一种用于机床主轴状态预测的数据处理方法及装置与流程

本申请涉及智能制造领域，尤其涉及一种用于机床主轴状态预测的数据处理方法及装置。
背景技术：
：现有机床主轴的状态预测采用的方法有神经网络方法、粗糙集理论、最小二乘支持向量机等方法。现有技术，在预测机床主轴的状态时，没有考虑到机床主轴的状态在加工不同的产品时，和在加工同一产品的不同位置时，其所适用的故障预测方法是不同的。此外，现有预测机床主轴的状态的方法，基本上都是通过参数训练神经网络模型，没有加上生产状态信息，导致预测所基于的参数信息片面，不完整，会导致预测的结果不够准确。针对相关技术中存在的诸多技术问题，目前尚未提供有效的解决方案。技术实现要素：为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种于机床主轴状态预测的数据处理方法及装置。第一方面，本申请提供了一种用于机床主轴状态预测的数据处理方法，包括：获取待分析机床主轴的当前加工状态参数；获取所述待分析机床主轴的当前加工模式；确定与所述当前加工模式对应的预测模型；将所述当前加工状态参数输入所述预测模型，得到对应的故障预测结果。可选的，如前述的数据处理方法，所述获取待分析机床主轴的当前加工模式包括：通过预设的加工状态对应关系确定所述当前加工状态参数对应的所述当前加工模式，所述加工状态对应关系包括：加工状态参数与加工模式之间的对应关系。可选的，如前述的数据处理方法，所述通过预设的加工状态对应关系确定所述当前加工状态参数对应的所述当前加工模式，包括：确定所述待分析机床主轴的当前加工产品；通过预设的加工状态对应关系确定第一信息对应的所述当前加工模式，所述第一信息包括所述当前加工状态参数及所述当前加工产品，所述加工状态对应关系包括：加工状态参数及加工产品与加工模式之间的对应关系。可选的，如前述的数据处理方法，所述预测模型的建立方法包括：获取预设加工模式对应的训练参数；通过所述训练参数对待训练神经网络模型进行训练，得到与所述预设加工模式对应的预测模型。可选的，如前述的数据处理方法，所述获取预设加工模式对应的训练参数包括：获取所述待分析机床主轴的历史加工状态参数；根据所述预设加工模式对应的所述历史加工状态参数确定所述预设加工模式对应的训练参数。可选的，如前述的数据处理方法，在得到与所述预设加工模式对应的所述预测模型之后，还包括：建立所述预测模型与加工模式之间的对应关系；按照所述对应关系将所述预测模型存入模型数据库中；确定与所述当前加工模式对应的预测模型，包括：根据所述对应关系以及所述当前加工模式，在所述模型数据库中确定所述当前加工模式对应的预测模型；从所述模型数据库中调取所述当前加工模式对应的预测模型。可选的，如前述的数据处理方法，在得到对应的故障预测结果之后，还包括：根据预设的故障处理策略，确定与所述故障预测结果对应的处理指令；将所述处理指令发送至所述待分析机床主轴，使所述待分析机床主轴执行所述处理指令；根据所述故障预测结果生成对应的告警信息；将所述告警信息发送至预设终端。第二方面，本申请提供了一种用于机床主轴状态预测的数据处理装置，包括：第一获取模块，用于获取待分析机床主轴的当前加工状态参数；第二获取模块，用于获取所述待分析机床主轴的当前加工模式；确定模块，用于确定与所述当前加工模式对应的预测模型；预测模块，用于将所述当前加工状态参数输入所述预测模型，得到对应的故障预测结果。第三方面，本申请提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述计算机程序时，实现如前述任一项所述的处理方法。第四方面，本申请提供了一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前述任一项所述的处理方法。本申请实施例提供了一种用于机床主轴状态预测的数据处理方法及装置，包括：获取待分析机床主轴的当前加工状态参数；获取待分析机床主轴的当前加工模式；确定与所述当前加工模式对应的预测模型；将所述当前加工状态参数输入所述预测模型，得到对应的故障预测结果。本申请实施例提供的上述技术方案与现有技术相比具有如下优点：可以在待分析机床主轴开始工作的时候，根据待分析机床主轴的加工状态参数，来获取待分析机床主轴的实时加工状态，并且可以根据待分析机床主轴的加工状态，调用相应的预测模型进行针对性强的预测，具有预测精准度高的优点。