模具剩余寿命在线自适应预测方法、装置、设备及介质与流程

1.本技术涉及物联网技术领域，尤其涉及一种模具剩余寿命在线自适应预测方法、装置、设备及介质。


背景技术：

2.近年来，随着工业物联网的推进，以及传感器技术、大数据和人工智能技术的发展，预测与健康管理技术(phm)越来越受到关注。而剩余寿命预测技术是phm中的关键部分，目前，传统的模具剩余寿命预测方法，通常是根据采集单一的信号数据进行预测，且不考虑不同工作模式对剩余寿命的影响，进而导致模具剩余寿命的准确性较低。


技术实现要素：

3.本技术的主要目的在于提供一种模具剩余寿命在线自适应预测方法、装置、设备及介质，旨在解决现有技术中的模具剩余寿命的准确性较低的技术问题。
4.为实现上述目的，本技术提供一种模具剩余寿命在线自适应预测方法，所述模具剩余寿命在线自适应预测方法包括：采集待评估模具当前运行状态的多维监测数据和加工参数信息，其中，所述多维监测数据包括各信号监测数据；对所述多维监测数据进行特征提取，得到目标特征信息；基于所述目标特征信息，对所述待评估模具进行在线评估，获得性能评估结果；基于所述性能评估结果以及所述加工参数信息，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果，其中，所述剩余寿命预测模型为基于预先收集的不同加工工况状态下的状态监测数据进行训练获得。
5.可选地，所述基于所述性能评估结果以及所述加工参数信息，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果的步骤包括：基于预设回归模型，对所述加工参数信息进行归一化处理，获得目标工况应力系数；基于所述性能评估结果以及所述目标工况应力系数，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果。
6.可选地，在所述采集待评估模具当前运行状态的多维监测数据和加工参数信息的步骤之前，所述模具剩余寿命在线自适应预测还包括：采集待训练模具在不同加工工况状态下的状态监测数据，以及不同工况状态对应的参数信息，其中，所述状态监测数据包括标注有工况标签和剩余寿命值标签的数据；基于所述不同加工工况状态的参数信息，对待训练回归模型进行训练，得到所述预设回归模型，并输出不同加工工况状态的应力系数；基于所述不同加工工况状态的应力系数以及状态监测数据，对待训练预测模型进行迭代训练，得到所述剩余寿命预测模型。
7.可选地，所述对所述多维监测数据进行特征提取，得到目标特征信息的步骤包括：对各所述信号监测数据进行滤波处理，得到各目标监测数据；基于各所述目标监测数据对应的时间戳标签，提取各所述目标监测数据对应的时间序列特征；分别提取各所述目标监测数据对应的时域特征、频域特征和时频域特征；将所述时间序列特征、所述时域特征、所述频域特征和所述时频域特征进行特征融合，得到所述目标特征信息。
8.可选地，所述分别提取各所述目标监测数据对应的时域特征、频域特征和时频域特征的步骤包括：基于各所述目标监测数据对应的信号属性，确定频域信号数据、时域信号数据以及时频域信号数据；提取各所述时频域信号数据对应的小波特征信息，并将所述小波特征信息作为所述时频域特征；计算各所述频域信号数据对应的统计特征信息，并将所述统计特征信息作为所述时域特征；以及提取各所述频域信号数据对应的频域特征。
9.可选地，所述基于所述目标特征信息，对所述待评估模具进行在线评估，获得性能评估结果的步骤包括：通过预设特征分布模型以及预设虚拟量测算法，分别对所述目标特征信息进行异常判断，得到第一评估结果；基于预先构建的数据模型，对所述目标特征信息进行评估，得到第二评估结果；基于所述第一评估结果和所述第二评估结果，确定所述性能评估结果。
10.可选地，所述采集待评估模具处于当前工况状态的多维监测数据的步骤包括：通过预先设置的各传感器，采集待评估模具处于当前工况状态的多维监测数据，其中，所述多维传感器包括声发射传感器、电涡流传感器、超声传感器、力传感器、振动传感器和吨位计中的一种或多种。
11.本技术还提供一种模具剩余寿命在线自适应预测装置，所述模具剩余寿命在线自适应预测装置为虚拟装置，所述模具剩余寿命在线自适应预测装置包括：采集模块，用于采集待评估模具当前运行状态的多维监测数据和加工参数信息，其中，所述多维监测数据包括各信号监测数据；特征提取模块，用于对所述多维监测数据进行特征提取，得到目标特征信息；性能评估模块，用于基于所述目标特征信息，对所述待评估模具进行在线评估，获得性能评估结果；自适应预测模块，用于基于所述性能评估结果以及所述加工参数信息，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果，其中，所述剩余寿命预测模型为基于预先收集的不同加工工况状态下的状态监测数据进行训练获得。
