化机床振动信号片段波形特征图的强化机床振动信号片段波形语义特征向量以得到训练强化机床振动信号片段波形语义特征向量的序列；S170,使用振动类型原型特征提取器对所述训练强化机床振动信号片段波形语义特征向量的序列进行处理以得到训练机床振动原型表征特征向量；S180,对所述训练机床振动原型表征特征向量进行优化以得到优化训练机床振动原型表征特征向量；S190,将所述优化训练机床振动原型表征特征向量通过分类器以得到分类损失函数值；S200,基于所述分类损失函数值所述基于卷积神经网络模型的信号波形特征提取器、所述基于重参数化层的特征图增强器、所述振动类型原型特征提取器和所述分类器进行训练。

其中，将所述优化训练机床振动原型表征特征向量通过分类器以得到分类损失函数值，包括：使用所述分类器对所述优化训练机床振动原型表征特征向量进行处理以得到训练分类结果:以及，计算所述训练分类结果与所述机床工作状态是否存在异常的真实值之间的交叉熵损失函数值作为所述分类损失函数值。

特别地，在本申请的技术方案中，所述训练强化机床振动信号片段波形语义特征向量的序列中的每个训练强化机床振动信号片段波形语义特征向量表达所述振动信号在全局时域通过序列切分确定的局部时域下的强化的图像语义特征，这样，考虑到所述训练振动信号在全局时域下的各个局部时域间的源图像语义时序分布不均衡，在进行了图像语义特征的提取和强化后，各个所述训练强化机床振动信号片段波形语义特征向量的图像语义特征分布也会存在显著的不均衡和不一致。由此，当使用振动类型原型特征提取器对所述训练强化机床振动信号片段波形语义特征向量的序列进行处理时，考虑到局部时域间的训练强化机床振动信号片段波形语义特征向量由于特征分布的显著的不均衡和不一致，所述各个训练强化机床振动信号片段波形语义特征向量各自的基于其局部时域图像语义特征分布的特征分布信息显著性会受到影响，使得当所述训练机床振动原型表征特征向量通过分类器进行分类时，难以稳定地聚焦于特征的显著局部分布，从而影响训练速度。基于此，本申请的申请人在每次所述训练机床振动原型表征特征向量通过分类器进行分类回归的迭代时，对所述训练机床振动原型表征特征向量进行优化，表示为：

其中，是所述训练机床振动原型表征特征向量，和分别是所述训练机床 振动原型表征特征向量的1范数和2范数的平方，是所述训练机床振动原型表征特征向 量的长度，且是权重超参数，是以2为底的对数运算。具体地，通过基于所述训练机床 振动原型表征特征向量的尺度和结构参数来进行其高维特征流形形状的几何注册，可以 关注所述训练机床振动原型表征特征向量的特征值构成的特征集合中的具有丰富特征 语义信息的特征，也就是，在分类器进行分类时的基于局部上下文信息表示不相似性的可 区分的稳定兴趣特征，从而实现所述训练机床振动原型表征特征向量在分类过程中的特 征信息显著性标注，提升分类器的训练速度。这样，可以实现实时监控、准确判断机床状态 异常，并及时采取相应的措施进行维修和调整，提高机床的稳定性和生产效率。

综上，根据本申请实施例的数控机床远程状态监控方法被阐明，其通过部署于数控机床的振动传感器实时监测采集机床振动信号，并在后端引入基于人工智能和深度学习的信号处理和分析算法来进行该机床振动信号的分析，以此来对于机床的工作状态进行实时远程地监测，并基于机床的工作状态异常情况来及时采取相应的措施进行维修和调整，从而提高机床的稳定性和生产效率。

