一种基于工业互联网的机床备件监控方法、设备及介质与流程

1.本技术涉及数控机床监测技术领域，具体涉及一种基于工业互联网的机床备件监控方法、设备及介质。

背景技术：

2.数字控制机床作为一种装有程序控制系统的自动化机床，能够大大提高了机床加工的能力和效率，目前己经在工业中被广泛的应用。
3.机床备件等易耗品是工业生产领域所需的必需品，在日常的工业生产过程中，需对机床备件的运行状态进行实时监控，通过合理预测备件剩余寿命来保证机械设备运行的安全性和可靠性。然而，目前大多通过人力或监测设备，比如摄像头等，定期对备件进行检测，进而预估出机床备件的剩余寿命。通过上述方式监控备件的剩余使用时长，可靠性欠佳，且所需成本较高，难以适用于工业领域。

技术实现要素：

4.为了解决上述问题，本技术提出了一种基于工业互联网的机床备件监控方法，包括：
5.采集机床备件的运行参数，对所述运行参数进行特征空间重构，以得到运行样本数据；
6.对所述运行样本数据进行状态诊断，得到所述机床备件的状态诊断信息；
7.根据所述状态诊断信息，确定所述机床备件的缺陷生长等级，以从所述机床备件中确定所述缺陷生长等级大于预设等级的指定机床备件；
8.获取与所述指定机床备件相对应的历史机床备件，并确定所述指定机床备件与所述历史机床备件之间的相似度，以根据所述相似度预测所述指定机床备件的剩余使用时长；所述历史机床备件与所述指定机床备件所对应的备件类型及运行工况相同。
9.在本技术的一种实现方式中，对所述运行参数进行特征空间重构，以得到运行样本数据，具体包括：
10.生成所述运行参数对应的原始时间序列；
11.根据不同的时间分辨率，对所述原始时间序列进行下采样，以得到用于表征所述运行参数的特征序列；
12.对所述特征序列进行特征空间重构，以得到重构后的特征序列；
13.对所述重构后的特征序列进行聚类，生成聚类后的运行样本数据。
14.在本技术的一种实现方式中，根据所述相似度预测所述机床备件的剩余使用时长之后，所述方法还包括：
15.确定所述剩余使用时长低于预设时长的机床备件为待更换备件，并确定所述待更换备件的模糊需求量；
16.对所述模糊需求量进行随机建模，根据随机建模后得到的模糊评估模型，确定所
述待更换备件的模糊约束条件；
17.根据所述模糊约束条件，确定所述待更换备件的目标成本模型；
18.获取所述待更换备件的订货单价和单位库存成本，基于所述目标成本模型，根据所述订货单价、所述单位库存成本和所述模糊需求量，得到所述待更换备件的实际需求量。
19.在本技术的一种实现方式中，确定所述指定机床备件与所述历史机床备件之间的相似度，以根据所述相似度预测所述机床备件的剩余使用时长，具体包括：
20.确定所述机床备件的当前监测点；
21.获取所述指定机床备件在所述当前监测点前的预设评估间隔内的目标运行样本数据，以及所述历史机床备件在任意预设评估间隔内的历史样本数据；
22.计算所述目标样本数据与所述历史样本数据在所述当前监测点对应的相似度；
23.根据所述历史机床备件的相似度与全部历史机床备件的相似度之和之间的比值，确定所述历史机床备件在所述当前监测点对应的监测权重；
24.确定所述历史机床备件在所述当前监测点的实际剩余使用时长，根据所述实际剩余使用时长、所述监测权重和所述相似度，预测所述机床备件的剩余使用时长。
25.在本技术的一种实现方式中，根据所述状态诊断信息，确定所述机床备件的缺陷生长等级之前，所述方法还包括：
26.确定各机床备件对应的备件关联网络，其中，所述备件关联网络的节点表示所述机床备件对应的故障事件，边表示所述故障事件之间的关联关系，所述边的权重表示所述故障事件之间的关联程度，所述边的方向表示所述故障事件的事件影响关系；
27.根据所述状态诊断信息，确定所述机床备件对应的故障事件；
28.基于所述备件关联网络，确定能够对所述故障事件产生所述事件影响关系的关联故障事件，以及所述关联故障事件与所述故障事件之间的权重；
29.确定所述故障事件和所述关联故障事件分别对应的第一故障等级和第二故障等级，以根据所述第一故障等级和所述第二故障等级，确定相应的第一自身影响度和第二自身影响度；所述第一故障等级、所述第二故障等级分别与所述第一自身影响度、所述第二自身影响度呈正相关；
30.根据所述第一自身影响度、所述第二自身影响度分别和所述权重之间的乘积，确定所述关联故障事件所对于所述机床备件的事件影响度。