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的一种用于机床主轴状态预测的数据处理方法的流程示意图；图2为本申请另一个实施例提供的一种用于机床主轴状态预测的数据处理方法的流程示意图；图3为本申请另一个实施例提供的一种用于机床主轴状态预测的数据处理方法的流程示意图；图4为本申请实施例提供的一种用于机床主轴状态预测的数据处理装置的框图；图5为本申请实施例提供的一种电子设备的结构示意图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。图1为本申请实施例提供的一种第一方面，本申请提供了一种用于机床主轴状态预测的数据处理方法，包括如下所述步骤s1至s4：步骤s1.获取待分析机床主轴的当前加工状态参数；具体的，由于机床的状态参数很多，很难逐个进行监测，但是，在产品加工过程中，机床主轴的电流、功率和温度等参数变化比较明显，对机床主轴的监控同样能够很好体现机床的健康状态，因此选择对机床主轴的状态进行检测。待分析机床主轴为用于加工产品的设备；当前加工状态参数，可以是在加工过程中实时采集得到的待分析机床主轴在一时间段内的状态参数，可选的，可以通过机床数控系统的opc服务(opc是当下应用最广的一种数据连接标准，用于在控制器，设备，应用程序和其他基于服务器的系统之间进行通信，而无需进入数据传输的自定义驱动程序)，实时采集机床的工作状态信息和工作参数数据等；其中，工作状态信息包括：待机、粗修砂轮、磨削过程修整、自动对刀/自动对刀学习、磨后测量、磨削等状态；工作参数数据包括：主轴电流、功率和温度等参数。步骤s2.获取待分析机床主轴的当前加工模式。具体的，由于本申请是基于不同的加工状态对应的预测模型对当前加工状态参数进行判断，因此当前加工模式为：与当前加工状态参数对应的加工模式。可选的，当前加工模式可以通过人工进行判断得到也可以通过系统或程序根据当前加工状态参数分析得到。步骤s3.确定与当前加工模式对应的预测模型。具体的，可以每一个加工模式对应有一个预测模型，也可以若干个连续的工作的加工模式对应与一个预测模型，具体对应方式根据使用或者预测模型的训练方式对应，可以自适应进行调整。且预测模型的匹配方式可以通过关键词匹配等方式进行，举例来说，在得到当前加工模式之后，可以确定当前加工模式对应的关键词，例如：磨削；然后，根据关键词“磨削”在存储有预测模型的数据库中匹配名称中包括或相当于“磨削”的预测模型；上述内容仅作为其中一种获取对应的预测模型的实例，并不能作为对本申请的具体限定。步骤s4.将当前加工状态参数输入预测模型，得到对应的故障预测结果。具体的，当确定用于对待分析机床主轴的当前状态进行预测的预测模型之后，即可将当前加工状态参数输入预测模型中，可选的，当前加工状态参数在采集时，可以仅采集所述预测模型所需的参数，也可以预测模型根据其所需的参数在当前加工状态参数中进行选择。且故障预测结果可以是预测模型根据当前加工状态参数得到的结果，结果可以是预计会出现故障的故障类型和/或故障时间；举例的：2分钟后xx控制器会出现故障。因此，通过本实施例中的方法可以在待分析机床主轴开始工作的时候，根据待分析机床主轴的加工状态参数，来获取待分析机床主轴的实时加工状态，并且可以根据待分析机床主轴的加工状态，调用相应的预测模型进行针对性强的预测，具有预测精准度高的优点。在一些实施例中，如前述的数据处理方法，步骤s2获取待分析机床主轴的当前加工模式具体包括：通过预设的加工状态对应关系确定当前加工状态参数对应的当前加工模式，加工状态对应关系包括：加工状态参数与加工模式之间的对应关系。具体的，加工状态对应关系可以存储在一数据库中，一般的，由于加工状态参数会存在多种，因此具体存储方式可以如下表所示：参数a参数b参数c参数d加工模式(10～20)(20～25)(20～40)(35～40)i(10～20)(10～15)(20～25)ii..............................如上表所示，当加工状态参数a、b、c和d都存在具体数值，且分别为10、20、30、40时，则得到对应的加工模式为i；当加工状态参数a、b、c存在具体数值，且分别为15、13、20时，而加工状态参数d不存在具体数值；则得到对应的加工模式为ii。上述示例内容仅作为实现本实施例中获取待分析机床主轴的当前加工模式包的一种实例，并不能作为对本申请的具体限定。