一种机床故障诊断及展示方法、装置、设备及存储介质

技术领域

本发明涉及工业制造技术领域，特别是涉及一种可视化数控机床故障诊断及展示方法、装置、设备及存储介质。

背景技术

数控机床是工业制造过程中常见而又重要的机械设备，它综合了机械、自动化、计算机、测量、微电子等最新技术，其中面向机械故障的振动诊断方法由于其信号专业性导致只有专业技术能力较强的人员才能看懂数据含义并解析机床故障机理，从而极大的提高了数控机床设备管理和维护门槛。现有技术中对于机床故障检测方法主要包含三类。

第一类，数控机床运行状态及故障可视化呈现技术。

当前市场上针对数控机床的设备监控系统，基本都只是对机床设备信息的一些可视化呈现，设备运行状态数据主要以图表、文字描述等形式呈现(基于嵌入式系统的数控机床可视化能效管理监测平台-CN203455669U)，故障数据主要以故障记录方式呈现，部分会采用数据标注与静态模型的方式实现。

也有部分方案可以做到动态模型的显示，但一般方案往往采用针对性的整机3D建模完成，该方案采用一对一建模的方式完成，具有极高的显示效果(基于数字孪生的数控机床虚拟调试系统及系统构建方法-CN113703412A)。

现有数控机床运行状态及故障可视化呈现技术主要有以下两个问题：

(1)纯数据标注模式的视觉意义大于实用意义，模型本身一般不与数据联动，而是采用数据标注的方式实现感官上数据联动，其原因主要是目前技术主要采用整体建模或整体构图的方式建立显示模型，无法实现设备局部部件的运动映射；

(2)3D针对性建模具有极好的显示效果，但目前该技术建模工作量大，难以大规模推广应用，且对运行环境硬件要求极高，不具备良好的生产推广能力；

(3)现有技术方案的机床模型一般不具备故障表征能力，其主要原因是设备部件构型树和故障树的建立目前虽然理论比较完善，但在实际的设备管理过程中，由于设备管理、故障检测等资源分属各方，难以有效整合，因此基本都只采用文字记录的形式提供故障信息，而不在模型上表现。

第二类，数控机床振动故障诊断技术。

目前对数控机床振动数据故障诊断技术主要以振动信号特征分析为主，机器学习模式识别为辅实现，振动特征信号分析方法主要根据轴承、齿轮等关键部件的理论固有故障频率特征的可视化比对和统计特征的阈值对比完成故障诊断(一种齿轮箱故障缺陷检测系统-CN114371001A、一种基于工况识别的船用柴油机多模型故障诊断方法-CN112597658A)，而机器学习方法则是采用决策树、神经网络等机器学习模型对标注故障特征的数据进行分类训练(基于边缘计算和神经网络的换热机组故障诊断方法及系统-CN113640027A)，从而达到故障识别的效果。

第二类数控机床振动故障诊断技术存在以下缺点：

振动信号特征分析方法的方案往往需要专业的数据分析工具和专业的数据分析人员才能完成，因此该方法一般都是专业故障诊断第三方采用，实际数控机床用户一般不会采用。其次，该方法在多个不同程度故障叠加诊断时表现能力不好，叠加后的数据容易掩盖掉一些相对较轻的故障特征，导致人工难以识别完全。

机器学习方法在实际工程应用中的困难主要有两个方面，一是由于数据没有实验室环境理想，噪声过于复杂，难以达到理论效果；二是目前机器学习模型基本采用全量故障数据标识建模的方式，此方法针对每种故障都需要足够的样本数据建模，在实际生产环境中往往难以获取到覆盖面足够广、数量足够多的样本数据，因此模型的准确性也难以得到有效提升。

第三类，数控机床振动故障诊断模型自动优化技术。

目前数控机床振动故障诊断模型优化主要有人工分析和数据分析两种方式，大多基本采用人工分析的方式实现模型优化，生产环境中故障数据的打标基本以人工完成，模型自优化能力往往在实验室环境中应用较多。部分采用信号处理相关方法进行优化，但由于纯信号处理方法往往专业度较高，一般也需要人工把控优化过程或分析结果(基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法-CN113361205A)。

目前数控机床振动故障诊断模型基本都有人工分析参与的方式实现模型优化，无法在生产环境中实现模型自优化能力，其原因主要是方法专业性过高、业务端故障记录及描述往往无法和故障诊断方达到有效结合，再加上目前大部分企业业务端的故障记录数据并非结构化数据，也进一步加大了模型自优化的难度。

