一种设备故障预测方法、装置、可读存储介质及电子设备制造方法及图纸

本发明专利技术公开一种设备故障预测方法、装置、可读存储介质及电子设备，通过抽取设备的特征信号后，根据特征信号中的特征类型选择不同的特征提取方法，并基于不同的特征提取方法提取特征信号中的不同特征，即能够针对不同故障特征使用与故障特征相适应的特征提取方法进行提取，实现对故障特征的二次处理，从而提取出特征高度集合的训练样本，再通过将训练样本输入机器学习分类算法中进行数据挖掘，建立具有精确输入和输出关系的故障预测模型，从而通过建立的故障预测模型结合待预测的设备特征信号实现对设备故障精确预测的目的。号实现对设备故障精确预测的目的。号实现对设备故障精确预测的目的。

【技术实现步骤摘要】
一种设备故障预测方法、装置、可读存储介质及电子设备


[0001]本专利技术涉及设备故障预测
，特别是涉及一种设备故障预测方法、装置、可读存储介质及电子设备。

技术介绍

[0002]随着人工智能产业的快速发展，半导体的需求量也逐渐增加。在半导体生产过程中需要通过多种设备配合进行生产。如其中包括用于从治具中吸取芯片的吸取设备。而在生产过程中，由于人为因素或环境因素的影响，吸取设备不可避免地将发生不同类型的故障。其中，典型的故障类型包括：吸嘴磨损、吸嘴堵塞、吸杆松动和真空发生器损坏四种故障。故障发生后可能导致流程中断，甚至破坏整个生产链。因此，故障的提前预测和分类对于工业安全具有重要意义。
[0003]目前，现有的故障预测技术通常是利用机器学习对采集到的故障特征值进行分类训练。如通过支持向量机对有故障或没有故障两种类型进行分类，而对于多故障类型的分类，则支持向量机的求解需要多个两类支持向量机的组合完成，导致计算量复杂化。并且，现有的机器学习泛化能力弱，无法对新添加的数据集做出合理的响应和处理，导致计算增大影响故障的预测速度与精准度。同时，针对不同的故障类型无法从中提取出有效的特征值进行分类训练，进一步导致分类训练结果不佳，无法实现精确的故障识别与预测效果。

