CN116300691B - 一种多轴联动数控加工的状态监测方法及*** - Google Patents
一种多轴联动数控加工的状态监测方法及*** Download PDFInfo
- Publication number
- CN116300691B CN116300691B CN202310596232.7A CN202310596232A CN116300691B CN 116300691 B CN116300691 B CN 116300691B CN 202310596232 A CN202310596232 A CN 202310596232A CN 116300691 B CN116300691 B CN 116300691B
- Authority
- CN
- China
- Prior art keywords
- data
- working condition
- axis
- numerical control
- machining
- 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
- 238000003754 machining Methods 0.000 title claims abstract description 133
- 238000012544 monitoring process Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 104
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000013506 data mapping Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000000712 assembly Effects 0.000 claims description 2
- 238000000429 assembly Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- G05B19/406—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 monitoring or safety
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31434—Zone supervisor, collects error signals from, and diagnoses different zone
-
- 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
- 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)
Abstract
本发明公开了一种多轴联动数控加工的状态监测方法及***,包括:获取多轴数控加工中多轴机床的物理实体对应的三维模型,收集多轴机床的运行数据及多源监测数据,构建多轴数控加工的数字孪生模型获取孪生数据,并基于理论加工轨迹及实际加工轨迹判断加工误差信息;将加工误差信息与孪生数据进行数据融合,生成工况数据进行特征提取,获取当前时间步长的工况特征;基于图卷积神经网络构建多轴数控加工的状态识别模型,将工况特征作为输入,对当前时间步长对应的加工状态进行识别及故障判断。本发明通过多源监测数据方便准确地监测多轴机床的异常状态或者故障信息,从而保证了多轴联动数控加工的加工精度,降低生产事故发生率,提高生产加工效率。
Description
技术领域
本发明涉及数控加工状态监测技术领域,更具体的,涉及一种多轴联动数控加工的状态监测方法及***。
背景技术
在数控机床性能评估与优化设计过程中,其加工精度具有重要作用,因此提高机床精度和水平非常关键。体现机床水平的一个重要方面是机床本身是否能对加工过程进行控制和机床本身的加工性能进行监测,并对监测的信息及时处理,采取有效的措施,保证加工的安全、可靠和质量。
多轴数控机床状态监测的目的是掌握机床发生故障之前的异常征兆与劣化信息,为数控机床的故障模式识别、故障预测、故障诊断和预测性维护等应用工作提供基础数据,能够实现在故障发生前采取针对性措施,实现从事后维修提前到预测性维护,从而降低维修成本,提高机床的使用效率。目前多轴数控机床工作状态通常采用传统的振动测试仪、温度巡检仪表等进行相关测试,而且不能达到实时监测的目的,因此,如何分析多轴联动数控加工运行状态,对异常运行状态进行补偿是亟需解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种多轴联动数控加工的状态监测方法及***。
本发明第一方面提供了一种多轴联动数控加工的状态监测方法,包括:
获取多轴数控加工中多轴机床的物理实体对应的三维模型,收集多轴机床的运行数据及多源监测数据,与所述三维模型建立数据映射,构建多轴数控加工的数字孪生模型;
根据所述数字孪生模型获取孪生数据,并获取当前多轴联合数控加工的加工任务,通过所述加工任务获取各轴的理论加工轨迹,基于所述理论加工轨迹及实际加工轨迹判断加工误差信息;
将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征;
基于图卷积神经网络构建多轴数控加工的状态识别模型,将所述工况特征作为所述状态识别模型的输入,对当前时间步长对应的加工状态进行识别及故障判断。
本方案中,构建多轴数控加工的数字孪生模型,具体为:
获取多轴数控加工中多轴机床各零部件的空间位置关系及描述特征,对各零部件进行分类,根据分类结果将零部件划分为多层级组件;
