CN116009480B - 一种数控机床的故障监测方法、装置、设备及存储介质 - Google Patents
一种数控机床的故障监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116009480B CN116009480B CN202310296718.9A CN202310296718A CN116009480B CN 116009480 B CN116009480 B CN 116009480B CN 202310296718 A CN202310296718 A CN 202310296718A CN 116009480 B CN116009480 B CN 116009480B
- Authority
- CN
- China
- Prior art keywords
- machine tool
- fault
- numerical control
- detected
- 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
Images
Classifications
-
- 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
- Numerical Control (AREA)
Abstract
本发明提供一种数控机床的故障监测方法、装置、设备及存储介质,涉及数控加工技术领域,通过获取数控加工过程中待监测数控机床的多个预设监测点的运行状态数据,并确定运行状态数据中的异常运行状态数据;将各异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件;根据各待检测机床部件的第一关联关系,确定相互影响的待检测机床部件;将相互影响的待检测机床部件对应的异常运行状态数据作为一组,得到一个或多个异常数据组;通过异常数据组和待监测数控机床对应的已训练的目标故障检测模型,确定异常数据组对应的预测机床故障部件。通过上述方案,可以准确的定位出数控机床中的故障部件,提高数控机床的故障监测准确性。
Description
技术领域
本发明涉及数控加工技术领域,尤其涉及一种数控机床的故障监测方法、装置、设备及存储介质。
背景技术
数控机床是数字控制机床的简称,是一种装有程序控制***的自动化机床。数控机床能够较少地解决复杂、精密、小批量、多品种的零件加工问题,被广泛的应用于各个领域,例如国防航空、汽车工业、模具制造、机械加工、零件构造等,只要有机械的行业都会运用到数控机床。
同时,数控机床结构复杂、价格昂贵,数控加工过程中常常伴随着各种各样的故障,导致数控机床损坏,影响加工件的生产效率。因此,在数控加工过程中,对数控机床的故障监测就变得至关重要。
但是在现有技术中,往往是采集数控加工过程中数控机床的相关运行数据,通过简单的数据分析对数据机床进行监测,其监测准确性低,以至于不能够有效的对数控机床进行准确及时的维护。
发明内容
本发明提供一种数控机床的故障监测方法、装置、设备及存储介质,用以解决现有技术中数控机床的故障监测准确性低的缺陷,实现对数控机床中故障部件的准确定位。
本发明提供的一种数控机床的故障监测方法,所述方法包括:
获取数控加工过程中待监测数控机床的多个预设监测点的运行状态数据,并确定所述运行状态数据中的异常运行状态数据,其中,所述异常运行状态数据为与预设的标准运行状态数据相似度低于预设阈值的运行状态数据;
将各所述异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件;
根据各所述待检测机床部件的第一关联关系,确定相互影响的所述待检测机床部件,所述待检测机床部件的第一关联关系反映与所述待检测机床部件机械连接的机床部件;
将相互影响的所述待检测机床部件对应的所述异常运行状态数据作为一组,得到一个或多个异常数据组;
通过所述异常数据组和所述待监测数控机床对应的已训练的目标故障检测模型,确定所述异常数据组对应的预测机床故障部件。
根据本发明提供的数控机床的故障监测方法,所述目标故障检测模型通过以下方式得到:
获取多个源域训练样本集,每个所述源域训练样本集对应一种设备类型的样本数控机床;
其中,每个所述源域训练样本集包括多个源域训练样本;每个所述源域训练样本包括:样本异常数据组和对应的机床故障部件标签;每个所述样本异常数据组由若干样本异常运行状态数据组成,且每个所述样本异常数据组中的各所述样本异常运行状态数据对应的机床部件为相互影响的机床部件;
通过所述源域训练样本中的样本异常数据组和预设神经网络模型,得到所述源域训练样本对应的预测机床故障部件;
根据所述源域训练样本的机床故障部件标签和所述预测机床故障部件对所述预设神经网络模型的模型参数进行调整,并继续执行通过下一源域训练样本中的样本异常数据组和预设神经网络模型,得到下一源域训练样本对应的预测机床故障部件的步骤,直至所述预设神经网络模型满足第一预设条件,得到已训练的通用故障检测模型;
获取目标域训练样本集,并通过所述目标域训练样本集中各目标域训练样本对所述通用故障检测模型进行模型参数调整,得到目标域对应的目标故障检测模型;
其中,所述目标域训练样本集对应一种设备类型的样本数控机床。
根据本发明提供的数控机床的故障监测方法,所述确定所述异常数据组对应的预测机床故障部件之后,所述方法还包括:
获取所述待监测数控机床的三维图,并在所述三维图上对所述预测机床故障部件进行标记,得到标记后的三维图;
将所述标记后的三维图发送至用户终端,以使所述用户终端向所述用户终端对应的机床管理人员进行展示;
接收来自所述用户终端的用户反馈信息,并根据所述用户终端的用户反馈信息以及对应的所述异常数据组,生成优化训练样本;
其中,所述用户反馈信息包括:所述预测机床故障部件是否为故障部件,以及在所述预测机床故障部件为非故障部件时对应的真实故障部件;
根据所述优化训练样本对所述目标故障检测模型进行训练优化,得到优化后的所述目标故障检测模型。
