一种基于工业互联网大数据的机床远程诊断方法与流程

1.本技术是关于工业互联网技术领域，特别是关于一种基于工业互联网大数据的机床远程诊断方法。


背景技术：

2.随着自动化生产技术的发展，工业生产中，越来越多的企业采用自动化的流水线生产方式。在这些自动化的流水线上，生产机床的稳定运行十分重要。如果生产机床不能稳定运行，则会导致流水线的生产也出现问题。
3.因此，对于工业化生产来说，需要经常对机床进行检查、诊断等，以保证机床的稳定运行。相关技术中，机床的诊断通常采用人工诊断的方式，这种诊断方式不仅耗费人力，且效率和精度都较低。


技术实现要素：

4.本技术的目的在于提供一种基于工业互联网大数据的机床远程诊断方法，其能够实现精确且高效的机床远程诊断，从而保证机床的运行稳定性。
5.为实现上述目的，本技术的实施例提供了一种基于工业互联网大数据的机床远程诊断方法，包括：获取第一机床监测数据；所述第一机床监测数据为目标机床的实时运行监测数据；获取第二机床监测数据；所述第二机床监测数据为参考机床的参考运行监测数据；根据所述实时运行监测数据和所述参考运行监测数据确定所述目标机床的第一诊断结果；所述第一诊断结果用于指示所述目标机床的故障概率；基于所述第一诊断结果，获取所述目标机床的产品数据；根据所述实时运行监测数据和所述产品数据确定所述目标机床的第二诊断结果；所述第二诊断结果用于指示所述目标机床的故障信息。
6.在一种可能的实施方式中，所述目标机床配置有运行参数监测设备和图像采集设备，所述获取第一机床监测数据，包括：从所述运行参数监测设备处获取所述目标机床的运行参数；从所述图像采集设备处获取多张机床图像；所述多张机床图像为所述图像采集设备在预设时间段内采集到的图像；根据所述多张机床图像确定所述目标机床的运行状态；根据所述运行状态和所述运行参数生成所述第一机床监测数据。
7.在一种可能的实施方式中，所述根据所述多张机床图像确定所述目标机床的运行状态，包括：将所述多张机床图像按照采集时间进行排序，获得排序的多张机床图像；针对所述排序的多张机床图像，分别确定相邻两张机床图像之间的图像相似度，获得多个图像相似度；所述多个图像相似度的排序与所述多张机床图像的排序对应；确定所述多个图像相似度的变化规律，以及确定所述多个图像相似度的相似度均值、所述多个图像相似度中的最大相似度和所述多个图像相似度中的最小相似度；若所述变化规律符合预设变化规律，且所述相似度均值和所述最小相似度大于第一预设相似度，以及所述最大相似度小于第二预设相似度，确定所述目标机床的运行状态正常。
8.在一种可能的实施方式中，所述参考运行监测数据中包括第一运行监测数据项；
所述实时运行监测数据中包括所述第一运行监测数据项；所述参考机床的机床类型与所述目标机床的机床类型一致，所述参考机床的使用年限与所述目标机床的使用年限之间的使用年限差值小于预设差值，所述参考机床的历史诊断结果均为无故障，所述历史诊断结果基于所述参考运行监测数据确定。
9.在一种可能的实施方式中，所述根据所述实时运行监测数据和所述参考运行监测数据确定所述目标机床的第一诊断结果，包括：针对所述实时运行监测数据和所述参考运行监测数据中的第一运行监测数据项，确定所述第一运行监测数据项对应的实时运行监测数据和参考运行监测数据是否匹配；若所述第一运行监测数据项对应的实时运行监测数据和参考运行监测数据匹配，基于第一预设故障概率和第二运行监测数据项对应的实时运行监测数据确定所述目标机床的故障概率；若所述第一运行监测数据项对应的实时运行监测数据和参考运行监测数据不匹配，确定所述目标机床的故障概率为第二预设故障概率；所述第二预设故障概率大于所述第一预设故障概率。
10.在一种可能的实施方式中，所述基于第一预设故障概率和第二运行监测数据项对应的实时运行监测数据确定所述目标机床的故障概率，包括：根据所述第二运行监测数据项对应的实时运行监测数据确定故障概率影响值；根据所述第一预设故障概率和所述故障概率影响值确定所述目标机床的故障概率。