发明内容

鉴于上述问题，本发明提供用于克服上述问题或者至少部分地解决上述问题的一种机床故障诊断及展示方法、装置、设备及存储介质。解决了数控机床的机械振动故障的直观理解问题，可通过参数化配置模拟机床物理模型，动态展示机械故障机理；解决了数控机床机械振动故障的自动诊断问题，根据数控系统、振动传感器数据自动对机床故障状态进行诊断；解决了数控机床机械振动故障的复合故障原因解析问题，根据数控系统、振动传感器数据自动分解特征，匹配基础故障特征，解析复合故障的表征；故障诊断模型具备自动优化能力，可根据实际环境或测试环境中的故障检测反馈结果自动去除采集数据干扰特征，提纯故障特征数据，优化诊断模型，加强模型的故障诊断能力及故障原因解析能力。

本发明提供了如下方案：

一种机床故障诊断及展示方法，包括：

获取待检测部件的待检测运行状态数据；

将所述待检测运行状态数据输入目标故障元模式识别模型；所述目标故障元模式识别模型为采用故障元数据集结合深度残差收缩网络模型建立的识别模型；所述故障元数据集包括若干故障元数据，每个所述故障元数据包括所述待检测部件的至少一种故障的时域数据和/或频域数据和/或故障表现；

获取所述目标故障元模式识别模型输出的故障诊断结果；所述故障诊断结果包括至少一个目标故障元数据；所述目标故障元数据为所述故障元数据集中的一个；

获取所述故障诊断结果对应的所有故障显示素材，所述故障显示素材包括以图像形式存在的显示素材，所述故障显示素材用于示出所述待检测部件与所述目标故障元数据对应的故障发生后的图像；

将所有所述故障显示素材排列组合后形成与所述故障诊断结果对应的目标图像素材；

将所述目标图像素材发送至显示模块，以便在所述显示模块上展示所述目标图像素材包含的图像。

优选地：判断所述待检测运行状态数据是否满足故障诊断条件；

确定所述待检测运行状态数据满足所述诊断条件后将所述待检测运行状态数据输入目标故障元模式识别模型。

优选地：根据所述待检测运行状态数据确定对应的待检测部件的类型；

根据所述待检测部件的类型确定所述目标故障元模式识别模型；所述目标故障元模式识别模型为故障元模式识别模型集中的一个。

优选地：所述故障元数据集为采用仿真模拟、理论计算和/或数据采集积累形成。

优选地：接收新故障类型对应的新故障数据，将所述新故障数据与现有故障元数据做比对滤波，去除已有故障特征频率，生成新故障类型的新故障元数据并利用结合深度残差收缩网络模型建立的新识别模型。

优选地：所述故障显示素材为二维透视图像建模的方式生成的素材。

优选地：在所述显示模块上以目标方式展示所述目标图像素材包含的图像；所述目标方式包括静态展示、动态展示、突出展示中的任意一种或几种的组合。

一种机床故障诊断及展示装置，所述装置包括：

状态数据获取单元，用于获取待检测部件的待检测运行状态数据；

数据输入单元，用于将所述待检测运行状态数据输入目标故障元模式识别模型；所述目标故障元模式识别模型为采用故障元数据集结合深度残差收缩网络模型建立的识别模型；所述故障元数据集包括若干故障元数据，每个所述故障元数据包括所述待检测部件的至少一种故障的时域数据和/或频域数据和/或故障表现；

故障诊断结果获取单元，用于获取所述目标故障元模式识别模型输出的故障诊断结果；所述故障诊断结果包括至少一个目标故障元数据；所述目标故障元数据为所述故障元数据集中的一个；

故障显示素材获取单元，用于获取所述故障诊断结果对应的所有故障显示素材，所述故障显示素材包括以图像形式存在的显示素材，所述故障显示素材用于示出所述待检测部件与所述目标故障元数据对应的故障发生后的图像；

