一种用于跨工况贴片机吸嘴的故障预测方法、系统技术方案

本发明专利技术涉及贴片机技术领域，公开了一种用于跨工况贴片机吸嘴的故障预测方法、系统，获取工况二中贴片机吸嘴运行至发生故障所产生的数据集B，将数据集B输入到修正预测模型中，预测得到工况二下贴片机吸嘴的剩余可用寿命；修正预测模型的建立过程包括以下步骤：获取工况一中贴片机吸嘴的数据集A；通过TimeVAE网络对数据集A中数据进行数据增强；对数据集A中的数据进行希尔伯特黄变换预处理；将预处理后数据集A输入预测模型中，提取高维特征，预测贴片机吸嘴的剩余可用寿命。通过RUL loss对预测模型进行修正，将修正后的预测模型结合迁移学习得到修正预测模型；其中采用MK

【技术实现步骤摘要】
一种用于跨工况贴片机吸嘴的故障预测方法、系统


[0001]本专利技术涉及贴片机
，具体涉及一种用于跨工况贴片机吸嘴的故障预测方法、系统。

技术介绍

[0002]在SMT产线中，贴片机是其中最重要也是最复杂的设备，也是最容易发生故障的设备，目前，贴片机故障已经占到整条SMT产线的60％以上，对产线的正常生产影响很大。而贴片机故障中，首要的故障影响因素就是吸嘴部件，尤其在工况变化情况下，如何解决贴片机吸嘴的跨工况故障预测问题对于SMT产线的正常生产具有举足轻重的作用。
[0003]但是，关于吸嘴的故障预测主要面临的问题是可用寿命数据不足、异常数据较少、跨工况预测效果较差。以往更多是通过贴片机吸嘴的真空气压情况，对其故障情况进行事后判断；而一般的深度学习方法通常比较适用于单一工况的故障预测，跨工况应用效果不佳。所以，目前倾向于结合数据增强、迁移学习的深度学习方法，来解决这些问题。
[0004]随着深度学习在预测性维护领域中的应用，大量深度学习算法被先后提出，用于解决故障预测问题。
[0005]但是实际场景中关于贴片机吸嘴的异常数据比较少，并且工况复杂多变，针对各种特定工况贴片机吸嘴来设计预测模型比较费事费力，一旦工况发生改变，模型容易失效。
[0006]本专利技术主要是用于解决在贴片机吸嘴的故障预测中可用寿命数据不足、异常数据较少、跨工况预测效果较差情况。