11.在一种可能的实施方式中，所述基于所述第一诊断结果，获取所述目标机床的产品数据，包括：若所述目标机床的故障概率大于预设故障概率，获取所述目标机床在第一预设时间段内生产的产品的产品数据；若所述目标机床的故障概率小于或者等于所述预设故障概率，获取所述目标机床在第二预设时间段内生成的产品的产品数据；其中，所述第一预设时间段大于所述第二预设时间段，且所述第一预设时间段和所述第二预设时间段中具备重合时间。
12.在一种可能的实施方式中，所述根据所述实时运行监测数据和所述产品数据确定所述目标机床的第二诊断结果，包括：根据所述实时运行监测数据和预先训练好的第一预测模型确定所述目标机床的故障情况；获取预设的与所述故障情况对应的预期产品数据；确定所述产品数据与所述预期产品数据是否一致；若所述产品数据与所述预期产品数据一致，根据所述预期产品数据对应的故障信息和所述故障情况确定所述目标机床的故障信息。
13.在一种可能的实施方式中，所述基于工业互联网大数据的机床远程诊断方法还包括：若所述产品数据与所述预期产品数据不一致，根据所述产品数据和预先训练好的第二预测模型确定所述产品数据对应的故障信息；根据所述产品数据对应的故障信息和所述故障情况确定所述目标机床的故障信息。
14.在一种可能的实施方式中，所述基于工业互联网大数据的机床远程诊断方法还包括：根据所述故障信息确定所述目标机床是否需要维修；若确定所述目标机床需要维修，根据所述故障信息生成所述目标机床的维修方案并反馈；根据所述产品数据确定所述目标机床的产品是否符合预设产品要求；若确定所述目标机床的产品不符合预设产品要求，根据所述产品数据和所述预设产品要求生成所述产品的二次生产方案并反馈。
15.本技术的实施例提供了一种基于工业互联网大数据的机床远程诊断装置，包括：用于实现前述的基于工业互联网大数据的机床远程诊断方法以及对应的一个或者多个实
施方式的各个功能模块。
16.本技术的实施例还提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器通信连接；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器能够执行上述的任意一种实施方式中所述的基于工业互联网大数据的机床远程诊断方法。
17.本技术的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时，执行上述的任意一种实施方式中所述的基于工业互联网大数据的机床远程诊断方法。
18.与现有技术相比，根据本技术实施方式的基于工业互联网大数据的机床远程诊断方法、装置、电子设备、计算机可读存储介质，获取目标机床的实时运行监测数据，以及获取参考机床的参考运行监测数据，并基于这两种运行监测数据确定目标机床的第一诊断结果；接着，基于第一诊断结果，获取目标机床的产品数据；最后再利用实时运行监测数据和产品数据确定第二诊断结果。在整个诊断过程中，无需人工干预，基于工业互联网大数据实现智能诊断，提高诊断效率；以及，整个诊断过程结合了大量的工业互联网数据，进行分层次和分类别的诊断，提高诊断结果的精度。因此，该诊断方案可以实现精确且高效的机床远程诊断，从而保证机床的运行稳定性。
附图说明
19.图1是根据本技术一实施方式的基于工业互联网大数据的机床远程诊断方法的一个应用场景的示例图；图2是根据本技术一实施方式的基于工业互联网大数据的机床远程诊断方法的流程图；图3是根据本技术一实施方式的基于工业互联网大数据的机床远程诊断方法的又一个应用场景的示例图；图4是根据本技术一实施方式的基于工业互联网大数据的机床远程诊断装置结构示意图；图5是根据本技术一实施方式的电子设备的结构示意图。
具体实施方式
20.下面结合附图，对本技术的具体实施方式进行详细描述，但应当理解本技术的保护范围并不受具体实施方式的限制。
21.除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
