一种数控机床故障预测可视化方法技术

本发明专利技术公开了一种数控机床故障预测可视化方法及相关设备，本发明专利技术提供的方法，根据目标数控机床的运行数据，采用神经网络模型预测目标数控机床的故障类别和对应的预计发生时刻，并将故障类别在该机床的三维模型上对应显示，同时结合目标数控机床的加工任务信息和故障的预计发生时刻确定故障对应的维护时段，将维护时段也展示在该机床的三维模型上，这样可以实现数控机床的可视化远程监测，不需要维护人员定期去现场观察数控机床情况，在数控机床发生故障前确定合适的维护时段并显示，可以提醒维护人员及时对数控机床进行必要的维护，保证了数控机床的安全稳定运行。证了数控机床的安全稳定运行。证了数控机床的安全稳定运行。

【技术实现步骤摘要】
一种数控机床故障预测可视化方法


[0001]本专利技术涉及数控加工
，特别涉及一种数控机床故障预测可视化方法。

技术介绍

[0002]工厂内对于数控机床的维护检修目前还是停留在定时对机床进行停机，维护人员现场巡检，观察数控机床的状态进行维护的方式，然而即使是同种类型的数控机床，根据其加工任务的不同，产生故障需要维护的周期是不一样的，定时停机让维护人员现场观察数控机床状态再进行维护会导致维护不及时或者对不需要进行维护的机床进行停机造成资源浪费。
[0003]因此，现有技术还有待改进和提高。

