基于神经网络模型的智能制造设备故障预测方法及系统与流程

本发明涉及智能制造技术领域，尤其涉及一种基于神经网络模型的智能制造设备故障预测方法及系统。

背景技术

智能制造(intelligentmanufacturing，im)是一种由智能机器、智能生产线和人类专家共同组成的人机一体化智能系统，它在制造过程中能进行智能活动，诸如分析、推理、判断、构思和决策等。通过人与智能机器的合作共事，去扩大、延伸和部分地取代人类专家在制造过程中的脑力劳动。它把制造自动化的概念更新，扩展到柔性化、智能化和高度集成化。

通过智能制造的方式提升产品制造效率和生产线的使用效率、优化生产线的调度；但是往往会因为生产线设备发生故障而又无法提前预知，导致在智能制造的生产线因设备故障而无法进行有效生产，并且发生设备故障前没有进行相应的准备，将会延长设备维修或更换周期，严重的影响智能制造生产线的生产效率。

技术实现要素：

本发明的目的在于克服现有技术的不足，本发明提供了一种基于神经网络模型的智能制造设备故障预测方法及系统，通过训练好的神经网络模型对设备的运行数据参数进行预测，可以较准确的预测设备将要发生故障的时间。

为了解决上述技术问题，本发明实施例提供了一种智能制造生产线上的设备故障时间预测方法，所述设备故障预测方法包括：

获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数；

根据设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数构建设备运行数据参数集合；

对构建好的设备运行数据参数集合内的参数进行归一化处理，获得归一化后的设备运行数据参数集合；

将归一化后的设备运行数据参数集合输入训练好的神经网络模型进行设备故障时间预测分析，输出设备故障时间预测结果。

可选的，所述设备故障预测方法还包括：

获取该设备已发生过故障的次数；

根据已发生过故障的次数确定输出设备故障时间预测结果的系数；

通过所述系数与输出设备故障时间预测结果进行计算，获得预测的设备故障时间。

可选的，所述获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数，包括：

基于设备上一次发生故障之后到当前时间段内，所述获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数。

可选的，所述训练好的神经网络模型的训练过程，包括：

构建神经网络模型，对所述神经网络模型进行初始化处理，获取初始化神经网络模型；

将训练数据输入初始化神经网络模型进行学习训练，直至收敛。

可选的，所述训练数据至少包括：设备发生故障时已运行时长参数、发生故障时已运行时间内的平均运行负载参数和在发生故障时已运行时间内每天平均运行时长参数。

可选的，所述对所述神经网络模型进行初始化处理，获取初始化神经网络模型，包括：

对所述神经网络模型进行节点压缩处理；

对节点压缩处理后的神经网络模型的节点参数进行正则化处理，获取初始化神经网络模型。

可选的，所述将训练数据输入初始化神经网络模型进行学习训练，直至收敛，包括：

将所述训练数据输入初始化神经网络模型进行学习训练，得到训练后的神经网络模型；

将测试数据输入训练后的神经网络模型进行预测分析，预测结果；

采用所述预测结果与测试数据标记的实际结果进行比较，获得比较结果；

判断所述比较结果是否预设阈值范围内，若是，则训练结束；

若否，采用反向传播算法对训练后的神经网络模型中各个节点的参数进行调整，并采用所述训练数据进行重新训练。

另外，本发明实施例还提供了一种智能制造生产线上的设备故障时间预测系统，所述设备故障预测系统包括：

第一获取模块：用于获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数；

集合构建模块：用于根据设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数构建设备运行数据参数集合；

归一化模块：用于对构建好的设备运行数据参数集合内的参数进行归一化处理，获得归一化后的设备运行数据参数集合；

预测模块：用于将归一化后的设备运行数据参数集合输入训练好的神经网络模型进行设备故障时间预测分析，输出设备故障时间预测结果。

可选的，所述设备故障预测系统还包括：

第二获取模块：用于获取该设备已发生过故障的次数；

系数确定模块：用于根据已发生过故障的次数确定输出设备故障时间预测结果的系数；

计算模块：用于通过所述系数与输出设备故障时间预测结果进行计算，获得预测的设备故障时间。

可选的，所述第一获取模块：用于基于设备上一次发生故障之后到当前时间段内，所述获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数。

在本发明实施例中，通过训练好的神经网络模型对设备的运行数据参数进行预测，可以较准确的预测设备将要发生故障的时间；在获得较为准确的设备将要发生故障的时间后，管理人员可以提前准备维修该设备所需要的工具和技术维修人员或者替换该设备的替换设备，以确保将因该设备发生故障后，将生产损失将至最低。