因此，通过本实施例中的方法，可以自动分析得到对应的加工模式，无需人为进行加工模式的判断，进而可以进一步减少相关人员的配置，降低人力成本，提高效率。如图2所示，在一些实施例中，如前述的数据处理方法，通过预设的加工状态对应关系确定当前加工状态参数对应的当前加工模式，包括如下所述步骤p1和p2：步骤p1.确定待分析机床主轴的当前加工产品。具体的，当前加工产品即为与当前加工状态参数对应的加工的产品的类型；由于对不同产品进行加工可能存在相同的加工流程，但是，具体的加工过程中机床的设置的参数以及运行参数等等可能会随着产品的变化而变化，因此，通过确定当前加工产品可以进一步细化加工模式的分类，进而得到针对性更强的不同的分析模型，以得到更为准确的分析结果。步骤p2.通过预设的加工状态对应关系确定第一信息对应的当前加工模式，第一信息包括当前加工状态参数及当前加工产品，加工状态对应关系包括：加工状态参数及加工产品与加工模式之间的对应关系。具体的，不同的加工模式对应加工状态参数与加工产品都各不相同，举例的：磨齿机的工作状态分为待机、粗修砂轮、磨削过程修整、自动对刀/自动对刀学习、磨后测量、磨削等状态。实现本实施例中的方法可以通过在步骤a1所举的示例的基础上，增加加工产品作为匹配的因子，进而可以匹配得到与不同加工产品在不同工作状态下对应的加工状态；因此，即可实现通过预设的加工状态对应关系确定第一信息对应的当前加工模式的目的。举例来说，一般在加工不同的产品时，机床主轴电流、功率和温度所表现出来的特点也是不一样的。将加工产品和工作模式进行一一对应，例如当通过待分析机床主轴进行加工的加工产品存在a产品和b产品时；加工状态可以包括：a产品+待机(即：对应的加工产品为a产品，加工状态参数对应的是待机状态的参数)、a产品+粗修砂轮、a产品+磨削过程修整、a产品+自动对刀、a产品+磨后测量、a产品+磨削；b产品+待机、b产品+粗修砂轮、b产品+磨削过程修整、b产品+自动对刀、b产品+磨后测量、b产品+磨削。由上可知，加工模式的命名方式可以是通过产品名称+工作状态进行命名。通过本实施例中的方法，可以通过待分析机床主轴加工产品得到准确的加工状态，进而可以调用相应的具有更强针对性的预测模型进行故障预测，能够得到更好的准确性。如图3所示，在一些实施例中，如前述的数据处理方法，预测模型的建立方法包括如下所述步骤t1和t2：步骤t1.获取预设加工模式对应的训练参数。具体的，预设加工模式为：将对某一加工产品进行完整的加工流程进行分拆为一个或多个加工模式。不同的预设加工模式对应的训练参数是各不相同的。举例来说：当待机状态下，对应的训练参数可以包含：机床主轴电流和温度；而磨削状态下，对应的训练参数可以包含：机床主轴电流、功率和温度；且进一步的，不同状态下训练参数的差异不仅仅体现在类别不同，具体的参数的数值也是各不相同的；当预设加工模式还增加有加工产品因子之后，还会存在训练参数类别相同但具体训练参数的数值不同的情况。步骤t2.通过训练参数对待训练神经网络模型进行训练，得到与预设加工模式对应的预测模型。具体的，神经网络模型可以是lstm神经网络(longshort-termmemory，长短期记忆网络)。举例的，具体训练方法可以包括：1)每次输入20组数据(可选的，每秒收集一组数据)，每组数据包括2个参数(例如：电流和电压)，然后根据上述数据得到2*20的矩阵；2)将矩阵输入lstm网络中的第一层lstm中，并映射至其中的128个lstm神经元；然后由系数加权等处理后映射至第二lstm层中的64个神经元，处理后输入dense层(全连接层中的一种)；3)dense层将输出收缩到10个，可选的，输出的数据可以是原参数中的一种，例如只输出电流参数的数据，即预测接下来10秒的电流值，便可得到未来10秒的电流走势，然后根据实际生产中电流走势对网络参数进行调整。进而，在得到实施例中训练得到的模型之后，通过其预测得到的某一参数的未来某一时间段的走势，然后根据该参数的正常区间，判断得到参数会出现异常的时间点。在一些实施例中，如前述的数据处理方法，步骤t1.获取预设加工模式对应的训练参数包括如下所述步骤t11和t12：步骤t11.获取待分析机床主轴的历史加工状态参数；可选的，可以通过机床数控系统的opc服务，采集得到待分析机床主轴的工作状态数据和工作参数数据等。步骤t12.根据预设加工模式对应的历史加工状态参数确定预设加工模式对应的训练参数。