进一步地，还提供一种数控机床远程状态监控系统。

图4为根据本申请实施例的数控机床远程状态监控系统的框图。如图4所示，根据本申请实施例的数控机床远程状态监控系统300，包括：信号采集模块310，用于获取部署于数控机床的振动传感器采集的机床振动信号；信号传输模块320，用于将所述振动信号通过无线网络传输至后台监控服务器；信号切分模块330，用于在所述后台监控服务器，对所述机床振动信号进行信号切分以得到机床振动信号片段的序列；振动信号片段波形特征提取模块340，用于通过基于深度神经网络模型的信号波形特征提取器对所述机床振动信号片段的序列进行特征提取以得到机床振动信号片段波形特征图的序列；特征表达强化模块350，用于使用基于重参数化层的特征图增强器对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到强化机床振动信号片段波形特征图的序列；振动信号片段波形语义特征计算模块360，用于计算所述强化机床振动信号片段波形特征图的序列中的各个强化机床振动信号片段波形特征图的强化机床振动信号片段波形语义特征向量以得到强化机床振动信号片段波形语义特征向量的序列；振动原型表征特征提取模块370，用于使用振动类型原型特征提取器对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到机床振动原型表征特征向量作为机床振动原型表征特征；结果生成模块380，用于基于所述机床振动原型表征特征，确定机床工作状态是否存在异常。

如上所述，根据本申请实施例的数控机床远程状态监控系统300可以实现在各种无线终端中，例如具有数控机床远程状态监控算法的服务器等。在一种可能的实现方式中，根据本申请实施例的数控机床远程状态监控系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该数控机床远程状态监控系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该数控机床远程状态监控系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该数控机床远程状态监控系统300与该无线终端也可以是分立的设备，并且该数控机床远程状态监控系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种数控机床远程状态监控方法，其特征在于，包括：

获取部署于数控机床的振动传感器采集的机床振动信号；

将所述振动信号通过无线网络传输至后台监控服务器；

在所述后台监控服务器，对所述机床振动信号进行信号切分以得到机床振动信号片段的序列；

通过基于深度神经网络模型的信号波形特征提取器对所述机床振动信号片段的序列进行特征提取以得到机床振动信号片段波形特征图的序列；

使用基于重参数化层的特征图增强器对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到强化机床振动信号片段波形特征图的序列；

计算所述强化机床振动信号片段波形特征图的序列中的各个强化机床振动信号片段波形特征图的强化机床振动信号片段波形语义特征向量以得到强化机床振动信号片段波形语义特征向量的序列；

使用振动类型原型特征提取器对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到机床振动原型表征特征向量作为机床振动原型表征特征；

基于所述机床振动原型表征特征，确定机床工作状态是否存在异常。

2.根据权利要求1所述的数控机床远程状态监控方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。

3.根据权利要求2所述的数控机床远程状态监控方法，其特征在于，使用基于重参数化层的特征图增强器对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到强化机床振动信号片段波形特征图的序列，包括：使用基于重参数化层的特征图增强器以如下局部强化公式对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到所述强化机床振动信号片段波形特征图的序列；

其中，所述局部强化公式为：

其中，/>为每个所述机床振动信号片段波形特征图的全局均值，为每个所述机床振动信号片段波形特征图的方差，/>是对每个所述机床振动信号片段波形特征图的高斯分布进行随机采样得到的第/>个值，/>是所述强化机床振动信号片段波形特征图的序列中每个强化机床振动信号片段波形特征图的第/>个特征值。

4.根据权利要求3所述的数控机床远程状态监控方法，其特征在于，使用振动类型原型特征提取器对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到机床振动原型表征特征向量作为机床振动原型表征特征，包括：使用振动类型原型特征提取器以如下原型公式对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到所述机床振动原型表征特征向量；

其中，所述原型公式为： ，/>其中，/>和/>为所述强化机床振动信号片段波形语义特征向量的序列中第/>和第/>个强化机床振动信号片段波形语义特征向量，/>是所述强化机床振动信号片段波形语义特征向量的序列，/>为向量的一范数，/>为所述强化机床振动信号片段波形语义特征向量的序列中向量的个数－1，/>为振动语义波动特征向量中各个位置的特征值，/>是所述振动语义波动特征向量的长度，/>是所述机床振动原型表征特征向量，/>为指数运算。

