CN117102950B - 故障分析方法、装置、电子设备及计算机可读存储介质 - Google Patents
故障分析方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117102950B CN117102950B CN202311340560.7A CN202311340560A CN117102950B CN 117102950 B CN117102950 B CN 117102950B CN 202311340560 A CN202311340560 A CN 202311340560A CN 117102950 B CN117102950 B CN 117102950B
- Authority
- CN
- China
- Prior art keywords
- fault
- feature
- prediction
- probability
- decision
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本申请涉及数据分析技术领域，公开了一种故障分析方法、装置、电子设备及计算机可读存储介质，方法包括：获取数控机床的故障预测数据，分别与预测故障预测数据相关的各故障特征为故障原因的原因概率，并将各故障特征和各故障特征各自对应的原因概率共同作为故障因子分布集合；根据预设贡献预测算法，分别确定故障因子分布集合中各故障特征的预测权重值，其中，预测权重值表征为故障特征对故障决策结果的影响程度；对于故障因子分布集合中的任一目标故障特征，对目标故障特征的原因概率和预测权重值进行融合，得到目标故障特征的故障重要值。采用本申请技术方案能够解决因难以对数控机床的故障进行解释导致的数控机床维护效率低的技术问题。
Description
技术领域
本申请涉及数据分析技术领域，涉及一种故障分析方法、装置、电子设备及计算机可读存储介质。
背景技术
随着制造业的高速发展，数控机床的应用越加广泛，在企业生产制造中变得不可或缺。如果数控机床某些设备发生故障时不能及时发现并且处理，将影响整个***的正常运行，甚至导致***停止运转，这会给企业带来严重的经济损失和人员伤亡。所以当前通常会通过模型预测数控机床是否存在故障，当模型预测数控机床产生故障时，输出的预测结果一般是故障代码或异常的传感器数据以告知用户数控机床出现故障，但基于故障代码或异常的传感器数据并不能知道产生故障代码的原因或导致传感器数据异常的原因，且由于模型是黑盒模型也无法解释模型是如何预测数控机床产生故障的，用户也无法从模型的预测过程中获取导致数控机床产生故障的原因，从而使得用户难以理解模型输出的预测结果，进而使得用户难以基于模型输出的预测结果对数控机床进行维护。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容为现有技术。
发明内容
本申请的主要目的在于提供一种故障分析方法、装置、电子设备及计算机可读存储介质，旨在解决因难以对数控机床的故障进行解释导致的数控机床维护效率低的技术问题。
为实现上述目的，本申请提供一种故障分析方法，所述故障分析方法包括：
获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率，并将各所述故障特征和各所述故障特征各自对应的原因概率共同作为故障因子分布集合；
根据预设贡献预测算法，分别确定所述故障因子分布集合中各故障特征的预测权重值，其中，所述预测权重值表征为故障特征对故障决策结果的影响程度，所述故障决策结果基于对所述数控机床进行故障预测得到；
对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值；
其中，所述获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率的步骤包括：
获取所述数控机床的所述故障预测数据，其中，所述故障预测数据为所述数控机床对应的故障预测模型的任一输入数据；
将所述故障预测数据输入局部解释模型，以通过所述局部解释模型基于预设扰动策略对所述故障预测数据进行扰动以生成所述故障预测数据的邻域相似样本；
预测所述邻域相似样本中各所述故障特征为所述故障原因的原因概率。
为实现上述目的，本申请提供一种故障分析装置，所述故障分析装置包括：
原因概率确定模块，用于获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率，并将各所述故障特征和各所述故障特征各自对应的原因概率共同作为故障因子分布集合；
权重值确定模块，用于根据预设贡献预测算法，分别确定所述故障因子分布集合中各故障特征的预测权重值，其中，所述预测权重值表征为故障特征对故障决策结果的影响程度，所述故障决策结果基于对所述数控机床进行故障预测得到；
故障重要值确定模块，用于对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值；
原因概率确定模块，还用于获取所述数控机床的所述故障预测数据，其中，所述故障预测数据为所述数控机床对应的故障预测模型的任一输入数据；将所述故障预测数据输入局部解释模型，以通过所述局部解释模型基于预设扰动策略对所述故障预测数据进行扰动以生成所述故障预测数据的邻域相似样本；预测所述邻域相似样本中各所述故障特征为所述故障原因的原因概率。
本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述故障分析方法的程序，所述故障分析方法的程序被处理器执行时可实现如上述的故障分析方法的步骤。
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实现故障分析方法的程序，所述故障分析方法的程序被处理器执行时实现如上述的故障分析方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的故障分析方法的步骤。
