[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

本發明公開了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，本發明提供的方法，獲取目標數控機床的多個零部件的運行數據，并且對運行數據進行降維處理，再輸入至神經網絡模型中進行故障預測，結合了數控機床的多個零部件的多維數據進行故障預測，對多維數據進行降維，能夠降低神經網絡模型的運算時間，并且在神經網絡模型中設置注意力機制模塊，對降維后的數據執行注意力機制，可以提高重要維度信息在故障檢測中的作用，提升故障檢測的準確性。

技術領域

本發明涉及數控加工技術領域，特別涉及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。

背景技術

目前已存在利用神經網絡對數控機床的故障進行預測的方式，但是，現有技術中利用神經網絡對數控機床的故障進行預測時，只考慮數控機床的單一化信息，例如只考慮數控機床的加工誤差等，然而數控機床是一個多單元組合的復雜機械系統，各種零部件分別對機床的故障情況產生不同程度的影響，現有的故障預測方法采用單一化信息進行預測，準確性不高。

因此，現有技術還有待改進和提高。

發明內容

針對現有技術的上述缺陷，本發明提供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，旨在解決現有技術中采用單一化信息進行數控機床故障預測準確性低的問題。

為了解決上述技術問題，本發明所采用的技術方案如下：

本發明的第一方面，提供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，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，其中，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。

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，其中，所述預測模塊為LSTM神經網絡。

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，其中，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，其中，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，其中，所述神經網絡模型的訓練過程為：