根据本发明提供的数控机床的故障监测方法,所述确定所述异常数据组对应的预测机床故障部件之后,所述方法还包括:
根据所述预测机床故障部件,确定所述待监测数控机床的故障等级;
在所述故障等级满足第二预设条件的情况下,根据所述预测机床故障部件对应的运行状态数据,确定所述预测机床故障部件的可用时间;
获取所述待监测数控机床在预设时间段内的加工任务信息;
其中,所述加工任务信息包括:工件材质、工件加工时间、工件加工数量;
根据所述预测机床故障部件的所述可用时间以及加工任务信息,确定所述预测机床故障部件的维修时间;
根据所述维修时间与对应的所述预测机床故障部件生成故障提示信息并发送至维修中心,以使维修中心根据所述故障提示信息分配对应的维修人员。
根据本发明提供的数控机床的故障监测方法,所述将各所述异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件之前,所述方法还包括:
根据所述待监测数控机床的设备类型,从预设图库中确定所述待监测数控机床的三维图;
根据所述三维图,确定所述待监测数控机床中各所述机床部件之间的机械连接关系;
根据所述机械连接关系,生成各所述机床部件的第一关联关系并存储至云端服务器;
所述第一关联关系用于表示所述机床部件的机械连接关系。
根据本发明提供的数控机床的故障监测方法,所述根据各所述待检测机床部件的第一关联关系,确定相互影响的所述待检测机床部件之前,具体包括:
从云端服务器中,获取各所述待检测机床部件的第一关联关系;
根据所述第一关联关系,确定具有机械连接关系的所述待检测机床部件;
将具有所述机械连接关系的所述待检测机床部件,作为相互影响的待检测机床部件。
根据本发明提供的数控机床的故障监测方法,所述得到的目标故障检测模型之后,所述方法还包括:
获取所述目标域训练样本集对应的设备类型;
生成所述目标域训练样本集对应的所述设备类型与所述目标故障检测模型的第二关联关系并存储至本地;以及将所述目标故障检测模型存储至云端服务器;
所述通过所述异常数据组和所述待监测数控机床对应的已训练的目标故障检测模型,确定所述异常数据组对应的预测机床故障部件之前,所述方法还包括:
根据所述待监测数控机床的所述设备类型与本地存储的所述第二关联关系,从云端服务器调用所述待监测数控机床对应的目标故障检测模型。
本发明还提供了一种数控机床的故障监测装置,所述装置包括:
数据获取模块,用于获取数控加工过程中待监测数控机床的多个预设监测点的运行状态数据,确定各运行状态数据中的异常运行状态数据,所述异常运行状态数据为与预设的标准运行状态数据相似度低于预设阈值的运行状态数据;
第一确定模块,用于将各所述异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件;
第二确定模块,用于根据各所述待检测机床部件的第一关联关系,确定相互影响的所述待检测机床部件,所述待检测机床部件的第一关联关系反映与所述待检测机床部件机械连接的机床部件;
分组模块,用于将相互影响的所述待检测机床部件对应的所述异常运行状态数据作为一组,得到一个或多个异常数据组;
故障判定模块,用于通过所述异常数据组和所述待监测数控机床对应的已训练的目标故障检测模型,确定所述异常数据组对应的预测机床故障部件。
本发明还提供了一种电子设备,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,所述处理器执行所述程序时实现如上任一项所述数控机床的故障监测方法。
本发明还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述数控机床的故障监测方法。
本发明提供的一种数控机床的故障监测方法、装置、设备及存储介质,通过对获取在数控加工过程中待监测数控机床的多个预设监测点的运行状态数据,并确定运行状态数据中的异常运行状态数据,将异常运行状态数据对应的机床部件作为待检测机床部件,然后根据待检测机床部件的第一关联关系,确定相互影响的待检测机床部件,从而将相互影响的待检测机床部件对应的异常运行状态数据作为一组,得到一个或多个异常数据组,通过异常数据组与该待监测数控机床所对应的目标故障检测模型,确定该异常数据组对应的预测机床故障部件。
在上述方案中,先对获取的运行状态数据进行数据分析,以确定异常运行状态数据,从而初步确定可能发生故障的机床部件,相对于直接对所有获取的运行状态数据进行故障监测可以在一定程度上节约计算资源;由于实际场景中由于一个或多个机床部件故障会连带与其机械连接的其他机床部件的运行状态数据发生异常,从而无法准确判断机床故障部件,而本发明通过预先确定的待检测机床部件的第一关联关系,确定相互影响的待检测机床部件并将其对应的异常运行状态数据作为一组,从而通过获得的异常数据组以及对应的目标故障检测模型,准确的定位出发生故障的机床部件,提高了数控机床故障监测的准确性,对数控机床进行及时有效的维护。
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的故障监测方法的流程示意图;
图2是本发明提供的数控机床的故障监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。
下面结合图1描述本发明的数控机床的故障监测方法,如图1所示,该数控机床的故障监测方法至少可以包括以下步骤:
S100,获取数控加工过程中待监测数控机床的多个预设监测点的运行状态数据,并确定运行状态数据中的异常运行状态数据。
其中,上述异常运行状态数据为与预设的标准运行状态数据相似度低于预设阈值的运行状态数据;上述预设监测点对应待监测数控机床中的关键部件。由于数控机床中的机械结构较为繁杂,因此,上述关键部件可以是数控机床中的最小单位机械结构的部件,例如数控机床的进给传动***中的电机、螺母、丝杆等。