利用数据检索获取各零部件的三维几何模型,根据各零部件之间的空间装配关系及运动特征关系进行装配,生成各层级组件的数字孪生几何模型,将所述各层级组件的数字孪生几何模型的特征进行参数化表示;
基于所述参数化表示进行各层级组件数字孪生几何模型的参数一致性调整,对各层级组件数字孪生几何模型进行装配,生成多轴机床的三维模型;
通过传感器获取多轴机床中各轴的多源监测数据,使用通信接口传输所述多源监测数据进行传输,进行数据清洗后与所述多轴机床的三维模型进行数据映射;
基于所述多轴机床的三维模型及数据映射构建多轴数控加工的数字孪生模型。
本方案中,获取当前多轴联合数控加工的加工任务,通过所述加工任务获取各轴的理论加工轨迹,基于所述理论加工轨迹及实际加工轨迹判断加工误差信息,具体为:
提取当前多轴联合数控加工的加工任务,提取加工任务对应各轴的加工轨迹,将所述加工轨迹划分为若干子路径,在若干子路径中获取关键点,获取关键点的给进速度;
基于各轴的加工路径及关键点的给进速度生成理论加工路径的路径序列,获取多轴机床各轴的在关键点的实际位置及实际速度,生成实际加工路径的路径序列;
判断各轴的理论加工路径的路径序列与实际加工路径的路径序列的DTW距离,根据所述DTW距离获取各轴的误差分布,根据所述误差分布获取各轴的加工误差信息。
本方案中,将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征,具体为:
通过多源监测数据的历史监测数据获取预设时间内的均方误差,根据各监测数据的均方误差获取总均方误差,根据总均方误差最小为原则获取各监测数据的加权权重;
通过所述加权权重将多源监测数据进行数据融合导入数字孪生模型生成孪生数据,根据各轴的基本信息设置孪生数据的数据标签,将各轴的孪生数据与对应的加工误差信息匹配后进行数据融合,获取各轴的工况数据;
将预设时间内各轴的工况数据序列导入卷积神经网络进行特征提取,利用滑动窗口所述工况数据序列进行划分,通过一维卷积处理后将所述工况数据序列划分为预设长度的子序列,并进行归一化处理;
通过多头注意力机制对归一化后的子序列进行编码,在多头注意力机制中的每个头中应用自注意机制获取加权后的注意力结果作为输出结果;
将多头注意力机制获取的多个输出结果进行矩阵拼接,并投影到与所述工况数据序列相同的长度,进行数据解码后获取当前时间步长的工况特征。
本方案中,基于图卷积神经网络构建多轴数控加工的状态识别模型,具体为:
获取多轴联动数控加工中多轴机床的历史故障信息,读取预设数量的故障类别,通过数字孪生体模型仿真各故障类别对应的工况特征,利用子编码器对所述工况特征进行特征编码,构建特征空间;
在所述特征空间中利用K-means聚类对编码后的特征进行聚类,生成聚类中心,通过聚类过程中的聚类误差及特征编码的特征重构误差构建损失函数,训练至损失函数收敛;
输出聚类中心,所述聚类中心对应故障类别,判断每个聚类中心与其他聚类中心之间的欧式距离,根据所述欧式距离对其他聚类中心进行排序,预设距离阈值,获取小于预设距离阈值的其他聚类中心进行相连;
构建多轴机床的故障图,通过图卷积神经网络对所述故障图进行学习表示,建立状态识别模型,获取当前步长的工况特征对应的特征向量,进行状态及故障的识别判断。
本方案中,建立状态识别模型,获取当前步长的工况特征对应的特征向量,进行状态及故障的识别判断,具体为:
将当前步长的工况特征导入状态识别模型,获取对应的图结构,通过图卷积获取工况特征对应的初始向量表示;
获取工况特征对应图结构的邻居矩阵,引入图注意力机制,对邻居矩阵中对应的邻居节点设置注意力权重,通过邻居聚合机制利用注意力权重更新特征的向量表示;
在状态识别模型中设置两个图卷积层、一个图注意力层及两个全连接层,得到聚合后的特征向量,导入全连接层对节点进行降维及分类,获取状态及故障的识别分类结果。
本发明第二方面还提供了一种多轴联动数控加工的状态监测***,该***包括:存储器、处理器,所述存储器中包括多轴联动数控加工的状态监测方法程序,所述多轴联动数控加工的状态监测方法程序被所述处理器执行时实现如下步骤:
获取多轴数控加工中多轴机床的物理实体对应的三维模型,收集多轴机床的运行数据及多源监测数据,与所述三维模型建立数据映射,构建多轴数控加工的数字孪生模型;
根据所述数字孪生模型获取孪生数据,并获取当前多轴联合数控加工的加工任务,通过所述加工任务获取各轴的理论加工轨迹,基于所述理论加工轨迹及实际加工轨迹判断加工误差信息;
将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征;
基于图卷积神经网络构建多轴数控加工的状态识别模型,将所述工况特征作为所述状态识别模型的输入,对当前时间步长对应的加工状态进行识别及故障判断。
本发明公开了一种多轴联动数控加工的状态监测方法及***,包括:获取多轴数控加工中多轴机床的物理实体对应的三维模型,收集多轴机床的运行数据及多源监测数据,构建多轴数控加工的数字孪生模型获取孪生数据,并基于理论加工轨迹及实际加工轨迹判断加工误差信息;将加工误差信息与孪生数据进行数据融合,生成工况数据进行特征提取,获取当前时间步长的工况特征;基于图卷积神经网络构建多轴数控加工的状态识别模型,将工况特征作为输入,对当前时间步长对应的加工状态进行识别及故障判断。本发明通过多源监测数据方便准确地监测多轴机床的异常状态或者故障信息,从而保证了多轴联动数控加工的加工精度,降低生产事故发生率,提高生产加工效率。
附图说明
图1示出了本发明一种多轴联动数控加工的状态监测方法的流程图;
图2示出了本发明获取当前时间步长的工况特征的方法流程图;
图3示出了本发明基于图卷积神经网络构建多轴数控加工的状态识别模型的方法流程图;