附图说明

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，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的基于神经网络模型的智能制造设备故障预测方法的流程示意图；

图2是本发明另一实施例中的基于神经网络模型的智能制造设备故障预测方法的流程示意图；

图3是本发明实施例中的基于神经网络模型的智能制造设备故障预测系统的结构组成示意图；

图4是本发明另一实施例中的基于神经网络模型的智能制造设备故障预测系统的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1是本发明实施例中的基于神经网络模型的智能制造设备故障预测方法的流程示意图。

如图1所示，一种智能制造生产线上的设备故障时间预测方法，所述设备故障预测方法包括：

s11：获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数；

在本发明实施过程中，通过在智能制造的生产线上的设备安装相应的数据参数采集器或相应的数据参数采集软件进行相应的参数采集，如在设备上安装运行负载参数采集软件，专门用于采集设备的运行负载参数；在设备上安装的设备运行时间记录器，用于采集设备运行的时长参数等。

在通过安装在设备上的相应的数据参数采集软件或者数据参数采集器采集到相应的数据之后，将这些数据按类别汇总一起，通过有线或者无线的方式将数据上传至数据存储数据库中。

上述的数据参数采集后，按类别汇总一起之后，按照预设的间隔时间段将汇总的数据参数统一上传数据存储数据库中，并且在数据存储数据库中是按照不同的设备类别进行存储的，在每次上传汇总的数据参数之后，均对存储数据库中的数据进行相应的更新。

在具体实施过程中，根据设备型号、设备编号，在存储数据库中提取出于该设备型号和设备编号相互一致的设备已运行时长参数、设备运行的赋值参数等数据，计算出设备在已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数；在计算这些参数的时候，均基于设备在上一次发生故障之后；即基于设备上一次发生故障之后到当前时间段内，所述获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数。

s12：根据设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数构建设备运行数据参数集合；

在具体实施过程中，在获得设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数之后，即可根据实际的需求构建三个参数之间的关系集合，在本发明实施例中，构建的设备运行数据参数集合为按照设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数的先后顺序进行构建的。

s13：对构建好的设备运行数据参数集合内的参数进行归一化处理，获得归一化后的设备运行数据参数集合；

在具体实施过程中，需要对构建好的设备运行数据参数集合内的参数进行归一化处理，归一化处理后的设备运行数据参数集合在后续进行神经网络模型预测时，因数据均归一化到[0,1]之间，便于神经网络模型更好的识别和读取。

在本发明实施例中不限制处理设备运行数据参数集合内参数归一化所采用的归一化方法可以为：min-max归一化法、z-score标准化归一化方法或者z-scores简单化归一化方法等。

s14：将归一化后的设备运行数据参数集合输入训练好的神经网络模型进行设备故障时间预测分析，输出设备故障时间预测结果。

在具体实施过程中，是将归一化后的设备运行数据参数集合从训练好的神经网络模型的输入层输入到训练好的神经网络模型，经过训练好的神经网络模型的卷积层、池化层、全连接层之后，从输出层输出设备故障时间预测结果。

该神经网络模型可以为深度神经网络模型、残缺神经网络模型或卷积神经网络模型中的一种。

其中训练好的神经网络模型的训练过程包括：构建神经网络模型，对所述神经网络模型进行初始化处理，获取初始化神经网络模型；将训练数据输入初始化神经网络模型进行学习训练，直至收敛。

其中训练数据的获取是在存储数据库中提取的，针对某一型号的设备进行训练时，则值提取与这一设备相关的数据参数作为训练数据，并在作为训练数据的数据参数是已发生过故障前的数据参数，并且训练数据至少包括：设备发生故障时已运行时长参数、发生故障时已运行时间内的平均运行负载参数和在发生故障时已运行时间内每天平均运行时长参数。

具体的，所述对所述神经网络模型进行初始化处理，获取初始化神经网络模型，包括：对所述神经网络模型进行节点压缩处理；对节点压缩处理后的神经网络模型的节点参数进行正则化处理，获取初始化神经网络模型。

在本发明实施例中，神经网络模型进行节点压缩处理为直接将原来的节点除以n进行压缩，其中n为大于1的数，根据神经网络模型的不同，n为不同的数值，如神经网络模型为深度神经网络模型时，n为2；通过对节点进行压缩，可以减少神经网络模型的冗余度，加快模型训练是的收敛速度。

