数控系统多模态故障预警方法及系统与流程

1.本发明属于机械工程技术领域与计算机信息处理交叉领域，尤其涉及一种数控系统多模态故障预警方法及系统。


背景技术：

2.随着先进制造技术的快速发展，以智能制造所引领的产业变革即将进入重要的历史阶段。为了抢抓新一轮科技革命的发展先机，世界制造大国的政府部门都非常重视。数控系统作为制造与信息融合的焦点产品，新一轮科技革命对数控系统的智能化发展提出了新的挑战。
3.同时随着信息技术、人工智能技术、物联网技术的发展，机床厂、用户厂和科研机构对数控系统的开放互联程度提出了更高的要求。当前主流数控系统的内部开放和外部相对封闭的软硬件体系结构产生资源孤岛，各孤岛之间不能通过网络连接实现信息的共享。此外，由于数控系统与外部设备或软件的兼容性差，有效可用的数控系统故障数据并不充足，这将在很大程度上影响深度神经网络的训练效果，也限制了数控系统的功能扩展。因此，传统的数控系统体系结构相对封闭和开放深度不足成为了数控系统向智能化发展的主要瓶颈。
4.在航空发动机制造领域，其典型零件，如机匣、叶片等具有壁薄、形状复杂零件的加工，典型的管路件等连接件的加工等迫切需要具有智能功能的高档数控系统，具有智能监控和故障诊断、自适应加工、刀具寿命动态管理等功能，智能协调控制功能与互联互通等功能。在汽车制造领域，汽车刹车盘，轮毂，齿轮等盘类、箱体类、轴类关键零部件生产要求相应的高档数控系统具有智能编程和加工过程的智能控制功能。在国内外对智能化高档数控系统的迫切需要的背景下，国产高档数控系统的智能化水平亟待提高，为传统制造模式的产业升级奠定基础，也是当前打破高端“卡脖子”技术的关键。此外，智能化数控系统需要具备对外界环境的智能感知、智能数控编程、智能机床故障诊断及预警、非线性误差的补偿等功能，以上功能的实现有助于提高系统的可靠性及加工精度等性能指标。
5.现有的数据生成技术大多都是利用迁移学习或者常规的生成对抗式网络进行数据生成。迁移学习是从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。将源领域和目标领域的数据从原始特征空间映射到新的特征空间中去。这样，在该空间中，源领域数据与的目标领域的数据分布相同，从而可以在新的空间中，更好地利用源领域已有的有标记数据样本进行分类训练，最终对目标领域的数据进行分类测试。迁移学习的缺点在于通常只适合于处理有限的小数据集，且其他领域的“知识”在某个特定领域并不一定可行。常规的生成对抗网络利用生成器与判断器相互对抗学习来进行训练，属于无监督学习，导致生成故障数据的质量较低，生成数据的分布与实际故障数据的分布差异较大，而且特定的生成对抗网络无法对不同的数据类型进行数据生成，兼容性与稳定性差。


技术实现要素：

6.本发明实施例提供了一种数控系统多模态故障预警方法及系统，以至少解决现有多模态故障预警方法兼容性与稳定性差的技术问题。
7.根据本发明的一实施例，提供了一种数控系统多模态故障预警方法，包括以下步骤：
8.对数控系统核心部件的故障数据根据模态不同进行分组处理，将每种模态的故障数据打上故障类别标签；
9.根据不同类别故障数据的标签，对故障数据增加引入条件变量，进而使用额外引入的条件变量，实现指导数据生成过程。
10.进一步地，基于多模态条件对抗生成网络，通过对不同模态的故障数据打标签引入条件变量。
11.进一步地，采用基于多模态条件对抗生成网络，通过对不同模态的数据进行数据筛选，进而使用生成器与判断器进行加条件的生成对抗训练，生成特定模态条件下的所需的数控系统故障数据。
12.进一步地，根据生成对抗网络的结构特性，将少量的不同种类的数控系统多模态故障数据与故障类别标签通过生成对抗网络的生成对抗训练，最终得到一个强生成对抗模型，进而生成与真实的数控系统多模态故障数据结构分布相似的大量数据。
13.进一步地，该方法具体包括以下步骤：
14.步骤1.1对真实数控系统核心部件故障数据进行特诊提取，创建故障数据集；
15.步骤1.2对不同模态的故障信息进行数据预处理，并打好标签；
16.步骤1.3整理数控系统核心部件数据集，对不同种类别的数据加上类别标签，作为输入条件，得到带有条件信息的数据集；