图4示出了本发明一种多轴联动数控加工的状态监测***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种多轴联动数控加工的状态监测方法的流程图。
如图1所示,本发明第一方面提供了一种多轴联动数控加工的状态监测方法,包括:
S102,获取多轴数控加工中多轴机床的物理实体对应的三维模型,收集多轴机床的运行数据及多源监测数据,与所述三维模型建立数据映射,构建多轴数控加工的数字孪生模型;
S104,根据所述数字孪生模型获取孪生数据,并获取当前多轴联合数控加工的加工任务,通过所述加工任务获取各轴的理论加工轨迹,基于所述理论加工轨迹及实际加工轨迹判断加工误差信息;
S106,将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征;
S108,基于图卷积神经网络构建多轴数控加工的状态识别模型,将所述工况特征作为所述状态识别模型的输入,对当前时间步长对应的加工状态进行识别及故障判断。
需要说明的是,获取多轴数控加工中多轴机床各零部件的空间位置关系及描述特征,对各零部件进行分类,例如:控制***、机械***及电气***等;根据分类结果将零部件划分为多层级组件;利用数据检索在CAD模型及零部件标准中获取各零部件的三维几何模型,根据各零部件之间的同轴关系或者平行关系等空间装配关系及运动特征关系进行装配,生成各层级组件的数字孪生几何模型,将所述各层级组件的数字孪生几何模型的特征进行参数化表示;基于所述参数化表示进行各层级组件数字孪生几何模型的参数一致性调整,对各层级组件数字孪生几何模型进行装配,生成多轴机床的三维模型;通过传感器获取多轴机床中各轴的多源监测数据,使用通信接口传输所述多源监测数据进行传输,进行数据清洗及数据规范化处理后与所述多轴机床的三维模型进行数据映射;基于所述多轴机床的三维模型及数据映射构建多轴数控加工的数字孪生模型,所述数字孪生模型能够用于故障信息的仿真、加工状态的识别及故障信息的三维可视化等。
需要说明的是,提取当前多轴联合数控加工的加工任务,提取加工任务对应各轴的加工轨迹,将所述加工轨迹划分为若干子路径,在若干子路径中获取关键点,获取关键点提前规划的给进速度;获取子路径中曲率的极值点作为每个子路径中的关键点,若子路径中各点的曲率均相等,则选取子路径的中点作为关键点;基于各轴的加工路径及关键点的给进速度生成理论加工路径的路径序列,获取多轴机床各轴的在关键点的实际位置及实际速度,生成实际加工路径的路径序列;所述路径序列可以看作为位置的时间序列,利用时间规整算法(DTW)将理论加工路径对应的路径序列与实际加工路径的路径序列进行匹配,判断各轴的理论加工路径的路径序列与实际加工路径的路径序列的DTW距离,根据所述DTW距离获取各轴的误差分布,根据所述误差分布获取各轴的加工误差信息。
图2示出了本发明获取当前时间步长的工况特征的方法流程图。
根据本发明实施例,将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征,具体为:
S202,通过多源监测数据的历史监测数据获取预设时间内的均方误差,根据各监测数据的均方误差获取总均方误差,根据总均方误差最小为原则获取各监测数据的加权权重;
S204,通过所述加权权重将多源监测数据进行数据融合导入数字孪生模型生成孪生数据,根据各轴的基本信息设置孪生数据的数据标签,将各轴的孪生数据与对应的加工误差信息匹配后进行数据融合,获取各轴的工况数据;
S206,将预设时间内各轴的工况数据序列导入卷积神经网络进行特征提取,利用滑动窗口所述工况数据序列进行划分,通过一维卷积处理后将所述工况数据序列划分为预设长度的子序列,并进行归一化处理;
S208,通过多头注意力机制对归一化后的子序列进行编码,在多头注意力机制中的每个头中应用自注意机制获取加权后的注意力结果作为输出结果;
S210,将多头注意力机制获取的多个输出结果进行矩阵拼接,并投影到与所述工况数据序列相同的长度,进行数据解码后获取当前时间步长的工况特征。
需要说明的是,根据各轴的基本信息设置孪生数据的数据标签,所述基本数据包括轴体属性及轴体编号,轴体属性分为平动轴及旋转轴等。根据总均方误差最小为原则获取各监测数据的加权权重,根据取极值方法获取加权权重,/>其中/>为第个数据源的总均方误差,n为数据源总数。多头注意力机制输入的查询矩阵Q、键矩阵K、值矩阵V根据序列长度设置矩阵大小,生成与头数同的Q、K、V输入每个头中,第i个头通过自注意力机制获取加权后的注意力结果/>,/>,/>表示子序列项数,/>表示矩阵大小,/>分别表示第i个子序列的查询矩阵、键矩阵、值矩阵,借助自注意力机制,联合之前的子序列计算相关程度,达到提取序列特征的目的;多头注意力机制中由多个注意力块构成,每个注意力块通过残差连接,注意力块中设有卷积层,将序列投影到与所述工况数据序列相同的长度,供下一注意力块进行使用。
图3示出了本发明基于图卷积神经网络构建多轴数控加工的状态识别模型的方法流程图。
根据本发明实施例,基于图卷积神经网络构建多轴数控加工的状态识别模型,具体为:
S302,获取多轴联动数控加工中多轴机床的历史故障信息,读取预设数量的故障类别,通过数字孪生体模型仿真各故障类别对应的工况特征,利用子编码器对所述工况特征进行特征编码,构建特征空间;
S304,在所述特征空间中利用K-means聚类对编码后的特征进行聚类,生成聚类中心,通过聚类过程中的聚类误差及特征编码的特征重构误差构建损失函数,训练至损失函数收敛;
S306,输出聚类中心,所述聚类中心对应故障类别,判断每个聚类中心与其他聚类中心之间的欧式距离,根据所述欧式距离对其他聚类中心进行排序,预设距离阈值,获取小于预设距离阈值的其他聚类中心进行相连;