本申请提供了一种故障分析方法、装置、电子设备及计算机可读存储介质，本申请通过获取数控机床的故障预测数据，对与所述故障预测数据相关的各故障特征为故障原因的原因概率进行预测，得到所述故障预测数据的故障因子分布集合，从而可以确定各个故障特征可能为导致数控机床产生故障的概率，进而再通过预设贡献预测算法计算所述故障因子分布集合中各个故障特征的预测权重值，进而可以基于预测权重值确定故障特征对故障决策结果的影响程度，进一步的，对于任一故障特征，基于故障特征的预测权重值和原因概率，共同确定故障特征的故障重要值，由于故障重要值是基于预测权重值和原因概率确定的，所以故障特征的故障重要值可以表征为故障特征导致数控机床产生故障的相关程度，从而使得用户可以基于各个故障特征的故障重要值确定数控机床产生故障的原因，也即辅助用户理解数控机床产生故障的原因，与只输出数控机床的故障代码或异常的传感器数据，而不提供数控机床产生的故障原因相比，本申请能够对可能导致数控机床产生故障的故障原因进行分析以实现对数控机床的故障预测过程进行解释，从而辅助用户理解数控机床产生的故障原因，进而可以辅助用户确定导致数控机床产生故障的原因以基于故障原因去维护数控机床，提高数控机床的维护效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，表示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例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简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请故障分析方法第一实施例的流程示意图；
图2为本申请故障分析方法第二实施例的流程示意图；
图3为本申请故障分析方法第三实施例的流程示意图；
图4为本申请故障分析方法一实施例的装置示意图；
图5为本申请实施例中故障分析方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、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
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本申请保护的范围。
一般的一些数控机床可能采用了传统的机器学习或深度学习模型来确定数控机床的故障预测模型，但故障预测模型通常被视为黑盒，难以解释故障预测模型的决策过程，本申请通过构建LIME-SHAP（Local Interpretable Model-agnostic Explanations-SHapley Additive exPlanations，局部可解释模型-沙普利添加和解释），将局部可解释性模型（LIME）与SHAP相结合，可以在数控机床中提供更全面、一致且准确的解释结果，具体的，通过LIME确定局部解释模型以确定与故障预测数据相关的各故障特征为故障原因的原因概率，通过SHAP以实现对各故障特征的预测贡献值的计算以确定预测权重值，基于原因概率和预测权重值共同确定故障重要值，以实现对故障预测模型的预测结果的解释。通过对故障预测模型进行解释，使得用户可以了解模型内部决策过程，能够验证模型的决策是否合理和正确，可以确保故障预测模型的决策不是基于不当的偏见、错误的数据或不当的训练的，进而提高了故障决策结果的可信度和可验证性。另外，本申请实现了对故障预测模型的预测过程的透明性和可解释性，帮助用户快速识别故障预测模型的错误或不准确的决策。如果数控机床的决策过程不透明，那么当数控机床出现故障时，很难找出故障的根本原因。故障预测模型的决策过程透明化后可以帮助用户定位问题并进行改进。且用户通常更容易接受和使用能够解释其决策的模型。如果用户可以理解故障预测模型的工作原理和决策过程，用户更有可能与该数控机床协同工作，并能够更好地应对数控机床的不同的生产情况。
实施例一
参照图1，本申请实施例提供一种故障分析方法，在本申请故障分析方法的第一实施例中，所述故障分析方法包括：
步骤S10，获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率，并将各所述故障特征和各所述故障特征各自对应的原因概率共同作为故障因子分布集合；
需要说明的是，本申请实施例的方法可以对数控机床的故障预测模型进行解释，故障预测模型用于接收数控机床的传感器数据以预测数控机床是否产生故障，其中，所述故障预测数据为数控机床的故障预测模型的输入数据，输入数据可以为数控机床的传感器数据。故障特征是基于故障预测数据确定的，故障特征可以就是故障预测数据，也可以是与故障预测数据相关的数据，故障预测数据为数控机床的传感器数据。故障因子分布集合中包括了与故障预测数据相关的所有故障特征，以及各故障特征分别对应的原因概率。
步骤S20，根据预设贡献预测算法，分别确定所述故障因子分布集合中各故障特征的预测权重值，其中，所述预测权重值表征为故障特征对故障决策结果的影响程度，所述故障决策结果基于对所述数控机床进行故障预测得到；
需要说明的是，预设贡献预测算法用于衡量各个故障特征对数控机床机型故障预测的预测贡献值，进而可以基于预测贡献值确定预测权重值，预测贡献预测算法可以是SHAP，预测权重值表征为故障特征对故障预测模型输出的贡献占比，所述预测权重值表征为故障特征对故障决策结果的影响程度，所述故障决策结果为对所述数控机床进行故障预测得到。
进一步的，步骤S20包括：
步骤S21，根据所述预设贡献预测算法，分别预测所述故障因子分布集合中各故障特征的预测贡献值；
步骤S22，基于各所述预测贡献值，分别为各所述故障特征分配预测权重值。
需要说明的是，故障因子分布集合中的每个故障特征都有对应的预测贡献值，预测贡献值是基于预设贡献预测算法SHAP对故障特征进行计算得到的，通过计算故障特征的Shapley值以得到故障特征的预测贡献值，示例性的，将故障因子分布集合中的任一故障特征，生成包含该故障特征的特征组合以及不包含该特征的特征组合以确定关于故障特征的幂集，幂集包括了与故障特征相关的所有特征组合，计算幂集中每个特征组合的边际贡献，边际贡献是指在该特征组合中加入故障特征后，对于故障预测模型输出的变化，基于故障特征在所有可能的特征组合中的边际贡献进行平均化，得到故障特征的Shapley值，计算Shapley值是一项计算密集型任务，特别是当特征数量较多时，在实际应用中，通常会使用近似方法或采样技术来估计Shapley值，以减少计算复杂性。最终，得到的Shapley值可以用于解释故障特征对于模型输出的相对重要性，帮助理解模型的预测过程，并为故障特征的贡献提供量化的度量。可以用于分析模型的决策过程，特别是在复杂的数控机床的领域，有助于识别重要的故障特征。