12.本技术还提供一种模具剩余寿命在线自适应预测设备，所述模具剩余寿命在线自适应预测设备为实体设备，所述模具剩余寿命在线自适应预测设备包括：存储器、处理器以及存储在所述存储器上的模具剩余寿命在线自适应预测程序，所述模具剩余寿命在线自适应预测程序被所述处理器执行实现如上述的模具剩余寿命在线自适应预测方法的步骤。
13.本技术还提供一种介质，所述介质为计算机可读介质，所述计算机可读介质上存储模具剩余寿命在线自适应预测程序，所述模具剩余寿命在线自适应预测程序被处理器执行实现如上述的模具剩余寿命在线自适应预测方法的步骤。
14.本技术提供了一种模具剩余寿命在线自适应预测方法、装置、设备及介质，本技术首先采集待评估模具当前运行状态的多维监测数据和加工参数信息，其中，所述多维监测数据包括各信号监测数据，进而对所述多维监测数据进行特征提取，得到目标特征信息，进一步地，基于所述目标特征信息，对所述待评估模具进行在线评估，获得性能评估结果，进而基于所述性能评估结果以及所述加工参数信息，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果，其中，所述剩余寿命预测模型为基于预先收集的不同加工工况状态下的状态监测数据进行训练获得，实现了通过采集多维的信号监测数据，避免了单一信号数据精度低，监测稳定性差的问题，有效地提高了灵活性及监测准确性，进而对所述多维监测数据进行特征提取，从而挖掘到多维度的特征信息，进一步地，基于所述特征信息在线评估模具的性能评估结果，从而结合模具的性能评估结果和具体加工模式的加工参数信息来自适应的预测模具的有效剩余寿命，从而提高模具剩余寿命预测的准确率。
附图说明
15.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
16.为了更清楚地说明本技术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，对于本领域默认技术人员而言，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。
17.图1为本技术模具剩余寿命在线自适应预测方法第一实施例的流程示意图；图2为本技术模具剩余寿命在线自适应预测方法第二实施例的流程示意图；图3为本技术模具剩余寿命在线自适应预测方法第三实施例的流程示意图；图4为本技术模具剩余寿命在线自适应预测方法第四实施例的流程示意图；图5为本技术实施例方案涉及的硬件运行环境的模具剩余寿命在线自适应预测设备结构示意图；图6为本技术模具剩余寿命在线自适应预测装置的功能模块示意图。
18.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
19.应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
20.本技术实施例提供一种模具剩余寿命在线自适应预测方法，在本技术模具剩余寿命在线自适应预测方法的第一实施例中，参照图1，所述模具剩余寿命在线自适应预测方法包括：步骤s10，采集待评估模具当前运行状态的多维监测数据和加工参数信息，其中，所述多维监测数据包括各信号监测数据；在本实施例中，需要说明的是，所述多维监测数据为通过各传感器在线采集模具
在压铸加工过程中的信号数据，所述各传感器包括但不限于声发射传感器、电涡流传感器、超声传感器、力传感器、振动传感器和吨位计等传感器等，其中，超声传感器：可以提供在压铸过程中模具的各种实时数据，及时监测并预防突发异常，声发射传感器：根据实际生产要求进行贴装安装，用来收集生产状态信息，电涡流传感器：捕捉金属导体与传感器端面之间静态和动态的相对位移变化，振动传感器：用来采集加工过程中的振动信号，吨位计：通过机身的变带来应变片拉伸变形，导致电阻等特性的变化，进而检测换算出吨位。另外地，还可通过控制器信号获取加工工况的加工参数信息。
21.具体地，通过预先设置的各传感器，在线采集待评估模具当前运行状态的各信号监测数据，并将各所述信号监测数据作为所述多维监测数据，另外地，获取当前运行状态对应的加工参数信息，例如，加工载荷、加工速率以及工艺参数等信息。