S308,构建多轴机床的故障图,通过图卷积神经网络对所述故障图进行学习表示,建立状态识别模型,获取当前步长的工况特征对应的特征向量,进行状态及故障的识别判断。
需要说明的是,通过编码器对工况特征进行非线性映射的转换,进行数据的降维,其中通过最小化特征编码中的特征重构误差进行参数优化,特征重构误差损失函数表示为:/>,其中,x为工况特征,/>表示解码器激活函数,/>表示权重矩阵,/>表示编码器激活函数,利用K-means聚类对编码后的特征进行聚类,生成聚类中心,根据聚类误差计算聚类损失,聚类误差损失函数/>表示为,,/>表示数据样本个数,/>表示聚类簇个数,/>表示第/>个样本在第/>个聚类簇的编码后映射特征,d表示超参数,为预设距离信息,/>表示第/>个聚类簇的簇中心,通过聚类过程中的聚类误差及特征编码的特征重构误差构建损失函数,将特征重构误差损失函数/>与聚类误差损失函数/>进行相加,获取损失函数。
构建多轴机床的故障图,多轴机床的故障图中将故障类别作为故障图中的节点,故障类别节点之间的连接关系作为故障图中的边结构。选取不同的故障样本数据集对状态识别模型进行训练,所述故障样本数据集中包括正常状态及各类别故障信息,基于故障样本数据集划分训练集及测试集,利用训练集对状态识别模型进行迭代训练,当模型的测试精度达到预设标准时,则将状态识别模型进行输出;将当前步长的工况特征导入状态识别模型,获取对应的图结构,通过图卷积获取工况特征对应的初始向量表示;获取工况特征对应图结构的邻居矩阵,引入图注意力机制,对邻居矩阵中对应的邻居节点设置注意力权重,通过邻居聚合机制利用注意力权重更新特征的向量表示;在状态识别模型中设置两个图卷积层、一个图注意力层及两个全连接层,得到聚合后的特征向量,导入全连接层对节点进行降维及分类,获取状态及故障的识别分类结果。
根据本申请实施例,构建多轴机床的故障知识图谱,具体为:
提取多轴机床的历史故障信息,获取历史故障信息对应工况特征、故障类别信息、故障特征信息及故障运维方案构建三元组,基于所述三元组构建多轴机床的故障知识图谱;
获取多轴机床当前故障信息,提取对应的工况特征,根据所述工况特征获取当前故障信息在各部件的故障表征,通过各部件的故障表征在故障知识图谱中进行检索;
获取故障表征对应特征数据与各历史故障信息对应的工况特征之间的马氏距离,根据所述马氏距离获取相似度,当所述相似度大于预设相似度阈值时,则将历史故障信息进行标记;
根据标记的历史故障信息生成当前故障信息的耦合故障列表,通过故障知识图谱获取耦合故障列表中的运维方案获取关键部件,并生成关键部件的检修预警。
图4示出了本发明一种多轴联动数控加工的状态监测***的框图。
本发明第二方面还提供了一种多轴联动数控加工的状态监测***4,该***包括:存储器41、处理器42,所述存储器中包括多轴联动数控加工的状态监测方法程序,所述多轴联动数控加工的状态监测方法程序被所述处理器执行时实现如下步骤:
获取多轴数控加工中多轴机床的物理实体对应的三维模型,收集多轴机床的运行数据及多源监测数据,与所述三维模型建立数据映射,构建多轴数控加工的数字孪生模型;
根据所述数字孪生模型获取孪生数据,并获取当前多轴联合数控加工的加工任务,通过所述加工任务获取各轴的理论加工轨迹,基于所述理论加工轨迹及实际加工轨迹判断加工误差信息;
将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征;
基于图卷积神经网络构建多轴数控加工的状态识别模型,将所述工况特征作为所述状态识别模型的输入,对当前时间步长对应的加工状态进行识别及故障判断。
需要说明的是,获取多轴数控加工中多轴机床各零部件的空间位置关系及描述特征,对各零部件进行分类,例如:控制***、机械***及电气***等;根据分类结果将零部件划分为多层级组件;利用数据检索在CAD模型及零部件标准中获取各零部件的三维几何模型,根据各零部件之间的同轴关系或者平行关系等空间装配关系及运动特征关系进行装配,生成各层级组件的数字孪生几何模型,将所述各层级组件的数字孪生几何模型的特征进行参数化表示;基于所述参数化表示进行各层级组件数字孪生几何模型的参数一致性调整,对各层级组件数字孪生几何模型进行装配,生成多轴机床的三维模型;通过传感器获取多轴机床中各轴的多源监测数据,使用通信接口传输所述多源监测数据进行传输,进行数据清洗及数据规范化处理后与所述多轴机床的三维模型进行数据映射;基于所述多轴机床的三维模型及数据映射构建多轴数控加工的数字孪生模型,所述数字孪生模型能够用于故障信息的仿真、加工状态的识别及故障信息的三维可视化等。
需要说明的是,提取当前多轴联合数控加工的加工任务,提取加工任务对应各轴的加工轨迹,将所述加工轨迹划分为若干子路径,在若干子路径中获取关键点,获取关键点提前规划的给进速度;获取子路径中曲率的极值点作为每个子路径中的关键点,若子路径中各点的曲率均相等,则选取子路径的中点作为关键点;基于各轴的加工路径及关键点的给进速度生成理论加工路径的路径序列,获取多轴机床各轴的在关键点的实际位置及实际速度,生成实际加工路径的路径序列;所述路径序列可以看作为位置的时间序列,利用时间规整算法(DTW)将理论加工路径对应的路径序列与实际加工路径的路径序列进行匹配,判断各轴的理论加工路径的路径序列与实际加工路径的路径序列的DTW距离,根据所述DTW距离获取各轴的误差分布,根据所述误差分布获取各轴的加工误差信息。
根据本发明实施例,将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征,具体为:
通过多源监测数据的历史监测数据获取预设时间内的均方误差,根据各监测数据的均方误差获取总均方误差,根据总均方误差最小为原则获取各监测数据的加权权重;