22.本技术实施例提供的技术方案可以应用于工业自动化产业中，即，应用于各类工业自动化产业场景中。在这些工业自动化产业场景中，需要依靠生产机床实现工业产品的生产。这些生产机床属于大型工业化设备，需要经常进行诊断，以保证其稳定运行。
23.在相关技术中，虽然也会对生产机床进行故障诊断，但是，采用的故障诊断方式为人工诊断，人工诊断不仅耗费人力，还存在效率和精度较低的问题。
24.基于此，本技术实施例提供一种基于工业互联网大数据的机床远程诊断方案，该机床远程诊断方案无需人工干预，基于工业互联网大数据实现智能诊断，提高诊断效率；以及，整个诊断过程结合了大量的工业互联网数据，进行分层次和分类别的诊断，提高诊断结果的精度。因此，该诊断方案可以实现精确且高效的机床远程诊断，从而保证机床的运行稳定性。
25.因此，本技术实施例提供的机床远程诊断方案，可以应用于机床远程监控端，该机床远程监控端的硬件形式可以是：服务器、服务器+客户端、服务器+浏览器等，在此不作限定。
26.请参照图1，为本技术实施例提供的应用场景的示例图，在该应用场景中，工业互联网、远程监控端和多个机床；其中，工业互联网与远程监控端通信连接，远程监控端与多个机床分别通信连接。从而，远程监控端可以基于工业互联网的数据实现多个机床的远程诊断。
27.请参照图2，为本技术实施例提供的基于工业互联网大数据的机床远程诊断方法，如图2所示，该机床远程诊断方法包括：步骤201，获取第一机床监测数据。其中，第一机床监测数据为目标机床的实时运行监测数据。
28.在一些实施例中，目标机床为需要进行远程诊断的机床。在一些实施例中，目标机床的数量可以是一个，也可以是多个。若为一个，则针对该一个机床进行远程诊断；若为多个，则针对多个机床，按照相同的远程诊断方式实现诊断。
29.目标机床的实时运行监测数据，可以理解为在目标机床的运行过程中，实时监测到的运行数据。该运行数据在不同的应用场景中，可以有不同的数据类型。
30.作为一种可选的实施方式，目标机床配置有运行参数监测设备和图像采集设备，步骤201包括：从运行参数监测设备处获取目标机床的运行参数；从图像采集设备处获取多张机床图像；多张机床图像为图像采集设备在预设时间段内采集到的图像；根据多张机床图像确定目标机床的运行状态；根据运行状态和运行参数生成第一机床监测数据。
31.在一些实施例中，目标机床的运行参数包括：运行速度、运行时间、运行频率等，在此不作限定。
32.在一些实施例中，图像采集设备，可以是工业自动化中专用的相机，用于采集机床图像。
33.在一些实施例中，图像采集设备持续地采集目标机床的图像，并将采集到的图像存储或者上传；然后，当需要获取第一机床监测数据时，获取预设时间段内采集到的图像。
34.其中，预设时间段可以结合不同的应用场景进行设置，例如：在一些应用场景中，预设时间段可以是10分钟、30分钟等，在此不作限定。
35.进一步地，作为一种可选的实施方式，根据所述多张机床图像确定所述目标机床的运行状态，包括：将多张机床图像按照采集时间进行排序，获得排序的多张机床图像；针对排序的多张机床图像，分别确定相邻两张机床图像之间的图像相似度，获得多个图像相似度；多个图像相似度的排序与多张机床图像的排序对应；确定多个图像相似度的变化规律，以及确定多个图像相似度的相似度均值、多个图像相似度中的最大相似度和多个图像相似度中的最小相似度；若变化规律符合预设变化规律，且相似度均值和所述最小相似度
大于第一预设相似度，以及最大相似度小于第二预设相似度，确定目标机床的运行状态正常。
36.在一些实施例中，将多张机床图像按照采集时间从早到晚排序，或者从晚到早排序。
37.在一些实施例中，相邻两张机床图像之间的图像相似度，可以按照本领域成熟的图像相似度确定方法进行确定。
38.在一些实施例中，假设有3张图像，则对应的图像相似度包括三个图像相似度。
