[發明專利]一種基于多源異構數據特征降維的數控機床故障預測方法

有效

• 申請號: 202210572573.6
• 申請日: 2022-05-25
• 公開（公告）號: CN114660993B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 郭媛君;劉祥飛;魏國君;蘇輝南;譚勇;李政;吳承科;饒建波
• 申請（專利權）人: 中科航邁數控軟件（深圳）有限公司
• 主分類號: G05B19/406
• 分類號: G05B19/406
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 陳專

1.一種基于多源異構數據特征降維的數控機床故障預測方法，其特征在于，所述方法包括：

獲取目標數控機床多個零部件的運行數據，得到各組初始數據，對所述初始數據進行降維處理，得到預設尺寸的特征信息，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組所述初始數據降維后得到的降維數據，各個所述降維數據按照預設規則排列；

獲取預先訓練的神經網絡模型，所述神經網絡模型中包括注意力機制模塊和預測模塊；

將所述第一初始特征輸入至所述注意力機制模塊，通過所述注意力機制模塊對所述第一初始特征執行注意力機制，得到中間特征；

將所述中間特征輸入至所述預測模塊，獲取所述預測模塊輸出的故障預測結果；

所述特征信息中還包括第二初始特征，所述第二初始特征包括每組初始數據對應的語義特征，所述語義特征包括第一語義特征和多個第二語義特征，所述第一語義特征為所述目標數控機床的加工任務對應的語義嵌入向量，每個所述第二語義特征為對應的所述初始數據的零部件名稱的語義嵌入向量；所述神經網絡模型還包括權重模塊，所述通過所述注意力機制模塊對所述第一初始特征執行注意力機制，得到中間特征，包括：

將所述特征信息中的所述第二初始特征輸入至所述權重模塊，獲取所述權重模塊輸出的權重矩陣，其中，所述權重矩陣包括注意力機制中的Q、K、V矩陣；

通過所述注意力機制模塊基于所述權重矩陣對所述第一初始特征執行注意力機制，得到所述中間特征；

所述故障預測結果包括故障類型和對應的發生時間，所述神經網絡模型是基于多組訓練數據訓練完成的，每組訓練數據包括樣本特征信息和對應的故障標注結果，所述多組訓練數據的數據來源于多種數控機床；

所述神經網絡模型的訓練過程為：

在所述多組訓練數據中選擇目標訓練數據，將所述目標訓練數據中的目標樣本特征信息輸入至所述神經網絡模型，獲取所述目標樣本特征信息對應的樣本故障預測結果；

根據所述樣本故障預測結果和所述目標樣本特征信息對應的所述故障標注結果得到所述目標樣本特征信息對應的訓練損失；

根據所述訓練損失，采用梯度下降法更新所述神經網絡模型中的可學習參數；

重新執行所述在所述多組訓練數據中選擇目標訓練數據的步驟，直至所述神經網絡模型的可學習參數收斂；

所述根據所述樣本故障預測結果和所述目標樣本特征信息對應的所述故障標注結果得到所述目標樣本特征信息對應的訓練損失，包括：

根據所述樣本故障預測結果和所述目標樣本特征信息對應的所述故障標注結果之間的差異得到第一損失；

將所述目標樣本特征信息中的所述第二初始特征輸入至深層語義提取模塊，獲取所述深層語義提取模塊輸出的深層語義特征，根據所述深層語義特征和所述神經網絡模型中的所述注意力機制模塊輸出的所述目標樣本特征信息對應的所述中間特征得到第二損失；

在各個所述樣本特征信息中選擇對應的數控機床類型與所述目標樣本特征信息相同的至少一個第一樣本特征信息和對應的數控機床類型與所述目標樣本特征信息不同的至少一個第二樣本特征信息；

將所述第一樣本特征信息和所述第二樣本特征信息分別輸入至所述深層語義提取模塊，獲取各個第一深層語義特征和各個第二深層語義特征；

根據所述注意力機制模塊輸出的所述目標樣本特征信息和各個所述第一深層語義特征、各個所述第二深層語義特征之間的差異得到第三損失；

根據所述第一損失、所述第二損失和所述第三損失獲取所述目標樣本特征信息對應的訓練損失；

所述根據所述訓練損失，采用梯度下降法更新所述神經網絡模型的參數，包括：

根據所述訓練損失，采用梯度下降法更新所述神經網絡模型和所述深層語義提取模塊的可學習參數。

2.根據權利要求1所述的基于多源異構數據特征降維的數控機床故障預測方法，其特征在于，對所述初始數據進行降維處理，包括：

對所述初始數據采用主成分分析法進行降維處理。

3.根據權利要求1所述的基于多源異構數據特征降維的數控機床故障預測方法，其特征在于，所述預測模塊為LSTM神經網絡。