通过所述加权权重将多源监测数据进行数据融合导入数字孪生模型生成孪生数据,根据各轴的基本信息设置孪生数据的数据标签,将各轴的孪生数据与对应的加工误差信息匹配后进行数据融合,获取各轴的工况数据;
将预设时间内各轴的工况数据序列导入卷积神经网络进行特征提取,利用滑动窗口所述工况数据序列进行划分,通过一维卷积处理后将所述工况数据序列划分为预设长度的子序列,并进行归一化处理;
通过多头注意力机制对归一化后的子序列进行编码,在多头注意力机制中的每个头中应用自注意机制获取加权后的注意力结果作为输出结果;
将多头注意力机制获取的多个输出结果进行矩阵拼接,并投影到与所述工况数据序列相同的长度,进行数据解码后获取当前时间步长的工况特征。
需要说明的是,根据总均方误差最小为原则获取各监测数据的加权权重,根据取极值方法获取加权权重,/>,其中/>为第个数据源的总均方误差,n为数据源总数。多头注意力机制输入的查询矩阵Q、键矩阵K、值矩阵V根据序列长度设置矩阵大小,生成与头数同的Q、K、V输入每个头中,第i个头通过自注意力机制获取加权后的注意力结果/>,/>,/>表示子序列项数,/>表示矩阵大小,/>分别表示第i个子序列的查询矩阵、键矩阵、值矩阵,借助自注意力机制,联合之前的子序列计算相关程度,达到提取序列特征的目的;多头注意力机制中由多个注意力块构成,每个注意力块通过残差连接,注意力块中设有卷积层,将序列投影到与所述工况数据序列相同的长度,供下一注意力块进行使用。
根据本发明实施例,基于图卷积神经网络构建多轴数控加工的状态识别模型,具体为:
获取多轴联动数控加工中多轴机床的历史故障信息,读取预设数量的故障类别,通过数字孪生体模型仿真各故障类别对应的工况特征,利用子编码器对所述工况特征进行特征编码,构建特征空间;
在所述特征空间中利用K-means聚类对编码后的特征进行聚类,生成聚类中心,通过聚类过程中的聚类误差及特征编码的特征重构误差构建损失函数,训练至损失函数收敛;
输出聚类中心,所述聚类中心对应故障类别,判断每个聚类中心与其他聚类中心之间的欧式距离,根据所述欧式距离对其他聚类中心进行排序,预设距离阈值,获取小于预设距离阈值的其他聚类中心进行相连;
构建多轴机床的故障图,通过图卷积神经网络对所述故障图进行学习表示,建立状态识别模型,获取当前步长的工况特征对应的特征向量,进行状态及故障的识别判断。
需要说明的是,通过编码器对工况特征进行非线性映射的转换,进行数据的降维,其中通过最小化特征编码中的特征重构误差进行参数优化,特征重构误差损失函数表示为:/>,其中,x为工况特征,/>表示解码器激活函数,/>表示权重矩阵,/>表示编码器激活函数,利用K-means聚类对编码后的特征进行聚类,生成聚类中心,根据聚类误差计算聚类损失,聚类误差损失函数/>表示为,/>表示数据样本个数,/>表示聚类簇个数,/>表示第/>个样本在第/>个聚类簇的编码后映射特征,d表示超参数,为预设距离信息,/>表示第/>个聚类簇的簇中心,通过聚类过程中的聚类误差及特征编码的特征重构误差构建损失函数,将特征重构误差损失函数/>与聚类误差损失函数/>进行相加,获取损失函数。
构建多轴机床的故障图,多轴机床的故障图中将故障类别作为故障图中的节点,故障类别节点之间的连接关系作为故障图中的边结构。选取不同的故障样本数据集对状态识别模型进行训练,所述故障样本数据集中包括正常状态及各类别故障信息,基于故障样本数据集划分训练集及测试集,利用训练集对状态识别模型进行迭代训练,当模型的测试精度达到预设标准时,则将状态识别模型进行输出;将当前步长的工况特征导入状态识别模型,获取对应的图结构,通过图卷积获取工况特征对应的初始向量表示;获取工况特征对应图结构的邻居矩阵,引入图注意力机制,对邻居矩阵中对应的邻居节点设置注意力权重,通过邻居聚合机制利用注意力权重更新特征的向量表示;在状态识别模型中设置两个图卷积层、一个图注意力层及两个全连接层,得到聚合后的特征向量,导入全连接层对节点进行降维及分类,获取状态及故障的识别分类结果。
本发明第三方面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中包括多轴联动数控加工的状态监测方法程序,所述多轴联动数控加工的状态监测方法程序被处理器执行时,实现如上述任一项所述的多轴联动数控加工的状态监测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种多轴联动数控加工的状态监测方法,其特征在于,包括以下步骤:
获取多轴数控加工中多轴机床的物理实体对应的三维模型,收集多轴机床的运行数据及多源监测数据,与所述三维模型建立数据映射,构建多轴数控加工的数字孪生模型;
根据所述数字孪生模型获取孪生数据,并获取当前多轴联动数控加工的加工任务,通过所述加工任务获取各轴的理论加工轨迹,基于所述理论加工轨迹及实际加工轨迹判断加工误差信息;
将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征;
基于图卷积神经网络构建多轴数控加工的状态识别模型,将所述工况特征作为所述状态识别模型的输入,对当前时间步长对应的加工状态进行识别及故障判断;
将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征,具体为:
通过多源监测数据的历史监测数据获取预设时间内的均方误差,根据各监测数据的均方误差获取总均方误差,根据总均方误差最小为原则获取各监测数据的加权权重;
通过所述加权权重将多源监测数据进行数据融合导入数字孪生模型生成孪生数据,根据各轴的基本信息设置孪生数据的数据标签,将各轴的孪生数据与对应的加工误差信息匹配后进行数据融合,获取各轴的工况数据,所述基本信息为轴体属性及轴体编号;