目标图像素材组合单元，用于将所有所述故障显示素材排列组合后形成与所述故障诊断结果对应的目标图像素材；

显示单元，用于将所述目标图像素材发送至显示模块，以便在所述显示模块上展示所述目标图像素材包含的图像。

一种机床故障诊断及展示设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述的机床故障诊断及展示方法。

一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的机床故障诊断及展示方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本申请实施例提供的一种机床故障诊断及展示方法、装置、设备及存储介质，该方法采用基于故障元数据组合诊断的故障诊断方法，将数控机床机械故障拆分为不可细分的故障元数据，其他故障均由这些故障元数据的组合而成。该方法将复杂的故障诊断问题转化为基础数据的组合问题，相比人工分析，最大程度避免了人工分析带来的故障特征掩盖漏查的风险，相比传统机器学习方法，能有效减少模型训练所需的样本数据，只需要基础类型数据即可。

另外，在优选的实施方式下，该方法具备故障模型自动优化能力，该功能会对新类型故障数据做清洗处理，去除已有特征，提纯单类型特征，能有效扩充模型诊断范围和诊断能力，使系统在早期具备易部署的特点，虽然早期的故障诊断准确率不会很高，但数据迭代速度快，可以短期内实现系统内循环迭代完成自动优化升级。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

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，下面将对实施例中所需要使用的附图作简单地介绍。显而易见地，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说，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他的附图。

图1是本发明实施例提供的一种机床故障诊断及展示方法的流程图；

图2是本发明实施例提供的故障诊断系统的连接框图；

图3是本发明实施例提供的显示模块的结构示意图；

图4是本发明实施例提供的故障模型生成及诊断流程图；

图5是本发明实施例提供的一种机床故障诊断及展示装置的示意图；

图6是本发明实施例提供的一种机床故障诊断及展示设备的结构示意图。

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的一部分实施例，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所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，为本发明实施例提供的一种机床故障诊断及展示方法，如图1所示，该方法可以包括：

S101:获取待检测部件的待检测运行状态数据；在实际应用中，该状态数据可以通过待检测部件位置处设置的传感器获得。由于通过传感器获得的运行状态数据可能是不存在故障的数据，为了降低该方法在使用时的工作量，本申请实施例可以提供判断所述待检测运行状态数据是否满足故障诊断条件；

确定所述待检测运行状态数据满足所述诊断条件后将所述待检测运行状态数据输入目标故障元模式识别模型。

在获取到运行状态数据后，首先对运行状态数据进行判断，当确定运行状态数据不存在故障对应的特征后，无需将数据输入目标故障元模式识别模型。只有确定存在故障特征后才将其输入目标故障元模式识别模型进行诊断。

S102:将所述待检测运行状态数据输入目标故障元模式识别模型；所述目标故障元模式识别模型为采用故障元数据集结合深度残差收缩网络模型建立的识别模型；所述故障元数据集包括若干故障元数据，每个所述故障元数据包括所述待检测部件的至少一种故障的时域数据和/或频域数据和/或故障表现；

由于机床的故障可能包括多种，且不同的部件的故障诊断方式以及运行状态存在的特征不同，为了可以针对每个或者每种不同的部件进行有针对性的诊断，降低运算数量。本申请实施例可以提供根据所述待检测运行状态数据确定对应的待检测部件的类型；

根据所述待检测部件的类型确定所述目标故障元模式识别模型；所述目标故障元模式识别模型为故障元模式识别模型集中的一个。故障元模式识别模型集可以包含多个故障元模式识别模型，每个故障元模式识别模型可以对应一个部件或者一类具有类似结构的部件。待检测部件的类型可以根据获取到的待检测运行状态数据中包含的传感器的属性确定，传感器的属性包含传感器的位置以及传感器对应的部件名称等。

S103:获取所述目标故障元模式识别模型输出的故障诊断结果；所述故障诊断结果包括至少一个目标故障元数据；所述目标故障元数据为所述故障元数据集中的一个；本申请实施例提供的方法将数控机床机械故障拆分为不可细分的故障元数据，其他故障均由这些故障元数据组合而成。具体的，所述故障元数据集为采用仿真模拟、理论计算和/或数据采集积累形成。该故障元数据的详细获取方法将在后续进行详细介绍。

S104:获取所述故障诊断结果对应的所有故障显示素材，所述故障显示素材包括以图像形式存在的显示素材，所述故障显示素材用于示出所述待检测部件与所述目标故障元数据对应的故障发生后的图像；

S105:将所有所述故障显示素材排列组合后形成与所述故障诊断结果对应的目标图像素材；具体的，所述故障显示素材为二维透视图像建模的方式生成的素材。

S106:将所述目标图像素材发送至显示模块，以便在所述显示模块上展示所述目标图像素材包含的图像。具体的，在所述显示模块上以目标方式展示所述目标图像素材包含的图像；所述目标方式包括静态展示、动态展示、突出展示中的任意一种或几种的组合。