17.步骤1.4搭建条件生成对抗网络，确定生成器与判别器的损失函数、优化器、步长以及训练次数；
18.步骤1.5将先验噪声与条件信息一同输入到生成器得到生成故障数据；
19.步骤1.6以步骤1.2得到的数据集作为数控系统的真实故障数据，将带有条件信息的真实数据与带有条件信息的生成故障数据输入判别器进行判断；
20.步骤1.7对判别器的网络参数加上随机梯度下降；
21.步骤1.8对生成器的网络参数减去随机梯度下降；
22.步骤1.9重复进行步骤1.4到步骤1.7的操作，每次重复过程包括重复k次步骤1.5-步骤1.6再进行1次步骤1.7；
23.步骤1.10条件对抗生成网络训练好之后，将先验噪声与标签信息输入到训练好的网络，可以得到不同类别的数控系统核心部件故障数据。
24.进一步地，步骤1.2中不同模态的故障信息包括图像信号、振动信号、声波信号。
25.进一步地，该方法具体包括以下步骤：
26.步骤1.1
′
提取数控系统核心部件故障数据，建立真实数控系统核心部件故障数据集；
27.步骤1.2
′
将不同模态的故障数据进行数据封装，对真实数控系统核心部件故障数据集进行时频域特征提取，将真实的数控系统故障数据进行数据挖掘形成新的数据集；
28.步骤1.3
′
对不同类别的数控系统核心部件故障数据进行分类，给每一种故障类别打上类别标签；
29.步骤1.4
′
将标签进行条件化处理，令标签作为条件信息与故障数据一同组成故障数据集；
30.步骤2.1
′
定义条件对抗网络的生成对抗损失为代价函数，用来衡量生成候选数控系统故障数据和标注的真实数控系统核心部件故障数据分布之间的误差；
31.步骤2.2
′
通过生成对抗代价函数来惩罚生成的候选数控系统故障数据和标注的真实数控系统故障数据分布之间的差异；
32.步骤2.3
′
该生成对抗损失定义为：
[0033][0034]
步骤3.1
′
确定生成器与判别器的优化器为随机梯度下降；
[0035]
步骤3.2
′
生成器中将先验输入噪声和标签信息联合组成了联合隐层表征，输出产生生成的假的故障数据；
[0036]
步骤3.3
′
判别器中将生成的假的故障数据与标签信息一同作为判别器的输入，输出为判别结果；
[0037]
步骤3.4
′
通过加上其随机梯度来更新判别器；
[0038]
步骤3.5
′
通过减去其随机梯度来更新生成器；
[0039]
步骤4.1
′
重复训练条件对抗生成网络，判别器判断生成的故障数据与真实数据的差异，使网络输出的生成故障数据与真实故障数据的分布差异逐渐减小；
[0040]
步骤4.2
′
引入超参数k，先训练k次判别器，再训练1次生成器，即每重复进行k次步骤3.2
′
、步骤3.3
′
、步骤3.4
′
，进行一次步骤 3.5
′
，通过加速训练更新判别器，可以使条件对抗生成网络收敛更快；
[0041]
步骤4.3
′
条件对抗生成网络训练好之后，通过对生成器输入相同维度的噪声与不同的标签信息，可以生成不同种类别的故障数据；
[0042]
步骤5.1
′
将不同模态的数据输入生成对抗网络即可得到不同模态的生成数据，通过将不同模态之间故障分类的结果进行融合，得到最终的故障预警结果，利用多种模态信息融合的方法增强故障系统的预警准确度。
[0043]
根据本发明的另一实施例，提供了一种数控系统多模态故障预警系统，包括：
[0044]
故障类别标签模块，用于对数控系统核心部件的故障数据根据模态不同进行分组处理，将每种模态的故障数据打上故障类别标签；
[0045]
指导数据生成模块，用于根据不同类别故障数据的标签，对故障数据增加引入条件变量，进而使用额外引入的条件变量，实现指导数据生成过程。
[0046]
一种存储介质，存储介质存储有能够实现上述任意一项数控系统多模态故障预警方法的程序文件。
[0047]
一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的数控系统多模态故障预警方法。
[0048]
本发明实施例中的数控系统多模态故障预警方法及系统中，对数控系统核心部件的故障数据根据模态不同进行分组处理，将每种模态的故障数据打上故障类别标签，根据