上述运行状态数据可以包括振动信号、压力信号、温度信号、湿度信号、电流信号、电压信号等,对于不同的预设监测点采用不同的数据信息采集设备(例如传感器)进行相应的运行状态数据采集。也就是说,不同的预设监测点所采集到的运行状态数据的种类不同,现有技术中根据针对不同的数控机床的机床部件需要采集哪些运行状态数据,按照相同的方式进行运行状态数据采集即可,在本发明实施例中不再加以赘述。
在本发明实施例中,可以将数控机床中的关键部件以及容易损坏的部件作为上述预设监测点,例如刀具、主轴等,可以根据待监测数控机床的实际情况进行调整,在本发明实施例中不做具体限定。
进一步地,可以根据待监测数控机床的加工任务信息,确定此次数控加工任务的任务时长,从而根据任务时长确定预设时间间隔,在此次加工任务的数控加工过程中,按照预设时间间隔,获取待监测数控机床的多个预设监测点的运行状态数据,以确定该预设时间段内的待监测数控机床是否存在故障。
在实际应用过程中,同一批次的工件的数控加工任务时间较长,因为可以根据上述任务时长确定对应的预设时间间隔,以对不同的时间段的待监测数控机床进行故障监测,在保证数控机床的故障监测效果的基础上可以尽可能地减少计算资源和通信资源。
可以理解的是,本发明提供的数控机床的故障监测方法的执行主体可以是本地服务器、电脑等设备,在本发明实施例中不做具体限定。
进一步地,根据各运行状态数据对应的预设监测点,从预设数据库中确定各运行状态数据对应的标准状态数据,并分别进行比对,确定二者相似度,在相似度小于对应的预设阈值的情况下,即将该运行状态数据作为异常运行状态数据。
其中,标准状态数据是指在数控机床不存在故障时采集的运行状态数据,可以按照数控机床的设备类型以及所对应的机床部件存储至预设数据库中。
可以理解的是,在误差允许的范围内即相似度大于或等于对应的预设阈值的情况下,即可确定该运行状态数据为正常运行状态数据。针对不同的运行状态数据可以设置不同的预设阈值,且预设阈值可以根据实际情况进行调整,在本发明实施例中不做具体限定。
S200,将各异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件。
由上述可知,不同的预设监测点即对应不同的机床部件。在本发明实施例中,将各异常运行状态数据对应的机床部件,作为待检测机床部件。也就是说,在这些待检测机床部件中存在故障的机床部件,也存在由于其他故障的机床部件导致其运行状态数据异常的机床部件。
S300,根据各待检测机床部件的第一关联关系,确定相互影响的待检测机床部件。
其中,上述第一关联关系用于表示在数控机床中与机床部件机械连接的其他机床部件。
数控机床的机床部件中存在一定的机械连接关系,以数控机床中的进给传动***为例,该进给传动***中的电机、螺母、丝杆通过相应的机械连接组成上述进给传动***,此时,若电机发生故障,则同时会影响螺母、丝杆的运行状态数据。
具体地,上述步骤S300具体包括以下步骤:从云端服务器中,获取各待检测机床部件的第一关联关系;据上述第一关联关系,确定具有机械连接关系的待检测机床部件;将具有机械连接关系的待检测机床部件,作为相互影响的待检测机床部件。
进一步地,云端服务器中存储有不同设备类型的数控机床的机床部件的第一关联关系。因此,在本发明实施例中,可以通过待监测数控机床的设备类型以及待检测机床部件,从云端服务器中获取各待检测机床部件的第一关联关系。
例如,待检测机床部件为A、B、C,其中,A与B之间机械连接,则二者为相互影响的待检测机床部件;C和A、B之间均不存在机械连接,则C即为存在故障的机床部件。
本发明提供的数控机床的故障监测方法中,至少可以通过以下方式生成机床部件的第一关联关系:根据待监测数控机床的设备类型,从预设图库中获取上述待监测数控机床的三维图;根据三维图,确定待监测数控机床中各机床部件的机械连接关系;根据机械连接关系,生成各所述机床部件的第一关联关系并存储至云端服务器。
其中,第一关联关系用于表示与机床部件机械连接的其他机床部件。上述三维图用于表示数控机床中各机床部件的位置及连接关系。
上述预设图库中预先存储有各种设备类型的数控机床的三维图。因此通过待监测数控机床的设备类型,即可从预设图库中查找到对应的三维图。
进一步地,通过数控机床的三维图进行图像识别,即可确定其机床部件之间的机械连接关系。
更进一步地,可以将各机床部件的第一关联关系存储在云端服务器中。在对待监测数控机床进行故障监测时,可以通过待监测数控机床的设备类型,从云端服务器中获取该待监测数控机床的各机床部件的第一关联关系。
通过上述方案,可以通过数控机床的三维图确定该数控机床中各机床部件的机械连接关系以生成各机床部件的第一关联关系,相对于直接通过人工的方式进行录入,通过对三维图像的图像识别,能够提高效率减少人力成本。另外,为了减少对本地存储资源的利用,将各机床部件的第一关联关系存储至云端服务器,从而保证了本地的运行效率。
S400,将相互影响的待检测机床部件对应的异常运行状态数据作为一组,得到一个或多个异常数据组。
在本发明实施例中,将相互影响的待检测机床部件对应的异常运行状态数据作为一组,从而得到一个或者多个异常数据组。其中,每个异常数据组中至少包括一个异常运行状态数据。
此外,在步骤S400之后,可以确定各异常数据组中的异常运行状态数据的数量。在异常数据组的异常运行状态数据的数量为1时,则确定该异常运行状态对应的待检测机床部件即为故障部件,不再执行下述步骤。在异常数据组的异常运行状态数据的数量大于或等于2的情况下,则继续执行步骤S500。
可以理解的是,若异常数据组的异常运行状态数据的数量为1,则说明当前的待监测数控机床中是该异常运行状态数据对应的待检测机床部件是本身发生故障,而非受到其他故障部件的影响。因此,可以在异常数据组的异常运行状态数据的数量为1时,确定该异常运行状态对应的待检测机床部件即为故障部件,无需再进行后续的计算,进一步节约计算资源以及提高数控机床的故障监测效率。
S500,通过异常数据组和待监测数控机床对应的已训练的目标故障检测模型,确定异常数据组对应的预测机床故障部件。