本申请实施例提供的机床故障诊断及展示方法，采用基于故障元数据组合诊断的故障诊断方法，将数控机床机械故障拆分为不可细分的故障元数据，其他故障均由这些故障元数据的组合而成。该方法将复杂的故障诊断问题转化为基础数据的组合问题，相比人工分析，最大程度避免了人工分析带来的故障特征掩盖漏查的风险，相比传统机器学习方法，能有效减少模型训练所需的样本数据，只需要基础类型数据即可。

显示模块中采用了一种基于基础显示素材库的灵活显示方法，该方法基于真实的物理模型搭建设备部件细分结构的数字模型，并与设备基础结构一一对应创建机床设备部件的基础显示素材，在每个基础显示单元上根据故障元数据进一步演化创建不同故障程度、不同形态的故障显示素材，形成最终的显示效果，足够数量的基础显示素材和不同运动姿态参数的动态素材的组合足以实现大多数场景下机床运行状态的模拟展示。相比整体性建模方案主要解决了无法达到数模联动的问题，相比数值仿真建模解决建模效率慢、模型复用率低的问题。

在实际应用中，机床在长期使用过程中可能会出现新的故障，为了可以保证在出现新的故障后，本申请实施例提供的方法可以根据新的故障建立相应的识别模型，本申请实施例可以提供接收新故障类型对应的新故障数据，将所述新故障数据与现有故障元数据做比对滤波，去除已有故障特征频率，生成新故障类型的新故障元数据并利用结合深度残差收缩网络模型建立的新识别模型。

当业务端录入故障模型库中尚未存在的新类型故障数据时，故障诊断模块会将该故障数据与现有的故障元数据做逐一比对处理，去除现有故障元数据已有特征频率，消除干扰噪声影响，生成纯粹的新故障类型元数据，再根据现有网络模型生成新故障类型模型文件并存储，后续若再次发生该类故障，以同样的方法扩充该类故障元数据和模型库，从而达到自动优化模型效果的目的。该方法主要通过整合业务端资源，使业务端维修记录、故障记录等数据结构化的方式达到建模能力，是通过一种系统化思维解决问题，而不是依靠人工整理数据的方式迭代优化模型，效率更高，结果更准确。

下面通过具体实施例对本申请提供的机床故障诊断及展示方法进行详细介绍。

本申请实施例提供的机床故障诊断及展示方法可以通过数控机床可视化故障诊断系统的故障诊断模块实现数据处理，该系统主要分为六个模块，分别为业务端、采集端、数据服务模块、显示操作模块、故障诊断模块、数据存储模块，模块之间的整体关系结构图如图2所示。

(1)业务端

业务端主要指的是数控机床设备维保管理系统，主要向故障诊断系统提供结构化的设备维保记录数据，含故障记录、故障描述、维修记录等数据。

(2)采集端

采集端主要指的是数控机床主轴、电机等关键部件安装的振动传感器及对应的数采仪器，该系统主要采集设备关键部件的原始振动数据，完成数据采集、预处理和传输功能。

(3)数据服务模块

数据服务模块为本系统的核心枢纽，主要负责所有数据决策指令的生成和过程流转的控制。具体功能描述如下：

接收来自采集端、业务端的数据，并将数据处理后存入数据库；

根据处理后的数据生成显示指令，并下发至显示模块用以显示控制；

处理后的数据决定是否调用故障诊断模块对振动数据进行诊断，当获取到诊断完成通知后下发显示指令进行显示；

接收来自显示操作模块的操作显示指令，实现显示端和故障诊断模块、业务端、采集端的数据交互；

当业务端录入新的故障类型时，向显示端发送提醒信息，提醒用户在操作端对该类型的故障表现进行参数化描述，并执行第三步。

(4)显示操作模块

显示操作模块分为显示单元和操作单元两部分。

显示单元具备数据信息化显示功能、模型动态显示功能。

数据实信息化显示功能可实施展示从机床CNC采集设备、振动数据采集设备等获取的机床加工状态、加工参数、振动数据、诊断结果等数据，为用户实时复现机床的最新设备状态，是基础的数据可视化功能。

模型动态显示功能可读取模型配置参数，并根据模型配置参数调取显示素材组合展示模型，为满足不同场景的硬件条件，本发明采用二维透视图像建模的方式生成素材，素材以图像形式存在，根据素材类型分为静态图像和动态图像。