22.步骤s20，对所述多维监测数据进行特征提取，得到目标特征信息；在本实施例中，具体地，对所述多维监测数据进行滤波处理，得到各目标监测数据，从而提高信号数据的质量，进而基于各所述目标监测数据，提取时域信号数据、频域信号数据以及时频域信号数据，进而基于所述时域信号数据、频域信号数据以及时频域信号数据，提取时域特征、频域特征以及时频域特征，另外地，根据所述信号监测数据，结合工艺经验进行特征提取，得到具备时间序列属性的时间序列特征信息，进而将所述时间序列特征、所述时域特征、所述频域特征和所述时频域特征进行特征融合，得到所述目标特征信息，从而得到融合多传感器信号的有效特征信息。
23.步骤s30，基于所述目标特征信息，对所述待评估模具进行在线评估，获得性能评估结果；在本实施例中，需要说明的是，所述在线评估包括通过机理信息进行评估以及通过数据模型进行评估评估。
24.具体地，预先收集各传感器的信号数据，并且基于现场经验，人工对各信号数据进行标注标签，进而提取健康状态下的信号数据的信号特征，构建分布模型，进一步地，将所述目标特征信息输入所述分布模型，与预设置信度阈值进行比较，从而基于比较结果确定通过分布模型预测的性能评估结果。进而通过预先的虚拟量测技术，对当前运行状态的信号监测数据进行预测评估，得到虚拟量测技术对应的性能评估结果，需要说明的是，虚拟量测技术用来解决加工过程关键质量无法实际量测的情况，利用目标特征信息中生产机台信号数据推估其所产生的生产产品的关键指标结果，以基于关键指标结果，确定模具的性能评估结果，进而将所述分布模型预测的性能评估结果以及虚拟量测技术对应的性能评估结果作为机理信息的第一评估结果。
25.进一步地，通过预先构建的数据模型，对所述目标特征信息进行在线评估，得到第二评估结果，其中，所述数据模型包括主成分分析算法、逻辑回归、自组织映射网络模型等模型，另外地，建模方法的选择取决于应用场景，除了上述建模方法外，其他统计方法、机器学习方法也可以应用于信号数据处理和建模，从而实现对模具当前运行装填的实际状态性能的评估。
26.进而基于所述机理信息的第一评估结果以及所述数据模型的第二评估结果，确定当前待评估模具的实际性能评估结果，从而实现了机理信息与人工智能模型的结合，提高模具剩余寿命预测的准确性。
27.步骤s40，基于所述性能评估结果以及所述加工参数信息，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果，其中，所述剩余寿命预测模型为基于预先收集的不同加工工况状态下的状态监测数据进行训练获得。
28.在本实施例中，需要说明的是，模具的有效剩余寿命是和实际加工工况息息相关，因此，在本实施例中，在进行剩余寿命预测时考虑到当前运行状态的加工参数信息。具体地，将当前运行状态的加工参数信息输入预设回归模型，其中，所述预设回归模型为基于不同加工工况状态下的参数信息构建的，进而通过所述预设回归模型将所述加工参数信息进行回归处理，得到目标输出结果，进而将所述目标输出结果以及所述性能评估结果输入至所述剩余寿命预测模型，以实现基于预设回归模型的目标输出结果进行自适应调整模型，得到所述待评估模具的剩余寿命预测结果，从而实现了根据加工载荷与工艺参数等加工参数信息的不同，通过预设回归模型进行模型使用状态的评估，然后将此模型的输出作为剩余寿命预测模型的一个输入参数，从而实现在线自适应的模具寿命预测，并且结合模具的性能评估结果和具体加工状态的加工参数信息进行自适应预测，提高模具的有效剩余寿命预测的准确性。
29.本技术实施例提供了一种模具剩余寿命在线自适应预测方法，本技术实施例首先采集待评估模具当前运行状态的多维监测数据和加工参数信息，其中，所述多维监测数据包括各信号监测数据，进而对所述多维监测数据进行特征提取，得到目标特征信息，进一步地，基于所述目标特征信息，对所述待评估模具进行在线评估，获得性能评估结果，进而基于所述性能评估结果以及所述加工参数信息，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果，其中，所述剩余寿命预测模型为基于预先收集的不同加工工况状态下的状态监测数据进行训练获得，实现了通过采集多维的信号监测数据，避免了单一信号数据精度低，监测稳定性差的问题，有效地提高了灵活性及监测准确性，进而对所述多维监测数据进行特征提取，从而挖掘到多维度的特征信息，进一步地，基于所述特征信息在线评估模具的性能评估结果，从而结合模具的性能评估结果和具体加工模式的加工参数信息来自适应的预测模具的有效剩余寿命，从而提高模具剩余寿命预测的准确率。
