基于深度学习的设备诊断系统和方法技术方案

提供了设备诊断系统和方法，其使用设备的异常数据和正常数据，并准确有效地执行对设备的诊断。该设备诊断系统包括：数据采集单元，用于采集设备的时间序列数据；预处理单元，通过傅里叶变换将时间序列数据转换为包括时间分量的频率数据；深度学习单元，通过卷积神经网络(CNN)通过使用频率数据执行深度学习；以及诊断单元，基于深度学习将设备的状态确定为正常状态或故障状态。

Equipment diagnosis system and method based on deep learning

【技术实现步骤摘要】
基于深度学习的设备诊断系统和方法相关申请的交叉引用2018年3月29日在韩国知识产权局提交的名称为“EquipmentDiagnosisSystemandMethodBasedonDeepLearning(基于深度学习的设备诊断系统和方法)”的韩国专利申请No.10-2018-0036603通过引用整体并入本文。
实施例涉及用于确定设备故障与否的设备诊断技术，并且更具体地，涉及基于深度学习的用于确定设备故障与否的设备诊断技术。
技术介绍
传统的设备诊断技术采集在设备中生成的数据，并使用所采集的数据监视驱动器的恶化和/或故障以预先核查部件、供需部件故障与否，并执行预先测量，从而执行基于状态的管理(condition-basedmanagement，CBM)以最小化设备运行率的降低。例如，从设备马达采集的扭矩数据和速度数据、内部/外部振动数据、温度数据、斜率数据、大气压力数据、设备的压力数据、警报数据等可以通过传感器获得并用于预测设备故障。然而，传统的设备诊断技术存在一些缺陷。
技术实现思路
根据一个或多个实施例，一种设备诊断系统，包括：数据采集单元，用于采集设备的时间序列数据；预处理单元，用于执行预处理以通过傅里叶变换将时间序列数据转换为包括时间序列分量的频率数据；深度学习单元，用于通过卷积神经网络(convolutionneuralnetwork，CNN)通过使用频率数据执行深度学习；以及诊断单元，用于基于深度学习确定设备的状态是处于正常状态还是故障状态。根据一个或多个实施例，一种设备诊断方法，包括采集设备的时间序列数据，通过傅里叶变换将时间序列数据转换为包括时间序列分量的频率数据，通过CNN通过使用频率数据来执行深度学习，以及基于深度学习诊断设备是处于正常状态还是故障状态。根据一个或多个实施例，一种设备诊断方法，包括：采集设备的多种数据，通过CNN使用多种数据执行多模式深度学习，以及基于多模式深度学习诊断设备是处于正常状态还是故障状态。附图说明通过参考附图详细描述示例性实施例，特征对于本领域技术人员来说将变得显而易见，其中：图1示出了根据实施例的设备诊断系统的框图；图2示出了根据实施例的设备诊断方法的过程的流程图；图3A示出了图2的设备诊断方法中的预处理过程的详细流程图；图3B示出了与图3A的预处理过程相对应的图；图3C示出了通过不同于图3A的预处理过程的预处理过程获得的图；图4A示出了与图2的设备诊断方法的数据采集过程、一般快速傅里叶变换(fastFouriertransform，FFT)和图3A的预处理过程相对应的图；图4B示出了通过图3A的预处理过程获得的图；图5示出了在图2的设备诊断方法中基于卷积神经网络(CNN)的深度学习过程的概念图；图6A示出了用于描述图5的深度学习过程中的卷积的概念图；图6B示出了示出图5的深度学习过程中的激活函数的图；图6C示出了用于描述图5的深度学习过程中的池化(pooling)的概念图；图7示出了用于描述图5的深度学习过程中的二维(two-dimensional，2D)CNN和一维(one-dimensional，1D)CNN的概念图；图8示出了用于描述图5的深度学习过程中的两层CNN的结构的概念图；图9示出了根据实施例的设备诊断方法的过程的流程图；图10A示出了根据实施例的设备诊断方法的过程的流程图；图10B示出了图10A的设备诊断方法的框图；图10C和10D示例性地示出了图10A的频率数据合并过程中频率数据的合并的图；图11A示出了根据实施例的设备诊断方法的过程的流程图；图11B概念性地示出了图11A的设备诊断方法的框图；图12A示出了根据实施例的设备诊断方法的过程的流程图；图12B概念性地示出了图12A的设备诊断方法的框图；以及图13示出了根据实施例的设备诊断方法的过程的流程图。