不同类别故障数据的标签，对故障数据增加引入条件变量，进而使用额外引入的条件变量，实现指导数据生成过程，通过生成对抗网络生成数控系统核心部件多模态故障数据，解决了故障数据不足与不同种类故障数据之间不兼容的问题，间接提高了数控系统运行的可靠性和稳定性。
附图说明
[0049]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0050]
图1为本发明数控系统多模态故障预警方法及系统中多模态条件生成对抗网络结构图；
[0051]
图2为本发明数控系统多模态故障预警方法及系统中数控系统多模态故障预警总体流程图。
具体实施方式
[0052]
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0053]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0054]
实施例一
[0055]
本发明属于机械工程技术领域与计算机信息处理交叉领域，为了保证数控系统正常平稳的运行，需要对数控系统核心部件故障数据进行分析，然而实际中数控系统核心部件故障数据很稀少，且故障数据形式多种多样，特别是大型数控系统。因此针对数控系统核心部件故障数据少且种类多样，收集故障数据成本高的问题，提出了一种数控系统多模态故障预警方法及系统，通过生成对抗网络生成数控系统核心部件多模态故障数据，解决了故障数据不足与不同种类故障数据之间不兼容的问题，间接提高了数控系统运行的可靠性和稳定性。
[0056]
本发明采用对抗神经网络驱动生成多模态数控系统故障数据以解决目前存在的问题，在本发明中利用对抗生成网络，通过实测标注的多模态数控系统故障小样本数据，生成与真实故障数据同分布的数控系统故障数据，解决了在数控系统出现故障的环境下故障数据稀缺的问题。目前还没有多模态数控系统故障数据生成方法。目前存在其他领域的方法，如锂电池故障数据生成，生成故障数据的质量较低，生成数据的分布与实际故障数据的
分布差异较大。本发明采用多模态条件对抗生成神经网络驱动的数控系统核心部件故障数据生成方法，提出了一种数控系统核心部件故障数据仿真方法，和原始的生成对抗网络相比，多模态条件生成对抗网络在生成器的输入和判别器的输入中都加入了条件，而且可以根据输入模态的不同自动调整神经网络的参数。目的是有条件地监督生成器生成的数据，使得生成器生成结果的方式不是完全自由无监督的。本发明设计了一套多模态数控系统故障预警方法及系统，成功解决了数控系统故障数据不足以及不同数据模态无法兼容的问题，提高了数控系统故障预警模型的泛化能力和表达能力，同时增强了数控系统的稳定性。
[0057]
本发明公开了一种数控系统多模态故障预警方法及系统，使用基于多模态生成对抗网络的故障数据生成技术，该方法及系统采用了“博弈论”的思想，根据生成对抗网络的结构特性，将少量的不同种类的数控系统多模态故障数据与故障类别标签通过生成对抗网络的生成对抗训练，最终得到一个强大的生成对抗模型，进而生成与真实的数控系统多模态故障数据结构分布相似的大量数据。可用于提升数控系统核心部件的故障分析与故障诊断效率，提高数控系统故障预警的能力，从而增强数控系统运行的可靠性与稳定性。
[0058]
本发明目的在于针对数控系统的实际运行过程中，采集到的故障数据形式多样且数量有限，很难通过变量之间的相关性实现故障预警，针对这一问题，提出了一种数控系统多模态故障预警方法及系统，采用基于多模态条件对抗生成网络，通过对不同模态的数据进行数据筛选，进而使用生成器与判断器进行加条件的生成对抗训练，生成特定模态条件下的所需的数控系统故障数据。从而提高数控系统故障预警的准确性，间接提高数控系统运行的稳定性与可靠性。
[0059]
本发明公开了一种数控系统多模态故障预警方法及系统，首先对数控系统核心部件的故障数据根据模态不同进行分组处理，将每种模态的故障数据打上故障类别标签，再根据不同类别故障数据的标签，对故障数据增加引入条件变量，进而使用额外引入的条件变量，实现指导数据生成过程。多模态条件生成对抗的网络相对于原始生成对抗网络并没有太大变化，改变的仅仅是生成器和判别器的输入数据，这就使得多模态条件对抗生成网络可以作为一种通用策略嵌入到其它的生成对抗网络中。本发明基于多模态条件对抗生成网络，通过对不同模态的故障数据打标签引入条件变量，实现了多种模态下数控系统核心部件故障数据的指导生成，扩展了数控系统核心部件的故障数据，融合了多种模态数控系统核心部件的故障信息，有助于提高数控系统的运行状态监测效率与系统故障预警的准确度。