具体的，根据选择将完整加工流程分割得到多个预设加工模式；然后确定各个预设加工模式对应的历史加工状态参数，即可将这些历史加工状态参数按照不同的预设加工模式分成不同的数据集；以便于后期进行训练时使用。在一些实施例，如前述的数据处理方法，在步骤t2得到与预设加工模式对应的预测模型之后，还包括如下所述步骤t3和t4：步骤t3.建立预测模型与加工模式之间的对应关系。具体的，可以通过给每个预测模型设定一个与加工模式的名称对应的关键字，实现上述的对应关系；进而可以通过该关键字匹配的到与各个加工模式对应的预测模型。步骤t4.按照对应关系将预测模型存入模型数据库中。具体的，在步骤t3的基础上，在存储时，可以通过以数据表的形式存储有各个预测模型的关键字及存储位置，因此在匹配带某一预测模型的关键字之后，即可得到该预测模型的存储位置，进而可以在使用时可以根据加工模式从模型数据库中调取出对应的预测模型。所述步骤s3确定与当前加工模式对应的预测模型，包括如下所述步骤s31和s32：步骤s31.根据对应关系以及当前加工模式，在模型数据库中确定当前加工模式对应的预测模型。步骤s32.从模型数据库中调取当前加工模式对应的预测模型。在步骤t21和t22的基础上，可以先确定当前加工模式的关键字，然后根据该匹配关系在数据表中得到当前加工模式的关键字对应的存储位置，最后根据该存储位置即可从上述的模型数据库中调取出于当前加工模式对应的预测模型。在一些实施例中的，如前述的数据处理方法，在得到对应的故障预测结果之后，还包括如下所述步骤s51至s54：步骤s51.根据预设的故障处理策略，确定与所述故障预测结果对应的处理指令。步骤s52.将所述处理指令发送至待分析机床主轴，使所述待分析机床主轴执行处理指令。具体的，上述的故障处理策略中包括：故障预测结果与候选处理指令之间的对应关系；一般的，不同的故障预测结果与候选处理指令都是各不相同的，且候选处理指令适用于可以通过软件系统控制可以规避的故障预测结果预测得到的故障；当故障预测结果根据预设的故障处理策略匹配的到候选处理指令之后，便将其作为上述处理指令。然后将其发送给待分析机床主轴，一般的，是通过待分析机床主轴的控制系统对该处理指令进行执行，以达到控制待分析机床主轴中各个可控组件的运行的目的，以避免预测得到的故障。步骤s53.根据故障预测结果生成对应的告警信息。步骤s54.将告警信息发送至预设终端。具体的，当得到故障预测结果之后，可以根据其预计会出现故障的故障类型和/或故障时间，因此告警信息也可以包括故障类型和/或故障时间。预设终端可以是待分析机床主轴的控制系统，也可以是管理人员的终端设备(例如：计算机或智能移动终端)，进而可以使控制系统发出告警或管理人员提前得知预计要发生的故障。使相关人员能够及时对待分析机床主轴进行维护，避免故障发生。如图4所示，根据本申请另一方面提供的一种用于机床主轴状态预测的数据处理装置，包括：第一获取模块1，用于获取待分析机床主轴的当前加工状态参数；第二获取模块2，用于获取待分析机床主轴的当前加工模式；确定模块3，用于确定与当前加工模式对应的预测模型；预测模块4，用于将当前加工状态参数输入预测模型，得到对应的故障预测结果。具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。根据本申请的另一个实施例，还提供一种电子设备，包括：如图5所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。存储器1503，用于存放计算机程序；处理器1501，用于执行存储器1503上所存放的程序时，实现上述方法实施例的步骤。上述电子设备提到的总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。存储器可以包括随机存取存储器(randomaccessmemory，ram)，也可以包括非易失性存储器(non-volatilememory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessing，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。本申请实施例还提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述方法实施例的步骤。需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。当前第1页12