其中,上述目标故障检测模型为已训练的神经网络模型。步骤S500中的异常数据组可以是异常运行状态数据的数量大于或等于2的异常数据组。
具体地,可以对异常数据组中的各异常运行状态数据进行特征提取,例如通过卷积神经网络进行特征提取,并将提取到的异常运行状态特征输入待监测数控机床对应的目标故障检测模型中,输出该异常数据组对应预测机床故障部件。
在本发明的一些实施例中,上述目标故障检测模型至少可以通过以下步骤得到:获取多个源域训练样本集;通过源域训练样本中的样本异常数据组和预设神经网络模型,得到该源域训练样本对应的预测机床故障部件;根据该原始训练样本的机床故障部件标签和预测机床故障部件对预设神经网络模型的模型参数进行调整,并继续执行通过下一源域训练样本中的样本异常数据组和预设神经网络模型,得到下一源域训练样本对应的预测机床故障部件的步骤,直至预设神经网络模型满足第一预设条件,得到已训练的通用故障检测模型;获取目标域训练样本集;根据目标域训练样本集中的各目标域训练样本对上述通用故障检测模型进行模型参数调整,得到目标域的目标故障检测模型。
其中,每个源域训练样本集对应一种设备类型的样本数控机床。每个源域训练样本集包括多个源域训练样本;每个源域训练样本包括:样本异常数据组、机床故障部件标签;每个样本异常数据组由若干样本异常运行状态数据组成,且样本异常数据组中的各样本异常运行状态数据对应的机床部件之间为相互影响的机床部件。上述目标域为目标域训练样本集对应的设备类型。
上述第一预设条件可以包括训练次数满足预设次数和/或损失函数小于或等于预设阈值。
需要说明的是,源域训练样本中既可以包括正样本还可以包括负样本,在本发明实施例中不做具体限定。
另外,上述目标域训练样本集对应一种设备类型的样本数控机床。并且,上述目标域训练样本的数量远小于上述训练样本。
上述目标域训练样本集包括多个目标域训练样本,并且每个目标域训练样本包括:样本异常数据组、机床故障部件标签;每个样本异常数据组由若干样本异常运行状态数据组成,且每个样本异常数据组中的各样本异常运行状态数据对应的机床部件之间为相互影响的机床部件。其中,若干包括至少一个。
此外,在本发明实施例中,上述预设神经网络模型可以为包括注意力模块的神经网络模型。
进一步地,先对源域训练样本中样本异常数据组的源域样本异常状态数据进行特征提取,然后将提取到的特征输入到预设神经网络模型中,输出该样本异常数据组对应的预测机床故障部件,即得到该源域训练样本对应的预测机床故障部件。
同理,也可以先对目标域训练样本的样本异常运行状态数据进行特征提取,并将提取到的特征输入上述通用故障检测模型中,输出该目标域训练样本对应的预测机床故障部件,具体可以参照上述实施例,在此不再加以赘述。
在本发明的一些实施例中,还可以先获取目标域训练样本集对应的设备类型,再生成目标域训练样本集对应的设备类型与目标故障检测模型的第二关联关系并存储至本地;以及将目标故障检测模型存储至云端服务器。
因此,在得到待监测数控机床的异常数据组之后,可以根据待监测数控机床的设备类型与本地存储的第二关联关系,从云端服务器调用待监测数控机床对应的目标故障检测模型。
在实际场景中,存在多种不同的设备类型的数控机床,但能够采集到的相同类型的数控机床的样本数据有限,从而影响故障检测模型的准确性。因此在本发明实施例中,通过上述方案,先通过大量的源域的训练样本进行模型训练得到通用故障检测模型,该通用故障检测模型对特定设备类型的数控机床的检测准确度不高,因此再通过少量的目标域的训练样本对通用故障检测模型进行参数调整,从而得到针对该目标域的目标故障检测模型,即通过上述方案可以得到不同设备类型的目标故障检测模型,以提高故障检测的准确度。
在本发明的一些实施例中,在步骤S500之后本发明提供的数控机床的故障监测方法至少还可以包括以下步骤:获取待监测数控机床的三维图,并在三维图上对预测机床故障部件进行标记,得到标记后的三维图;将标记后的三维图发送至用户终端,以使用户终端向用户终端对应的机床管理人进行展示;接收来自用户终端的用户反馈信息,并根据用户反馈信息以及对应的异常数据组,生成优化训练样本;根据优化训练样本对目标故障检测模型进行训练优化,得到优化后的目标故障检测模型。
上述标记可以通过颜色、文字、线条进行标记,在本发明实施例中不做具体限定。也就是说,在三维图上对预测机床故障部件进行标记的作用,是为了提示用户预测机床故障部件在待监测数控机床中的位置以及是哪个机床部件,并不需要限制标记方式。
并且,上述用户终端可以是手机、平板电脑等终端设备,在本发明实施例中不做具体限定。另外,用户终端和机床管理人员可以是一一对应的。
在实际应用场景中,数控机床的生产商将其生产的数控机床售卖给不同的购买方,购买方根据购买的数控机床加工工件。因此,购买方可以对不同的数控机床设置不同的机床管理人员,该机床管理人员可以是数控机床操作人员,与数控机床的距离较近。
此外,在用户终端将标记后的三维图向对应的机床管理人员后,机床管理人员根据标记后的三维图对待监测数控机床的预测机床故障部件进行检查,确认该预测机床故障部件是否存在故障、以及在该预测机床故障部件未存在故障时的机床故障部件标签,并将检查结果输入对应的用户终端,以使该用户终端根据检查结果生成用户反馈信息并发送。
在接收到来自用户终端的用户反馈信息后,根据用户反馈信息以及对应的异常数据组,生成优化训练样本。
其中,该优化训练样本中包括:异常数据组和对应的机床故障部件标签。
进一步地,可以先对优化训练样本中的异常数据组中的异常运行状态数据进行特征提取,并将提取到的特征输入目标故障检测模型,从而得到对应的预测机床故障部件,根据优化训练样本的预测机床故障部件和机床故障部件标签对目标故障检测模型进行训练优化,即进行模型参数调整,从而得到优化后的目标故障检测模型。
在本发明实施例中,通过数控机床的机床管理人员对预测机床故障部件的反馈,确定故障监测结果是否正确,并且根据第一反馈信息可以生成对应的训练优化样本,从而不断地对目标故障检测模型进行训练优化,提高目标故障检测模型的准确性。