39.进一步地，在确定相邻两张机床图像之间的图像相似度之后，按照机床图像的先后顺序对多个图像相似度进行排序。
40.举例来说，假设3张图像：图像1、图像2和图像3，对应的图像相似度包括：图像1和图像2之间的相似度1，图像2和图像3之间的相似度2；则，相似度的排序为：相似度1、相似度2。
41.进一步地，按照图像相似度的规律，确定多个图像相似度的变化规律，例如：变化规律为从小到大、从大到小、随机变化等。
42.以及，确定多个图像相似度的相似度均值，即对多个图像相似度求平均值；并确定其中的最大相似度和最小相似度。
43.进一步地，在确定变化规律、最大相似度和最小相似度之后，判断变化规律是否符合预设变化规律，以及相似度均值和最小相似度是否大于第一预设相似度，以及最大相似度是否小于第二预设相似度。
44.在一些实施例中，若变化规律符合预设变化规律，且相似度均值和最小相似度大于第一预设相似度，以及最大相似度小于第二预设相似度，确定目标机床的运行状态正常。
45.若为其他情况，则确定目标机床的运行状态不正常。
46.因此，在本技术实施例中，目标机床的运行状态分为两种：正常和不正常。
47.在一些实施例中，预设变化规律、第一预设相似度和第二预设相似度，可结合不同的应用场景进行配置，在此不对具体的规律，和相似度值作限定。
48.步骤202，获取第二机床监测数据。第二机床监测数据为参考机床的参考运行监测数据。
49.在一些实施例中，参考运行监测数据中包括第一运行监测数据项；实时运行监测数据中包括第一运行监测数据项；参考机床的机床类型与目标机床的机床类型一致，参考机床的使用年限与目标机床的使用年限之间的使用年限差值小于预设差值，参考机床的历史诊断结果均为无故障，历史诊断结果基于参考运行监测数据确定。
50.在这种实施方式中，参考运行监测数据中的至少一项监测数据与实时运行监测数据中的至少一项监测数据为相同的监测数据项。例如：参考运行监测数据中包括运行参数1，则实时运行监测数据中也包括运行参数1。
51.以及，参考机床的使用年限与目标机床的使用年限之间的使用年限差值小于预设差值，说明参考机床的使用情况与目标机床的使用情况之间的差距不太大。其中，预设差值可以结合不同的应用场景进行设置，例如：5年、2年等，在此不对具体值作限定。
52.以及，参考机床的历史诊断结果均为无故障，且这些无故障的诊断结果基于参考运行监测数据确定。
53.其中，基于参考运行监测数据确定历史诊断结果，可采用本技术实施例提供提供的方式，也可以采用其他的可实施方式，在此不作限定。
54.步骤203，根据实时运行监测数据和参考运行监测数据确定目标机床的第一诊断结果。其中，第一诊断结果用于指示目标机床的故障概率。
55.在一些实施例中，故障概率，例如：百分之90，代表目标机床极大可能已经发生故障；再例如：百分之10，代表目标机床可能未发生故障。
56.通过第一诊断结果，可以初步判断目标机床的故障概率，进而，结合目标机床的故障概率，作进一步的故障判断。
57.作为一种可选的实施方式，步骤203包括：针对实时运行监测数据和参考运行监测数据中的第一运行监测数据项，确定第一运行监测数据项对应的实时运行监测数据和参考运行监测数据是否匹配；若第一运行监测数据项对应的实时运行监测数据和参考运行监测数据匹配，基于第一预设故障概率和第二运行监测数据项对应的实时运行监测数据确定目标机床的故障概率；若第一运行监测数据项对应的实时运行监测数据和参考运行监测数据不匹配，确定目标机床的故障概率为第二预设故障概率；第二预设故障概率大于第一预设故障概率。
58.在一些实施例中，第一运行监测数据项，为实时运行监测数据和参考运行监测数据中，均包含的数据项。因此，针对该相同的数据项，可以判断第一运行监测数据项对应的实时运行监测数据和参考运行监测数据是否匹配。
59.若第一运行监测数据项对应的实时运行监测数据和参考运行监测数据匹配，此时，可结合第一预设故障概率和第二运行监测数据项对应的实时运行监测数据确定目标机床的故障概率。其中，第一预设故障概率可以是参考机床基于第一运行监测数据项对应的参考运行监测数据确定的故障概率。或者，也可以为指定的一个故障概率值，在此不对具体值作限定。
