System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据故障诊断,尤其涉及一种基于联邦学习的钻孔数据故障诊断方法。
技术介绍
1、目前的芯片加工主要是机器自动化加工,对于芯片的排线、印刷、芯片钻孔等流程都需要定位精确和操作稳定,针对芯片加工钻孔过程中出现数据故障可能会导致产品质量下降或生产效率降低,因而需要对于钻孔数据进行故障的诊断。为了有效诊断和解决这些问题,应当注意数据的采集和监测,确保在加工钻孔过程中充分采集和监测数据。这些数据可以包括钻孔机器的工作参数、传感器数据、钻孔质量指标等。通过收集大量的数据,可以更好地分析和诊断故障。对于不同的芯片类型或者是同一芯片的不同钻孔,故障的指标定义存在不同。一般需要明确定义钻孔数据故障的指标和标准。这些指标可以是钻孔直径、深度、位置偏差、钻孔表面质量等方面的参数。根据产品要求和制造标准,设定合理的指标范围,以便及时发现异常情况。与此同时,还需要对于设备的维护和校准也一样重要,定期对钻孔设备进行维护和校准,确保其正常运行和准确性。故障可能源于设备问题,如传感器失效、机械部件磨损等。及时维护和校准可以减少故障发生的可能性。现如今技术的发展,因而不断改进钻孔数据故障诊断方法和技术。随着技术的发展和经验的积累,可以引入更先进的算法和工具来提高诊断的准确性和效率。
2、现有的故障诊断方法存在:传统的故障诊断方法基于原始数据出现异常进行判断,在数据时代各个企业的芯片是强有力的竞争品,不愿意将数据泄露出,对于代加工厂需要做好数据的保护;存在数据不足、数据诊断内容不全面的问题。
3、综上所述,提出一种能够保护数据、
技术实现思路
1、本专利技术的目的在于提供一种基于联邦学习的钻孔数据故障诊断方法,实现能够保护数据、提供全面的数据诊断内容。
2、为实现上述目的,本专利技术采用的一种基于联邦学习的钻孔数据故障诊断方法,包括如下步骤:
3、步骤一:进行故障诊断数据预处理,利用历史数据进行建模,并将数据进行分类;
4、步骤二:基于域自适应网络,建立本地模型;
5、步骤三:采用联邦迁移学习。
6、其中,在步骤一:进行故障诊断数据预处理,利用历史数据进行建模,并将数据进行分类的步骤中:
7、对激光钻孔设置的参数进行预处理,划分为训练集、测试集和验证集三个组成部分,将数据集作为训练序列,数据集作为测试序列,数据集作为验证集,根据钻孔加工需要的数据,将数据分为动态数据和静态数据两部分特征参数,参数映射为向量形式:
8、 ;
9、其中为光刻胶涂胶时间,为前烘时间,为曝光时间,为显影时间,为坚膜时间,为显影时间,为涂胶转速,为烘干转速,为激光波长,为激光模式,为激光最小光斑,为激光扫描宽度,为激光钻孔深度,为激光钻孔宽度,为激光钻孔形状,每个特征参数对应一个特征标签。
10、其中,在步骤一:进行故障诊断数据预处理,利用历史数据进行建模,并将数据进行分类的步骤中:
11、定义训练集,训练集由m个特征组成,其中是n维特征空间x的一个特征,是相关联的类别标签,定义少数类特征数即待加工的芯片固有硬件参数信息~,为多数类特征数即激光钻孔加工芯片参数~,则,且;
12、计算数据类别不平衡率d:
13、;
14、若,为所设置的最大不平衡率,则计算需要合成的少数类特征数量g:
15、;
16、参数表示处理后的数据集所求的平衡程度,表示生成了完全平衡的数据集;
17、对于存在的任意少数类特征,根据n维空间的欧几里得距离找到k个最近邻点,并计算出比例:
18、;
19、式中是k个最近邻点中属于多数类的特征数量,;其中表示第i个特征距离k个最近邻点的比例;
20、对进行归一化之后:
21、;
22、计算需要为每个少数类特征生成的新特征数量:
23、;
24、在每个少数类特征的k个最近邻点中选择一个少数类特征,根据如下规则生成新特征:
25、;
26、其中为的系数,将生成新的数据向量,每一个特征表示为;
27、为了加快神经网络的收敛速度,需要将各个特征参数进行归一化处理。当输入端数据为0平均值时,对于收集的数据采用最大值最小值标准化,将数据映射到之间,标准化函数为:
28、;
29、其中是t时刻的收集到的激光钻孔加工参数,是收集到的特征参数中的最大值,是收集到的特征参数中的最小值,是t时刻收集到的激光钻孔加工参数的相关特征参数标准化结果。
30、其中,在步骤二:基于域自适应网络,建立本地模型的步骤中:
31、采用cmmd方法,计算源域和目标域直接的偏差值,偏差值越小,领域之间的数据越接近,模型的建立效果越好。
32、其中,在步骤二:基于域自适应网络,建立本地模型的步骤中:
33、采用条件最大均值差异异作为域适应损失项来度量源域和目标域的分布距离,计算公式为:
34、;
35、其中,定义包含个有标签特征的源域特征集合和一个包含个无标签特征的目标域,是与第i个源域特征相对应的one-hot标签;其中、表示属于源域、目标域中第c类的特征个数;就表示对应的特征隶属于源域第c类;代表第j个无标签目标域特征属于目标域第c类;h是一种具有特征核的再生希尔伯特空间;表示一种能够将原始的特征数据映射到h的特征映射;
36、将深层神经网络的输出可以等价成概率分布:
37、;
38、其中表示网络输入表示各个类别的概率。
39、其中,在采用联邦迁移学习的步骤中:
40、采用均方误差作损失函数作为指标,即:
41、;
42、其中表示网络输入表示标签,带入后得到待优化的代价函数为:
43、;
44、设定一个误差值,确定联合建模的故障诊断的准确率,对激光钻孔动态参数进行调整。
45、本专利技术的一种基于联邦学习的钻孔数据故障诊断方法,通过进行故障诊断数据预处理,利用历史数据进行建模,并将数据进行分类;基于域自适应网络,建立本地模型;采用联邦迁移学习,用于解决不同类型的芯片、pcb板钻孔加工时数据不共享、数据内容较少问题,实现了能够保护数据、提供全面的数据诊断内容。
本文档来自技高网...【技术保护点】
1.一种基于联邦学习的钻孔数据故障诊断方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于联邦学习的钻孔数据故障诊断方法,其特征在于,在步骤一:进行故障诊断数据预处理,利用历史数据进行建模,并将数据进行分类的步骤中:
3.如权利要求2所述的基于联邦学习的钻孔数据故障诊断方法,其特征在于,在步骤一:进行故障诊断数据预处理,利用历史数据进行建模,并将数据进行分类的步骤中:
4.如权利要求1所述的基于联邦学习的钻孔数据故障诊断方法,其特征在于,在步骤二:基于域自适应网络,建立本地模型的步骤中:
5.如权利要求4所述的基于联邦学习的钻孔数据故障诊断方法,其特征在于,在步骤二:基于域自适应网络,建立本地模型的步骤中:
6.如权利要求1所述的基于联邦学习的钻孔数据故障诊断方法,其特征在于,在采用联邦迁移学习的步骤中:
【技术特征摘要】
1.一种基于联邦学习的钻孔数据故障诊断方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于联邦学习的钻孔数据故障诊断方法,其特征在于,在步骤一:进行故障诊断数据预处理,利用历史数据进行建模,并将数据进行分类的步骤中:
3.如权利要求2所述的基于联邦学习的钻孔数据故障诊断方法,其特征在于,在步骤一:进行故障诊断数据预处理,利用历史数据进行建模,并将数据进行分类...
【专利技术属性】
技术研发人员:焦新峰,孔凡丽,高鹏,
申请(专利权)人:南京大量数控科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。