30.进一步地，参照图2，基于本技术中第一实施例，在本技术的另一实施例中，步骤s20：对所述多维监测数据进行特征提取，得到目标特征信息，具体包括：步骤s21，对各所述信号监测数据进行滤波处理，得到各目标监测数据；在本实施例中，需要说明的是，通常采集信号监测数据包含噪声信息，需要采取滤波操作对各所述信号监测数据进行滤波处理，从而提高信号质量。
31.步骤s22，基于各所述目标监测数据对应的时间戳标签，提取各所述目标监测数据对应的时间序列特征；在本实施例中，需要说明的是，所述时间序列特征包含了模具在整个压铸制造过程中所记录的具有时间戳标签的信号监测数据，其中，所述过程工艺数据包括但不限于压铸过程压力时间变化曲线、温度时间变化曲线以及流量时间变化曲线等数据。具体地，根据所述信号监测数据，结合工艺经验进行特征提取，得到具备时间序列属性的时间序列特征信息，例如，提取保压段的持续时间、信号段翘度值、不同加工区间的温度变化梯度等特征。
32.步骤s23，分别提取各所述目标监测数据对应的时域特征、频域特征和时频域特
征；步骤s231，基于各所述目标监测数据对应的信号属性，确定频域信号数据、时域信号数据以及时频域信号数据；步骤s232，提取各所述时频域信号数据对应的小波特征信息，并将所述小波特征信息作为所述时频域特征；计算各所述频域信号数据对应的统计特征信息，并将所述统计特征信息作为所述时域特征；以及提取各所述频域信号数据对应的频域特征。
33.在本实施例中，需要说明的是，所述时域特征包括但不限于：均值、峰度、峰峰值、均方根、斜度、峭度、峭度因子、方差、标准差、偏斜度、峰值因子、波形因子、脉冲因子和裕度因子等特征，所述频域特征包括但不限于：信号能量、重心频率、频率方差、均方频率、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度和功率谱裕度，所述时频域特征为小波包分解的频带能量所占百分比。
34.步骤s24，将所述时间序列特征、所述时域特征、所述频域特征和所述时频域特征进行特征融合，得到所述目标特征信息。
35.在本实施例中，具体地，将所述时间序列特征、所述时域特征、所述频域特征和所述时频域特征进行特征融合，从而得到多维度的特征信息，并将所述多维度的特征信息作为所述目标特征信息。
36.本技术实施例通过上述步骤，也即，对各所述信号监测数据进行滤波处理，得到各目标监测数据，进而基于各所述目标监测数据对应的时间戳标签，提取各所述目标监测数据对应的时间序列特征，进一步地，分别提取各所述目标监测数据对应的时域特征、频域特征和时频域特征，进而将所述时间序列特征、所述时域特征、所述频域特征和所述时频域特征进行特征融合，得到所述目标特征信息，实现了融合多信号监测数据中不同维度的有效特征信息，保证信息抽取的多样性和完备性，避免了单一信号数据精度低，监测稳定性差的问题，有效地提高了灵活性及监测准确性，进而提高了模具在压铸过程中剩余寿命预测的准确性。
37.进一步地，参照图3，基于本技术中第一实施例，在本技术的另一实施例中，步骤s40：基于所述性能评估结果以及所述加工参数信息，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果，具体包括：步骤s41，基于预设回归模型，对所述加工参数信息进行归一化处理，获得目标工况应力系数；步骤s42，基于所述性能评估结果以及所述目标工况应力系数，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果。
38.在本实施例中，需要说明的是，在传统的离线模型一般来说参数是固定的，在工况相同或者比较相近的情况下，模型预测的精度才比较高，然而，在实际的生产过程中，压铸加工过程的工况是千变万化的，因此，采用传统参数固定的离线模型进行剩余寿命预测的准确率较低。
39.进一步需要说明的是，所述预设回归模型为基于不同加工工况对应的参数信息构建的，其中，所述参数信息包括加工载荷、加工速率和工艺参数等信息，进一步地，将所述预设回归模型的输出作为所述剩余寿命预测模型的一个输入参数，并结合采集到的不同加工工况状态的状态监测数据训练得到剩余寿命预测模型。
40.具体地，将所述加工参数信息输入至所述预设回归模型进行归一化量化处理，得到目标工况应力系数，进一步地，将所述目标工况应力系数以及性能评估结果输入至剩余寿命预测模型，获得所述待评估模具在当前运行状态下的剩余寿命预测结果，实现剩余寿命的精确化。