技术实现思路

[0004]针对现有技术的上述缺陷，本专利技术提供一种数控机床故障预测可视化方法，旨在解决现有技术中定时对机床进行停机由维护人现场观察机床并进行维护的方式导致机床维护不及时的问题。
[0005]为了解决上述技术问题，本专利技术所采用的技术方案如下：本专利技术的第一方面，提供一种数控机床故障预测可视化方法，所述方法包括：接收目标数控机床的运行数据，将所述目标数控机床的运行数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的所述目标数控机床的故障预测结果，其中，所述故障预测结果包括故障类别和对应的预计发生时刻；根据预先建立的故障类别与关联零部件的映射关系确定所述故障预测结果中的目标故障类别对应的至少一个目标零部件，在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别；根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时刻和所述目标数控机床的加工任务信息，确定所述目标故障类别对应的目标维护时段，将所述目标维护时段显示在所述目标数控机床的三维模型中所述目标零部件的位置。
[0006]所述的数控机床故障预测可视化方法，其中，所述在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别，包括：将所述目标数控机床的三维模型中所述目标零部件的模型部分修改为预设颜色；在预设的故障图示库中确定所述目标故障类别对应的故障图示信息，在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别以及对应的所述故障图示信息；其中，所述目标故障类别对应的所述故障图示信息包括所述目标故障类别对应的故障演示动图和维护方案图示信息，所述维护方案图示信息包括维护工具的文本和/或图像信息、以及维护方法的文本和/或图像信息。
[0007]所述的数控机床故障预测可视化方法，其中，所述根据所述目标故障类别以及所
述目标故障类别对应的所述预计发生时间和所述目标数控机床的加工任务信息，确定所述目标故障类别对应的目标维护时段，包括：基于预设的故障类别与维护时长的映射关系获取所述目标故障类别对应的目标维护时长；当所述目标维护时长和预设预留时长的和小于所述目标数控机床的两个相邻加工任务之间的时间间隔时，根据所述目标数控机床的重要程度排序确定所述目标故障类别对应的所述目标维护时段；当所述目标维护时长和预设预留时长的和大于所述目标数控机床的任意两个相邻加工任务之间的时间间隔时，根据所述目标数控机床的加工任务对应的产品的订单要求时刻和所述目标数控机床的重要程度排序确定所述目标维护时段；其中，所述目标维护时段早于所述预计发生时刻，所述目标数控机床的重要程度是基于所述目标数控机床的加工任务在对应的产品的所有工序任务的顺序、所述目标数控机床的加工能力以及所述目标数控机床执行的加工任务对应的产品确定的。
[0008]所述的数控机床故障预测可视化方法，其中，所述确定所述目标故障类别对应的目标维护时间之后，包括：在所述目标维护时段前向预设终端发送提示信息，所述提示信息中包括所述维护方案图示信息、所述目标数控机床的位置、以及所述目标故障类别对应的维护工具的位置。
[0009]所述的数控机床故障预测可视化方法，其中，所述神经网络模型包括权重模块、注意力机制模块和预测模块；所述将所述目标数控机床的运行数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的所述目标数控机床的故障预测结果，包括：获取所述目标数控机床多个零部件的运行数据，将各个零部件的运行数据作为各组初始数据，对所述初始数据进行降维处理，得到预设尺寸的特征信息，所述特征信息中包括第一初始特征，所述第一初始特征包括每组所述初始数据降维后得到的降维数据，各个所述降维数据按照预设规则排列，所述特征信息中还包括第二初始特征，所述第二初始特征包括每组初始数据对应的语义特征，所述语义特征包括第一语义特征和多个第二语义特征，所述第一语义特征为所述目标数控机床的加工任务对应的语义嵌入向量，每个所述第二语义特征为对应的所述初始数据的零部件名称的语义嵌入向量；将所述特征信息中的所述第二初始特征输入至所述权重模块，获取所述权重模块输出的权重矩阵，其中，所述权重矩阵包括注意力机制中的Q、K、V矩阵；通过所述注意力机制模块基于所述权重矩阵对所述第一初始特征执行注意力机制，所述得到中间特征；将所述中间特征输入至所述预测模块，获取所述预测模块输出的故障预测结果。
[0010]所述的数控机床故障预测可视化方法，其中，所述神经网络模型是基于多组训练数据训练完成的，每组训练数据包括样本特征信息和对应的故障标注结果，所述多组训练数据的数据来源于多种数控机床；所述神经网络模型的训练过程为：在所述多组训练数据中选择目标训练数据，将所述目标训练数据输入至所述神经网络模型，获取所述目标训练数据对应的样本故障预测结果；根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失；
根据所述训练损失，采用梯度下降法更新所述神经网络模型中的可学习参数；重新执行所述在所述多组训练数据中选择目标训练数据的步骤，直至所述神经网络模型的可学习参数收敛。
