数控机床故障预测方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116184930A(43)申请公布日2023.05.30(21)申请号202310283246.3(22)申请日2023.03.22(71)申请人中科航迈数控软件（深圳）有限公司地址518000广东省深圳市南山区桃源街道平山社区留仙大道4168号众冠时代广场A座2010(72)发明人杨之乐吴承科郭媛君饶建波谭勇(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师杨伟东(51)Int.Cl.G05B19/406(2006.01)权利要求书2页说明书9页附图2页(54)发明名称数控机床故障预测方法、装置、设备及存储介质(57)摘要本发明提供一种数控机床故障预测方法、装置、设备及存储介质，涉及数控机床监测技术领域，方法包括：获取被监测数控机床对应的运行数据，其中，所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据，所述监测时段的终止时刻是当前时刻，所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数；根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果，其中，所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列，一个所述预测故障信息包括故障类别和故障等级，所述预测时段的起始时刻是所述当前时刻。本发明有利于提高数控机床使用的安全性。CN116184930ACN116184930A权利要求书1/2页1.一种数控机床故障预测方法，其特征在于，包括：获取被监测数控机床对应的运行数据，其中，所述运行数据包括所述被监测数控机床在监测时段内的日志数据和加工图像数据，所述监测时段的终止时刻是当前时刻，所述日志数据包括系统操作信息、系统运行信息、环境信息和加工工艺参数；根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果，其中，所述故障预测结果是所述被监测数控机床在预测时段内的多个预测故障信息构成的序列，一个所述预测故障信息包括故障类别和故障等级，所述预测时段的起始时刻是所述当前时刻。2.根据权利要求1所述的数控机床故障预测方法，其特征在于，所述加工工艺参数包括刀具切削预设角度，所述加工图像数据包括对所述被监测数控机床进行多角度采集获得的多张加工区域图像，所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果，包括：根据各所述加工区域图像获取所述被监测数控机床对应的实际刀具切削角度；根据所述刀具切削预设角度和所述实际刀具切削角度获取工艺参数偏移数据；根据所述日志数据、所述工艺参数偏移数据和所述已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果。3.根据权利要求2所述的数控机床故障预测方法，其特征在于，所述根据所述日志数据、所述工艺参数偏移数据和所述已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果，包括：针对所述日志数据进行文本向量化处理获得日志向量；将所述日志向量和所述工艺参数偏移数据输入所述已训练的故障预测模型，获取所述已训练的故障预测模型输出的故障预测结果。4.根据权利要求3所述的数控机床故障预测方法，其特征在于，所述故障预测模型根据如下步骤进行训练：将训练数据中样本监测时段内的样本日志向量和样本工艺参数偏移数据输入所述故障预测模型，通过所述故障预测模型输出与所述样本监测时段对应的样本预测时段的样本故障预测结果，其中，所述训练数据包括多个训练信息组，每个训练信息组包括一个样本监测时段的样本日志向量、样本工艺参数偏移数据和标注故障结果，所述样本监测时段与所述样本预测时段一一对应，一个所述样本监测时段的终止时刻是与所述样本监测时段对应的样本预测时段的起始时刻；根据所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果，对所述故障预测模型的模型参数进行调整，并继续执行所述将训练数据中样本监测时段内的样本日志向量和样本工艺参数偏移数据输入所述故障预测模型的步骤，直至满足预设故障预测模型训练条件，以得到已训练的故障预测模型。5.根据权利要求4所述的数控机床故障预测方法，其特征在于，所述根据所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果，对所述故障预测模型的模型参数进行调整，包括：将所述样本故障预测结果以及与所述样本故障预测结果对应的标注故障结果输入预设的奖励模型，获取所述奖励模型输出的调优参考数据；2CN116184930A权利要求书2/2页根据所述调优参考数据对所述故障预测模型的模型参数进行调整。6.根据权利要求1‑5任意一项所述的数控机床故障预测方法，其特征在于，在所述根据所述运行数据和已训练的故障预测模型获取所述被监测数控机床对应的故障预测结果之后，所述方法还包括：当所述故障预测结果中