示例性的，对故障因子分布集合中的所有故障特征分别对应的预测贡献值进行相加，得到总贡献值，对于任一故障特征，基于故障特征的预测贡献值在总贡献值中的占比确定故障特征的预设权重值。
步骤S30，对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值。
需要说明的是，故障重要值表征为故障特征导致数控机床产生故障的相关程度，故障重要值与相关程度成正比，示例性的，将目标故障特征的原因概率与预测权重值相乘得到所述目标故障特征的故障重要值。另外，在数控机床中，目标故障特征可以为故障因子分布集合中的任一故障特征，本申请实施例所表征的技术内容并不替代数控机床的任何部分或***，而是为数控机床提供更透明和可理解的决策支持。
本申请通过获取数控机床的故障预测数据，对与所述故障预测数据相关的各故障特征为故障原因的原因概率进行预测，得到所述故障预测数据的故障因子分布集合，从而可以确定各个故障特征可能为导致数控机床产生故障的概率，进而再通过预设贡献预测算法计算所述故障因子分布集合中各个故障特征的预测权重值，进而可以基于预测权重值确定故障特征对故障决策结果的影响程度，进一步的，对于任一故障特征，基于故障特征的预测权重值和原因概率，共同确定故障特征的故障重要值，由于故障重要值是基于预测权重值和原因概率确定的，所以故障特征的故障重要值可以表征为故障特征导致数控机床产生故障的相关程度，从而使得用户可以基于各个故障特征的故障重要值确定数控机床产生故障的原因，也即辅助用户理解数控机床产生故障的原因，与只输出数控机床的故障代码或异常的传感器数据，而不提供数控机床产生的故障原因相比，本申请能够对可能导致数控机床产生故障的故障原因进行分析以实现对数控机床的故障预测过程进行解释，从而辅助用户理解数控机床产生的故障原因，进而可以辅助用户确定导致数控机床产生故障的原因以基于故障原因去维护数控机床，提高数控机床的维护效率。
实施例二
进一步地，参照图2，基于本申请上述实施例，在本申请另一实施例中，与上述实施例相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率的步骤包括：
步骤A10，获取所述数控机床的所述故障预测数据，其中，所述故障预测数据为所述数控机床对应的故障预测模型的任一输入数据；
步骤A20，将所述故障预测数据输入局部解释模型，以通过所述局部解释模型基于预设扰动策略对所述故障预测数据进行扰动以生成所述故障预测数据的邻域相似样本；
步骤A30，预测所述邻域相似样本中各所述故障特征为所述故障原因的原因概率。
需要说明的是，任一输入数据是指输入到故障预测模型中的传感器数据，预设扰动策略是指在故障预测数据的周围添加微小的扰动，生成与局部解释模型相似但略有不同的邻域相似样本，局部解释模型是基于LIME确定的，本申请实施例是基于LIME使用局部近似模型来近似黑盒模型（故障预测模型）的故障决策结果。局部近似模型通过拟合邻域相似样本和对应的故障决策结果，来解释模型在解释对象附近的行为。SHAP使用Shapley值来为每个故障特征分配预测权重。局部解释模型可以是基于多个故障预测数据以及多个故障因子分布集合训练得到的。故障预测数据可以包括但不限于数控机床的刀具温度、振动传感器数据以及切削力等，在故障预测数据周围添加微小的扰动后，生成邻域相似样本，邻域相似样本中又多了与故障预测数据相似的数据点，所以与故障预测数据相关的故障特征可以是邻域相似样本中的故障特征，因此故障特征除了包括故障预测数据中的特征外，还可以包括邻域相似样本中与故障预测数据不同但相似的特征，例如，故障特征包括但不限于：刀具温度、与切削力相关的切削深度以及与振动传感器数据相关的切削速度以及进给速度振动力。
示例性的，步骤A10至步骤A30包括：将故障预测数据输入局部解释模型，以通过局部解释模型基于预设扰动策略在故障预测数据的周围进行扰动，生成与所述故障预测数据的邻域相似样本，并预测邻域相似样本中各个故障特征为故障原因的原因概率，得到故障因子分布集合。这些邻域相似样本用于在局部近似模型中解释故障预测模型的行为。这些邻域相似样本通常是与原始样本非常相似但略有不同的数据点，以帮助理解故障预测模型基于故障预测数据的预测。故障重要值和局部解释模型都是用于解释故障预测模型行为的工具，但它们关注的层面不同。特征重要值可以告诉用户哪些故障特征对于故障预测模型的重要性更高，而局部解释模型提供了基于故障预测数据进行故障预测的情况下，故障预测模型是如何做出决策的详细信息。通过这两种解释方法，用户（工程师和操作人员）可以更全面、一致且准确地理解数控机床***的工作状态和故障决策结果，从而有助于优化维护计划、设备性能和生产效率。
进一步的，所述预测所述邻域相似样本中各所述故障特征为所述故障原因的原因概率的步骤包括：
步骤B10，对于所述邻域相似样本中的任一目标故障特征，对所述目标故障特征为所述故障原因的概率进行单独预测，得到所述目标故障特征为所述故障原因的独立概率；
步骤B20，预测所述邻域相似样本中的其他故障特征影响所述目标故障特征成为所述故障原因的概率，得到所述目标故障特征的关联概率；
步骤B30，将所述独立概率和所述关联概率共同作为所述目标故障特征的原因概率。
需要说明的是，需要对邻域相似样本中的每个故障特征的原因概率进行预测，每个故障特征都有可能成为导致数控机床产生故障的故障原因，某一故障特征也有可能被其他故障特征影响成为导致数控机床产生故障的原因。所以通过单独预测故障特征为故障原因的独立概率，以及通过预测故障特征被其他故障特征影响成为故障特征的关联概率，可以提高预测原因概率的准确性。其中，对于邻域相似仰恩中的任一目标故障特征，预测目标故障特征的原因概率都是通过局部解释模型进行预测的。其中，局部解释模型是提前训练好的，局部解释模型可以为线性回归模型或决策树模型，局部解释模型的训练过程为：确定一个待训练模型，确定训练样本，训练样本包括：故障预测样本以及故障因子分布标签，将所述故障预测样本输入所述待训练模型，对与所述故障预测样本关联的各个故障特征进行原因概率的预测，获取故障因子训练集合，进而基于故障因子分布标签和所述故障因子训练集合，计算训练模型损失，其中，所述训练模型损失可设置为故障因子分布标签和所述故障因子训练集合之间的距离等，进而判断所述训练模型损失是否收敛，若所述训练模型损失收敛，则将所述待训练模型作为所述局部解释模型，若所述训练模型损失未收敛，则重新获取新的训练样本以重新对所述待训练模型进行训练优化，直至所述训练模型损失收敛。