31.在本技术的一种实现方式中，根据所述状态诊断信息，确定所述机床备件的缺陷生长等级，具体包括：
32.根据所述状态诊断信息，判断所述机床备件是否发生故障事件；
33.在所述机床备件发生故障事件的情况下，将所述故障事件对应的故障等级作为所述机床备件的初始缺陷生长等级；
34.将所述机床备件所对应的目标事件影响度与事件影响度总和之间的比值，作为其对应的事件影响系数；所述目标事件影响度大于预设阈值；
35.根据所述事件影响系数，对所述初始缺陷生长等级进行系数补偿，以得到补偿后的缺陷生长等级；
36.在所述机床备件未发生故障事件的情况下，则确定所述机床备件对应的事件影响系数，通过所述事件影响系数，确定所述机床备件的缺陷生长等级。
37.在本技术的一种实现方式中，得到所述待更换备件的实际需求量之后，所述方法还包括：
38.根据所述待更换备件的剩余使用时长，从所述待更换备件中确定待入库备件，并生成携带有待入库备件信息的入库请求；所述待入库备件信息包括备件标识；
39.根据所述备件标识，确定当前备件库内是否存在于所述备件标识相匹配的库位；
40.若无，则根据备件关联网络，确定所述待入库备件所在的多个节点，以及与所述多个节点相关联的边所连接的其他节点的类别；
41.根据不同类别下的其他节点分别连接的边的数量，确定所述待入库备件的入库位置。
42.在本技术的一种实现方式中，对所述重构后的特征序列进行聚类，生成聚类后的运行样本数据，具体包括：
43.确定所述特征序列的局部密度以及距离偏量，根据所述局部密度和所述距离偏量，确定聚类中心点；
44.根据所述聚类中心点对非聚类中心点进行聚类，得到聚类后的运行样本数据。
45.本技术实施例提供了一种基于工业互联网的机床备件监控设备，其特征在于，所述设备包括：
46.至少一个处理器；
47.以及，与所述至少一个处理器通信连接的存储器；
48.其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
49.采集机床备件的运行参数，对所述运行参数进行特征空间重构，以得到运行样本数据；
50.对所述运行样本数据进行状态诊断，得到所述机床备件的状态诊断信息；
51.根据所述状态诊断信息，确定所述机床备件的缺陷生长等级，以从所述机床备件中确定所述缺陷生长等级大于预设等级的指定机床备件；
52.获取与所述指定机床备件相对应的历史机床备件，并确定所述指定机床备件与所述历史机床备件之间的相似度，以根据所述相似度预测所述指定机床备件的剩余使用时长；所述历史机床备件与所述指定机床备件所对应的备件类型及运行工况相同。
53.本技术实施例提供了一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
54.采集机床备件的运行参数，对所述运行参数进行特征空间重构，以得到运行样本数据；
55.对所述运行样本数据进行状态诊断，得到所述机床备件的状态诊断信息；
56.根据所述状态诊断信息，确定所述机床备件的缺陷生长等级，以从所述机床备件中确定所述缺陷生长等级大于预设等级的指定机床备件；
57.获取与所述指定机床备件相对应的历史机床备件，并确定所述指定机床备件与所述历史机床备件之间的相似度，以根据所述相似度预测所述指定机床备件的剩余使用时长；所述历史机床备件与所述指定机床备件所对应的备件类型及运行工况相同。
58.通过本技术提出的一种基于工业互联网的机床备件监控方法能够带来如下有益
效果：
59.对采集到的机床备件运行样本数据进行状态诊断，从而根据状态诊断结果，筛选出存在缺陷的指定机床备件，进而通过获取与指定机床备件使用场景相同的历史机床备件信息，对指定机床备件的使用寿命进行预测，实现了机床备件的自动监测，准确度更高且提高了监测效率，并且可通过预测出的备件剩余使用时长，对备件的需求状态进行提示，有效提高了生产效率。
附图说明
60.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
61.图1为本技术实施例提供的一种基于工业互联网的机床备件监控方法的流程示意图；
62.图2为本技术实施例提供的不同种类的不确定需求的模糊集示意图；
63.图3为本技术实施例提供的一种基于工业互联网的机床备件监控设备的结构示意图。
具体实施方式
64.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