此外,在本发明的一些实施例中,对于数控管理人员可以设置不同的电子账户,在数控管理人员基于标记后的三维图进行反馈后,为该数控管理人员分配预设积分,并添加至其对应的电子账户中,该电子账户中的积分可以用于商品(电子商品或实体商品)的兑换,从而提高数控管理人员的积极性,以得到更多的训练优化样本。
在本发明的一些实施例中,在步骤S500之后本发明提供的数控机床的故障监测方法至少还可以包括以下步骤:根据预测机床故障部件,确定待监测数控机床的故障等级;在故障等级满足第二预设条件的情况下,根据预测机床故障部件对应的运行状态数据,确定预测机床故障部件的可用时间;获取待监测数控机床在预设时间段内的加工任务信息;根据预测机床故障部件的可用时间和加工任务信息,确定预测机床故障部件的维修时间;根据维修时间与对应的预测机床故障部件生成故障提示信息,并发送至维修中心,以使维修中心根据上述故障提示信息分配对应的维修人员。
其中,加工任务信息包括:工件信息、工件加工时间、工件加工数量。
上述工件信息至少可以包括工件材质,工件加工时间用于表示单个工件所需的加工时间,工件加工数量为当前加工任务所需加工工件的数量。
在实际应用场景中,不同的机床部件发生故障时对应不同的风险等级,一些机床部件在发生故障时需要立刻停止数控加工,而有些机床部件在发生故障时还可以使用一段时间。因此,在本发明实施例中,对于不同的机床故障部件设置不同的故障等级,例如:一级、二级、三级等,其中一级为最高、三级为最低。
可以理解的是,若待监测数控机床存在多个预测机床故障部件,则可以对应多个故障等级。
此外,在故障等级满足第二预设条件时,说明该预测机床故障部件无需立刻停止工作。因此,可以根据该预测机床故障部件对应的运行状态数据,确定该预测机床故障部件的可用时间。
由于在实际场景中,部分机床部件故障并不需要立即进行维修,因此,通过预测机床故障部件的可用时间以及该待监测数控机床在预设时间段内的加工任务信息,确定该预测机床故障部件的维修时间,从而使维修中心能够灵活的分配对应的维修人员。
本发明提供的数控机床的故障监测方法,通过对获取待监测数控机床在数控加工过程中的多个预设监测点的运行状态数据,确定异常运行状态数据,并将异常运行状态数据对应的机床部件作为待检测机床部件,然后根据待检测机床部件的第一关联关系,确定相互影响的待检测机床部件,从而将相互影响的待检测机床部件对应的异常运行状态数据作为一组,得到一个或多个异常数据组,通过异常数据组与该待监测数控机床所对应的目标故障检测模型,确定该异常数据组对应的预测机床故障部件。在上述方案中,先对获取的运行状态数据进行数据分析,以确定异常运行状态数据,从而初步确定可能发生故障的机床部件,相对于直接对所有获取的运行状态数据进行故障监测可以在一定程度上节约计算资源;由于实际场景中由于一个或多个机床部件故障会连带与其机械连接的其他机床部件的运行状态数据发生异常,从而无法准确判断机床故障部件,而本发明通过预先确定的待检测机床部件的第一关联关系,确定相互影响的待检测机床部件并将其对应的异常运行状态数据作为一组,从而通过获得的异常数据组以及对应的目标故障检测模型,准确的判断出发生故障的机床部件,提高了数控机床故障监测的准确性,对数控机床进行及时有效的维护。
下面对本发明提供的数控机床的故障监测装置进行描述,下文描述故障监测装置与上述描述的故障监测方法可相互对应参照。
如图2所示,本发明提供的数控机床的故障监测装置至少包括:数据获取模块210、第一确定模块220、第二确定模块230、分组模块240、故障判定模块250。
数据获取模块210用于用于获取数控加工过程中待监测数控机床的多个预设监测点的运行状态数据,确定各运行状态数据中的异常运行状态数据;
其中,所述异常运行状态数据为与预设的标准运行状态数据相似度低于预设阈值的运行状态数据;
第一确定模块220用于将各所述异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件;
第二确定模块230用于根据各所述待检测机床部件的第一关联关系,确定相互影响的所述待检测机床部件;
分组模块240用于将相互影响的所述待检测机床部件对应的所述异常运行状态数据作为一组,得到一个或多个异常数据组;
故障判定模块250用于通过所述异常数据组和所述待监测数控机床对应的已训练的目标故障检测模型,确定所述异常数据组对应的预测机床故障部件。
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,以执行数控机床的故障监测方法,该方法包括:获取数控加工过程中待监测数控机床的多个预设监测点的运行状态数据,并确定所述运行状态数据中的异常运行状态数据;其中,所述异常运行状态数据为与预设的标准运行状态数据相似度低于预设阈值的运行状态数据;将各所述异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件;根据各所述待检测机床部件的第一关联关系,确定相互影响的所述待检测机床部件;将相互影响的所述待检测机床部件对应的所述异常运行状态数据作为一组,得到一个或多个异常数据组;通过所述异常数据组和所述待监测数控机床对应的已训练的目标故障检测模型,确定所述异常数据组对应的预测机床故障部件。
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的故障监测方法,该方法包括:获取数控加工过程中待监测数控机床的多个预设监测点的运行状态数据,并确定所述运行状态数据中的异常运行状态数据;其中,所述异常运行状态数据为与预设的标准运行状态数据相似度低于预设阈值的运行状态数据;将各所述异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件;根据各所述待检测机床部件的第一关联关系,确定相互影响的所述待检测机床部件;将相互影响的所述待检测机床部件对应的所述异常运行状态数据作为一组,得到一个或多个异常数据组;通过所述异常数据组和所述待监测数控机床对应的已训练的目标故障检测模型,确定所述异常数据组对应的预测机床故障部件。