进一步的，由于故障预测模型的输出通常是一个复杂的组合结果模型可能有非线性关系、交互作用等复杂性质，导致单个故障特征的预测贡献值不能直接反映故障特征对故障预测模型的重要性，因此，为了综合考虑故障特征对故障预测模型的重要性，需要将局部解释模型输出的原因概率与预测贡献值结合起来，以综合考虑故障特征的影响如何随着输入条件的变化而变化，从而更全面地理解特征对整体模型的重要性，帮助用户理解特征对于整体模型的影响，以及它们如何在不同输入情况下相互作用。这有助于更好地理解和解释故障预测模型的行为。
其中，在所述对于所述故障因子分布集合中的任一所述故障特征，对所述故障特征的所述原因概率和所述预测权重值进行融合，得到所述故障特征的故障重要值的步骤之后，所述故障分析方法还包括：
步骤C10，按照预设显示条件，将所述故障因子分布集合中的原因概率、所述故障因子分布集合中各故障特征的预测权重值和故障重要值分别进行可视化展示。
需要说明的是，预设显示条件表征为各故障特征的原因概率、故障重要值以及预测权重值对应的显示形式，预设显示条件可以为图表形式或图文形式等，图标形式可以是柱状图等，示例性的，将各故障特征分别对应的原因概率按照柱状图的形式进行展示，每个故障特征对应一个原因概率的柱状条，以更为直观的显示故障特征对应的原因概率，将各故障特征分别对应的预测权重值按照柱状图的形式进行展示，每个故障特征对应一个预测权重值的柱状条，将各故障特征分别对应的故障重要值按照柱状图的形式进行展示，每个故障特征对应一个故障重要值的柱状条，原因概率、预测权重值以及故障重要值对应的柱状条的颜色不同，可以将所述故障因子分布集合中的原因概率、所述故障因子分布集合中各故障特征的预测权重值和故障重要值显示在数控机床的人机交互界面，用户可以基于人机交互界面查看到故障特征对应的原因概率、所述故障因子分布集合中各故障特征的预测权重值和故障重要值。本申请实施例通过可视化呈现各个故障特征的原因概率、故障重要值以及预测权重值，从而使得用户可以更容易理解故障预测模型输出的故障决策结果。
实施例三
进一步地，参照图3，基于本申请上述实施例，在本申请另一实施例中，与上述实施例相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，在对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值步骤之后，所述故障分析方法还包括：
步骤D10，获取数控机床对应的故障预测模型输出的故障决策结果；
步骤D20，将所述故障预测数据作为决策起始点，将所述故障决策结果作为故障决策路径的决策终点；
步骤D30，在所述故障因子分布集合中的各故障特征中，选择所述原因概率大于第一决策阈值的故障特征作为第一决策点，选择所述预测权重值大于第二决策阈值的故障特征作为第二决策点，选择所述故障重要值大于第三决策阈值的故障特征为第三决策点；
步骤D40，依次将所述决策起始点、所述第一决策点、所述第二决策点、所述第三决策点以及所述决策终点进行连接，得到所述故障预测模型的故障决策路径。
需要说明的是，故障决策结果是故障预测模型输出的预测结果，故障决策结果可以是数控机床产生故障的故障类型等，决策起始点是指故障预测模型进行故障预测的初始数据，决策终点是故障预测模型进行故障预测后得到的结果，第一决策阈值、第二决策阈值以及第三决策阈值都可以基于实际情况进行确定，例如，第一决策阈值可以为各个故障特征的原因概率的平均值，也可以是各故障特征中原因概率最高的值，还可以是将各原因概率从大到小排序后，选择排在第三或第四等的原因概率的值作为第一决策阈值，第二决策阈值可以为各个故障特征的预测权重值的平均值，也可以是各故障特征中预测权重值最高的值等，第三决策阈值可以为各个故障特征的故障重要值的平均值，也可以是各故障特征中故障重要值最高的值等。第一决策点、第二决策点以及第三决策点都可以包括一个或多个故障特征，第一决策点显示大于第一决策阈值的故障特征以及故障特征的原因概率，第二决策点显示大于第二决策阈值的故障特征以及故障特征的预测权重值，第三决策点显示大于第三决策阈值的故障特征以及故障特征的故障重要值。故障决策路径可以以图文的形式展示给用户。示例性的，依次将所述决策起始点、所述第一决策点、所述第二决策点、所述第三决策点以及所述决策终点进行首尾连接，得到所述故障预测模型的故障决策路径。本申请实施例中的故障决策路径可以描述故障预测模型如何从输入数据到故障决策结果的过程，这有助于用户识别故障预测模型的决策逻辑，理解故障预测模型输出故障决策结果。
其中，在所述对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值步骤之后，所述故障分析方法还包括：
步骤X10，在各所述故障特征中，选择故障重要值最高的故障特征作为查询对象；
步骤X20，在所述数控机床的预设运行数据库中查找与所述查询对象相匹配的历史数据，以对所述历史数据进行分析确定查询对象的历史故障迹象。
需要说明的是，用户可以在数控机床的人机交互界面查看故障特征对应的原因概率、所述故障因子分布集合中各故障特征的预测权重值和故障重要值，进而使得用户可以基于各个故障重要值了解各个故障特征对故障预测模型的预测结果的影响程度，故障重要值也可以表征为故障特征对故障预测模型的决策的重要程度，所以当确定了各个故障特征对应的故障重要值之后，可以在各个故障特征中选择故障重要值最高的故障特征作为查询对象，进而查找对象对应的历史数据，从而基于历史数据分析查询对象的历史故障迹象，历史故障迹象为可能会影响数控机床产生故障的数据，通过故障重要值可以更有针对性地查找与故障特征相关历史数据。例如，如果振动数据的故障重要值很高，可以查询数控机床振动数据的历史数据以寻找异常或故障的迹象。基于故障特征的故障重要值还可以帮助用户做出关于导致数控机床产生故障的原因的推测。通过了解哪些故障特征对于故障预测模型的决策最为关键，可以根据这些故障特征进行假设，并进一步探索可能的原因。例如，如果振动数据的故障重要值相对较高，则可以推测振动问题可能与数控机床故障的相关。