65.以下结合附图，详细说明本技术各实施例提供的技术方案。
66.如图1所示，本技术实施例提供的一种基于工业互联网的机床备件监控方法，包括：
67.s101：采集机床备件的运行参数，对运行参数进行特征空间重构，以得到运行样本数据。
68.机床备件指的是替换机器、仪器中较易损坏的机件所准备的零件和部件，比如轴承、刀具等，本技术实施例中的机床备件泛指处于使用状态的服役备件。通过设置于机床上的多个采集传感器，按照预设的采样间隔采集机床备件的运行参数，运行参数包括但不限于温度、频率、电流、电压。
69.在一个实施例中，本技术在获取到运行参数后，可根据采样时间，生成运行参数对应的原始时间序列。为提高特征分析的准确性，在得到原始时间序列之后，需根据不同的时间分辨率，对原始时间序列进行下采样，即对以时间分辨率为窗长的窗口内的序列值进行平均，从而得到用于表征运行参数的粗粒度特征序列。在得到特征序列之后，对特征序列进行特征空间重构，得到重构后的特征序列，该过程可通过免疫遗传特征重构算法、度量学习、基于语义的重构算法等来实现，重构后的特征序列使得不相似样本数据之间的差异度越来越大。对重构后的特征序列进行聚类，生成聚类后的运行样本数据，此时得到的运行样本数据是按照实际的工况进行分类的，这样得到的运行样本数据更具有针对性，可以有效提高后续分析结果的准确性。
70.其中，聚类可通过以下步骤实现，确定特征序列包含的各样本点的局部密度以及距离偏量，并从中选取出局部密度最大的样本点为聚类中心点。在确定出聚类中心点之后，根据聚类中心点对非聚类中心点进行聚类，便可得到聚类后的运行样本数据。具体可通过以下公式实现：
[0071][0072]
其中，表示第i个样本点的局部密度，δi表示第i个样本点的距离偏量。
[0073]
s102：对运行样本数据进行状态诊断，得到机床备件的状态诊断信息。
[0074]
在得到运行样本数据之后，通过预设的状态诊断模型，对运行样本数据进行状态诊断，得到机床备件的状态诊断信息，其中，状态诊断信息用于指示当前机床备件是否发生了故障。
[0075]
需要说明的是，状态诊断模型是通过支持向量回归机训练得到的，通过支持向量回归机预测的状态诊断信息，能够得到当前机床备件所发生的故障事件。
[0076]
s103：根据状态诊断信息，确定机床备件的缺陷生长等级，以从机床备件中确定缺陷生长等级大于预设等级的指定机床备件。
[0077]
在得到当前机床备件的状态诊断信息后，需据此确定机床备件所发生的故障事件，以轴承为例，根据诊断出的运行状态，能够判断出轴承是否发生了磨损、载荷过大、润滑不当等故障事件。
[0078]
若机床备件发生了故障事件，则可根据预设的故障事件与故障等级之间的映射关系，确定出该故障事件所对应的故障等级，并将故障等级作为机床备件的初始缺陷生长等级。缺陷生长等级用于表示机床备件的运行趋势，等级越高，则其运行趋势则向故障程度更强的方向发展。机床备件除了受自身运行影响之外，还可能受到与其关联的其他备件的影响而产生连带故障，因此，在确定机床备件的实际缺陷生长等级时，还需考虑到其他机床备件对当前机床备件所产生的的连带影响。
[0079]
具体地，确定各机床备件对应的备件关联网络，其中，备件关联网络的节点表示机床备件对应的故障事件，边表示故障事件之间的关联关系，边的权重表示故障事件之间的关联程度，边的方向表示故障事件的事件影响关系。需要说明的是，该备件关联网络可根据历史故障事件及解决措施得到。在确定出备件关联网络之后，需根据状态诊断信息，确定机床备件对应的故障事件，然后基于该备件关联网络，确定故障事件能够对外产生事件影响关系的关联故障事件，以及关联故障事件与故障事件之间的权重。可以理解的是，该过程实质上相当于确定机床备件所对应的故障事件节点是否与有向边的终点相对应。之后，确定故障事件和关联故障事件分别对应的第一故障等级和第二故障等级，从而根据第一故障等级和第二故障等级，确定相应的第一自身影响度和第二自身影响度，其中，自身影响度表示不同的故障所产生的影响程度大小，第一故障等级、第二故障等级分别与第一自身影响度、第二自身影响度呈正相关。在得到第一自身影响度和第二自身影响度之后，对第一自身影响度、第二自身影响度分别和权重之间的乘积进行求和，求和结果便为关联故障事件对应机床备件的事件影响度。事件影响度用于表示某一机床备件受其关联机床备件的影响程度，事件影响度越大，说明该机床备件受其关联机床备件的影响越大，易发生连带故障。