具体实施方式在下文中，将参考附图详细描述实施例。在附图中相同的附图标记表示相同的元件，并且省略了对它们的重复描述。如上所述，传统的设备诊断技术存在一些缺陷，下面将举例说明。首先，通常从设备获得时间序列数据，但是难以直接量化在时域中获得的时间序列数据以诊断设备。这是因为基于每个马达的结构特性，在数据中包括与每个部件的固有频率相对应的振动。因此，为了对设备执行定量诊断，从时域改变到频域，并且执行诊断。然而，增大采样率以在宽范围内准确测量频率数据，增加了待分析的数据量。第二，每件设备、每个过程、每个模型和每个马达的数据特性不同。因此，需要其中反映了相应数据特性的个体诊断算法以用于有效诊断。然而，在构建个体诊断算法时花费了大量的时间、成本和精力，并且所构建的诊断算法仅应用于相应的数据。鉴于此，个体诊断算法在实用性方面具有局限。第三，在获得数据时，大多数数据对应于正常状态，而对应于故障状态的数据是有限的。在设备诊断中，通常仅使用故障数据，而丢弃大多数正常数据。图1是示出根据实施例的设备诊断系统1000的框图。参考图1，根据实施例的设备诊断系统1000可以包括数据采集(dataacquisition，DAQ)单元100、预处理/学习计算机200、诊断单元300和反馈单元400。DAQ单元100可以从待诊断的设备2000采集数据。这里，设备2000可以是用于半导体工艺的半导体设备。半导体设备的示例可以包括基于多种半导体工艺的各种设备和模型。例如，半导体后置工艺(post-process)可以包括封装工艺、测试工艺和模块工艺，可以在每种工艺中提供数十种设备，并且可以将数十种设备中的每一种实施为各种模型。DAQ单元100可以通过传感器和/或控制单元1500采集各种设备的数据(例如，设备中的马达的扭矩数据和速度数据；内部/外部振动数据、温度数据、大气压力数据；设备的压力数据、设备的斜率数据和当前数据；等等)。例如，当设备2000包括马达时，DAQ单元100可以从控制马达的伺服驱动器接收扭矩或速度数据。DAQ单元100可以包括DAQ电路板，并且此外，可以包括安装在DAQ板上的模数(analog-to-digital，A/D)转换器。在根据本实施例的设备诊断系统1000中，帮助采集数据的传感器和/或控制单元1500可以是独立于DAQ单元100的单独元件，并且可以不包括在设备诊断系统1000中。然而，根据一些实施例，帮助采集数据的传感器和/或控制单元1500可以包括在设备诊断系统1000中。并且，传感器和/或控制单元1500可以作为DAQ单元100的元件被包括。此外，根据一些实施例，待诊断的设备2000可以包括在设备诊断系统1000中。由DAQ单元100从设备2000采集的数据可以是时间序列数据。时间序列数据，作为随时间以特定间隔采集的数据，可以被称为时间函数，并且可以对应于时域中的数据。由DAQ单元100采集的设备2000的数据不限于时间序列数据。例如，设备2000的数据可以包括设备2000的规格的文本数据，并且DAQ单元100可以采集诸如文本数据的非时间序列数据。预处理/学习计算机200可以包括预处理单元210和深度学习单元220。预处理/学习计算机200可以是个人计算机(personalcomputer，PC)、工作站、超级计算机等，以用于执行预处理过程和深度学习过程。可选地或附加地，便携式本文档来自技高网...

