【技术实现步骤摘要】
本申请涉及智能预测，且更为具体地，涉及一种基于数字孪生和物联网技术的设备故障预测系统及方法。
技术介绍
1、数控机床(computer numerical control machine tool，简称cnc机床)是一种通过计算机控制系统来控制机床运动和加工过程的自动化设备。它可以根据预先编程的指令，精确地控制工具在工件上进行切削、钻孔、铣削、磨削等加工操作。cnc机床通常由机床本体、数控系统、执行系统和辅助设备组成。数控系统通过预先编写的程序控制机床的运动轨迹、切削速度、进给速度等参数，实现精确的加工操作。执行系统负责将数控系统的指令转化为机床的实际运动。
2、随着科技的不断发展，数控机床已成为现代制造业的核心设备之一。然而，数控机床在运行过程中可能会发生各种故障，导致生产线停机和生产延误，从而对生产计划和产品交付时间造成影响。因此，通常需要工作人员定期对机床进行检测和维护。但是，这种人工定期检测方法在面对复杂和多变的运行环境时，可能会出现误判和漏判的情况，不能准确地预测设备的故障。并且，这种方法无法对设备的运行状态进行实时的监控和预警。
3、因此，期待一种基于数字孪生和物联网技术的设备故障预测系统及方法。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于数字孪生和物联网技术的设备故障预测系统及方法，其利用基于深度学习的人工智能技术来监测和分析数控机床运行时的主轴转速值、主轴温度值、进给速度值、运行功率值和振动信号，捕捉到
2、相应地，根据本申请的一个方面，提供了一种基于数字孪生和物联网技术的设备故障预测系统，其包括：
3、数控机床运行监控模块，用于获取数控机床运行时在预定时间段内多个预定时间点的多项运行参数数据和所述预定时间段的振动信号，所述多项运行参数数据包括主轴转速值、主轴温度值、进给速度值、运行功率值；
4、运行参数时序编码模块，用于对所述多项运行参数数据分别进行时序编码以得到多个数控机床运行参数特征向量；
5、振动特征提取模块，用于提取所述预定时间段的振动信号的时频特征以得到振动信号时频特征向量；
6、故障检测模块，用于基于所述多个数控机床运行参数特征向量和所述振动信号时频特征向量之间的全局关联特征，确定数控机床运行状态是否存在异常。
7、在上述基于数字孪生和物联网技术的设备故障预测系统中，所述运行参数时序编码模块，包括：运行参数时序排列单元，用于将所述多个预定时间点的多项运行参数数据分别按照时间顺序排列以得到多个数控机床运行参数向量；时序特征提取单元，用于将所述多个数控机床运行参数向量分别通过基于一维卷积层的运行参数时序编码器以得到所述多个数控机床运行参数特征向量。
8、在上述基于数字孪生和物联网技术的设备故障预测系统中，所述振动特征提取模块，包括：时频图转化单元，用于计算所述振动信号的sift变换时频图；时频特征提取单元，用于将所述sift变换时频图通过基于卷积神经网络模型的振动特征提取器以得到所述振动信号时频特征向量。
9、在上述基于数字孪生和物联网技术的设备故障预测系统中，所述故障检测模块，包括：全局关联单元，用于对所述多个数控机床运行参数向量和所述振动信号时频特征向量进行基于全局的上下文关联编码以得到数控机床运行状态全局关联特征向量；分类单元，用于将所述数控机床运行状态全局关联特征向量通过分类器以得到分类结果，所述分类结果用于表示数控机床运行状态是否存在异常。
10、在上述基于数字孪生和物联网技术的设备故障预测系统中，所述全局关联单元，用于：将所述多个数控机床运行参数向量和所述振动信号时频特征向量通过基于转换器的上下文编码器以得到所述数控机床运行状态全局关联特征向量。
11、在上述基于数字孪生和物联网技术的设备故障预测系统中，所述分类单元，用于：使用所述分类器以如下分类公式对所述数控机床运行状态全局关联特征向量进行处理以获得所述分类结果；其中，所述分类公式为：
12、o＝softmax{(wn,bn):…:(w1,b1)|x}
13、其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述数控机床运行状态全局关联特征向量，softmax表示归一化指数函数，o表示所述分类结果。
14、在上述基于数字孪生和物联网技术的设备故障预测系统中，还包括用于对所述基于一维卷积层的运行参数时序编码器、所述基于卷积神经网络模型的振动特征提取器、所述基于转换器的上下文编码器和所述分类器进行训练的训练模块。