[0080]
在确定出不同备件所对应的的事件影响度之后，可通过当前故障事件所关联的多个关联故障事件对其产生的事件影响度，对初始缺陷生长度进行补偿，以此提高评估结果
的准确性。
[0081]
具体地，若机床备件发生了故障事件，将机床备件所对应的目标事件影响度与事件影响度总和之间的比值，作为其对应的事件影响系数；其中，目标事件影响度大于预设阈值。然后根据事件影响系数，对上述得到的初始缺陷生长等级进行系数补偿，从而得到补偿后的缺陷生长等级，此时得到的缺陷生长等级便代表了机床备件最终的故障评估数据。若机床备件未发生故障事件，此时确定机床备件对应的事件影响系数，通过事件影响系数，确定机床备件的缺陷生长等级。需要说明的是，机床备件的初始缺陷生长等级与故障等级相对应，其对应数值大于1，也就是说，一旦机床备件发生了故障，其故障等级默认大于一级，对于未发生故障的机床备件，可默认其对应的故障等级为一级，这样仅通过事件影响系数，便可确定机床备件的缺陷生长等级。
[0082]
在得到不同机床备件的缺陷生长等级后，指定机床备件的缺陷生长等级大于预设等级，则表示其受损程度已经达到了需短期更换的程度，此时，需将这些机床备件筛选出来，以进行下一步的寿命预测。
[0083]
s104：获取与指定机床备件相对应的历史机床备件，并确定指定机床备件与历史机床备件之间的相似度，以根据相似度预测机床备件的剩余使用时长；历史机床备件与指定机床备件所对应的备件类型及运行工况相同。
[0084]
对机床备件进行寿命预测之前，需保证以下前提条件：机床备件的寿命状态指标已确定、寿命状态指标可以连续监测记录、已建立了一定数量的备件监测记录。这样，根据已记录数据，可获取到与当前服役备件的备件类型以及运行工况相同的历史机床备件，并在获取到历史机床备件之后，确定当前监测点以及预设的评估间隔，该评估间隔一般可根据经验或实际需求进行确定。获取指定机床备件在当前监测点前的预设评估间隔内的目标运行样本数据，以及历史机床备件在任意预设评估间隔内的历史样本数据。
[0085]
需要说明的是，上述目标样本数据和历史样本数据以状态向量的形式存在，具体可表示为：c0(k,h)＝[c0(k.δt),...,c0((k-h).δt)]
ꢀꢀꢀ
(1)，其中，δt为采样间隔，时间点t为第k个监测点，t为预设评估间隔，t＝(h+1).δt，h为非整数。
[0086]
通过以下公式，计算目标运行样本数据与历史样本数据在当前监测点t＝k.δt对应的相似度：
[0087][0088][0089]
(h≤q≤mi)
ꢀꢀꢀ
(4)
[0090]
其中，α∈(0,1]之间的实数，用于调节相似状态量所占比重，c0((k-g).δt)为机床备件此当前监测点前第g个状态指标，ci((q-g).δt)为历史备件i在q点前第g个状态指标，mi为历史备件i的失效监测点，mi.δt为历史备件i失效时间点。
[0091]
根据历史机床备件的相似度与全部历史机床备件的相似度之和之间的比值，确定历史机床备件在当前监测点对应的监测权重vi(k)，具体可通过以下公式实现：
[0092]
[0093][0094]
其中，n表示历史机床备件的总量。
[0095]
确定历史机床备件在当前监测点的实际剩余使用时长，根据实际剩余使用时长、监测权重和相似度，预测机床备件的剩余使用时长，具体可通过以下公式表示：
[0096]
li(k)＝(mi-ni(k)).δt
ꢀꢀꢀ
(6)
[0097]
ni(k)＝argminz(k,h,i,q)
ꢀꢀꢀ
(7)
[0098][0099]
在预测出待更换备件的使用寿命后，对于即将损坏的备件数量进行统计，统计数量即为该企业下一阶段的备件需求量。但由于基于模型的预测会存在一定的误差，因此本发明对备件需求量进行模糊随机建模，以确定企业对每个批次的最佳订货量，使企业保障正常生产的同时，进而降低成本。
[0100]
首先，确定剩余使用时长低于预设时长的机床备件为待更换备件，并确定待更换备件的模糊需求量。该模糊需求量即为待更换备件的数量。
[0101]
然后，对模糊需求量进行随机建模，根据随机建模后得到的模糊评估模型，确定待更换备件的模糊约束条件。如图2所示的不同种类的不确定需求的模糊集示意图，分别为三角随机模糊数和梯形随机模糊数对任何x∈u，都有一个数μ(x)∈[0,1]与之对应，μ(x)称为x对u的隶属度，μ称为x的隶属函数，也就是模糊数。考虑到预测成功率，本技术采用三角模糊数进行随机建模，建模后得到的模糊评估模型的隶属函数表达式如下：