实施例四
参照图4，本申请实施例还提供一种故障分析装置，所述故障分析装置包括：
原因概率确定模块10，用于获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率，并将各所述故障特征和各所述故障特征各自对应的原因概率共同作为故障因子分布集合；
权重值确定模块20，用于根据预设贡献预测算法，分别确定所述故障因子分布集合中各故障特征的预测权重值，其中，所述预测权重值表征为故障特征对故障决策结果的影响程度，所述故障决策结果基于对所述数控机床进行故障预测得到；
故障重要值确定模块30，用于对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值。
可选的，所述原因概率确定模块10还用于：
获取所述数控机床的所述故障预测数据，其中，所述故障预测数据为所述数控机床对应的故障预测模型的任一输入数据；
将所述故障预测数据输入局部解释模型，以通过所述局部解释模型基于预设扰动策略对所述故障预测数据进行扰动以生成所述故障预测数据的邻域相似样本；
预测所述邻域相似样本中各所述故障特征为所述故障原因的原因概率。
可选的，所述原因概率确定模块10还用于：
对于所述邻域相似样本中的任一目标故障特征，对所述目标故障特征为所述故障原因的概率进行单独预测，得到所述目标故障特征为所述故障原因的独立概率；
预测所述邻域相似样本中的其他故障特征影响所述目标故障特征成为所述故障原因的概率，得到所述目标故障特征的关联概率；
将所述独立概率和所述关联概率共同作为所述目标故障特征的原因概率。可选的，所述权重值确定模块20还用于：
根据所述预设贡献预测算法，分别预测所述故障因子分布集合中各故障特征的预测贡献值；
基于各所述预测贡献值，分别为各所述故障特征分配预测权重值。
可选的，所述故障重要值确定模块30还用于：
按照预设显示条件，将所述故障因子分布集合中的原因概率、所述故障因子分布集合中各故障特征的预测权重值和故障重要值分别进行可视化展示。
可选的，所述故障重要值确定模块30还用于：
获取数控机床对应的故障预测模型输出的故障决策结果；
将所述故障预测数据作为决策起始点，将所述故障决策结果作为故障决策路径的决策终点；
在所述故障因子分布集合中的各故障特征中，选择所述原因概率大于第一决策阈值的故障特征作为第一决策点，选择所述预测权重值大于第二决策阈值的故障特征作为第二决策点，选择所述故障重要值大于第三决策阈值的故障特征为第三决策点；
依次将所述决策起始点、所述第一决策点、所述第二决策点、所述第三决策点以及所述决策终点进行连接，得到所述故障预测模型的故障决策路径。
可选的，所述故障重要值确定模块30还用于：
在各故障特征中，选择故障重要值最高的故障特征作为查询对象；
在所述数控机床的预设运行数据库中查找与所述查询对象相匹配的历史数据，以对所述历史数据进行分析确定查询对象的历史故障迹象。
本申请提供的故障分析装置，采用上述实施例中的故障分析方法，旨在解决因难以对数控机床的故障进行解释导致的数控机床维护效率低的技术问题。与现有技术相比，本申请实施例提供的故障分析方法的有益效果与上述实施例提供的故障分析方法的有益效果相同，且该故障分析装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
实施例五
本申请实施例提供一种电子设备，所述电子设备可以为播放设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例中的故障分析方法。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（personal digital assistant，个人数字助理）、PAD（portable Android device，平板电脑）、PMP（Portable Media Player，便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备可以包括处理装置1001（例如中央处理器、图形处理器等），其可以根据存储在ROM（Read-Only Memory，只读存储器）1002中的程序或者从存储装置1003加载到RAM（Random Access Memory，随机访问存储器）1004中的程序而执行各种适当的动作和处理。在RAM1004中，还存储有电子设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出（I/O）接口1006也连接至总线。
通常，以下***可以连接至I/O接口1006：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加转速计、陀螺仪等的输入装置1007；包括例如LCD（Liquid CrystalDisplay，液晶显示器）、扬声器、振动器等的输出装置1008；包括例如磁带、硬盘等的存储装置1003；以及通信装置1009。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种***的电子设备，但是应理解的是，并不要求实施或具备所有示出的***。可以替代地实施或具备更多或更少的***。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信***从网络上被下载和安装，或者从存储***被安装，或者从ROM被安装。在该计算机程序被处理***执行时，执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备，采用上述实施例一中的故障分析方法旨在解决因难以对数控机床的故障进行解释导致的数控机床维护效率低的技术问题。与现有技术相比，本申请实施例提供的产品流量数据分配的有益效果与上述实施例提供的故障分析方法的有益效果相同，且该故障分析装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