41.本技术实施例通过上述步骤，也即，基于预设回归模型，对所述加工参数信息进行归一化处理，获得目标工况应力系数，进而基于所述性能评估结果以及所述目标工况应力系数，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果，实现了通过预设回归模型当前运行状态的加工参数信息，以根据当前状态的目标工况应力系数进行模型使用状态的评估，从而实现剩余寿命预测模型的自适应，进一步地，结合模具性能评估结果和具体加工状态来自适应预测模具的有效剩余寿命，提高模型预测的精确度。
42.进一步地，参照图4，基于本技术中第一实施例，在本技术的另一实施例中，在步骤s10之前，还包括：步骤a10，采集待训练模具在不同加工工况状态下的状态监测数据，以及不同工况状态对应的参数信息，其中，所述状态监测数据包括标注有工况标签和剩余寿命值标签的数据；步骤a20，基于所述不同加工工况状态的参数信息，对待训练回归模型进行训练，得到所述预设回归模型，并输出不同加工工况状态的应力系数；步骤a30，基于所述不同加工工况状态的应力系数以及状态监测数据，对待训练预测模型进行迭代训练，得到所述剩余寿命预测模型。
43.在本实施例中，需要说明的是，所述不同加工工况状态下的状态监测数据为模具在压铸加工整一个生命周期的状态监测数据。具体地，通过多个预先设置的传感器采集待训练模具在不同加工工况状态下的状态监测数据，以及获取不同工况状态对应的参数信息，其中，所述状态监测数据包括标注有工况标签和剩余寿命值标签的数据，进而基于所述不同工况状态对应的参数信息，构建所述预设回归模型，并输出不同加工工况状态的应力系数，进一步地，基于所述不同加工工况状态的状态监测数据，对所述状态监测数据进行特征提取，得到不同加工工况状态的特征信息，进而基于所述不同加工工况状态的应力系数、特征信息以及所述剩余寿命值标签，对待训练预测模型进行迭代训练，得到不同加工工况状态对应的最优参数模型，并将所述不同加工工况状态对应的最优参数模型作为所述剩余寿命预测模型，另外地，在一种可实施方式中，基于所述工况标签，将属于同一工况标签的特征信息进行聚类处理，得到聚类特征信息，从而根据不同加工工况状态的应力系数、聚类特征信息以及所述剩余寿命值标签进行建模，从而使得后续在在线预测过程中，通过在线采集的当前运行状态的多维监测数据和加工参数信息，通过预设回归模型确定当前加工参数信息的应力系数，进而基于所述应力系数进行自适应调整模型，实现基于工况的自适应剩余寿命预测。
44.本技术实施例通过上述步骤，也即，采集待训练模具在不同加工工况状态下的状态监测数据，以及不同工况状态对应的参数信息，其中，所述状态监测数据包括标注有工况标签和剩余寿命值标签的数据，进而基于所述不同加工工况状态的参数信息，对待训练回归模型进行训练，得到所述预设回归模型，并输出不同加工工况状态的应力系数，进一步
地，基于所述不同加工工况状态的应力系数以及状态监测数据，对待训练预测模型进行迭代训练，得到所述剩余寿命预测模型，实现了不同工况状态对应的参数信息构建预设回归模型，并将不同工况状态的状态监测数据，以及所述预设回归模型输出的不同工况状态的应力系数，训练得到不同加工工况状态的最优参数模型，从而实现了于工况的自适应剩余寿命预测，提高模具剩余寿命预测的精准度。
45.参照图5，图5是本技术实施例方案涉及的硬件运行环境的模具剩余寿命在线自适应预测设备结构示意图。
46.如图5所示，该模具剩余寿命在线自适应预测设备可以包括：处理器1001，例如cpu，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速ram存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
47.可选地，该模具剩余寿命在线自适应预测设备还可以包括矩形用户接口、网络接口、相机、rf（radio frequency，射频）电路，传感器、音频电路、wifi模块等等。矩形用户接口可以包括显示屏（display）、输入子模块比如键盘（keyboard），可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可包括标准的有线接口、无线接口（如wifi接口）。
48.本领域技术人员可以理解，图5中示出的模具剩余寿命在线自适应预测设备结构并不构成对模具剩余寿命在线自适应预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