[0011]所述的数控机床故障预测可视化方法，其中，所述根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果得到所述目标样本特征信息对应的训练损失，包括：根据所述样本故障预测结果和所述目标样本特征信息对应的所述故障标注结果之间的差异得到第一损失；将所述目标样本特征信息中的所述第二初始特征输入至深层语义提取模块，获取所述深层语义提取模块输出的深层语义特征，根据所述深层语义特征和所述神经网络模型中的所述注意力机制模块输出的所述目标样本特征信息对应的所述中间特征得到第二损失；在各个所述样本特征信息中选择对应的数控机床类型与所述目标样本特征信息相同的至少一个第一样本特征信息和对应的数控机床类型与所述目标样本特征信息不同的至少一个第二样本特征信息；将所述第一样本特征信息和所述第二样本特征信息分别输入至所述深层语义提取模块，获取各个第一深层语义特征和各个所述第二深层语义特征；根据所述注意力机制模块输出的所述目标样本特征信息和各个所述第一深层语义特征和各个所述第二深层语义特征之间的差异得到第三损失；根据所述第一损失、所述第二损失和所述第三损失获取所述目标样本特征信息对应的训练损失；所述根据所述训练损失，采用梯度下降法更新所述神经网络模型的参数，包括：根据所述训练损失，采用梯度下降法更新本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数控机床故障预测可视化方法，其特征在于，所述方法包括：接收目标数控机床的运行数据，将所述目标数控机床的运行数据输入至已训练的神经网络模型中，获取所述神经网络模型输出的所述目标数控机床的故障预测结果，其中，所述故障预测结果包括故障类别和对应的预计发生时刻；根据预先建立的故障类别与关联零部件的映射关系确定所述故障预测结果中的目标故障类别对应的至少一个目标零部件，在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别；根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时刻和所述目标数控机床的加工任务信息，确定所述目标故障类别对应的目标维护时段，将所述目标维护时段显示在所述目标数控机床的三维模型中所述目标零部件的位置。2.根据权利要求1所述的数控机床故障预测可视化方法，其特征在于，所述在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别，包括：将所述目标数控机床的三维模型中所述目标零部件的模型部分修改为预设颜色；在预设的故障图示库中确定所述目标故障类别对应的故障图示信息，在所述目标数控机床的三维模型中所述目标零部件的位置显示所述目标故障类别以及对应的所述故障图示信息；其中，所述目标故障类别对应的所述故障图示信息包括所述目标故障类别对应的故障演示动图和维护方案图示信息，所述维护方案图示信息包括维护工具的文本和/或图像信息、以及维护方法的文本和/或图像信息。3.根据权利要求1所述的数控机床故障预测可视化方法，其特征在于，所述根据所述目标故障类别以及所述目标故障类别对应的所述预计发生时间和所述目标数控机床的加工任务信息，确定所述目标故障类别对应的目标维护时段，包括：基于预设的故障类别与维护时长的映射关系获取所述目标故障类别对应的目标维护时长；当所述目标维护时长和预设预留时长的和小于所述目标数控机床的两个相邻加工任务之间的时间间隔时，根据所述目标数控机床的重要程度排序确定所述目标故障类别对应的所述目标维护时段；当所述目标维护时长和预设预留时长的和大于所述目标数控机床的任意两个相邻加工任务之间的时间间隔时，根据所述目标数控机床的加工任务对应的产品的订单要求时刻和所述目标数控机床的重要程度排序确定所述目标维护时段；其中，所述目标维护时段早于所述预计发生时刻，所述目标数控机床的重要程度是基于所述目标数控机床的加工任务在对应的产品的所有工序任务的顺序、所述目标数控机床的加工能力以及所述目标数控机床执行的加工任务对应的产品确定的。4.根据权利要求2所述的数控机床故障预测可视化方法，其特征在于，所述确定所述目标故障类别对应的目标维护时间之后，包括：在所述目标维护时段前向预设终端发送提示信息，所述提示信息中包括所述维护方案图示信息、所述目标数控机床的位置、以及所述目标故障类别对应的维护工具的位置。5.根据权利要求1所述的数控机床故障预测可视化方法，其特征在于，所述神经网络模型包括权重模块、注意力机制模块和预测模块；所述将所述目标数控机床的运行数据输入
至已训练的神经网络模型中，获取所述神经网络模型输出的所述目标数控机床的故障预测结果，包括：获取所述目标数控机床多个零部件的运行数据，将各个零部件的运行数据作为各组初始数据，对所述初始数据进行降维处理，得到预设尺寸的特征信息，所述特征信息中包括第一初始特征，所述第一初始特征包括每组所述初始数据降维后得到的降维数据，各个所述降维数据按照预设规则排列，所述特征信息中还包括第二初始特征，所述第二初始特征包括每组初始数据对应的语义特征，所述语义特征包括第一语义特征和多个第二语义特征，所述第一语义特征为所述目标数控机床的加工任务对应的语义嵌入向量，每个所述第二语义特征为对应的所述初始数据的零部件名称的语义嵌入向量；将所述特征信息中的所述第二初始特征输入至所述权重模块，获取所述权重模块输出的权重矩阵，其中，所述权重矩阵包括注意力机制...

【专利技术属性】
技术研发人员：郭媛君，刘祥飞，吴承科，李郭凯，贺勇，谭家娟，胡天宇，王丽媛，
申请(专利权)人：中科航迈数控软件深圳有限公司，
类型：发明
国别省市：