本功能基于故障元数据和设备基础结构件创建的机床设备部件的基础显示素材实现，每个故障元数据对应一个故障显示素材，每个基础结构对应一个部件结构显示素材，这样就可以通过诊断结果数据驱动的各基础显示素材的排列组合实现对具体设备静态状态的呈现。在静态状态呈现的基础上针对设备部件的运动姿态(如平移、旋转)构建运动控制模型，不同的部件对应不同的姿态参数调取不同的动态素材，通过对机床加工参数的识别调整动态参数，实现覆盖大多数情况的设备运行状态动态效果的复现显示。

操作单元在显示界面提供操作界面，主要实现三个方面的功能。一是常规信息化功能，提供设备选择、数据项选择等操作功能，根据用户需求自主选择查看的设备及数据；二是控制模型查看方式，支持放大、缩小查看不同层级部件，隐藏、显示局部细节等功能；三是可选择部件类型、尺寸参数和故障参数，系统将会根据已有素材快速建模或向后台提交建模需求，生成的模型素材存入数据库。

(5)故障诊断模块

区别于常规的机床机械故障诊断方法，本系统采用基于故障元模式识别的故障诊断方法。本专利采用独创的基于故障元数据组合诊断的故障诊断方法，本方法将数控机床机械故障拆分为不可细分的故障元数据，其他故障均由这些故障元数据的组合而成。该方法将复杂的故障诊断问题转化为基础数据的组合问题，最大程度避免了人工分析带来的故障特征掩盖漏查的风险。

本方法中，故障元数据是采用仿真模拟、理论计算和数据采集积累形成。

系统最开始的故障元数据是采用仿真模拟和理论计算生成，通过建立标准的机械设备结构模型和故障模型，并利用仿真模型生成该类模型的模拟数据，通过理论频率特征计算验证，模拟数据有效性从而形成初始的故障元数据库。

后续的故障元数据则主要以业务端记录的新故障类型及对应采集数据积累形成，当发现新类型的故障数据时，故障诊断模块会将该数据与现有故障元数据做比对滤波，去除已有故障特征频率，生成纯粹的该故障类型的元数据及基础模型。

下述故障诊断方法详细步骤。

常见的数控机床机械故障有主轴轴承、刀具、导轨、电机轴承等故障，均可采用振动数据进行诊断，如主轴轴承故障，又可划分为内环、外环、滚动体、保持架故障，而内环故障又可分为疲劳剥落、磨损擦伤、断裂失效等，此时，可认为内环疲劳剥落、磨损擦伤、断裂失效故障已划分至故障元，故障程度按轻微、中等、严重分级。振动的故障元数据早期可通过该类故障理论振动数据或实验振动数据生成，故障元数据集记为X，而轴承内环故障记为X

X＝[X

X

其中，X

确定故障元数据集X后，采用深度残差收缩网络模型建立故障元模式识别模型，该模型以故障元振动数据时域与频域数据为基础，故障表现为标记建立故障元模型集，由于深度残差收缩网络模型为常用神经网络模型，所以方法本身不做详细描述。

假设真实采集的设备振动数据为Y

当业务端录入故障模型库中尚未存在的新类型故障数据时，故障诊断模块会采取一系列元数据处理措施将该故障数据与现有的故障元数据做逐一比对滤波，去除现有故障元数据已有特征频率得到纯粹的新故障类型元数据，再根据现有网络模型生成新故障类型模型文件并存储，后续若再次发生该类故障，以同样的方法扩充该类故障元数据和模型库，从而达到自动优化模型效果的目的。本方法采用了信号处理+机器学习相结合的方法完成，只保留信号处理方法中无需经验判断的部分，将分析判断交给机器学习模型，尽量避免了人工分析参与，模型的生成、诊断和自动优化过程如图3所示。

(6)数据存储模块

数据存储模块用以存储系统中的各类数据，包含文件数据库和业务数据库，文件数据库以文件格式(如txt、csv、dat等)存储振动原始数据文件和模型数据文件，业务数据库以时序数据库存储机床加工参数、状态参数等实时数据，以关系型数据库(如mysq l)存储机床相关诊断结果数据、各类文件调用地址等结构化数据。