[0060]
本发明提供的一种使用多模态条件对抗生成网络的数控系统故障预警方法及系统。全球的数控系统总量正在逐年增加，由于受到环境的不确定性影响，数控系统核心部件的传动系统性能会退化严重，甚至失效，造成巨大的经济损失，而数控系统核心部件往往只有少量故障状态下的数据，导致数控系统核心部件故障状态诊断准确度较低。使用多模态条件生成对抗网络的方法生成数据，可以训练出能够生成与原有的少量数据样本分布相同数据的模型，反映出真实故障数据分布的网络结构，通过输入不同模态的数据以及条件标签来控制特定的输出，使生成的数控系统核心部件故障数据分布接近于真实数控系统核心部件故障数据，同时融合了多种模态的故障数据可以提高故障预警的准确度。参见图1-2，本发明示例的故障预警包括有以下步骤：
[0061]
步骤1.1对真实数控系统核心部件故障数据进行特诊提取，创建故障数据集。
[0062]
步骤1.2对不同模态的故障信息进行数据预处理，并打好标签，例如图像信号、振动信号、声波信号等。
[0063]
步骤1.3整理数控系统核心部件数据集，对不同种类别的数据，加上类别标签，作为输入条件，得到带有条件信息的数据集。
[0064]
步骤1.4搭建条件生成对抗网络，确定生成器与判别器的损失函数、优化器、步长以及训练次数。
[0065]
步骤1.5将先验噪声与条件信息一同输入到生成器得到生成故障数据。
[0066]
步骤1.6以步骤1.2得到的数据集作为数控系统的真实故障数据，将带有条件信息的真实数据与带有条件信息的生成故障数据输入判别器进行判断。
[0067]
步骤1.7对判别器的网络参数加上随机梯度下降。
[0068]
步骤1.8对生成器的网络参数减去随机梯度下降。
[0069]
步骤1.9重复进行步骤1.4到步骤1.7的操作，每次重复过程包括重复k次步骤1.5-步骤1.6再进行1次步骤1.7。
[0070]
步骤1.10条件对抗生成网络训练好之后，将先验噪声与标签信息输入到训练好的网络，可以得到不同类别的数控系统核心部件故障数据。
[0071]
本发明示例的故障预警具体包括有以下步骤：
[0072]
步骤1.1
′
提取数控系统核心部件故障数据，建立真实数控系统核心部件故障数据集。
[0073]
步骤1.2
′
将不同模态的故障数据进行数据封装，对真实数控系统核心部件故障数据集进行时频域特征提取，将真实的数控系统故障数据进行数据挖掘形成新的数据集。
[0074]
步骤1.3
′
对不同类别的数控系统核心部件故障数据进行分类，给每一种故障类别打上类别标签。
[0075]
步骤1.4
′
将标签进行条件化处理，令标签作为条件信息与故障数据一同组成故障数据集。
[0076]
步骤2.1
′
定义条件对抗网络的生成对抗损失为代价函数，用来衡量生成候选数控系统故障数据和标注的真实数控系统核心部件故障数据分布之间的误差。
[0077]
步骤2.2
′
通过生成对抗代价函数来惩罚生成的候选数控系统故障数据和标注的真实数控系统故障数据分布之间的差异。
[0078]
步骤2.3
′
该生成对抗损失定义为：
[0079][0080]
步骤3.1
′
确定生成器与判别器的优化器为随机梯度下降。
[0081]
步骤3.2
′
生成器中将先验输入噪声和标签信息联合组成了联合隐层表征，输出产生生成的假的故障数据。
[0082]
步骤3.3
′
判别器中将生成的假的故障数据与标签信息一同作为判别器的输入，输出为判别结果。
[0083]
步骤3.4
′
通过加上其随机梯度来更新判别器。
[0084]
步骤3.5
′
通过减去其随机梯度来更新生成器。
[0085]
步骤4.1
′
重复训练条件对抗生成网络，判别器判断生成的故障数据与真实数据的
差异，使网络输出的生成故障数据与真实故障数据的分布差异逐渐减小。
[0086]
步骤4.2
′
引入超参数k，先训练k次判别器，再训练1次生成器，即每重复进行k次步骤3.2
′