实施例六
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的故障分析方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的设备、设备或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程EPROM（Electrical ProgrammableRead Only Memory，只读存储器）或闪存、光纤、便携式紧凑磁盘CD-ROM（compact discread-only memory，只读存储器）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行设备、设备或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(RadioFrequency，射频）等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率，并将各所述故障特征和各所述故障特征各自对应的原因概率共同作为故障因子分布集合；根据预设贡献预测算法，分别确定所述故障因子分布集合中各故障特征的预测权重值，其中，所述预测权重值表征为故障特征对故障决策结果的影响程度，所述故障决策结果基于对所述数控机床进行故障预测得到；对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值，其中，所述获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率的步骤包括：获取所述数控机床的所述故障预测数据，其中，所述故障预测数据为所述数控机床对应的故障预测模型的任一输入数据；将所述故障预测数据输入局部解释模型，以通过所述局部解释模型基于预设扰动策略对所述故障预测数据进行扰动以生成所述故障预测数据的邻域相似样本；预测所述邻域相似样本中各所述故障特征为所述故障原因的原因概率。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括LAN(localarea network，局域网)或WAN(Wide Area Network，广域网)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的设备来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质，存储有用于执行上述故障分析方法的计算机可读程序指令，旨在解决因难以对数控机床的故障进行解释导致的数控机床维护效率低的技术问题。与现有技术相比，本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的故障分析方法的有益效果相同，在此不做赘述。
实施例七
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的故障分析方法的步骤。
本申请提供的计算机程序产品旨在解决因难以对数控机床的故障进行解释导致的数控机床维护效率低的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的故障分析方法的有益效果相同，在此不做赘述。
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处理范围内。
Claims (9)
1.一种故障分析方法，其特征在于，所述故障分析方法包括：
获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率，并将各所述故障特征和各所述故障特征各自对应的原因概率共同作为故障因子分布集合；
根据预设贡献预测算法，分别确定所述故障因子分布集合中各故障特征的预测权重值，其中，所述预测权重值表征为故障特征对故障决策结果的影响程度，所述故障决策结果基于对所述数控机床进行故障预测得到；
对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值；
其中，所述获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率的步骤包括：
获取所述数控机床的所述故障预测数据，其中，所述故障预测数据为所述数控机床对应的故障预测模型的任一输入数据；
将所述故障预测数据输入局部解释模型，以通过所述局部解释模型基于预设扰动策略对所述故障预测数据进行扰动以生成所述故障预测数据的邻域相似样本；
预测所述邻域相似样本中各所述故障特征为所述故障原因的原因概率。
2.如权利要求1所述的故障分析方法，其特征在于，所述预测所述邻域相似样本中各所述故障特征为所述故障原因的原因概率的步骤包括：
对于所述邻域相似样本中的任一目标故障特征，对所述目标故障特征为所述故障原因的概率进行单独预测，得到所述目标故障特征为所述故障原因的独立概率；
预测所述邻域相似样本中的其他故障特征影响所述目标故障特征成为所述故障原因的概率，得到所述目标故障特征的关联概率；
将所述独立概率和所述关联概率共同作为所述目标故障特征的原因概率。
3.如权利要求1所述的故障分析方法，其特征在于，所述根据预设贡献预测算法，分别确定所述故障因子分布集合中各故障特征的预测权重值的步骤包括：
根据所述预设贡献预测算法，分别预测所述故障因子分布集合中各故障特征的预测贡献值；
基于各所述预测贡献值，分别为各所述故障特征分配预测权重值。
4.如权利要求1所述的故障分析方法，其特征在于，在所述对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值的步骤之后，所述故障分析方法还包括：
按照预设显示条件，将所述故障因子分布集合中的原因概率、所述故障因子分布集合中各故障特征的预测权重值和故障重要值分别进行可视化展示。
5.如权利要求1所述的故障分析方法，其特征在于，在所述对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值步骤之后，所述故障分析方法还包括：
