基于工业物联网的机床加工监测方法、装置、终端和介质与流程

本技术涉及数据处理，尤其涉及一种基于工业物联网的机床加工监测方法、装置、终端和介质。

背景技术：

1、数控机床作为离散制造业的核心生产设备，其运行稳定性与加工精度直接决定了产品质量和生产效率。传统机床加工监测主要依赖人工巡检、离线质量检测和简单的阈值报警。

2、然而，现有的机床加工监测技术手段的缺陷主要体现在以下方面：大多仅利用单一类型的传感器数据（如主轴振动数据）进行分析，忽略了加工过程数据（如刀具使用时长、加工材料、预设参数）与机床运行数据之间的内在关联；现有方法均输出统一格式的监测结果，未考虑不同级别、不同岗位工作人员的信息需求差异；现有方法的预警机制通常仅根据异常严重程度触发统一的报警，无法根据岗位职责和预警等级进行差异化推送。

技术实现思路

1、本技术的主要目的在于提供一种基于工业物联网的机床加工监测方法、装置、终端和介质，旨在面向不同级别、不同岗位工作人员的定制化监测结果，在保证监测精度一致的前提下，提升不同角色对监测信息的理解效率与决策响应速度。

2、为实现上述目的，本技术提供一种基于工业物联网的机床加工监测方法，所述方法包括：

3、获取机床运行数据以及加工过程数据；

4、对所述机床运行数据以及加工过程数据进行特征提取处理，得到全局特征向量；

5、通过预设异常归因预测模型，根据所述全局特征向量，得到异常归因预测结果；

6、基于所述异常归因预测结果以及预设岗位，生成定制化监测结果框架；

7、通过所述定制化监测结果框架，根据预设岗位中的目标岗位以及所述异常归因预测结果，得到目标岗位对应的目标监测结果，并将所述目标监测结果发送至预设岗位中的监测结果接收岗位对应的终端。

8、具体地，所述对所述机床运行数据以及加工过程数据进行特征提取处理，得到全局特征向量，包括：

9、对所述机床运行数据以及加工过程数据进行预处理，得到标准化后的输入张量；

10、对所述输入张量进行空间局部特征提取处理，得到空间特征图；

11、对所述空间特征图进行长距离时间依赖特征提取处理，得到双向时间特征图；

12、对所述双向时间特征图进行全局平均池化处理，得到所述全局特征向量。

13、具体地，所述对所述输入张量进行空间局部特征提取处理，得到空间特征图，包括：

14、通过预设第一卷积网络，根据所述输入张量，得到第一输出特征图；

15、通过预设第二卷积网络，根据所述输入张量，得到第二输出特征图；

16、通过预设第三卷积网络，根据所述输入张量，得到第三输出特征图，其中，所述预设第三卷积网络的卷积核尺寸、所述预设第二卷积网络的卷积核尺寸以及所述预设第一卷积网络的卷积核尺寸之比为5：3：1；

17、通过预设特征拼接网络，根据所述第一输出特征图、所述第二输出特征图以及所述第三输出特征图，得到所述空间特征图。

18、具体地，所述对所述空间特征图进行长距离时间依赖特征提取处理，得到双向时间特征图，包括：

19、将所述空间特征图按时间正序依次输入至预设前向长短期记忆单元，得到前向隐藏状态向量；

20、将所述空间特征图按时间逆序依次输入至预设反向长短期记忆单元，得到反向隐藏状态向量；

21、对所述前向隐藏状态向量以及所述反向隐藏状态向量进行拼接处理，得到所述双向时间特征图。

22、具体地，所述预设异常归因预测模型包括共享特征层、异常分类任务分支层、归因定位任务分支层以及输出层；

23、所述通过预设异常归因预测模型，根据所述全局特征向量，得到异常归因预测结果，包括：

24、通过所述共享特征层，根据所述全局特征向量，得到共享特征向量；

25、通过所述异常分类任务分支层，根据所述共享特征向量，得到异常类型概率向量；

26、通过所述归因定位任务分支层，根据所述共享特征向量，得到归因参数权重向量，其中，所述归因参数权重向量用于表征机床运行数据以及加工过程数据对于当前机床加工异常状态的贡献程度；

27、通过所述输出层，根据所述异常类型概率向量以及所述归因参数权重向量，得到所述异常归因预测结果，其中，所述异常归因预测结果包括异常类型识别结果、异常类型识别结果对应的置信度以及所述归因参数权重向量。

28、具体地，所述预设岗位包括一线操作岗、设备维护岗、生产管理岗以及企业决策岗，所述定制化监测结果框架包括预警等级分类框架以及预设岗位参考数据框架；

29、所述基于所述异常归因预测结果以及预设岗位，生成定制化监测结果框架，包括：

30、基于所述异常类型识别结果对应的置信度，构建所述预警等级分类框架，其中，所述预警等级分类框架包括一级预警、二级预警、三级预警以及正常状态等级，其中，所述一级预警用于表征需立即响应的严重异常，所述二级预警用于表征需及时关注的一般异常，所述三级预警用于表征需持续关注的轻微异常，所述正常状态等级用于表征机床运行正常；

31、基于所述预设岗位，对所述异常归因预测结果进行数据过滤处理，得到所述预设岗位参考数据框架，其中，所述预设岗位参考数据框架用于表征所述预设岗位与处理后的异常归因预测结果之间的映射关系。

32、具体地，所述将所述目标监测结果发送至预设岗位中的监测结果接收岗位对应的终端，包括：

33、若所述目标监测结果包括一级预警，则将所述目标监测结果发送至所述预设岗位；

34、若所述目标监测结果包括二级预警，则将所述目标监测结果发送至所述一线操作岗、所述设备维护岗以及所述生产管理岗；

35、若所述目标监测结果包括三级预警，则将所述目标监测结果发送至所述一线操作岗和所述设备维护岗。

36、为实现上述目的，本技术还提供一种基于工业物联网的机床加工监测装置，所述装置包括：

37、第一单元，用于获取机床运行数据以及加工过程数据；

38、第二单元，用于对所述机床运行数据以及加工过程数据进行特征提取处理，得到全局特征向量；

39、第三单元，用于通过预设异常归因预测模型，根据所述全局特征向量，得到异常归因预测结果；

40、第四单元，用于基于所述异常归因预测结果以及预设岗位，生成定制化监测结果框架；

41、第五单元，用于通过所述定制化监测结果框架，根据预设岗位中的目标岗位以及所述异常归因预测结果，得到目标岗位对应的目标监测结果，并将所述目标监测结果发送至预设岗位中的监测结果接收岗位对应的终端。

42、为实现上述目的，本技术还提供一种终端，包括存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行本技术所提供的任一种方法中的步骤。

43、为实现上述目的，本技术还提供一种介质，所述介质存储有多条指令，所述指令适于处理器进行加载，以执行本技术所提供的任一种方法中的步骤。

44、本技术提供的一种基于工业物联网的机床加工监测方法、装置、终端和介质，可以首先对传感器对应的原始传感数据进行预处理，得到设备异常数据；对所述设备异常数据进行解析，得到异常解析结果；通过预设多分支卷积模型，根据所述异常解析结果，对工厂车间中的设备进行异常归因定位处理，得到异常归因定位结果；通过预设序列到序列模型，根据所述异常归因定位结果以及所述异常解析结果，生成目标异常结论信息以及目标异常建议信息，以提升各岗位工作人员的异常处置精准度与效率。