15、在上述基于数字孪生和物联网技术的设备故障预测系统中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括数控机床运行时在预定时间段内多个预定时间点的多项训练运行参数数据和所述预定时间段的训练振动信号，所述多项训练运行参数数据包括训练主轴转速值、训练主轴温度值、训练进给速度值、训练运行功率值；训练运行参数排列单元，用于将所述多个预定时间点的多项训练运行参数数据分别按照时间顺序排列为多个训练数控机床运行参数向量；训练运行参数时序编码单元，用于将所述多个训练数控机床运行参数向量分别通过所述基于一维卷积层的运行参数时序编码器以得到多个训练数控机床运行参数特征向量；训练振动信号时频图转化单元，用于计算所述训练振动信号的训练sift变换时频图；训练振动信号时频特征提取单元，用于将所述训练sift变换时频图通过所述基于卷积神经网络模型的振动特征提取器以得到训练振动信号时频特征向量；训练数据全局关联单元，用于将所述多个训练数控机床运行参数向量和所述训练振动信号时频特征向量通过所述基于转换器的上下文编码器以得到训练数控机床运行状态全局关联特征向量；分类损失单元，用于将所述训练数控机床运行状态全局关联特征向量通过所述分类器以得到分类损失函数值；损失补偿单元，用于计算所述训练数控机床运行状态全局关联特征向量的高维空间内部元素相关性衍生度量系数作为补偿损失函数值；训练单元，用于以所述分类损失函数值和所述补偿损失函数值的加权和作为损失函数值，来对所述基于一维卷积层的运行参数时序编码器、所述基于卷积神经网络模型的振动特征提取器、所述基于转换器的上下文编码器和所述分类器进行训练。
16、在上述基于数字孪生和物联网技术的设备故障预测系统中，所述损失补偿单元，用于：以如下相关性衍生度量公式计算所述训练数控机床运行状态全局关联特征向量的高维空间内部元素相关性衍生度量系数作为补偿损失函数值；其中，所述相关性衍生度量公式为：
17、
18、其中，vc表示所述训练数控机床运行状态全局关联特征向量，fi表示所述训练数控机床运行状态全局关联特征向量的特征值，p表示所述训练数控机床运本文档来自技高网...
【技术保护点】
1.一种基于数字孪生和物联网技术的设备故障预测系统，其特征在于，包括：
2.根据权利要求1所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述运行参数时序编码模块，包括：
3.根据权利要求2所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述振动特征提取模块，包括：
4.根据权利要求3所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述故障检测模块，包括：
5.根据权利要求4所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述全局关联单元，用于：
6.根据权利要求5所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述分类单元，用于：使用所述分类器以如下分类公式对所述数控机床运行状态全局关联特征向量进行处理以获得所述分类结果；其中，所述分类公式为：
7.根据权利要求6所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，还包括用于对所述基于一维卷积层的运行参数时序编码器、所述基于卷积神经网络模型的振动特征提取器、所述基于转换器的上下文
8.根据权利要求7所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述训练模块，包括：
9.根据权利要求8所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述损失补偿单元，用于：以如下相关性衍生度量公式计算所述训练数控机床运行状态全局关联特征向量的高维空间内部元素相关性衍生度量系数作为补偿损失函数值；
10.一种基于数字孪生和物联网技术的设备故障预测方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于数字孪生和物联网技术的设备故障预测系统，其特征在于，包括：
2.根据权利要求1所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述运行参数时序编码模块，包括：
3.根据权利要求2所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述振动特征提取模块，包括：
4.根据权利要求3所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述故障检测模块，包括：
5.根据权利要求4所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述全局关联单元，用于：
6.根据权利要求5所述的基于数字孪生和物联网技术的设备故障预测系统，其特征在于，所述分类单元，用于：使用所述分类器以如下分类公式对所述数控机床运行状态全局关联特征向量进行...
【专利技术属性】
技术研发人员：李涛，刘雨露，袁硕，王超凡，
申请(专利权)人：滁州迈硕科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。