在各故障特征中，选择故障重要值最高的故障特征作为查询对象；
在所述数控机床的预设运行数据库中查找与所述查询对象相匹配的历史数据，以对所述历史数据进行分析确定查询对象的历史故障迹象。
6.如权利要求1至5任一项所述的故障分析方法，其特征在于，在对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值步骤之后，所述故障分析方法还包括：
获取数控机床对应的故障预测模型输出的故障决策结果；
将所述故障预测数据作为决策起始点，将所述故障决策结果作为故障决策路径的决策终点；
在所述故障因子分布集合中的各故障特征中，选择所述原因概率大于第一决策阈值的故障特征作为第一决策点，选择所述预测权重值大于第二决策阈值的故障特征作为第二决策点，选择所述故障重要值大于第三决策阈值的故障特征为第三决策点；
依次将所述决策起始点、所述第一决策点、所述第二决策点、所述第三决策点以及所述决策终点进行连接，得到所述故障预测模型的故障决策路径。
7.一种故障分析装置，其特征在于，所述故障分析装置包括：
原因概率确定模块，用于获取数控机床的故障预测数据，分别预测与所述故障预测数据相关的各故障特征为故障原因的原因概率，并将各所述故障特征和各所述故障特征各自对应的原因概率共同作为故障因子分布集合；
权重值确定模块，用于根据预设贡献预测算法，分别确定所述故障因子分布集合中各故障特征的预测权重值，其中，所述预测权重值表征为故障特征对故障决策结果的影响程度，所述故障决策结果基于对所述数控机床进行故障预测得到；
故障重要值确定模块，用于对于所述故障因子分布集合中的任一目标故障特征，对所述目标故障特征的原因概率和预测权重值进行融合，得到所述目标故障特征的故障重要值；
原因概率确定模块，还用于获取所述数控机床的所述故障预测数据，其中，所述故障预测数据为所述数控机床对应的故障预测模型的任一输入数据；将所述故障预测数据输入局部解释模型，以通过所述局部解释模型基于预设扰动策略对所述故障预测数据进行扰动以生成所述故障预测数据的邻域相似样本；预测所述邻域相似样本中各所述故障特征为所述故障原因的原因概率。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6中任一项所述故障分析方法的步骤。
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实现故障分析方法的程序，所述实现故障分析方法的程序被处理器执行以实现如权利要求1至6中任一项所述故障分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311340560.7A CN117102950B (zh) | 2023-10-17 | 2023-10-17 | 故障分析方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311340560.7A CN117102950B (zh) | 2023-10-17 | 2023-10-17 | 故障分析方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117102950A CN117102950A (zh) | 2023-11-24 |
| CN117102950B true CN117102950B (zh) | 2023-12-22 |
Family
ID=88809336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311340560.7A Active CN117102950B (zh) | 2023-10-17 | 2023-10-17 | 故障分析方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117102950B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07156044A (ja) * | 1993-11-30 | 1995-06-20 | Nippei Toyama Corp | 工作機械の故障予知システム |
| CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
| CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及*** |
| CN111147306A (zh) * | 2019-12-30 | 2020-05-12 | 深圳猛犸电动科技有限公司 | 一种物联网设备的故障分析方法、装置以及物联网平台 |
| CN115935243A (zh) * | 2023-03-01 | 2023-04-07 | 武汉同创万智数字科技有限公司 | 一种基于数据处理的故障分析方法 |
| CN116184988A (zh) * | 2023-05-04 | 2023-05-30 | 中科航迈数控软件(深圳)有限公司 | 基于多模态数据的故障预测方法、装置、设备及存储介质 |
| CN116226676A (zh) * | 2023-05-08 | 2023-06-06 | 中科航迈数控软件(深圳)有限公司 | 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 |
| CN116628611A (zh) * | 2023-05-23 | 2023-08-22 | 西南科技大学 | 一种机床运行数据异常模式关联可视分析方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110106734A1 (en) * | 2009-04-24 | 2011-05-05 | Terrance Boult | System and appartus for failure prediction and fusion in classification and recognition |
-