60.在一些实施例中，参考机床可作为参考标准，因此，基于参考机床对应的参考运行监测数据，所确定的故障概率，可作为第一预设故障概率。
61.其中，基于参考机床对应的参考运行监测数据，确定故障概率，可以由人工实现，即由专业人士对运行监测数据进行分析，确定该第一预设故障概率。
62.在一些实施例中，指定的一个故障概率值，可以理解为相关应用场景中直接指定的概率值，该指定的故障概率值用于限定需要进行进一步确定故障概率的情况。
63.若第一运行监测数据项对应的实时运行监测数据和参考运行监测数据不匹配，此时，可直接确定目标机床的故障概率为第二预设故障概率。其中，第二预设故障概率可以是大于第一预设故障概率一定值的故障概率。该一定值，可以由第一运行监测数据项对应的实时运行监测数据和参考运行监测数据之间的差异值确定，差异值越大，该值越大；差异值越小，该值越小。
64.即，在不匹配的情况下，直接在第一预设故障概率的基础上，增加一定值，将此时得到的故障概率作为故障概率。相当于，在这种情况下，无需基于参考机床的故障概率确定目标机床的故障概率，而是结合预设的故障概率确定目标机床的故障概率。
65.在一些实施例中，第一运行监测数据项对应的实时运行监测数据和参考运行监测数据匹配，可以是第一运行监测数据项对应的实时运行监测数据和参考运行监测数据之间
的数据差异值在预设的差异值范围内。其中，预设的差异值范围结合不同的应用场景进行配置，在此不对值作限定。
66.在一些实施例中，基于第一预设故障概率和第二运行监测数据项对应的实时运行监测数据确定目标机床的故障概率，包括：根据第二运行监测数据项对应的实时运行监测数据确定故障概率影响值；根据第一预设故障概率和故障概率影响值确定目标机床的故障概率。
67.在一些实施例中，根据第二运行监测数据项对应的实时运行监测数据确定故障概率影响值，包括：根据第二运行监测数据项对应的实时运行监测数据和预设的故障概率预测模型确定故障概率影响值。
68.其中，该预设的故障概率预测模型基于监测数据和监测数据对应的故障概率影响值训练得到，该故障概率预测模型可以是神经网络模型、随机森林模型等，在此不作限定。
69.进而，基于第一预设故障概率和故障概率影响值，将两者进行整合，可确定目标机床的故障概率。例如：故障概率为第一预设故障概率与故障概率影响值的和。其中，故障概率影响值可以是正数，也可以是负数。
70.步骤204，基于第一诊断结果，获取目标机床的产品数据。
71.作为一种可选的实施方式，步骤204包括：若目标机床的故障概率大于第三预设故障概率，获取目标机床在第一预设时间段内生产的产品的产品数据；若目标机床的故障概率小于或者等于第三预设故障概率，获取目标机床在第二预设时间段内生成的产品的产品数据；其中，第一预设时间段大于第二预设时间段，且第一预设时间段和第二预设时间段中具备重合时间。
72.在一些实施例中，第三预设故障概率结合不同的应用场景进行设置，例如：第三预设故障概率为百分之50。
73.可以理解，第三预设故障概率为最终确定的故障概率对应的一个预设故障概率，与前述的第一预设故障概率和第二预设故障概率不相同。
74.进一步地，若目标机床的故障概率大于第三预设故障概率，则获取第一预设时间段对应的产品数据。否则，获取第二预设时间段对应的产品数据。
75.其中，第一预设时间段大于第二预设时间段，且第一预设时间段和第二预设时间段中具备重合时间，说明：第一预设时间段相较于第二预设时间段更长，且两者存在重合时间。例如：预设时间段为两天内，则第二预设时间段可以是一天内等。
76.在一些实施例中，产品数据包括：产品参数、产品数量、产品质量等与产品相关的信息，在不同的应用场景中可能不同。
77.步骤205，根据实时运行监测数据和产品数据确定目标机床的第二诊断结果。第二诊断结果用于指示目标机床的故障信息。