[0102][0103]
目标函数为备件库存成本最小化：
[0104][0105][0106]
其中，di为第i期企业的需求量，t为备件的订购周期数，ui为第i期的订货单价，xi为第i期的订货量，为了保证计算效率，令0≤xi≤m，m为一个较大的正实数，vi为第i期的单位库存成本，si为第i期阶段结束的剩余备件量。
[0107]
模糊数d＝[da,db,dc]的隶属函数为μd(x)，根据模糊数定理对模糊约束条件进行求解，求解方式如下：
[0108]si-1
+x
i-si≥(1-θ)da+θdbꢀꢀꢀ
(12)
[0109]si-1
+x
i-si≥(1-θ)dc+θdbꢀꢀꢀ
(13)
[0110]
进而根据上述得到的模糊约束条件，代入目标函数中，从而确定待更换备件的目标成本模型：
[0111][0112][0113]
在建立完目标成本模型之后，获取待更换备件的订货单价和单位库存成本，进而通过目标成本模型，根据订货单价、单位库存成本和模糊需求量，得到待更换备件的实际需求量。
[0114]
在一个实施例汇总，在确定各机床备件在不同更换周期的需求量后，需根据待更换备件的剩余使用时长，从待更换备件中确定待入库备件，并生成携带有待入库备件信息的入库请求；其中，待入库备件信息包括备件标识。在确定出备件标识之后，根据备件标识，确定当前备件库内是否存在于备件标识相匹配的库位。如果有，则将待入库备件直接入库至该库位即可，如果没有，则标识当前待入库备件并没有适合的库位，为降低更换成本，可根据备件关联网络，确定待入库备件所在的多个节点，以及与多个节点相关联的边所连接的其他节点的类别。根据不同类别下的其他节点分别连接的边的数量，确定连接边数量最多的节点为与当前待入库备件关联最强的备件，根据该备件所在的库位，确定待入库备件的入库位置，这样可以进一步缩短入库成本。
[0115]
以上为本技术提出的方法实施例。基于同样的发明构思，本技术实施例还提供了一种工业互联网的机床备件监控设备，其结构如图3所示。
[0116]
图3为本技术实施例提供的一种工业互联网的机床备件监控设备的结构示意图。如图3所示，设备包括：
[0117]
至少一个处理器301；
[0118]
以及，与至少一个处理器301通信连接的存储器302；
[0119]
其中，存储器302存储有可被至少一个处理器301执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够：
[0120]
采集机床备件的运行参数，对所述运行参数进行特征空间重构，以得到运行样本数据；
[0121]
对所述运行样本数据进行状态诊断，得到所述机床备件的状态诊断信息；
[0122]
根据所述状态诊断信息，确定所述机床备件的缺陷生长等级，以从所述机床备件中确定所述缺陷生长等级大于预设等级的指定机床备件；
[0123]
获取与所述指定机床备件相对应的历史机床备件，并确定所述指定机床备件与所述历史机床备件之间的相似度，以根据所述相似度预测所述机床备件的剩余使用时长；所述历史机床备件与所述指定机床备件所对应的备件类型及运行工况相同。
[0124]
本技术实施例提供了一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
[0125]
采集机床备件的运行参数，对所述运行参数进行特征空间重构，以得到运行样本数据；
[0126]
对所述运行样本数据进行状态诊断，得到所述机床备件的状态诊断信息；
[0127]
根据所述状态诊断信息，确定所述机床备件的缺陷生长等级，以从所述机床备件中确定所述缺陷生长等级大于预设等级的指定机床备件；
[0128]
获取与所述指定机床备件相对应的历史机床备件，并确定所述指定机床备件与所述历史机床备件之间的相似度，以根据所述相似度预测所述机床备件的剩余使用时长；所述历史机床备件与所述指定机床备件所对应的备件类型及运行工况相同。
[0129]
本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0130]
本技术实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