2023
- 2023-10-17 CN CN202311340560.7A patent/CN117102950B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07156044A (ja) * | 1993-11-30 | 1995-06-20 | Nippei Toyama Corp | 工作機械の故障予知システム |
| CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
| CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及*** |
| CN111147306A (zh) * | 2019-12-30 | 2020-05-12 | 深圳猛犸电动科技有限公司 | 一种物联网设备的故障分析方法、装置以及物联网平台 |
| CN115935243A (zh) * | 2023-03-01 | 2023-04-07 | 武汉同创万智数字科技有限公司 | 一种基于数据处理的故障分析方法 |
| CN116184988A (zh) * | 2023-05-04 | 2023-05-30 | 中科航迈数控软件(深圳)有限公司 | 基于多模态数据的故障预测方法、装置、设备及存储介质 |
| CN116226676A (zh) * | 2023-05-08 | 2023-06-06 | 中科航迈数控软件(深圳)有限公司 | 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 |
| CN116628611A (zh) * | 2023-05-23 | 2023-08-22 | 西南科技大学 | 一种机床运行数据异常模式关联可视分析方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117102950A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
| Zhang et al. | Software analytics in practice | |
| EP4109347A2 (en) | Method for processing multimodal data using neural network, device, and medium | |
| US11948052B2 (en) | Method, electronic device, and computer program product for monitoring field device | |
| US11087053B1 (en) | Method, electronic device, and computer program product for information display | |
| CN116277040B (zh) | 基于深度学习的机械臂振动抑制方法、装置、设备及介质 | |
| US20210192376A1 (en) | Automated, progressive explanations of machine learning results | |
| EP3879754A1 (en) | Network traffic prediction method, device, and electronic device | |
| CN108595343A (zh) | 应用程序的测试方法及装置 | |
| EP3502872A1 (en) | Pipeline task verification for a data processing platform | |
| CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
| CN114385869A (zh) | 检测数据异常的方法、装置、存储介质及计算机设备 | |
| CN116776289B (zh) | 数控机床加工方法、装置、电子设备及可读存储介质 | |
| CN112287603A (zh) | 一种基于机器学习的预测模型构建方法、装置和电子设备 | |
| CN117093477A (zh) | 一种软件质量评估方法、装置、计算机设备及存储介质 | |
| CN117102950B (zh) | 故障分析方法、装置、电子设备及计算机可读存储介质 | |
| CN113076358A (zh) | 一种报表生成方法、装置、设备及存储介质 | |
| CN117709715A (zh) | 一种隧道工程施工风险评估方法、***、终端及介质 | |
| US20140089234A1 (en) | Interactive visualization of multi-objective optimization | |
| CN116126655A (zh) | 采煤机故障提示方法、***、存储介质及设备 | |
| CN115563810A (zh) | 丝杆寿命预测方法、装置、电子设备及可读存储介质 | |
| US20240054385A1 (en) | Experiment point recommendation device, experiment point recommendation method, and semiconductor device manufacturing device | |
| CN114461499A (zh) | 异常信息检测模型的构建方法和灰度环境异常检测方法 | |
| Shi et al. | An efficient adaptive kriging refinement method for reliability analysis with small failure probability | |
| CN111680116A (zh) | 基于地图的位置信息的显示方法、***、介质及电子设备 |
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 |