78.作为一种可选的实施方式，步骤205包括：根据实时运行监测数据和预先训练好的第一预测模型确定目标机床的故障情况；获取预设的与故障情况对应的预期产品数据；确定产品数据与预期产品数据是否一致；若产品数据与预期产品数据一致，根据预期产品数据对应的故障信息和故障情况确定目标机床的故障信息。
79.其中，第一预测模型基于：运行监测数据和运行监测数据对应的故障情况训练得到。第一预测模型可以是：神经网络模型、随机森林模型等。
80.在一些实施例中，在进行第一预测模型的训练时，可以采用一些提高模型精度的实施方式，例如：预设训练次数；在达到预设训练次数之后，才视为训练完成。再例如：预设测试数据集，基于测试数据集对模型的精度进行测试，并基于测试结果优化模型。
81.因此，基于第一预测模型和实时运行监测数据，可确定故障情况。
82.在一些实施例中，预先配置有不同的故障情况分别对应的预期产品数据。例如：硬件故障，对应的预期产品数据；软件故障，对应的预期产品数据等。
83.从而，将当前的故障情况与预先配置的故障情况进行比较，确定对应的故障情况，再获取对应的故障情况对应的预期产品数据。
84.进一步，判断当前的产品数据与预期产品数据是否一致，若当前的产品数据与预期的产品数据一致，则可根据预期产品数据对应的故障信息和故障情况确定目标机床的故障信息。
85.其中，预期产品数据对应的故障信息，可以是针对产品数据的更详细的故障判断，例如：硬件故障，故障信息中说明具体是什么硬件的故障。该预期产品数据对应的故障信息，可在生成预期产品数据时，对应配置。
86.在一些实施例中，若产品数据与预期产品数据不一致，则此时根据产品数据和预先训练好的第二预测模型确定产品数据对应的故障信息；根据产品数据对应的故障信息和故障情况确定目标机床的故障信息。
87.在一些实施例中，第二预测模型基于产品数据和产品数据对应的故障信息训练得到。
88.第二预测模型可以是：神经网络模型、随机森林模型等。
89.在一些实施例中，在进行第二预测模型的训练时，可以采用一些提高模型精度的实施方式，例如：预设训练次数；在达到预设训练次数之后，才视为训练完成。再例如：预设测试数据集，基于测试数据集对模型的精度进行测试，并基于测试结果优化模型。
90.因此，基于第二预测模型和产品数据，可确定故障信息。
91.进而，在目标机床的故障信息中，可以反映目标故障是否故障，以及在故障的情况下，具体的故障信息。
92.作为一种可选的实施方式，该机床远程诊断方法还包括：根据故障信息确定目标机床是否需要维修；若确定目标机床需要维修，根据故障信息生成目标机床的维修方案并反馈；根据产品数据确定目标机床的产品是否符合预设产品要求；若确定目标机床的产品不符合预设产品要求，根据产品数据和预设产品要求生成产品的二次生产方案并反馈。
93.如图3所示，为本技术实施例提供的又一应用场景的示例图，在该应用场景中，除了包括工业互联网、远程监控端和多个机床，还包括机床维修端；其中，工业互联网与远程监控端通信连接，远程监控端与多个机床分别通信连接，以及远程监控端还与机床维修端通信链接。从而，远程监控端可以基于工业互联网的数据实现多个机床的远程诊断，并将诊断结果反馈给机床维修端，以使机床维修端可以得知相应的维修方案或者产品二次生成方案。
94.在一些实施例中，若故障信息表征目标机床无故障，则确定目标机床无需维修。
95.在一些实施例中，若故障信息表征目标机床故障，则可以根据故障信息大致判断目标机床的故障等级，若目标机床的故障等级达到预设故障等级，则确定目标机床需要维
修，若目标机床的故障等级未达到预设故障等级，则确定目标机床无需维修。
96.进一步的，若确定目标机床需要维修，则根据故障信息生成目标机床的维修方案。例如：若故障信息为xx硬件故障，则在工业互联网数据中查询xx硬件故障对应的维修方案，并将其作为目标机床的维修方案。
97.进一步地，维修方案的反馈对象可以是：目标机床的管理端、监控端等。