将预设时间内各轴的工况数据序列导入卷积神经网络进行特征提取,利用滑动窗口所述工况数据序列进行划分,通过一维卷积处理后将所述工况数据序列划分为预设长度的子序列,并进行归一化处理;
通过多头注意力机制对归一化后的子序列进行编码,在多头注意力机制中的每个头中应用自注意机制获取加权后的注意力结果作为输出结果;
将多头注意力机制获取的多个输出结果进行矩阵拼接,并投影到与所述工况数据序列相同的长度,进行数据解码后获取当前时间步长的工况特征;
基于图卷积神经网络构建多轴数控加工的状态识别模型,具体为:
获取多轴联动数控加工中多轴机床的历史故障信息,读取预设数量的故障类别,通过数字孪生模型仿真各故障类别对应的工况特征,利用子编码器对所述工况特征进行特征编码,构建特征空间;
在所述特征空间中利用K-means聚类对编码后的特征进行聚类,生成聚类中心,通过聚类过程中的聚类误差及特征编码的特征重构误差构建损失函数,训练至损失函数收敛;
输出聚类中心,所述聚类中心对应故障类别,判断每个聚类中心与其他聚类中心之间的欧式距离,根据所述欧式距离对其他聚类中心进行排序,预设距离阈值,获取小于预设距离阈值的其他聚类中心进行相连;
构建多轴机床的故障图,通过图卷积神经网络对所述故障图进行学习表示,建立状态识别模型,获取当前步长的工况特征对应的特征向量,进行状态及故障的识别判断。
2.根据权利要求1所述的一种多轴联动数控加工的状态监测方法,其特征在于,构建多轴数控加工的数字孪生模型,具体为:
获取多轴数控加工中多轴机床各零部件的空间位置关系及描述特征,对各零部件进行分类,根据分类结果将零部件划分为多层级组件;
利用数据检索获取各零部件的三维几何模型,根据各零部件之间的空间装配关系及运动特征关系进行装配,生成各层级组件的数字孪生几何模型,将所述各层级组件的数字孪生几何模型的特征进行参数化表示;
基于所述参数化表示进行各层级组件数字孪生几何模型的参数一致性调整,对各层级组件数字孪生几何模型进行装配,生成多轴机床的三维模型;
通过传感器获取多轴机床中各轴的多源监测数据,使用通信接口传输所述多源监测数据进行传输,进行数据清洗后与所述多轴机床的三维模型进行数据映射;
基于所述多轴机床的三维模型及数据映射构建多轴数控加工的数字孪生模型。
3.根据权利要求1所述的一种多轴联动数控加工的状态监测方法,其特征在于,获取当前多轴联动数控加工的加工任务,通过所述加工任务获取各轴的理论加工轨迹,基于所述理论加工轨迹及实际加工轨迹判断加工误差信息,具体为:
提取当前多轴联动数控加工的加工任务,提取加工任务对应各轴的加工轨迹,将所述加工轨迹划分为若干子路径,在若干子路径中获取关键点,获取关键点的给进速度;
基于各轴的加工路径及关键点的给进速度生成理论加工路径的路径序列,获取多轴机床各轴的在关键点的实际位置及实际速度,生成实际加工路径的路径序列;
判断各轴的理论加工路径的路径序列与实际加工路径的路径序列的DTW距离,根据所述DTW距离获取各轴的误差分布,根据所述误差分布获取各轴的加工误差信息。
4.根据权利要求1所述的一种多轴联动数控加工的状态监测方法,其特征在于,建立状态识别模型,获取当前步长的工况特征对应的特征向量,进行状态及故障的识别判断,具体为:
将当前步长的工况特征导入状态识别模型,获取对应的图结构,通过图卷积获取工况特征对应的初始向量表示;
获取工况特征对应图结构的邻居矩阵,引入图注意力机制,对邻居矩阵中对应的邻居节点设置注意力权重,通过邻居聚合机制利用注意力权重更新特征的向量表示;
在状态识别模型中设置两个图卷积层、一个图注意力层及两个全连接层,得到聚合后的特征向量,导入全连接层对节点进行降维及分类,获取状态及故障的识别分类结果。
5.一种多轴联动数控加工的状态监测***,其特征在于,该***包括:存储器、处理器,所述存储器中包括多轴联动数控加工的状态监测方法程序,所述多轴联动数控加工的状态监测方法程序被所述处理器执行时实现如下步骤:
获取多轴数控加工中多轴机床的物理实体对应的三维模型,收集多轴机床的运行数据及多源监测数据,与所述三维模型建立数据映射,构建多轴数控加工的数字孪生模型;
根据所述数字孪生模型获取孪生数据,并获取当前多轴联动数控加工的加工任务,通过所述加工任务获取各轴的理论加工轨迹,基于所述理论加工轨迹及实际加工轨迹判断加工误差信息;
将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征;
基于图卷积神经网络构建多轴数控加工的状态识别模型,将所述工况特征作为所述状态识别模型的输入,对当前时间步长对应的加工状态进行识别及故障判断;
将所述加工误差信息与孪生数据进行数据融合,生成工况数据,对所述工况数据进行特征提取,获取当前时间步长的工况特征,具体为:
通过多源监测数据的历史监测数据获取预设时间内的均方误差,根据各监测数据的均方误差获取总均方误差,根据总均方误差最小为原则获取各监测数据的加权权重;
通过所述加权权重将多源监测数据进行数据融合导入数字孪生模型生成孪生数据,根据各轴的基本信息设置孪生数据的数据标签,将各轴的孪生数据与对应的加工误差信息匹配后进行数据融合,获取各轴的工况数据,所述基本信息为轴体属性及轴体编号;
将预设时间内各轴的工况数据序列导入卷积神经网络进行特征提取,利用滑动窗口所述工况数据序列进行划分,通过一维卷积处理后将所述工况数据序列划分为预设长度的子序列,并进行归一化处理;
通过多头注意力机制对归一化后的子序列进行编码,在多头注意力机制中的每个头中应用自注意机制获取加权后的注意力结果作为输出结果;
将多头注意力机制获取的多个输出结果进行矩阵拼接,并投影到与所述工况数据序列相同的长度,进行数据解码后获取当前时间步长的工况特征;
