一种机床故障诊断及展示方法、装置、设备及存储介质与流程

本发明涉及工业制造，特别是涉及一种可视化数控机床故障诊断及展示方法、装置、设备及存储介质。

背景技术：

1、数控机床是工业制造过程中常见而又重要的机械设备，它综合了机械、自动化、计算机、测量、微电子等最新技术，其中面向机械故障的振动诊断方法由于其信号专业性导致只有专业技术能力较强的人员才能看懂数据含义并解析机床故障机理，从而极大的提高了数控机床设备管理和维护门槛。现有技术中对于机床故障检测方法主要包含三类。

2、第一类，数控机床运行状态及故障可视化呈现技术。

3、当前市场上针对数控机床的设备监控系统，基本都只是对机床设备信息的一些可视化呈现，设备运行状态数据主要以图表、文字描述等形式呈现(基于嵌入式系统的数控机床可视化能效管理监测平台-cn203455669u)，故障数据主要以故障记录方式呈现，部分会采用数据标注与静态模型的方式实现。

4、也有部分方案可以做到动态模型的显示，但一般方案往往采用针对性的整机3d建模完成，该方案采用一对一建模的方式完成，具有极高的显示效果(基于数字孪生的数控机床虚拟调试系统及系统构建方法-cn113703412a)。

5、现有数控机床运行状态及故障可视化呈现技术主要有以下两个问题：

6、(1)纯数据标注模式的视觉意义大于实用意义，模型本身一般不与数据联动，而是采用数据标注的方式实现感官上数据联动，其原因主要是目前技术主要采用整体建模或整体构图的方式建立显示模型，无法实现设备局部部件的运动映射；

7、(2)3d针对性建模具有极好的显示效果，但目前该技术建模工作量大，难以大规模推广应用，且对运行环境硬件要求极高，不具备良好的生产推广能力；

8、(3)现有技术方案的机床模型一般不具备故障表征能力，其主要原因是设备部件构型树和故障树的建立目前虽然理论比较完善，但在实际的设备管理过程中，由于设备管理、故障检测等资源分属各方，难以有效整合，因此基本都只采用文字记录的形式提供故障信息，而不在模型上表现。

9、第二类，数控机床振动故障诊断技术。

10、目前对数控机床振动数据故障诊断技术主要以振动信号特征分析为主，机器学习模式识别为辅实现，振动特征信号分析方法主要根据轴承、齿轮等关键部件的理论固有故障频率特征的可视化比对和统计特征的阈值对比完成故障诊断(一种齿轮箱故障缺陷检测系统-cn114371001a、一种基于工况识别的船用柴油机多模型故障诊断方法-cn112597658a)，而机器学习方法则是采用决策树、神经网络等机器学习模型对标注故障特征的数据进行分类训练(基于边缘计算和神经网络的换热机组故障诊断方法及系统-cn113640027a)，从而达到故障识别的效果。

11、第二类数控机床振动故障诊断技术存在以下缺点：

12、振动信号特征分析方法的方案往往需要专业的数据分析工具和专业的数据分析人员才能完成，因此该方法一般都是专业故障诊断第三方采用，实际数控机床用户一般不会采用。其次，该方法在多个不同程度故障叠加诊断时表现能力不好，叠加后的数据容易掩盖掉一些相对较轻的故障特征，导致人工难以识别完全。

13、机器学习方法在实际工程应用中的困难主要有两个方面，一是由于数据没有实验室环境理想，噪声过于复杂，难以达到理论效果；二是目前机器学习模型基本采用全量故障数据标识建模的方式，此方法针对每种故障都需要足够的样本数据建模，在实际生产环境中往往难以获取到覆盖面足够广、数量足够多的样本数据，因此模型的准确性也难以得到有效提升。

14、第三类，数控机床振动故障诊断模型自动优化技术。

15、目前数控机床振动故障诊断模型优化主要有人工分析和数据分析两种方式，大多基本采用人工分析的方式实现模型优化，生产环境中故障数据的打标基本以人工完成，模型自优化能力往往在实验室环境中应用较多。部分采用信号处理相关方法进行优化，但由于纯信号处理方法往往专业度较高，一般也需要人工把控优化过程或分析结果(基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法-cn113361205a)。

16、目前数控机床振动故障诊断模型基本都有人工分析参与的方式实现模型优化，无法在生产环境中实现模型自优化能力，其原因主要是方法专业性过高、业务端故障记录及描述往往无法和故障诊断方达到有效结合，再加上目前大部分企业业务端的故障记录数据并非结构化数据，也进一步加大了模型自优化的难度。

技术实现思路

1、鉴于上述问题，本发明提供用于克服上述问题或者至少部分地解决上述问题的一种机床故障诊断及展示方法、装置、设备及存储介质。解决了数控机床的机械振动故障的直观理解问题，可通过参数化配置模拟机床物理模型，动态展示机械故障机理；解决了数控机床机械振动故障的自动诊断问题，根据数控系统、振动传感器数据自动对机床故障状态进行诊断；解决了数控机床机械振动故障的复合故障原因解析问题，根据数控系统、振动传感器数据自动分解特征，匹配基础故障特征，解析复合故障的表征；故障诊断模型具备自动优化能力，可根据实际环境或测试环境中的故障检测反馈结果自动去除采集数据干扰特征，提纯故障特征数据，优化诊断模型，加强模型的故障诊断能力及故障原因解析能力。