98.在一些实施例中，除了生成目标机床的维修方案，还根据产品数据判断目标机床的产品是否符合预设产品要求。可以理解，若目标机床发生故障，则对应的产品可能也存在缺陷，所以需要对产品也作校验。
99.在一些实施例中，可以配置预设的产品数据的最低标准，然后将当前的产品数据与最低标准的产品数据进行比较，如果符合最低标准的产品数据，则符合预设产品要求；若不符合最低标准的产品数据，则不符合预设产品要求。
100.在一些实施例中，若符合预设产品要求，则可以不对产品数据作任何处理。
101.在另一些实施例中，若不符合预设产品要求，则根据产品数据和预设产品要求生成产品的二次生产方案并反馈。
102.在一些实施例中，确定产品数据与最低标准的产品数据之间的差距，然后，利用该差距，在工业互联网中查询相应的二次生成方案。
103.在一些实施例中，产品的二次方案的反馈对象可以是：产品监督端、产品管理端等。
104.通过前述实施例的介绍可以看出，本技术实施例提供的机床远程诊断方案，基于工业互联网大数据，获取目标机床的实时运行监测数据，以及获取参考机床的参考运行监测数据，并基于这两种运行监测数据确定目标机床的第一诊断结果；接着，基于第一诊断结果，获取目标机床的产品数据；最后再利用实时运行监测数据和产品数据确定第二诊断结果。在整个诊断过程中，无需人工干预，基于工业互联网大数据实现智能诊断，提高诊断效率；以及，整个诊断过程结合了大量的工业互联网数据，进行分层次和分类别的诊断，提高诊断结果的精度。因此，该诊断方案可以实现精确且高效的机床远程诊断，从而保证机床的运行稳定性。
105.请参照图4，本技术实施例还提供一种基于工业互联网大数据的机床远程诊断装置，包括：获取模块401，用于：获取第一机床监测数据；所述第一机床监测数据为目标机床的实时运行监测数据；获取第二机床监测数据；所述第二机床监测数据为参考机床的参考运行监测数据；根据所述实时运行监测数据和所述参考运行监测数据确定所述目标机床的第一诊断结果；所述第一诊断结果用于指示所述目标机床的故障概率；基于所述第一诊断结果，获取所述目标机床的产品数据；处理模块402，用于根据所述实时运行监测数据和所述产品数据确定所述目标机床的第二诊断结果；所述第二诊断结果用于指示所述目标机床的故障信息。
106.在一些实施例中，所述目标机床配置有运行参数监测设备和图像采集设备，获取模块401进一步用于：从所述运行参数监测设备处获取所述目标机床的运行参数；从所述图像采集设备处获取多张机床图像；所述多张机床图像为所述图像采集设备在预设时间段内采集到的图像；根据所述多张机床图像确定所述目标机床的运行状态；根据所述运行状态
和所述运行参数生成所述第一机床监测数据。
107.在一些实施例中，处理模块402进一步用于：将所述多张机床图像按照采集时间进行排序，获得排序的多张机床图像；针对所述排序的多张机床图像，分别确定相邻两张机床图像之间的图像相似度，获得多个图像相似度；所述多个图像相似度的排序与所述多张机床图像的排序对应；确定所述多个图像相似度的变化规律，以及确定所述多个图像相似度的相似度均值、所述多个图像相似度中的最大相似度和所述多个图像相似度中的最小相似度；若所述变化规律符合预设变化规律，且所述相似度均值和所述最小相似度大于第一预设相似度，以及所述最大相似度小于第二预设相似度，确定所述目标机床的运行状态正常。
108.在一些实施例中，所述参考运行监测数据中包括第一运行监测数据项；所述实时运行监测数据中包括所述第一运行监测数据项；所述参考机床的机床类型与所述目标机床的机床类型一致，所述参考机床的使用年限与所述目标机床的使用年限之间的使用年限差值小于预设差值，所述参考机床的历史诊断结果均为无故障，所述历史诊断结果基于所述参考运行监测数据确定。