技术实现思路

[0007]为解决上述技术问题，本专利技术提供一种用于跨工况贴片机吸嘴的故障预测方法、系统。
>[0008]为解决上述技术问题，本专利技术采用如下技术方案：
[0009]一种用于跨工况贴片机吸嘴的故障预测方法，获取工况二中贴片机吸嘴运行至发生故障所产生的数据集B，将数据集B输入到修正预测模型中，预测得到工况二下贴片机吸嘴的剩余可用寿命；
[0010]修正预测模型的建立过程包括以下步骤：
[0011]步骤一：获取工况一中贴片机吸嘴的全寿命周期的数据集A；
[0012]步骤二：通过TimeVAE网络对数据集A中数据进行数据增强；
[0013]步骤三：对数据集A中的数据进行希尔伯特黄变换预处理；
[0014]步骤四：将预处理后数据集A输入预测模型中，提取高维特征，预测贴片机吸嘴的剩余可用寿命；
[0015]步骤五：通过剩余可用寿命损失函数对预测模型进行修正，将修正后的预测模型结合迁移学习得到修正预测模型；其中采用MK
‑
MMD相似性度量方法作为迁移学习的损失函数对迁移效果进行修正。
[0016]一种用于跨工况贴片机吸嘴的故障预测系统，包括：
[0017]数据集获取模块，获取工况一中贴片机吸嘴的全寿命周期的数据集A；
[0018]数据增强模块，通过TimeVAE网络对数据集A中数据进行数据增强；
[0019]预处理模块，对数据集A中的数据进行希尔伯特黄变换预处理；
[0020]寿命预测模块，将预处理后数据集A输入预测模型中，提取高维特征，预测贴片机吸嘴的剩余可用寿命；
[0021]模型修正模块，通过剩余可用寿命损失函数对预测模型进行修正，将修正后的预测模型结合迁移学习得到修正预测模型；其中采用MK
‑
MMD相似性度量方法作为迁移学习的损失函数对迁移效果进行修正；
[0022]修正后寿命预测模块，获取工况二中贴片机吸嘴运行至发生故障所产生的数据集B，将数据集B输入到修正预测模型中，预测得到工况二下贴片机吸嘴的剩余可用寿命。
[0023]与现有技术相比，本专利技术的有益技术效果是：
[0024](1)本专利技术融合了数据增强、迁移学习、深度学习方法，在解决贴片机吸嘴故障预测中可用寿命数据不足、异常数据较少的基础上，进一步为跨工况的贴片机吸嘴故障预测提供了解决方法；
[0025](2)通过数据增强方法，扩充原始可用寿命数据，有效提高预测模型的鲁棒性；
[0026](3)在预测模型中采用的软阈值函数具有很好的抗噪性能，适用于真实工业场景中的强噪环境；
[0027](4)本专利技术预测模型中采用的注意力机制GAU，能够针对原始寿命数据中有用特征进行很好的抓取。
[0028](5)如图1所示，本专利技术的预测模型采用时序卷积网络TCN，相对于以往的循环神经网络RNN，具有更好的并行处理能力，更为灵活的感受野，更为稳定的梯度，更低的内存，并且长时记忆性能良好。
[0029](6)本专利技术采用的迁移学习方法，可有效改善跨工况情况下贴片机吸嘴的故障预测效果，可有效应对工业现场的复杂变化工况。
[0030](7)通过采用MK
‑
MMD作为迁移学习的损失函数，可选择更优的核函数表示，有效改善迁移效果。
附图说明
[0031]图1为本专利技术故障预测方法的流程图；
[0032]图2为本专利技术利用TimeVAE网络进行数据增强的示意图；
[0033]图3为本专利技术预测模型的示意图。
具体实施方式
[0034]下面结合附图对本专利技术的一种优选实施方式作详细的说明。
[0035]如图1所示，本专利技术的实施例提供了一种用于跨工况贴片机吸嘴的故障预测方法：
[0036](1)首先通过传感器采集工况一下贴片机吸嘴运行到故障的全寿命周期数据集A，以及工况二下贴片机吸嘴运行到故障的数据集B。
[0037](2)然后利用TimeVAE网络来对数据集A和数据集B中的数据进行数据增强，提高预
测模型的鲁棒性，如图2所示。
[0038]具体地，图2的TimeVAE网络中，输入X是包含批大小、时间步长、特征维数的三维数组，然后X被传入包含3个一维卷积层、展平层、全连接层的编码器结构中，利用编码器结构的输出来对多元高斯函数进行参数化。接下来，通过重新参数化技巧从多元高斯函数中采样Z，将其输入到解码器结构中，即将Z输入到全连接层之后，数据被重塑为3维矩阵，然后进入3个一维转置卷积层，最后通过时间分布的全连接层，其维度使得最终输出形状与原始信号相同。
[0039]考虑到实际可用寿命数据有限，这里采用的TimeVAE网络可以对其进行有效扩充，生成更多高质量的寿命数据。
[0040](3)对经过数据增强的数据集A和数据集B中的数据进行希尔伯特黄(HHT)变换预处理。
[0041](4)通过预测模型对预处理后的数据集A中的数据进行特征提取，然后预测工况一中贴片机吸嘴的剩余可用寿命RUL。如图3所示，即将通过预处理后的数据输入到时序残差模块Temporal Residual Block中，这个模块主要由两个相同部分组成，每个部分均包括丢弃法Dropout、激活函数ReLu、批正则化BN、扩张因果卷积Dilated causal Convolution。通过时序残差卷积得到原始寿命数据的深层特征，然后传入到门控注意力单元GAU中，对输入做了两次全连接处理(Dense)，并通过自注意力机制(Self
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于跨工况贴片机吸嘴的故障预测方法，用于对贴片机吸嘴的剩余可用寿命进行预测，其特征在于：获取工况二中贴片机吸嘴运行至发生故障所产生的数据集B，将数据集B输入到修正预测模型中，预测得到工况二下贴片机吸嘴的剩余可用寿命；修正预测模型的建立过程包括以下步骤：步骤一：获取工况一中贴片机吸嘴的全寿命周期的数据集A；步骤二：通过TimeVAE网络对数据集A中数据进行数据增强；步骤三：对数据集A中的数据进行希尔伯特黄变换预处理；步骤四：将预处理后数据集A输入预测模型中，提取高维特征，预测贴片机吸嘴的剩余可用寿命；步骤五：通过剩余可用寿命损失函数对预测模型进行修正，将修正后的预测模型结合迁移学习得到修正预测模型；其中采用MK
‑
MMD相似性度量方法作为迁移学习的损失函数对迁移效果进行修...

【专利技术属性】
技术研发人员：秦家虎，翟卫民，康宇，李超，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：