以上所描述的***和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 (7)
1.一种数控机床的故障监测方法,其特征在于,所述方法包括:
获取数控加工过程中待监测数控机床的多个预设监测点的运行状态数据,并确定所述运行状态数据中的异常运行状态数据,其中,所述异常运行状态数据为与预设的标准运行状态数据相似度低于预设阈值的运行状态数据;
将各所述异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件;
根据各所述待检测机床部件的第一关联关系,确定相互影响的所述待检测机床部件,所述待检测机床部件的第一关联关系反映与所述待检测机床部件机械连接的机床部件;
将相互影响的所述待检测机床部件对应的所述异常运行状态数据作为一组,得到一个或多个异常数据组;
通过所述异常数据组和所述待监测数控机床对应的已训练的目标故障检测模型,确定所述异常数据组对应的预测机床故障部件;
所述目标故障检测模型通过以下方式得到:
获取多个源域训练样本集,每个所述源域训练样本集对应一种设备类型的样本数控机床;
其中,每个所述源域训练样本集包括多个源域训练样本;每个所述源域训练样本包括:样本异常数据组和对应的机床故障部件标签;每个所述样本异常数据组由若干样本异常运行状态数据组成,且每个所述样本异常数据组中的各所述样本异常运行状态数据对应的机床部件为相互影响的机床部件;
通过所述源域训练样本中的样本异常数据组和预设神经网络模型,得到所述源域训练样本对应的预测机床故障部件;
根据所述源域训练样本的机床故障部件标签和所述预测机床故障部件对所述预设神经网络模型的模型参数进行调整,并继续执行通过下一源域训练样本中的样本异常数据组和预设神经网络模型,得到下一源域训练样本对应的预测机床故障部件的步骤,直至所述预设神经网络模型满足第一预设条件,得到已训练的通用故障检测模型;
获取目标域训练样本集,并通过所述目标域训练样本集中各目标域训练样本对所述通用故障检测模型进行模型参数调整,得到目标域对应的目标故障检测模型;
其中,所述目标域训练样本集对应一种设备类型的样本数控机床,所述目标域训练样本集中的样本的数量小于所述源域训练样本集中样本的数量;
所述根据各所述待检测机床部件的第一关联关系,确定相互影响的所述待检测机床部件之前,所述方法还包括:
从云端服务器中,获取各所述待检测机床部件的第一关联关系;
根据所述第一关联关系,确定具有机械连接关系的所述待检测机床部件;
将具有所述机械连接关系的所述待检测机床部件,作为相互影响的待检测机床部件;
所述得到目标域对应的目标故障检测模型之后,所述方法还包括:
获取所述目标域训练样本集对应的设备类型;
生成所述目标域训练样本集对应的所述设备类型与所述目标故障检测模型的第二关联关系并存储至本地;以及将所述目标故障检测模型存储至云端服务器;
所述通过所述异常数据组和所述待监测数控机床对应的已训练的目标故障检测模型,确定所述异常数据组对应的预测机床故障部件之前,所述方法还包括:
根据所述待监测数控机床的所述设备类型与本地存储的所述第二关联关系,从云端服务器调用所述待监测数控机床对应的目标故障检测模型。
2.根据权利要求1所述的数控机床的故障监测方法,其特征在于,所述确定所述异常数据组对应的预测机床故障部件之后,所述方法还包括:
获取所述待监测数控机床的三维图,并在所述三维图上对所述预测机床故障部件进行标记,得到标记后的三维图;
将所述标记后的三维图发送至用户终端,以使所述用户终端向所述用户终端对应的机床管理人员进行展示;
接收来自所述用户终端的用户反馈信息,并根据所述用户终端的用户反馈信息以及对应的所述异常数据组,生成优化训练样本;
其中,所述用户反馈信息包括:所述预测机床故障部件是否为故障部件,以及在所述预测机床故障部件为非故障部件时对应的真实故障部件;
根据所述优化训练样本对所述目标故障检测模型进行训练优化,得到优化后的所述目标故障检测模型。
3.根据权利要求1所述的数控机床的故障监测方法,其特征在于,所述确定所述异常数据组对应的预测机床故障部件之后,所述方法还包括:
根据所述预测机床故障部件,确定所述待监测数控机床的故障等级;
在所述故障等级满足第二预设条件的情况下,根据所述预测机床故障部件对应的运行状态数据,确定所述预测机床故障部件的可用时间;
获取所述待监测数控机床在预设时间段内的加工任务信息;
其中,所述加工任务信息包括:工件材质、工件加工时间、工件加工数量;
根据所述预测机床故障部件的所述可用时间以及加工任务信息,确定所述预测机床故障部件的维修时间;
根据所述维修时间与对应的所述预测机床故障部件生成故障提示信息并发送至维修中心,以使维修中心根据所述故障提示信息分配对应的维修人员。
4.根据权利要求1所述的数控机床的故障监测方法,其特征在于,所述将各所述异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件之前,所述方法还包括:
根据所述待监测数控机床的设备类型,从预设图库中获取所述待监测数控机床的三维图;
根据所述三维图,确定所述待监测数控机床中各所述机床部件之间的机械连接关系;
根据所述机械连接关系,生成各所述机床部件的第一关联关系并存储至云端服务器。
5.一种数控机床的故障监测装置,其特征在于,所述装置包括:
数据获取模块,用于获取数控加工过程中待监测数控机床的多个预设监测点的运行状态数据,确定运行状态数据中的异常运行状态数据,其中,所述异常运行状态数据为与预设的标准运行状态数据相似度低于预设阈值的运行状态数据;
第一确定模块,用于将各所述异常运行状态数据对应的预设监测点所对应的机床部件,作为待检测机床部件;
第二确定模块,用于根据各所述待检测机床部件的第一关联关系,确定相互影响的所述待检测机床部件,所述待检测机床部件的第一关联关系反映与所述待检测机床部件机械连接的机床部件;