、步骤3.3
′
、步骤3.4
′
，进行一次步骤 3.5
′
，通过加速训练更新判别器，可以使条件对抗生成网络收敛更快。
[0087]
步骤4.3
′
条件对抗生成网络训练好之后，通过对生成器输入相同维度的噪声与不同的标签信息，可以生成不同种类别的故障数据。
[0088]
步骤5.1
′
将不同模态的数据输入生成对抗网络即可得到不同模态的生成数据，通过将不同模态之间故障分类的结果进行融合，得到最终的故障预警结果，利用多种模态信息融合的方法增强故障系统的预警准确度。
[0089]
本发明将生成对抗网络运用到数控系统核心部件故障生成中。同时引入条件信息作为输入，结合多模态数据融合技术，以此控制生成不同类别的数控系统核心部件故障数据，提高了故障数据的生成的质量，使得生成数据可控。引入了超参数k，使得判别器训练速度加快，生成对抗模型训练效率更高。生成的工业机器人核心部件故障数据扩充了原本的故障数据集，增强了数控系统核心部件故障诊断的准确度。
[0090]
本方案还适用于核电厂岛常规设备故障预警系统的建设，以及其他不同场景类别下的故障预警系统的搭建。
[0091]
实施例二
[0092]
根据本发明的另一实施例，提供了一种数控系统多模态故障预警系统，包括：
[0093]
故障类别标签模块，用于对数控系统核心部件的故障数据根据模态不同进行分组处理，将每种模态的故障数据打上故障类别标签；
[0094]
指导数据生成模块，用于根据不同类别故障数据的标签，对故障数据增加引入条件变量，进而使用额外引入的条件变量，实现指导数据生成过程。
[0095]
本发明实施例中的数控系统多模态故障预警系统中，对数控系统核心部件的故障数据根据模态不同进行分组处理，将每种模态的故障数据打上故障类别标签，根据不同类别故障数据的标签，对故障数据增加引入条件变量，进而使用额外引入的条件变量，实现指导数据生成过程，通过生成对抗网络生成数控系统核心部件多模态故障数据，解决了故障数据不足与不同种类故障数据之间不兼容的问题，间接提高了数控系统运行的可靠性和稳定性。
[0096]
本发明提供的一种使用多模态条件对抗生成网络的数控系统故障预警方法及系统。全球的数控系统总量正在逐年增加，由于受到环境的不确定性影响，数控系统核心部件的传动系统性能会退化严重，甚至失效，造成巨大的经济损失，而数控系统核心部件往往只有少量故障状态下的数据，导致数控系统核心部件故障状态诊断准确度较低。使用多模态条件生成对抗网络的方法生成数据，可以训练出能够生成与原有的少量数据样本分布相同数据的模型，反映出真实故障数据分布的网络结构，通过输入不同模态的数据以及条件标签来控制特定的输出，使生成的数控系统核心部件故障数据分布接近于真实数控系统核心部件故障数据，同时融合了多种模态的故障数据可以提高故障预警的准确度。参见图1-2，本发明示例的故障预警包括有以下步骤：
[0097]
步骤1.1对真实数控系统核心部件故障数据进行特诊提取，创建故障数据集。
[0098]
步骤1.2对不同模态的故障信息进行数据预处理，并打好标签，例如图像信号、振
动信号、声波信号等。
[0099]
步骤1.3整理数控系统核心部件数据集，对不同种类别的数据，加上类别标签，作为输入条件，得到带有条件信息的数据集。
[0100]
步骤1.4搭建条件生成对抗网络，确定生成器与判别器的损失函数、优化器、步长以及训练次数。
[0101]
步骤1.5将先验噪声与条件信息一同输入到生成器得到生成故障数据。
[0102]
步骤1.6以步骤1.2得到的数据集作为数控系统的真实故障数据，将带有条件信息的真实数据与带有条件信息的生成故障数据输入判别器进行判断。
[0103]
步骤1.7对判别器的网络参数加上随机梯度下降。
[0104]
步骤1.8对生成器的网络参数减去随机梯度下降。
[0105]
步骤1.9重复进行步骤1.4到步骤1.7的操作，每次重复过程包括重复k次步骤1.5-步骤1.6再进行1次步骤1.7。
[0106]
步骤1.10条件对抗生成网络训练好之后，将先验噪声与标签信息输入到训练好的网络，可以得到不同类别的数控系统核心部件故障数据。
[0107]
本发明示例的故障预警具体包括有以下步骤：
[0108]
步骤1.1
′