在本发明实施例中，对节点压缩处理后的神经网络模型的节点参数进行正则化处理是在神经网络模型的节点参数中引入正则化，对每一个节点参数都进行相应的正则化，这样可以有效的去除节点参数之间的相关性，可以有效的防止在训练过程中，神经网络模型的过度拟合。

具体的，所述将训练数据输入初始化神经网络模型进行学习训练，直至收敛，包括：将所述训练数据输入初始化神经网络模型进行学习训练，得到训练后的神经网络模型；将测试数据输入训练后的神经网络模型进行预测分析，预测结果；采用所述预测结果与测试数据标记的实际结果进行比较，获得比较结果；判断所述比较结果是否预设阈值范围内，若是，则训练结束；若否，采用反向传播算法对训练后的神经网络模型中各个节点的参数进行调整，并采用所述训练数据进行重新训练。

在本发明具体实施例中，首先是通过训练数据输入初始化神经网络模型中进行学习训练，得到训练后的神经网络模型；然后用测试数据输入训练后的神经网络模型中进行测试，训练后的神经网络模型接收测试数据后，在输出层中输出根据测试数据得到的预测结果；采用根据测试数据得到的预测结果与测试数据标记的实际结果进行比较，即两者进行相减运算，获得差值，然后判断该差值的绝对值是否在预设的阈值范围内，比如预设阈值范围为[0-3]天，则判断差值是否在[0-3]内，若是，则判定该训练后的神经网络模型为以收敛的神经网络模型，即为训练好的神经网络模型

若判断的结果为大于预设阈值，则判断该训练后的神经网络模型为未收敛神经网络模型，需要进行重新训练，在重新训练之前，采用反向传播算法从神经网络模型中的输出层向输入层进行反向传播，在反向传播过程中，根据将上次训练之后的模型的误差值反馈到模型中，并在模型中对模型的节点参数进行调整，有利于重新训练的时候，使得神经网络模型快速达到收敛。

在本发明实施例中，通过训练好的神经网络模型对设备的运行数据参数进行预测，可以较准确的预测设备将要发生故障的时间；在获得较为准确的设备将要发生故障的时间后，管理人员可以提前准备维修该设备所需要的工具和技术维修人员或者替换该设备的替换设备，以确保将因该设备发生故障后，将生产损失将至最低。

另一实施例：

请参阅图2，图2是本发明另一实施例中的基于神经网络模型的智能制造设备故障预测方法的流程示意图。

如图2所示，一种智能制造生产线上的设备故障时间预测方法，所述设备故障预测方法包括：

s21：获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数；

s22：根据设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数构建设备运行数据参数集合；

s23：对构建好的设备运行数据参数集合内的参数进行归一化处理，获得归一化后的设备运行数据参数集合；

s24：将归一化后的设备运行数据参数集合输入训练好的神经网络模型进行设备故障时间预测分析，输出设备故障时间预测结果；

其中，s21-s24步骤的具体实施方式可参考上述实施例，在此不再赘述。

s25：获取该设备已发生过故障的次数；

具体的，获取该设备已发生过故障的次数可以从数据存储数据库中直接获取，只需要根据设备的型号和设备的序列号访问该数据库，即可在数据库中提取出设备发生故障的次数，其中设备的序列号为表示该型号该设备的唯一编码。

s26：根据已发生过故障的次数确定输出设备故障时间预测结果的系数；

具体的，根据已发生过故障的次数确定输出设备故障时间预测结果的系数，一般情况下，出现过相应故障的设备，在维修好之后，相对于未发生过故障的设备更容易出现相同的故障，因此在系数设定时，发生过故障的设备的系数将会变小，并且发生故障次数越多，该系数，如设定没发生一次故障，该系数则会减小0.05，且当故障次数大于3时，系数减少递增至每次增加0.1，当故障次数大于5次以上时，可提醒应该准备更换该设备。

s27：通过所述系数与输出设备故障时间预测结果进行计算，获得预测的设备故障时间。

具体的，是通过该系数与输出设备故障时间预测结果相乘，从而获得预测的设备故障时间，因为输出设备故障时间预测结果是没有具体考虑设备在故障之后，更容易发生故障，因此需要引入系数对输出设备故障时间预测结果进行相应的限制，这样获得的预测的设备故障时间将会更加准确。

在本发明实施例中，通过训练好的神经网络模型对设备的运行数据参数进行预测，可以较准确的预测设备将要发生故障的时间；在获得较为准确的设备将要发生故障的时间后，管理人员可以提前准备维修该设备所需要的工具和技术维修人员或者替换该设备的替换设备，以确保将因该设备发生故障后，将生产损失将至最低。