分组模块,用于将相互影响的所述待检测机床部件对应的所述异常运行状态数据作为一组,得到一个或多个异常数据组;
故障判定模块,用于通过所述异常数据组和所述待监测数控机床对应的已训练的目标故障检测模型,确定所述异常数据组对应的预测机床故障部件;
所述目标故障检测模型通过以下方式得到:
获取多个源域训练样本集,每个所述源域训练样本集对应一种设备类型的样本数控机床;
其中,每个所述源域训练样本集包括多个源域训练样本;每个所述源域训练样本包括:样本异常数据组和对应的机床故障部件标签;每个所述样本异常数据组由若干样本异常运行状态数据组成,且每个所述样本异常数据组中的各所述样本异常运行状态数据对应的机床部件为相互影响的机床部件;
通过所述源域训练样本中的样本异常数据组和预设神经网络模型,得到所述源域训练样本对应的预测机床故障部件;
根据所述源域训练样本的机床故障部件标签和所述预测机床故障部件对所述预设神经网络模型的模型参数进行调整,并继续执行通过下一源域训练样本中的样本异常数据组和预设神经网络模型,得到下一源域训练样本对应的预测机床故障部件的步骤,直至所述预设神经网络模型满足第一预设条件,得到已训练的通用故障检测模型;
获取目标域训练样本集,并通过所述目标域训练样本集中各目标域训练样本对所述通用故障检测模型进行模型参数调整,得到目标域对应的目标故障检测模型;
其中,所述目标域训练样本集对应一种设备类型的样本数控机床,所述目标域训练样本集中的样本的数量小于所述源域训练样本的数量;
所述根据各所述待检测机床部件的第一关联关系,确定相互影响的所述待检测机床部件之前,还包括:
从云端服务器中,获取各所述待检测机床部件的第一关联关系;
根据所述第一关联关系,确定具有机械连接关系的所述待检测机床部件;
将具有所述机械连接关系的所述待检测机床部件,作为相互影响的待检测机床部件;
所述得到目标域对应的目标故障检测模型之后,还包括:
获取所述目标域训练样本集对应的设备类型;
生成所述目标域训练样本集对应的所述设备类型与所述目标故障检测模型的第二关联关系并存储至本地;以及将所述目标故障检测模型存储至云端服务器;
所述通过所述异常数据组和所述待监测数控机床对应的已训练的目标故障检测模型,确定所述异常数据组对应的预测机床故障部件之前,还包括:
根据所述待监测数控机床的所述设备类型与本地存储的所述第二关联关系,从云端服务器调用所述待监测数控机床对应的目标故障检测模型。
6.一种电子设备,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4任一项所述数控机床的故障监测方法。
7.一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4任一项所述数控机床的故障监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310296718.9A CN116009480B (zh) | 2023-03-24 | 2023-03-24 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310296718.9A CN116009480B (zh) | 2023-03-24 | 2023-03-24 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116009480A CN116009480A (zh) | 2023-04-25 |
CN116009480B true CN116009480B (zh) | 2023-06-09 |
Family
ID=86033923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310296718.9A Active CN116009480B (zh) | 2023-03-24 | 2023-03-24 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116009480B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502166B (zh) * | 2023-04-28 | 2024-02-02 | 天宇正清科技有限公司 | 一种对目标设备故障预测的方法、装置、设备和介质 |
CN116449770B (zh) * | 2023-06-15 | 2023-09-15 | 中科航迈数控软件(深圳)有限公司 | 数控机床的加工方法、装置、设备以及计算机存储介质 |
CN116820026A (zh) * | 2023-07-07 | 2023-09-29 | 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 |
CN117092933B (zh) * | 2023-07-26 | 2024-04-16 | 天津通信广播集团有限公司 | 转动机械设备控制方法、装置、设备和计算机可读介质 |
CN117032147B (zh) * | 2023-09-19 | 2024-02-09 | 昆山纽杰伦智能机器科技有限公司 | 一种基于人工智能的生产线机床数字化调节***及方法 |
CN117495338B (zh) * | 2023-09-30 | 2024-06-25 | 国网江苏省电力有限公司信息通信分公司 | 基于自动化运维的***故障诊断与修复方法 |
CN117421679B (zh) * | 2023-10-08 | 2024-06-18 | 宁波创基机械股份有限公司 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