技术实现思路

[0004]本专利技术所要解决的技术问题是：提供一种设备故障预测方法、装置、可读存储介质及电子设备，提高对设备故障预测的准确度。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：一种设备故障预测方法，包括步骤：抽取预设个数时间节点，并提取所述时间节点上设备对应的特征信号；根据所述特征信号中的特征类型选择至少一种特征提取方法；通过至少一种所述特征提取方法提取所述特征信号中的特征，得到训练样本；将所述训练样本输入机器学习分类模型进行训练，得到故障预测模型；获取待预测的设备特征信号，将所述待预测的设备特征信号输入所述故障预测模型，得到故障预测结果。
[0006]为了解决上述技术问题，本专利技术采用的另一技术方案为：一种设备故障预测装置，包括：抽取模块，用于抽取预设个数时间节点，并提取所述时间节点设备对应的特征信号；选取模块，用于根据所述特征信号中的特征类型选择至少一种特征提取方法；提取模块，用于通过至少一种所述特征提取方法提取所述特征信号中的特征，得到训练样本；
训练模块，将所述训练样本输入机器学习分类模型进行训练，得到故障预测模型；预测模块，用于获取待预测的设备特征信号，将所述待预测的设备特征信号输入所述故障预测模型，得到故障预测结果。
[0007]为了解决上述技术问题，本专利技术采用的另一技术方案为：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的一种设备故障预测方法各个步骤。
[0008]为了解决上述技术问题，本专利技术采用的另一技术方案为：一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的一种设备故障预测方法中的各个步骤。
[0009]本专利技术的有益效果在于：通过抽取设备的特征信号后，根据特征信号中的特征类型选择不同的特征提取方法，并基于不同的特征提取方法提取特征信号中的不同特征，即能够针对不同故障特征使用与故障特征相适应的特征提取方法进行提取，实现对故障特征的二次处理，从而提取出特征高度集合的训练样本，再通过将训练样本输入机器学习分类算法中进行数据挖掘，建立具有精确输入和输出关系的故障预测模型，从而通过建立的故障预测模型结合待预测的设备特征信号实现对设备故障精确预测的目的。
附图说明
[0010]图1为本专利技术实施例中的一种设备故障预测方法的步骤流程图；图2为本专利技术实施例中的一种设备故障预测方法的另一步骤流程图；图3为本专利技术实施例中的一种设备故障预测方法中不同K值对应特征值的偏差图；图4为本专利技术实施例中的一种设备故障预测方法中频段分层结构示意图；图5为本专利技术实施例中的一种设备故障预测方法中底层节点各个频段能量占比图；图6为本专利技术实施例中的一种设备故障预测方法中递归树结构示意图；图7为本专利技术实施例中的一种设备故障预测方法中故障分析的线性函数计算结果图；图8为本专利技术实施例中的一种设备故障预测装置的结构示意图；图9为本专利技术实施例中的一种电子设备的结构示意图。
具体实施方式
[0011]为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图予以说明。
[0012]请参照图1，一种设备故障预测方法，包括步骤：抽取预设个数时间节点，并提取所述时间节点设备对应的特征信号；通过不同的特征提取方法提取所述特征信号中的不同特征，得到训练样本；将所述训练样本输入机器学习分类模型进行训练，得到特征值以及特征值与故障的映射关系；根据回归算法对所述特征值以及特征值与故障的映射关系进行拟合，得到故障预
测模型；获取待预测的设备特征信号，将所述待预测的设备特征信号输入所述故障预测模型，得到故障预测结果。
[0013]由上述描述可知，本专利技术的有益效果在于：通过抽取设备的特征信号后，根据特征信号中的特征类型选择不同的特征提取方法，并基于不同的特征提取方法提取特征信号中的不同特征，即能够针对不同故障特征使用与故障特征相适应的特征提取方法进行提取，实现对故障特征的二次处理，从而提取出特征高度集合的训练样本，再通过将训练样本输入机器学习分类算法中进行数据挖掘，建立具有精确输入和输出关系的故障预测模型，从而通过建立的故障预测模型结合待预测的设备特征信号实现对设备故障精确预测的目的。
[0014]进一步地，所述通过至少一种所述特征提取方法提取所述特征信号中的特征，得到训练样本包括：通过主成分分析法提取所述特征信号中的时域特征，得到时域训练集，以及通过小波包变化法提取所述特征信号中的频域特征，得到频域训练集；根据所述时域训练集以及所述频域训练集得到所述训练样本。
[0015]由上述描述可知，针对时域特征使用主成分分析法，将大量的时域特征特征数据降维成适合的维度大小，即减小的计算难度也保证了数据的有效性；而针对频率特征使用小波包变化法，利用了其局部频率特征分析的优势，实现同时对低频部分信号以及高频部分信号进行分解，能够进行更好的时频局部化分析，从而基于主成分分析法以及小波包变化法能够提取出特征高度集合的训练样本。
[0016]由上述描述可知，通过采取有放回地方式分别从时域训练集以及频域训练集中抽取预设个数的特征，使得抽取后的时域训练集以及频域训练集中的特征总数不变，从而能够执行多次抽取并基于多次抽取的训练样本进行模型训练，再从多次训练结果中选出最佳的预测模型，提高对设备故障的预测效果。
[0017]进一步地，所述通过主成分分析法提取所述特征信号中的时域特征，得到时域训练集包括：将所述时域特征内的原始数据组成预设行列大小的原始矩阵；对所述原始矩阵进行零均值化，得到零均值化矩阵；计算所述零均值化矩阵对应的协方差矩阵；计算所述协方差矩阵的特征值以及特征值对应的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备故障预测方法，其特征在于，包括步骤：抽取预设个数时间节点，并提取所述时间节点上设备对应的特征信号；根据所述特征信号中的特征类型选择至少一种特征提取方法；通过至少一种所述特征提取方法提取所述特征信号中的特征，得到训练样本；将所述训练样本输入机器学习分类模型进行训练，得到故障预测模型；获取待预测的设备特征信号，将所述待预测的设备特征信号输入所述故障预测模型，得到故障预测结果。2.根据权利要求1所述的一种设备故障预测方法，其特征在于，所述通过至少一种所述特征提取方法提取所述特征信号中的特征，得到训练样本包括：通过主成分分析法提取所述特征信号中的时域特征，得到时域训练集，以及通过小波包变化法提取所述特征信号中的频域特征，得到频域训练集；根据所述时域训练集以及所述频域训练集得到所述训练样本。3.根据权利要求2所述的一种设备故障预测方法，其特征在于，所述通过主成分分析法提取所述特征信号中的时域特征，得到时域训练集包括：将所述时域特征内的原始数据组成预设行列大小的原始矩阵；对所述原始矩阵进行零均值化，得到零均值化矩阵；计算所述零均值化矩阵对应的协方差矩阵；计算所述协方差矩阵的特征值以及特征值对应的特征向量；根据所述特征值的大小获取前预设个数的所述特征向量按行组成特征矩阵；根据所述特征矩阵对所述原始矩阵进行降维，得到降维矩阵；将所述降维矩阵作为所述时域训练集。4.根据权利要求2所述的一种设备故障预测方法，其特征在于，所述通过小波包变化法提取所述特征信号中的频域特征，得到频域训练集包括：获取数据采样频率、数据类型以及小波包变化法处理层数；根据所述小波包变化法处理层数对所述数据采样频率进行处理，得到预设个数的子频率段；提取各个所述子频率段对应的能量特征，并得到各个所述子频率段对应的能量占比；根据所述数据类型选取能量占比最高的所述子频率段组合为所述频域训练集。5.根据权利要求3或4所述的一种设备故障预测方法，其特征在于，所述根据所述时...

【专利技术属性】
技术研发人员：徐永刚，孙成思，何瀚，王灿，谭尚庚，
申请(专利权)人：成都态坦测试科技有限公司，
类型：发明
国别省市：