5.根据权利要求4所述的数控机床远程状态监控方法，其特征在于，基于所述机床振动原型表征特征，确定机床工作状态是否存在异常，包括：将所述机床振动原型表征特征向量通过分类器以得到分类结果，所述分类结果用于表示机床工作状态是否存在异常。

6.根据权利要求5所述的数控机床远程状态监控方法，其特征在于，还包括训练步骤：用于对所述基于卷积神经网络模型的信号波形特征提取器、所述基于重参数化层的特征图增强器、所述振动类型原型特征提取器和所述分类器进行训练。

7.根据权利要求6所述的数控机床远程状态监控方法，其特征在于，所述训练步骤，包括：

获取训练数据，所述训练数据包括部署于数控机床的振动传感器采集的训练机床振动信号；

将所述训练振动信号通过无线网络传输至后台监控服务器；

在所述后台监控服务器，对所述训练机床振动信号进行信号切分以得到训练机床振动信号片段的序列；

通过基于卷积神经网络模型的信号波形特征提取器对所述训练机床振动信号片段的序列进行特征提取以得到训练机床振动信号片段波形特征图的序列；

使用基于重参数化层的特征图增强器对所述训练机床振动信号片段波形特征图的序列进行特征表达强化以得到训练强化机床振动信号片段波形特征图的序列；

计算所述训练强化机床振动信号片段波形特征图的序列中的各个训练强化机床振动信号片段波形特征图的强化机床振动信号片段波形语义特征向量以得到训练强化机床振动信号片段波形语义特征向量的序列；

使用振动类型原型特征提取器对所述训练强化机床振动信号片段波形语义特征向量的序列进行处理以得到训练机床振动原型表征特征向量；

对所述训练机床振动原型表征特征向量进行优化以得到优化训练机床振动原型表征特征向量；

将所述优化训练机床振动原型表征特征向量通过分类器以得到分类损失函数值；

基于所述分类损失函数值所述基于卷积神经网络模型的信号波形特征提取器、所述基于重参数化层的特征图增强器、所述振动类型原型特征提取器和所述分类器进行训练。

8.根据权利要求7所述的数控机床远程状态监控方法，其特征在于，将所述优化训练机床振动原型表征特征向量通过分类器以得到分类损失函数值，包括：

使用所述分类器对所述优化训练机床振动原型表征特征向量进行处理以得到训练分类结果:以及

计算所述训练分类结果与所述机床工作状态是否存在异常的真实值之间的交叉熵损失函数值作为所述分类损失函数值。

9.一种数控机床远程状态监控系统，其特征在于，包括：

信号采集模块，用于获取部署于数控机床的振动传感器采集的机床振动信号；

信号传输模块，用于将所述振动信号通过无线网络传输至后台监控服务器；

信号切分模块，用于在所述后台监控服务器，对所述机床振动信号进行信号切分以得到机床振动信号片段的序列；

振动信号片段波形特征提取模块，用于通过基于深度神经网络模型的信号波形特征提取器对所述机床振动信号片段的序列进行特征提取以得到机床振动信号片段波形特征图的序列；

特征表达强化模块，用于使用基于重参数化层的特征图增强器对所述机床振动信号片段波形特征图的序列进行特征表达强化以得到强化机床振动信号片段波形特征图的序列；

振动信号片段波形语义特征计算模块，用于计算所述强化机床振动信号片段波形特征图的序列中的各个强化机床振动信号片段波形特征图的强化机床振动信号片段波形语义特征向量以得到强化机床振动信号片段波形语义特征向量的序列；

振动原型表征特征提取模块，用于使用振动类型原型特征提取器对所述强化机床振动信号片段波形语义特征向量的序列进行处理以得到机床振动原型表征特征向量作为机床振动原型表征特征；

结果生成模块，用于基于所述机床振动原型表征特征，确定机床工作状态是否存在异常。