实施例：

请参阅图3，图3是本发明实施例中的基于神经网络模型的智能制造设备故障预测系统的结构组成示意图。

如图3所示，一种智能制造生产线上的设备故障时间预测系统，所述设备故障预测系统包括：

第一获取模块11：用于获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数；

在本发明实施过程中，通过在智能制造的生产线上的设备安装相应的数据参数采集器或相应的数据参数采集软件进行相应的参数采集，如在设备上安装运行负载参数采集软件，专门用于采集设备的运行负载参数；在设备上安装的设备运行时间记录器，用于采集设备运行的时长参数等。

在通过安装在设备上的相应的数据参数采集软件或者数据参数采集器采集到相应的数据之后，将这些数据按类别汇总一起，通过有线或者无线的方式将数据上传至数据存储数据库中。

上述的数据参数采集后，按类别汇总一起之后，按照预设的间隔时间段将汇总的数据参数统一上传数据存储数据库中，并且在数据存储数据库中是按照不同的设备类别进行存储的，在每次上传汇总的数据参数之后，均对存储数据库中的数据进行相应的更新。

在具体实施过程中，根据设备型号、设备编号，在存储数据库中提取出于该设备型号和设备编号相互一致的设备已运行时长参数、设备运行的赋值参数等数据，计算出设备在已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数；在计算这些参数的时候，均基于设备在上一次发生故障之后；即所述第一获取模块：用于基于设备上一次发生故障之后到当前时间段内，所述获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数。

集合构建模块12：用于根据设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数构建设备运行数据参数集合；

在具体实施过程中，在获得设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数之后，即可根据实际的需求构建三个参数之间的关系集合，在本发明实施例中，构建的设备运行数据参数集合为按照设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数的先后顺序进行构建的。

归一化模块13：用于对构建好的设备运行数据参数集合内的参数进行归一化处理，获得归一化后的设备运行数据参数集合；

在具体实施过程中，需要对构建好的设备运行数据参数集合内的参数进行归一化处理，归一化处理后的设备运行数据参数集合在后续进行神经网络模型预测时，因数据均归一化到[0,1]之间，便于神经网络模型更好的识别和读取。

在本发明实施例中不限制处理设备运行数据参数集合内参数归一化所采用的归一化方法可以为：min-max归一化法、z-score标准化归一化方法或者z-scores简单化归一化方法等。

预测模块14：用于将归一化后的设备运行数据参数集合输入训练好的神经网络模型进行设备故障时间预测分析，输出设备故障时间预测结果。

在具体实施过程中，是将归一化后的设备运行数据参数集合从训练好的神经网络模型的输入层输入到训练好的神经网络模型，经过训练好的神经网络模型的卷积层、池化层、全连接层之后，从输出层输出设备故障时间预测结果。

该神经网络模型可以为深度神经网络模型、残缺神经网络模型或卷积神经网络模型中的一种。

其中训练好的神经网络模型的训练过程包括：构建神经网络模型，对所述神经网络模型进行初始化处理，获取初始化神经网络模型；将训练数据输入初始化神经网络模型进行学习训练，直至收敛。

其中训练数据的获取是在存储数据库中提取的，针对某一型号的设备进行训练时，则值提取与这一设备相关的数据参数作为训练数据，并在作为训练数据的数据参数是已发生过故障前的数据参数，并且训练数据至少包括：设备发生故障时已运行时长参数、发生故障时已运行时间内的平均运行负载参数和在发生故障时已运行时间内每天平均运行时长参数。

具体的，所述对所述神经网络模型进行初始化处理，获取初始化神经网络模型，包括：对所述神经网络模型进行节点压缩处理；对节点压缩处理后的神经网络模型的节点参数进行正则化处理，获取初始化神经网络模型。

在本发明实施例中，神经网络模型进行节点压缩处理为直接将原来的节点除以n进行压缩，其中n为大于1的数，根据神经网络模型的不同，n为不同的数值，如神经网络模型为深度神经网络模型时，n为2；通过对节点进行压缩，可以减少神经网络模型的冗余度，加快模型训练是的收敛速度。

在本发明实施例中，对节点压缩处理后的神经网络模型的节点参数进行正则化处理是在神经网络模型的节点参数中引入正则化，对每一个节点参数都进行相应的正则化，这样可以有效的去除节点参数之间的相关性，可以有效的防止在训练过程中，神经网络模型的过度拟合。