提取数控系统核心部件故障数据，建立真实数控系统核心部件故障数据集。
[0109]
步骤1.2
′
将不同模态的故障数据进行数据封装，对真实数控系统核心部件故障数据集进行时频域特征提取，将真实的数控系统故障数据进行数据挖掘形成新的数据集。
[0110]
步骤1.3
′
对不同类别的数控系统核心部件故障数据进行分类，给每一种故障类别打上类别标签。
[0111]
步骤1.4
′
将标签进行条件化处理，令标签作为条件信息与故障数据一同组成故障数据集。
[0112]
步骤2.1
′
定义条件对抗网络的生成对抗损失为代价函数，用来衡量生成候选数控系统故障数据和标注的真实数控系统核心部件故障数据分布之间的误差。
[0113]
步骤2.2
′
通过生成对抗代价函数来惩罚生成的候选数控系统故障数据和标注的真实数控系统故障数据分布之间的差异。
[0114]
步骤2.3
′
该生成对抗损失定义为：
[0115][0116]
步骤3.1
′
确定生成器与判别器的优化器为随机梯度下降。
[0117]
步骤3.2
′
生成器中将先验输入噪声和标签信息联合组成了联合隐层表征，输出产生生成的假的故障数据。
[0118]
步骤3.3
′
判别器中将生成的假的故障数据与标签信息一同作为判别器的输入，输出为判别结果。
[0119]
步骤3.4
′
通过加上其随机梯度来更新判别器。
[0120]
步骤3.5
′
通过减去其随机梯度来更新生成器。
[0121]
步骤4.1
′
重复训练条件对抗生成网络，判别器判断生成的故障数据与真实数据的差异，使网络输出的生成故障数据与真实故障数据的分布差异逐渐减小。
[0122]
步骤4.2
′
引入超参数k，先训练k次判别器，再训练1次生成器，即每重复进行k次步骤3.2
′
、步骤3.3
′
、步骤3.4
′
，进行一次步骤 3.5
′
，通过加速训练更新判别器，可以使条件对抗生成网络收敛更快。
[0123]
步骤4.3
′
条件对抗生成网络训练好之后，通过对生成器输入相同维度的噪声与不同的标签信息，可以生成不同种类别的故障数据。
[0124]
步骤5.1
′
将不同模态的数据输入生成对抗网络即可得到不同模态的生成数据，通过将不同模态之间故障分类的结果进行融合，得到最终的故障预警结果，利用多种模态信息融合的方法增强故障系统的预警准确度。
[0125]
本发明将生成对抗网络运用到数控系统核心部件故障生成中。同时引入条件信息作为输入，结合多模态数据融合技术，以此控制生成不同类别的数控系统核心部件故障数据，提高了故障数据的生成的质量，使得生成数据可控。引入了超参数k，使得判别器训练速度加快，生成对抗模型训练效率更高。生成的工业机器人核心部件故障数据扩充了原本的故障数据集，增强了数控系统核心部件故障诊断的准确度。
[0126]
本方案还适用于核电厂岛常规设备故障预警系统的建设，以及其他不同场景类别下的故障预警系统的搭建。
[0127]
实施例三
[0128]
一种存储介质，存储介质存储有能够实现上述任意一项数控系统多模态故障预警方法的程序文件。
[0129]
实施例四
[0130]
一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的数控系统多模态故障预警方法。
[0131]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0132]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0133]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0134]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0135]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0136]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现
出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。