[0131]
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。
[0132]
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。
[0133]
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。
[0134]
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。
[0135]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0136]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0137]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0138]
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
[0139]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：

1.一种基于工业互联网的机床备件监控方法，其特征在于，所述方法包括：采集机床备件的运行参数，对所述运行参数进行特征空间重构，以得到运行样本数据；对所述运行样本数据进行状态诊断，得到所述机床备件的状态诊断信息；根据所述状态诊断信息，确定所述机床备件的缺陷生长等级，以从所述机床备件中确定所述缺陷生长等级大于预设等级的指定机床备件；获取与所述指定机床备件相对应的历史机床备件，并确定所述指定机床备件与所述历史机床备件之间的相似度，以根据所述相似度预测所述指定机床备件的剩余使用时长；所述历史机床备件与所述指定机床备件所对应的备件类型及运行工况相同。2.根据权利要求1所述的一种基于工业互联网的机床备件监控方法，其特征在于，对所述运行参数进行特征空间重构，以得到运行样本数据，具体包括：生成所述运行参数对应的原始时间序列；根据不同的时间分辨率，对所述原始时间序列进行下采样，以得到用于表征所述运行参数的特征序列；对所述特征序列进行特征空间重构，以得到重构后的特征序列；对所述重构后的特征序列进行聚类，生成聚类后的运行样本数据。3.根据权利要求1所述的一种基于工业互联网的机床备件监控方法，其特征在于，根据所述相似度预测所述机床备件的剩余使用时长之后，所述方法还包括：确定所述剩余使用时长低于预设时长的机床备件为待更换备件，并确定所述待更换备件的模糊需求量；对所述模糊需求量进行随机建模，根据随机建模后得到的模糊评估模型，确定所述待更换备件的模糊约束条件；根据所述模糊约束条件，确定所述待更换备件的目标成本模型；获取所述待更换备件的订货单价和单位库存成本，基于所述目标成本模型，根据所述订货单价、所述单位库存成本和所述模糊需求量，得到所述待更换备件的实际需求量。4.根据权利要求1所述的一种基于工业互联网的机床备件监控方法，其特征在于，确定所述指定机床备件与所述历史机床备件之间的相似度，以根据所述相似度预测所述机床备件的剩余使用时长，具体包括：确定所述机床备件的当前监测点；获取所述指定机床备件在所述当前监测点前的预设评估间隔内的目标运行样本数据，以及所述历史机床备件在任意预设评估间隔内的历史样本数据；计算所述目标样本数据与所述历史样本数据在所述当前监测点对应的相似度；根据所述历史机床备件的相似度与全部历史机床备件的相似度之和之间的比值，确定所述历史机床备件在所述当前监测点对应的监测权重；确定所述历史机床备件在所述当前监测点的实际剩余使用时长，根据所述实际剩余使用时长、所述监测权重和所述相似度，预测所述机床备件的剩余使用时长。5.根据权利要求1所述的一种基于工业互联网的机床备件监控方法，其特征在于，根据所述状态诊断信息，确定所述机床备件的缺陷生长等级之前，所述方法还包括：确定各机床备件对应的备件关联网络，其中，所述备件关联网络的节点表示所述机床备件对应的故障事件，边表示所述故障事件之间的关联关系，所述边的权重表示所述故障