具体的，所述将训练数据输入初始化神经网络模型进行学习训练，直至收敛，包括：将所述训练数据输入初始化神经网络模型进行学习训练，得到训练后的神经网络模型；将测试数据输入训练后的神经网络模型进行预测分析，预测结果；采用所述预测结果与测试数据标记的实际结果进行比较，获得比较结果；判断所述比较结果是否预设阈值范围内，若是，则训练结束；若否，采用反向传播算法对训练后的神经网络模型中各个节点的参数进行调整，并采用所述训练数据进行重新训练。

在本发明具体实施例中，首先是通过训练数据输入初始化神经网络模型中进行学习训练，得到训练后的神经网络模型；然后用测试数据输入训练后的神经网络模型中进行测试，训练后的神经网络模型接收测试数据后，在输出层中输出根据测试数据得到的预测结果；采用根据测试数据得到的预测结果与测试数据标记的实际结果进行比较，即两者进行相减运算，获得差值，然后判断该差值的绝对值是否在预设的阈值范围内，比如预设阈值范围为[0-3]天，则判断差值是否在[0-3]内，若是，则判定该训练后的神经网络模型为以收敛的神经网络模型，即为训练好的神经网络模型

若判断的结果为大于预设阈值，则判断该训练后的神经网络模型为未收敛神经网络模型，需要进行重新训练，在重新训练之前，采用反向传播算法从神经网络模型中的输出层向输入层进行反向传播，在反向传播过程中，根据将上次训练之后的模型的误差值反馈到模型中，并在模型中对模型的节点参数进行调整，有利于重新训练的时候，使得神经网络模型快速达到收敛。

在本发明实施例中，通过训练好的神经网络模型对设备的运行数据参数进行预测，可以较准确的预测设备将要发生故障的时间；在获得较为准确的设备将要发生故障的时间后，管理人员可以提前准备维修该设备所需要的工具和技术维修人员或者替换该设备的替换设备，以确保将因该设备发生故障后，将生产损失将至最低。

另一实施例：

请参阅图4，图4是本发明另一实施例中的基于神经网络模型的智能制造设备故障预测系统的结构组成示意图。

如图4所示，一种智能制造生产线上的设备故障时间预测系统，所述设备故障预测系统包括：

第一获取模块21：用于获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数；

集合构建模块22：用于根据设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数构建设备运行数据参数集合；

归一化模块23：用于对构建好的设备运行数据参数集合内的参数进行归一化处理，获得归一化后的设备运行数据参数集合；

预测模块24：用于将归一化后的设备运行数据参数集合输入训练好的神经网络模型进行设备故障时间预测分析，输出设备故障时间预测结果；

其中，上述的第一获取模块21、集合构建模块22、归一化模块23和预测模块24的具体实施方式可参考上述实施例，在此不再赘述。

第二获取模块25：用于获取该设备已发生过故障的次数；

具体的，获取该设备已发生过故障的次数可以从数据存储数据库中直接获取，只需要根据设备的型号和设备的序列号访问该数据库，即可在数据库中提取出设备发生故障的次数，其中设备的序列号为表示该型号该设备的唯一编码。

系数确定模块26：用于根据已发生过故障的次数确定输出设备故障时间预测结果的系数；

具体的，根据已发生过故障的次数确定输出设备故障时间预测结果的系数，一般情况下，出现过相应故障的设备，在维修好之后，相对于未发生过故障的设备更容易出现相同的故障，因此在系数设定时，发生过故障的设备的系数将会变小，并且发生故障次数越多，该系数，如设定没发生一次故障，该系数则会减小0.05，且当故障次数大于3时，系数减少递增至每次增加0.1，当故障次数大于5次以上时，可提醒应该准备更换该设备。

计算模块27：用于通过所述系数与输出设备故障时间预测结果进行计算，获得预测的设备故障时间。

具体的，是通过该系数与输出设备故障时间预测结果相乘，从而获得预测的设备故障时间，因为输出设备故障时间预测结果是没有具体考虑设备在故障之后，更容易发生故障，因此需要引入系数对输出设备故障时间预测结果进行相应的限制，这样获得的预测的设备故障时间将会更加准确。

在本发明实施例中，通过训练好的神经网络模型对设备的运行数据参数进行预测，可以较准确的预测设备将要发生故障的时间；在获得较为准确的设备将要发生故障的时间后，管理人员可以提前准备维修该设备所需要的工具和技术维修人员或者替换该设备的替换设备，以确保将因该设备发生故障后，将生产损失将至最低。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的基于神经网络模型的智能制造设备故障预测方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。