49.如图5所示，作为一种计算机介质的存储器1005中可以包括操作装置、网络通信模块以及模具剩余寿命在线自适应预测程序。操作装置是管理和控制模具剩余寿命在线自适应预测设备硬件和软件资源的程序，支持模具剩余寿命在线自适应预测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与模具剩余寿命在线自适应预测装置中其它硬件和软件之间通信。
50.在图5所示的模具剩余寿命在线自适应预测设备中，处理器1001用于执行存储器1005中存储的模具剩余寿命在线自适应预测程序，实现上述任一项所述的模具剩余寿命在线自适应预测方法的步骤。
51.本技术模具剩余寿命在线自适应预测设备具体实施方式与上述模具剩余寿命在线自适应预测方法各实施例基本相同，在此不再赘述。
52.此外，请参照图6，图6是本技术模具剩余寿命在线自适应预测装置的功能模块示意图，本技术还提供一种模具剩余寿命在线自适应预测装置，所述模具剩余寿命在线自适应预测装置包括：采集模块，用于采集待评估模具当前运行状态的多维监测数据和加工参数信息，其中，所述多维监测数据包括各信号监测数据；特征提取模块，用于对所述多维监测数据进行特征提取，得到目标特征信息；性能评估模块，用于基于所述目标特征信息，对所述待评估模具进行在线评估，获得性能评估结果；自适应预测模块，用于基于所述性能评估结果以及所述加工参数信息，通过已训
练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果，其中，所述剩余寿命预测模型为基于预先收集的不同加工工况状态下的状态监测数据进行训练获得。
53.可选地，所述自适应预测模块还用于：基于预设回归模型，对所述加工参数信息进行归一化处理，获得目标工况应力系数；基于所述性能评估结果以及所述目标工况应力系数，通过已训练好的剩余寿命预测模型进行自适应预测，获得所述待评估模具的剩余寿命预测结果。
54.可选地，所述模具剩余寿命在线自适应预测装置还用于：采集待训练模具在不同加工工况状态下的状态监测数据，以及不同工况状态对应的参数信息，其中，所述状态监测数据包括标注有工况标签和剩余寿命值标签的数据；基于所述不同加工工况状态的参数信息，对待训练回归模型进行训练，得到所述预设回归模型，并输出不同加工工况状态的应力系数；基于所述不同加工工况状态的应力系数以及状态监测数据，对待训练预测模型进行迭代训练，得到所述剩余寿命预测模型。
55.可选地，所述特征提取模块还用于：对各所述信号监测数据进行滤波处理，得到各目标监测数据；基于各所述目标监测数据对应的时间戳标签，提取各所述目标监测数据对应的时间序列特征；分别提取各所述目标监测数据对应的时域特征、频域特征和时频域特征；将所述时间序列特征、所述时域特征、所述频域特征和所述时频域特征进行特征融合，得到所述目标特征信息。
56.可选地，所述特征提取模块还用于：基于各所述目标监测数据对应的信号属性，确定频域信号数据、时域信号数据以及时频域信号数据；提取各所述时频域信号数据对应的小波特征信息，并将所述小波特征信息作为所述时频域特征；计算各所述频域信号数据对应的统计特征信息，并将所述统计特征信息作为所述时域特征；以及提取各所述频域信号数据对应的频域特征。
57.可选地，所述性能评估模块还用于：通过预设特征分布模型以及预设虚拟量测算法，分别对所述多维状态特征信息进行异常判断，得到第一评估结果；基于预先构建的数据模型，对所述多维状态特征信息进行评估，得到第二评估结果；基于所述第一评估结果和所述第二评估结果，确定所述性能评估结果。
58.可选地，所述采集模块还用于：通过预先设置的各传感器，采集待评估模具处于当前工况状态的多维监测数据，其中，所述多维传感器包括声发射传感器、电涡流传感器、超声传感器、力传感器、振动传感器和吨位计中的一种或多种。
59.本技术模具剩余寿命在线自适应预测装置的具体实施方式与上述模具剩余寿命
在线自适应预测方法各实施例基本相同，在此不再赘述。
60.本技术实施例提供了一种介质，所述介质为计算机可读介质，且所述计算机可读介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的模具剩余寿命在线自适应预测方法的步骤。
61.本技术计算机可读介质具体实施方式与上述模具剩余寿命在线自适应预测方法各实施例基本相同，在此不再赘述。
62.以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利处理范围内。