CN117707050B (zh) * | 2023-12-25 | 2024-05-07 | 上海滨捷机电有限公司 | 基于云计算的数控机床实时监控与数据分析***及方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105278460B (zh) * | 2015-08-03 | 2018-02-09 | 吉林大学 | 基于级联故障分析的数控机床***组件可靠性评价方法 |
CN106406229B (zh) * | 2016-12-20 | 2018-04-03 | 吉林大学 | 一种数控机床故障诊断方法 |
CN109947086B (zh) * | 2019-04-11 | 2020-07-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及*** |
CN112330060B (zh) * | 2020-11-25 | 2024-01-12 | 新奥新智科技有限公司 | 设备故障预测方法、装置、可读存储介质及电子设备 |
CN112883569B (zh) * | 2021-02-05 | 2022-05-17 | 吉林大学 | 一种数控机床故障传播扩散行为分析方法 |
CN112947305B (zh) * | 2021-02-05 | 2023-10-20 | 吉林大学 | 考虑故障相关的数控机床可靠性评估方法 |
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 |
CN113076834B (zh) * | 2021-03-25 | 2022-05-13 | 华中科技大学 | 旋转机械故障信息处理方法、处理***、处理终端、介质 |
CN115542067A (zh) * | 2021-06-30 | 2022-12-30 | 华为技术有限公司 | 一种故障检测方法及装置 |
CN113723632B (zh) * | 2021-08-27 | 2024-03-05 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
CN114675597B (zh) * | 2022-05-30 | 2022-08-26 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床故障预测可视化方法 |
CN115225460B (zh) * | 2022-07-15 | 2023-11-28 | 北京天融信网络安全技术有限公司 | 故障判定方法、电子设备和存储介质 |
-
2023
- 2023-03-24 CN CN202310296718.9A patent/CN116009480B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116009480A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
JPWO2017090098A1 (ja) | 設備管理装置および方法 | |
US20060230313A1 (en) | Diagnostic and prognostic method and system | |
CN111665806A (zh) | 基于管理***的叶片气膜孔的加工方法、装置和管理*** | |
CN116184930B (zh) | 数控机床故障预测方法、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 | |
CN111338876B (zh) | 一种故障模式与影响分析的决策方法、***及存储介质 | |
CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控*** | |
CN113554324B (zh) | 一种生产过程撤回方法、***、设备及存储介质 | |
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 | |
KR20100052634A (ko) | 공장 상황 시뮬레이션을 위한 시스템 및 방법 | |
CN114341814A (zh) | 通过数字孪生中模拟故障进行有效的故障分析 | |
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 | |
CN114192583B (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和*** | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
CN116167200A (zh) | 一种配电柜使用年限检测方法和装置 | |
CN113348473B (zh) | 管理人工智能模块的安装基础 | |
CN114418418A (zh) | 基于工序换算比的工单信息流转方法、***、设备及介质 | |
CN110716101B (zh) | 电力线路故障定位方法、装置、计算机和存储介质 | |
CN112379656A (zh) | 工业***异常数据的检测的处理方法、装置、设备和介质 | |
CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析***及方法 | |
CN115826503B (zh) | 一种基于工业互联网大数据的机床远程诊断方法 | |
CN116820026A (zh) | 一种数控机床集群监控方法及相关设备 | |
CN117387925B (zh) | 一种阻尼器性能连续测试方法及*** | |
CN116330041B (zh) | 数控加工传动装置故障检测方法、装置、设备及介质 |
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 |