【技术保护点】
1.一种设备诊断系统，包括：数据采集单元，用于采集设备的时间序列数据；预处理单元，用于通过傅里叶变换将时间序列数据转换为包括时间分量的频率数据；深度学习单元，用于通过卷积神经网络CNN通过使用频率数据执行深度学习；和诊断单元，用于基于深度学习将设备的状态确定为正常状态或故障状态。

【技术特征摘要】
2018.03.29 KR 10-2018-00366031.一种设备诊断系统，包括：数据采集单元，用于采集设备的时间序列数据；预处理单元，用于通过傅里叶变换将时间序列数据转换为包括时间分量的频率数据；深度学习单元，用于通过卷积神经网络CNN通过使用频率数据执行深度学习；和诊断单元，用于基于深度学习将设备的状态确定为正常状态或故障状态。2.如权利要求1所述的设备诊断系统，其中，傅里叶变换是快速傅里叶变换FFT、短时傅里叶变换STFT和瀑布FFT中的一种。3.如权利要求2所述的设备诊断系统，其中，傅里叶变换是STFT或者瀑布FFT，并且CNN包括一维1DCNN，其中不同的权重值分别被分配给时间间隔。4.如权利要求2所述的设备诊断系统，其中，傅里叶变换是STFT，并且预处理单元基于设备的操作时间确定STFT的周期。5.如权利要求1所述的设备诊断系统，其中，数据采集单元采集至少两种时间序列数据，预处理单元将至少一种时间序列数据转换为频率数据，并且深度学习单元对至少两种数据中的每一种数据或者对至少两种数据合并后的数据执行深度学习。6.如权利要求5所述的设备诊断系统，其中，至少两种数据包括频率数据、时间序列数据和文本数据中的至少一种。7.如权利要求1所述的设备诊断系统，其中，数据采集单元从至少两种设备中采集时间序列数据，预处理单元将来自至少两种设备的时间序列数据转换为频率数据，深度学习单元通过使用来自预处理单元的频率数据执行深度学习，并且诊断单元确定至少两种设备以及与至少两种设备不同的设备的状态。8.如权利要求1所述的设备诊断系统，还包括反馈单元，用于在线或离线地向用户提供诊断单元的诊断结果。9.如权利要求1所述的设备诊断系统，其中，在诊断单元确定设备的状态之前，深度学习单元通过使用其中核查了设备的正常状态和故障状态的标记数据来执行深度学习，以及当诊断单元确定设备的状态时，深度学习单元通过使用其中未核查设备的状态的未标记数据来执行深度学习，并且基于深度学习的结果在未标记数据上标记设备的状态。10.如权利要求1所述的设备诊断系统，其中，CNN包括将卷积滤波器应用于频率数据以提取频率数据的特征映射并且池化以用于减小特征映射的大小，应用和池化被执行多次。11.如权利要求10所述的设备诊断系统，其中CNN提取通道的多条频率数据，并且对通道的多条频率数据中的每条频率数据或者对其中混合了通道的多条频率数据的混合数据执行应用和池化。12.一种设备诊断方法，包括：采集设备的时间序列数据；通过傅里叶变换将时间序列数据转换为包括时间分量的频率数据；通过卷积神经网络CNN使用频率数据来进行深度学习；和基于深度学习将设备的状态诊断为正常状态或故障状态。13.如权利要求12所述的设备诊断方法，其中，在诊断设备的状态之前，深度学习包括使用与设备的正常状态和故障状态之一相关联的标记数据来深度学习，以及当诊断确定设备的状态时，深度学习还包括使用其中未核查与其相关联的设备的状态的未标记数据来深度学习，并且诊断包括基于深度学习的结果...

【专利技术属性】
技术研发人员：吴炅桓，李虎烈，朴元基，徐钟辉，张永日，郭河录，张炳卓，崔成镐，
申请(专利权)人：三星电子株式会社，首尔大学校产学协力团，
类型：发明
国别省市：韩国,KR