基于图卷积神经网络构建多轴数控加工的状态识别模型,具体为:
获取多轴联动数控加工中多轴机床的历史故障信息,读取预设数量的故障类别,通过数字孪生模型仿真各故障类别对应的工况特征,利用子编码器对所述工况特征进行特征编码,构建特征空间;
在所述特征空间中利用K-means聚类对编码后的特征进行聚类,生成聚类中心,通过聚类过程中的聚类误差及特征编码的特征重构误差构建损失函数,训练至损失函数收敛;
输出聚类中心,所述聚类中心对应故障类别,判断每个聚类中心与其他聚类中心之间的欧式距离,根据所述欧式距离对其他聚类中心进行排序,预设距离阈值,获取小于预设距离阈值的其他聚类中心进行相连;
构建多轴机床的故障图,通过图卷积神经网络对所述故障图进行学习表示,建立状态识别模型,获取当前步长的工况特征对应的特征向量,进行状态及故障的识别判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310596232.7A CN116300691B (zh) | 2023-05-25 | 2023-05-25 | 一种多轴联动数控加工的状态监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310596232.7A CN116300691B (zh) | 2023-05-25 | 2023-05-25 | 一种多轴联动数控加工的状态监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116300691A CN116300691A (zh) | 2023-06-23 |
CN116300691B true CN116300691B (zh) | 2023-08-04 |
Family
ID=86785512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310596232.7A Active CN116300691B (zh) | 2023-05-25 | 2023-05-25 | 一种多轴联动数控加工的状态监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116300691B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520769B (zh) * | 2023-07-05 | 2023-09-15 | 中科航迈数控软件(深圳)有限公司 | 数控机床的监测方法、装置、终端设备及计算机存储介质 |
CN116776289B (zh) * | 2023-08-25 | 2023-11-17 | 中科航迈数控软件(深圳)有限公司 | 数控机床加工方法、装置、电子设备及可读存储介质 |
CN116880341B (zh) * | 2023-09-07 | 2023-12-05 | 上海泛腾半导体技术有限公司 | 基于工业以太网总线的高精度运动控制*** |
CN117021118B (zh) * | 2023-10-08 | 2023-12-15 | 中北大学 | 一种并联机器人数字孪生轨迹误差动态补偿方法 |
CN117047556B (zh) * | 2023-10-13 | 2023-12-08 | 南通百盛精密机械有限责任公司 | 一种数控机床的优化加工控制方法及*** |
CN117131425B (zh) * | 2023-10-25 | 2024-02-27 | 广东德力宏展智能装备有限公司 | 一种基于反馈数据的数控机床加工状态监测方法及*** |
CN117788203B (zh) * | 2024-02-28 | 2024-05-10 | 西安华联电力电缆有限公司 | 一种改进的交联聚乙烯绝缘电力电缆的高效生产制备方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315553A (zh) * | 2008-07-04 | 2008-12-03 | 上海西马特机械制造有限公司 | 一种基于pc机控制的数控机床 |
CN107748539A (zh) * | 2017-09-25 | 2018-03-02 | 电子科技大学 | 基于rtcp误差特征识别的五轴机床多轴联动误差溯源方法 |
CN108445838A (zh) * | 2018-04-28 | 2018-08-24 | 华中科技大学 | 一种数控机床加工质量分析方法、分类器及设备 |
JP2019197333A (ja) * | 2018-05-08 | 2019-11-14 | 株式会社Ihi | 経路補正方法及び多軸加工機の制御装置 |
CN110865607A (zh) * | 2019-11-07 | 2020-03-06 | 天津大学 | 一种基于数字孪生的五轴数控机床控制方法 |
CN114037079A (zh) * | 2021-11-25 | 2022-02-11 | 江苏科技大学 | 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法 |
CN115185234A (zh) * | 2022-09-09 | 2022-10-14 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的适应性故障监测方法及*** |
CN115328068A (zh) * | 2022-09-22 | 2022-11-11 | 苏州君翔同创科技有限公司 | 应用于工业生产的数字孪生*** |
-
2023
