公开(公告)号：CN116113897B

公开(公告)日：2024-12-10

申请号：CN202080103585.3

申请日：2020-08-31

Applicant: 西门子股份公司

Inventor： 乔纳斯·戴希曼 ,  马塞尔·罗瑟林 ,  阿尔多·塞德诺

IPC: G05B13/02 ,  G05B19/4065

Abstract: 一种监测铣床(1)的方法，包括以下步骤：‑部署(S1)未经训练的机器学习模型(M)，用于确定时间序列数据中的一个或多个异常；‑在铣床(1)的运行期间，由未经训练的机器学习模型(M)，优选地从为铣床(1)供电的转换器获得(S2)表示铣床(1)的铣头的旋转速度和铣床(1)的至少一个另外的运行参数的第一时间序列数据(I，II)；以及‑在铣床(1)的运行期间，基于所获得的第一时间序列数据(I，II)训练(S3)未经训练的机器学习模型(M)，‑在铣床的运行期间，由经训练的机器学习模型(M)获得(S4)表示铣床(1)的铣头的旋转速度和另外的运行参数的第二时间序列数据(III)，‑在铣床(1)的运行期间，由经训练的机器学习模型(M)确定(S5)第二时间序列数据(III)中的一个或多个异常。

公开(公告)号：CN116113897A

公开(公告)日：2023-05-12

申请号：CN202080103585.3

申请日：2020-08-31

Applicant: 西门子股份公司

Inventor： 乔纳斯·戴希曼 ,  马塞尔·罗瑟林 ,  阿尔多·塞德诺

IPC: G05B19/4065

Abstract: 一种监测铣床(1)的方法，包括以下步骤：‑部署(S1)未经训练的机器学习模型(M)，用于确定时间序列数据中的一个或多个异常；‑在铣床(1)的运行期间，由未经训练的机器学习模型(M)，优选地从为铣床(1)供电的转换器获得(S2)表示铣床(1)的铣头的旋转速度和铣床(1)的至少一个另外的运行参数的第一时间序列数据(I，II)；以及‑在铣床(1)的运行期间，基于所获得的第一时间序列数据(I，II)训练(S3)未经训练的机器学习模型(M)，‑在铣床的运行期间，由经训练的机器学习模型(M)获得(S4)表示铣床(1)的铣头的旋转速度和另外的运行参数的第二时间序列数据(III)，‑在铣床(1)的运行期间，由经训练的机器学习模型(M)确定(S5)第二时间序列数据(III)中的一个或多个异常。