事件之间的关联程度，所述边的方向表示所述故障事件的事件影响关系；根据所述状态诊断信息，确定所述机床备件对应的故障事件；基于所述备件关联网络，确定能够对所述故障事件产生所述事件影响关系的关联故障事件，以及所述关联故障事件与所述故障事件之间的权重；确定所述故障事件和所述关联故障事件分别对应的第一故障等级和第二故障等级，以根据所述第一故障等级和所述第二故障等级，确定相应的第一自身影响度和第二自身影响度；所述第一故障等级、所述第二故障等级分别与所述第一自身影响度、所述第二自身影响度呈正相关；根据所述第一自身影响度、所述第二自身影响度分别和所述权重之间的乘积，确定所述关联故障事件所对于所述机床备件的事件影响度。6.根据权利要求5所述的一种基于工业互联网的机床备件监控方法，其特征在于，根据所述状态诊断信息，确定所述机床备件的缺陷生长等级，具体包括：根据所述状态诊断信息，判断所述机床备件是否发生故障事件；在所述机床备件发生故障事件的情况下，将所述故障事件对应的故障等级作为所述机床备件的初始缺陷生长等级；将所述机床备件所对应的目标事件影响度与事件影响度总和之间的比值，作为其对应的事件影响系数；所述目标事件影响度大于预设阈值；根据所述事件影响系数，对所述初始缺陷生长等级进行系数补偿，以得到补偿后的缺陷生长等级；在所述机床备件未发生故障事件的情况下，则确定所述机床备件对应的事件影响系数，通过所述事件影响系数，确定所述机床备件的缺陷生长等级。7.根据权利要求3所述的一种基于工业互联网的机床备件监控方法，其特征在于，得到所述待更换备件的实际需求量之后，所述方法还包括：根据所述待更换备件的剩余使用时长，从所述待更换备件中确定待入库备件，并生成携带有待入库备件信息的入库请求；所述待入库备件信息包括备件标识；根据所述备件标识，确定当前备件库内是否存在于所述备件标识相匹配的库位；若无，则根据备件关联网络，确定所述待入库备件所在的多个节点，以及与所述多个节点相关联的边所连接的其他节点的类别；根据不同类别下的其他节点分别连接的边的数量，确定所述待入库备件的入库位置。8.根据权利要求2所述的一种基于工业互联网的机床备件监控方法，其特征在于，对所述重构后的特征序列进行聚类，生成聚类后的运行样本数据，具体包括：确定所述特征序列的局部密度以及距离偏量，根据所述局部密度和所述距离偏量，确定聚类中心点；根据所述聚类中心点对非聚类中心点进行聚类，得到聚类后的运行样本数据。9.一种基于工业互联网的机床备件监控设备，其特征在于，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
采集机床备件的运行参数，对所述运行参数进行特征空间重构，以得到运行样本数据；对所述运行样本数据进行状态诊断，得到所述机床备件的状态诊断信息；根据所述状态诊断信息，确定所述机床备件的缺陷生长等级，以从所述机床备件中确定所述缺陷生长等级大于预设等级的指定机床备件；获取与所述指定机床备件相对应的历史机床备件，并确定所述指定机床备件与所述历史机床备件之间的相似度，以根据所述相似度预测所述机床备件的剩余使用时长；所述历史机床备件与所述指定机床备件所对应的备件类型及运行工况相同。10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：采集机床备件的运行参数，对所述运行参数进行特征空间重构，以得到运行样本数据；对所述运行样本数据进行状态诊断，得到所述机床备件的状态诊断信息；根据所述状态诊断信息，确定所述机床备件的缺陷生长等级，以从所述机床备件中确定所述缺陷生长等级大于预设等级的指定机床备件；获取与所述指定机床备件相对应的历史机床备件，并确定所述指定机床备件与所述历史机床备件之间的相似度，以根据所述相似度预测所述机床备件的剩余使用时长；所述历史机床备件与所述指定机床备件所对应的备件类型及运行工况相同。

技术总结

本申请公开了一种基于工业互联网的机床备件监控方法、设备及介质，其中，方法包括：采集机床备件的运行参数，对运行参数进行特征空间重构，以得到运行样本数据；对运行样本数据进行状态诊断，得到机床备件的状态诊断信息；根据状态诊断信息，确定机床备件的缺陷生长等级，以从机床备件中确定缺陷生长等级大于预设等级的指定机床备件；获取与指定机床备件相对应的历史机床备件，并确定指定机床备件与历史机床备件之间的相似度，以根据相似度预测机床备件的剩余使用时长；历史机床备件与指定机床备件所对应的备件类型及运行工况相同。备件所对应的备件类型及运行工况相同。备件所对应的备件类型及运行工况相同。