- 2023-05-25 CN CN202310596232.7A patent/CN116300691B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315553A (zh) * | 2008-07-04 | 2008-12-03 | 上海西马特机械制造有限公司 | 一种基于pc机控制的数控机床 |
CN107748539A (zh) * | 2017-09-25 | 2018-03-02 | 电子科技大学 | 基于rtcp误差特征识别的五轴机床多轴联动误差溯源方法 |
CN108445838A (zh) * | 2018-04-28 | 2018-08-24 | 华中科技大学 | 一种数控机床加工质量分析方法、分类器及设备 |
JP2019197333A (ja) * | 2018-05-08 | 2019-11-14 | 株式会社Ihi | 経路補正方法及び多軸加工機の制御装置 |
CN110865607A (zh) * | 2019-11-07 | 2020-03-06 | 天津大学 | 一种基于数字孪生的五轴数控机床控制方法 |
CN114037079A (zh) * | 2021-11-25 | 2022-02-11 | 江苏科技大学 | 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法 |
CN115185234A (zh) * | 2022-09-09 | 2022-10-14 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的适应性故障监测方法及*** |
CN115328068A (zh) * | 2022-09-22 | 2022-11-11 | 苏州君翔同创科技有限公司 | 应用于工业生产的数字孪生*** |
Also Published As
Publication number | Publication date |
---|---|
CN116300691A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116300691B (zh) | 一种多轴联动数控加工的状态监测方法及*** | |
CN115857447B (zh) | 基于数字孪生的复杂工业***运行监测方法及*** | |
Zhai et al. | Enabling predictive maintenance integrated production scheduling by operation-specific health prognostics with generative deep learning | |
CN113569903A (zh) | 数控机床刀具磨损预测方法、***、设备、介质、终端 | |
CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测*** | |
CN113920053A (zh) | 基于深度学习的瑕疵检测方法、计算设备和存储介质 | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位*** | |
CN113485863B (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
CN116340796B (zh) | 时序数据分析方法、装置、设备及存储介质 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、***及存储介质 | |
CN116611013A (zh) | 针对工业时序数据的异常检测以及根因分析方法及*** | |
CN115859777A (zh) | 一种多故障模式下产品***寿命预测的方法 | |
CN117784710B (zh) | 数控机床远程状态监控***及其方法 | |
CN117131425B (zh) | 一种基于反馈数据的数控机床加工状态监测方法及*** | |
CN114626426A (zh) | 基于K-means优化算法的工业设备行为检测方法 | |
CN115034278A (zh) | 性能指标异常检测方法、装置、电子设备和存储介质 | |
CN115460061B (zh) | 基于智能运维场景的健康度评价方法及装置 | |
CN113469247B (zh) | 网络资产异常检测方法 | |
CN110650130B (zh) | 基于多分类GoogLeNet-LSTM模型的工控入侵检测方法 | |
CN114356743B (zh) | 一种基于序列重建的异常事件自动检测方法和*** | |
CN117150439B (zh) | 基于多源异构数据融合的汽车制造参数检测方法及*** | |
Bai et al. | GAN-based bearing fault diagnosis method for short and imbalanced vibration signal | |
CN113706465B (zh) | 基于深度学习的笔类缺陷检测方法、计算设备和存储介质 | |
CN118053218A (zh) | 计算机板卡的检测方法、装置和*** | |
Deng et al. | Semi-Supervised Informer for the Compound Fault Diagnosis of Industrial Robots |
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 |