109.在一些实施例中，处理模块402进一步用于：针对所述实时运行监测数据和所述参考运行监测数据中的第一运行监测数据项，确定所述第一运行监测数据项对应的实时运行监测数据和参考运行监测数据是否匹配；若所述第一运行监测数据项对应的实时运行监测数据和参考运行监测数据匹配，基于第一预设故障概率和第二运行监测数据项对应的实时运行监测数据确定所述目标机床的故障概率；若所述第一运行监测数据项对应的实时运行监测数据和参考运行监测数据不匹配，确定所述目标机床的故障概率为第二预设故障概率；所述第二预设故障概率大于所述第一预设故障概率。
110.在一些实施例中，处理模块402进一步用于：根据所述第二运行监测数据项对应的实时运行监测数据确定故障概率影响值；根据所述第一预设故障概率和所述故障概率影响值确定所述目标机床的故障概率。
111.在一些实施例中，获取模块401进一步用于：若所述目标机床的故障概率大于第三预设故障概率，获取所述目标机床在第一预设时间段内生产的产品的产品数据；若所述目标机床的故障概率小于或者等于所述第三预设故障概率，获取所述目标机床在第二预设时间段内生成的产品的产品数据；其中，所述第一预设时间段大于所述第二预设时间段，且所述第一预设时间段和所述第二预设时间段中具备重合时间。
112.在一些实施例中，处理模块402进一步用于：根据所述实时运行监测数据和预先训练好的第一预测模型确定所述目标机床的故障情况；获取预设的与所述故障情况对应的预期产品数据；确定所述产品数据与所述预期产品数据是否一致；若所述产品数据与所述预期产品数据一致，根据所述预期产品数据对应的故障信息和所述故障情况确定所述目标机床的故障信息。
113.在一些实施例中，处理模块402还用于：若所述产品数据与所述预期产品数据不一致，根据所述产品数据和预先训练好的第二预测模型确定所述产品数据对应的故障信息；根据所述产品数据对应的故障信息和所述故障情况确定所述目标机床的故障信息。
114.在一些实施例中，处理模块402还用于：根据所述故障信息确定所述目标机床是否需要维修；若确定所述目标机床需要维修，根据所述故障信息生成所述目标机床的维修方案并反馈；根据所述产品数据确定所述目标机床的产品是否符合预设产品要求；若确定所
述目标机床的产品不符合预设产品要求，根据所述产品数据和所述预设产品要求生成所述产品的二次生产方案并反馈。
115.可以理解，该装置与前述的方法对应，因此，各个功能模块的实施方式参照前述实施例，在此不作重复介绍。
116.请参照图5，本技术实施例还提供一种电子设备，包括：处理器501和存储器502，处理器501和存储器502通信连接。该电子设备可作为前述的基于工业互联网大数据的机床远程诊断方法的执行主体。
117.其中，存储器502中存储有可被处理器501执行的指令，所述指令被处理器501执行，以使处理器501能够执行前述实施例中所述的基于工业互联网大数据的机床远程诊断方法。
118.在一些实施例中，处理器501和存储器502之间通过通信总线实现通信连接。
119.可以理解，电子设备还可以包括更多所需的通用模块，在本技术实施例不作一一介绍。
120.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
121.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
122.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
123.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
124.前述对本技术的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本技术限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本技术的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本技术的各种不同的示例性实施方案以及各种不同的选择和改变。本技术的范围意在由权利要求书及其等同形式所限定。