2、本发明提供了如下方案：

3、一种机床故障诊断及展示方法，包括：

4、获取待检测部件的待检测运行状态数据；

5、将所述待检测运行状态数据输入目标故障元模式识别模型；所述目标故障元模式识别模型为采用故障元数据集结合深度残差收缩网络模型建立的识别模型；所述故障元数据集包括若干故障元数据，每个所述故障元数据包括所述待检测部件的至少一种故障的时域数据和/或频域数据和/或故障表现；

6、获取所述目标故障元模式识别模型输出的故障诊断结果；所述故障诊断结果包括至少一个目标故障元数据；所述目标故障元数据为所述故障元数据集中的一个；

7、获取所述故障诊断结果对应的所有故障显示素材，所述故障显示素材包括以图像形式存在的显示素材，所述故障显示素材用于示出所述待检测部件与所述目标故障元数据对应的故障发生后的图像；

8、将所有所述故障显示素材排列组合后形成与所述故障诊断结果对应的目标图像素材；

9、将所述目标图像素材发送至显示模块，以便在所述显示模块上展示所述目标图像素材包含的图像。

10、优选地：判断所述待检测运行状态数据是否满足故障诊断条件；

11、确定所述待检测运行状态数据满足所述诊断条件后将所述待检测运行状态数据输入目标故障元模式识别模型。

12、优选地：根据所述待检测运行状态数据确定对应的待检测部件的类型；

13、根据所述待检测部件的类型确定所述目标故障元模式识别模型；所述目标故障元模式识别模型为故障元模式识别模型集中的一个。

14、优选地：所述故障元数据集为采用仿真模拟、理论计算和/或数据采集积累形成。

15、优选地：接收新故障类型对应的新故障数据，将所述新故障数据与现有故障元数据做比对滤波，去除已有故障特征频率，生成新故障类型的新故障元数据并利用结合深度残差收缩网络模型建立的新识别模型。

16、优选地：所述故障显示素材为二维透视图像建模的方式生成的素材。

17、优选地：在所述显示模块上以目标方式展示所述目标图像素材包含的图像；所述目标方式包括静态展示、动态展示、突出展示中的任意一种或几种的组合。

18、一种机床故障诊断及展示装置，所述装置包括：

19、状态数据获取单元，用于获取待检测部件的待检测运行状态数据；

20、数据输入单元，用于将所述待检测运行状态数据输入目标故障元模式识别模型；所述目标故障元模式识别模型为采用故障元数据集结合深度残差收缩网络模型建立的识别模型；所述故障元数据集包括若干故障元数据，每个所述故障元数据包括所述待检测部件的至少一种故障的时域数据和/或频域数据和/或故障表现；

21、故障诊断结果获取单元，用于获取所述目标故障元模式识别模型输出的故障诊断结果；所述故障诊断结果包括至少一个目标故障元数据；所述目标故障元数据为所述故障元数据集中的一个；

22、故障显示素材获取单元，用于获取所述故障诊断结果对应的所有故障显示素材，所述故障显示素材包括以图像形式存在的显示素材，所述故障显示素材用于示出所述待检测部件与所述目标故障元数据对应的故障发生后的图像；

23、目标图像素材组合单元，用于将所有所述故障显示素材排列组合后形成与所述故障诊断结果对应的目标图像素材；

24、显示单元，用于将所述目标图像素材发送至显示模块，以便在所述显示模块上展示所述目标图像素材包含的图像。

25、一种机床故障诊断及展示设备，所述设备包括处理器以及存储器：

26、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

27、所述处理器用于根据所述程序代码中的指令执行上述的机床故障诊断及展示方法。

28、一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的机床故障诊断及展示方法。

29、根据本发明提供的具体实施例，本发明公开了以下技术效果：

30、本技术实施例提供的一种机床故障诊断及展示方法、装置、设备及存储介质，该方法采用基于故障元数据组合诊断的故障诊断方法，将数控机床机械故障拆分为不可细分的故障元数据，其他故障均由这些故障元数据的组合而成。该方法将复杂的故障诊断问题转化为基础数据的组合问题，相比人工分析，最大程度避免了人工分析带来的故障特征掩盖漏查的风险，相比传统机器学习方法，能有效减少模型训练所需的样本数据，只需要基础类型数据即可。

31、另外，在优选的实施方式下，该方法具备故障模型自动优化能力，该功能会对新类型故障数据做清洗处理，去除已有特征，提纯单类型特征，能有效扩充模型诊断范围和诊断能力，使系统在早期具备易部署的特点，虽然早期的故障诊断准确率不会很高，但数据迭代速度快，可以短期内实现系统内循环迭代完成自动优化升级。

32、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。