本模块提供各类数据的增删改查接口，以供其他模块调用。

总之，本申请提供的机床故障诊断及展示方法，基于目前生产环境工程化方案中最具备数字孪生特点的方案，相比纯粹的数值仿真和3D模型虽然模型精度较低但具有建模简单、数模联动效率高的特点，相比一般可视化系统又具有更直观的显示效果，解决机械振动故障的直观理解问题。

同时，诊断效果具有人工信号分析的特点，又不需要专业的分析人员参与，且相比人工分析结果，虽然故障的精确识别准确率会略低于人工复核，但胜在速度快、效率高，且对轻中度故障的数据解析能力优于人工分析。

另外，该方法具备故障模型自动优化能力，该功能会对新类型故障数据做清洗处理，去除已有特征，提纯单类型特征，能有效扩充模型诊断范围和诊断能力，使系统在早期具备易部署的特点，虽然早期的故障诊断准确率不会很高，但数据迭代速度快，可以短期内实现系统内循环迭代完成自动优化升级。

参见图5，本申请实施例还可以提供一种机床故障诊断及展示装置，如图5所示，该装置可以包括：

状态数据获取单元501，用于获取待检测部件的待检测运行状态数据；

数据输入单元502，用于将所述待检测运行状态数据输入目标故障元模式识别模型；所述目标故障元模式识别模型为采用故障元数据集结合深度残差收缩网络模型建立的识别模型；所述故障元数据集包括若干故障元数据，每个所述故障元数据包括所述待检测部件的至少一种故障的时域数据和/或频域数据和/或故障表现；

故障诊断结果获取单元503，用于获取所述目标故障元模式识别模型输出的故障诊断结果；所述故障诊断结果包括至少一个目标故障元数据；所述目标故障元数据为所述故障元数据集中的一个；

故障显示素材获取单元504，用于获取所述故障诊断结果对应的所有故障显示素材，所述故障显示素材包括以图像形式存在的显示素材，所述故障显示素材用于示出所述待检测部件与所述目标故障元数据对应的故障发生后的图像；

目标图像素材组合单元505，用于将所有所述故障显示素材排列组合后形成与所述故障诊断结果对应的目标图像素材；

显示单元506，用于将所述目标图像素材发送至显示模块，以便在所述显示模块上展示所述目标图像素材包含的图像。

本申请实施例还可以提供一种机床故障诊断及展示设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述的机床故障诊断及展示方法的步骤。

如图6所示，本申请实施例提供的一种机床故障诊断及展示设备，可以包括：处理器10、存储器11、通信接口12和通信总线13。处理器10、存储器11、通信接口12均通过通信总线13完成相互间的通信。

在本申请实施例中，处理器10可以为中央处理器(Central Processing Unit，CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件等。

处理器10可以调用存储器11中存储的程序，具体的，处理器10可以执行机床故障诊断及展示方法的实施例中的操作。

存储器11中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本申请实施例中，存储器11中至少存储有用于实现以下功能的程序：

获取待检测部件的待检测运行状态数据；

将所述待检测运行状态数据输入目标故障元模式识别模型；所述目标故障元模式识别模型为采用故障元数据集结合深度残差收缩网络模型建立的识别模型；所述故障元数据集包括若干故障元数据，每个所述故障元数据包括所述待检测部件的至少一种故障的时域数据和/或频域数据和/或故障表现；

获取所述目标故障元模式识别模型输出的故障诊断结果；所述故障诊断结果包括至少一个目标故障元数据；所述目标故障元数据为所述故障元数据集中的一个；

获取所述故障诊断结果对应的所有故障显示素材，所述故障显示素材包括以图像形式存在的显示素材，所述故障显示素材用于示出所述待检测部件与所述目标故障元数据对应的故障发生后的图像；

将所有所述故障显示素材排列组合后形成与所述故障诊断结果对应的目标图像素材；

将所述目标图像素材发送至显示模块，以便在所述显示模块上展示所述目标图像素材包含的图像。

在一种可能的实现方式中，存储器11可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能(比如文件创建功能、数据读写功能)所需的应用程序等；存储数据区可存储使用过程中所创建的数据，如初始化数据等。

此外，存储器11可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。

通信接口12可以为通信模块的接口，用于与其他设备或者系统连接。

当然，需要说明的是，图6所示的结构并不构成对本申请实施例中机床故障诊断及展示设备的限定，在实际应用中机床故障诊断及展示设备可以包括比图6所示的更多或更少的部件，或者组合某些部件。

本申请实施例还可以提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的机床故障诊断及展示方法的步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加上必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书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，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。