CN113505862B - 混合型故障检测方法及装置 - Google Patents
混合型故障检测方法及装置 Download PDFInfo
- Publication number
- CN113505862B CN113505862B CN202111048017.0A CN202111048017A CN113505862B CN 113505862 B CN113505862 B CN 113505862B CN 202111048017 A CN202111048017 A CN 202111048017A CN 113505862 B CN113505862 B CN 113505862B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- piecewise
- discrete
- time sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013461 design Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000000513 principal component analysis Methods 0.000 claims abstract description 19
- 238000000491 multivariate analysis Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000010355 oscillation Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 239000010979 ruby Substances 0.000 claims description 5
- 229910001750 ruby Inorganic materials 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 5
- 239000013078 crystal Substances 0.000 claims description 4
- 230000001915 proofreading effect Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 3
- 238000002864 sequence alignment Methods 0.000 claims 4
- 238000011161 development Methods 0.000 abstract description 7
- 230000018109 developmental process Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000033772 system development Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种混合型故障检测方法及装置,所述方法包括:获取数据,对所述数据进行预处理,获得数据集;利用时间序列分割算法对所述数据集进行信号模式提取,得到模式集合;设计所述模式集合的特征,对所述模式集合进行计算,得到统计量特征,提取所述设计特征和所述统计量特征,得到统计特征集合;基于PCA主成分分析法,在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合;将所述重要特征集合用于支持向量机训练样本,以获取用于故障识别的多变量分析模型;利用所述多变量分析模型生成阈值,将所述阈值及所述数据集通过线性投影降维到二维图,将所述二维图通过散点图表示。该方法显著提升模型开发效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种混合型故障检测方法及装置。
背景技术
随着芯片需求的日益增加,当前的半导体制造商需要具备非常强的生产力,从而才能在竞争日益激烈的全球环境中保持盈利。关键是如何提高产能。为了满足这个需求,先进过程控制(APC)被提出作为用于优化生产过程,提高生产效率的解决方案集合,具体包括:故障检测(FD)与分类(FDC),R2R控制,以及预测性维护(PdM)等。同时,受益于传感技术以及信息技术的发展,这些解决方案可在可配置的控制工作流程中提供一定的灵活性以及可重构性。从而监控处理过程以及产品中的异常。在这些解决方案中,故障检测技术现在几乎已经用于每一个前端流程。在大数据的基础上,机器学习算法以及数据挖掘被广泛应用于数据驱动的故障检测建模。实现了最大限度地减少废料,提高产品质量,检测设备退化,并确定何时需要关闭设备进行维护。
当前随着传感技术以及信息技术的发展,数据驱动的FDC方法是当前的主流。数据驱动的故障检测***也在现实生产中被证明了其有效性。然而,在模型开发中,个别步骤需要人工的干预与操作,如特征设计以及提取,阈值更新。当数据量特别巨大时,时间以及资源成本会极高。从而严重影响了模型开发的效率。
发明内容
鉴于以上技术问题,本发明提供了一种混合型故障检测方法及装置,显著提升模型开发效率。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本发明的一方面,公开一种混合型故障检测方法,所述方法包括:
获取数据,所述数据源于一个或多个传感器;
对所述数据进行预处理,获得数据集;
利用时间序列分割算法对所述数据集进行信号模式提取,得到模式集合;
设计所述模式集合的特征,得到设计特征,对所述模式集合进行计算,得到统计量特征;
提取所述设计特征和所述统计量特征,得到统计特征集合;
基于PCA主成分分析法,在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合;
将所述重要特征集合用于支持向量机训练样本,以获取用于故障识别的多变量分析模型;
利用所述多变量分析模型生成阈值,将所述阈值及所述数据集通过线性投影降维到二维图,将所述二维图通过散点图表示。
进一步的,所述对所述数据进行预处理,包括:基于Ruby test和统计分析,检测所述数据中的异常样本;移除所述数据中的所述异常样本;对移除所述异常样本后的所述数据进行时间步对齐。
进一步的,所述对所述数据进行时间步对齐,包括:将传感器的时钟晶振频率设置一致;校对传感器的初始时刻一致;以相同的脉冲触发传感器。
进一步的,所述对所述数据进行时间步对齐,包括:选定核心传感器;对所述核心传感器进行插值;选取每个所述数据的采集时刻作为时间点;取前后相邻时间的两个所述数据的时间范围作为其他非核心传感器的采集时刻并取数***相应值,以使得所述数据的时间步对齐。
进一步的,所述信号模式为所述数据在时间序列中的不同形态,所述形态包括斜坡段、稳定段、震荡段和超调,所述时间序列分割算法用于对所述数据在时间序列中的不同形态进行识别和分割,生成用于时间序列分段的模板,基于所述用于时间序列分段的模板,得到所述模式集合。
进一步的,所述设计特征包括斜率、长度、宽度和高度中的一种或多种。
进一步的,所述对所述模式集合进行计算,包括:计算所述模式集合的特征的均值、标准差和级值。
进一步的,所述基于PCA主成分分析法,在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合,包括:计算所述统计特征集合的累计方差的特征曲线,基于所述特征曲线,判断相应的特征的重要性。
根据本公开的第二方面,提供一种混合型故障检测装置,包括:获取模块,获取数据,所述数据源于一个或多个传感器;预处理模块,对所述数据进行预处理,获得数据集;信号模式提取模块,利用时间序列分割算法对所述数据集进行信号模式提取,得到模式集合;特征设计模块,设计所述模式集合的特征,得到设计特征,对所述模式集合进行计算,得到统计量特征;特征提取模块,提取所述设计特征和所述统计量特征,得到统计特征集合;特征选择模块,基于PCA主成分分析法,在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合;模型建立模块,将所述重要特征集合用于支持向量机训练样本,以获取用于故障识别的多变量分析模型;可视化模块,利用所述多变量分析模型生成阈值,将所述阈值及所述数据集通过线性投影降维到二维图,将所述二维图通过散点图表示。
本公开的技术方案具有以下有益效果:
能够预测半导体在生产过程中可能出现的故障,由此能够确保***的稳定运行生产的稳定性;对采集自传感器的数据进行预处理,减少数据干扰,提高数据的准确率,保证***的稳定;将数据集进行信号模式分割,便于进行特征提取,提高了***开发效率;解决当前的应用于故障检测的多变量分析只能考虑在对数据进行了投影降维之后的阈值设定问题,本公开可以直接基于原始数据进行阈值设定,以及进行在线的阈值更新。
附图说明
图1为本说明书实施例中的混合型故障检测方法的流程图;
图2为本说明书实施例中的混合型故障检测装置的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
如图1所示,本说明书实施例提供一种混合型故障检测方法,该方法的执行主体可以为服务端、个人计算机等。该方法具体可以包括以下步骤S101~S108:
在步骤S101中,获取数据,所述数据源于一个或多个传感器。
其中,通过传感器,采集工业设备中若干种数据类型信号。
在步骤S102中,对所述数据进行预处理,获得数据集。
其中,预处理具体指的是,移除数据中的存在的由传感器偏差或者设备异常导致的异常样本,提高数据的准确性,避免影响预测效果。
在步骤S103中,利用时间序列分割算法对所述数据集进行信号模式提取,得到模式集合。
其中,信号模式就是加工过程中的若干工况状态,具体体现为加工过程中所采集到的时间序列信号的不同形态,比如斜坡、震荡、平稳等阶段,算法对一连串的信号进行状态识别与分割工况,具体的,算法如下:
其中,N为数据样本数,为样本分段数,为第k个样本,为第k个样本的第i段,算法对第k个样本的第i段的线性拟合曲线,为第k个样本的第i段与PLA算法对第k个样本的第i段的线性拟合曲线之间的误差,为分段数的优化值,为优化后对应的分段,为优化后对应的分段的PLA线性拟合,为第k段分段信息的集合,包括了,,三个信息,为第k样本最终的分段误差,为分段最小误差。
在步骤S104中,设计所述模式集合的特征,得到设计特征,对所述模式集合进行计算,得到统计量特征。
其中,通过步骤S103得到的模式集合为一周期性数据曲线,定义曲线的斜率、长度、宽度及高度作为设计特征,计算曲线的均值、标准差、极值等当作数据集的统计特征。
在步骤S105中,提取所述设计特征和所述统计量特征,得到统计特征集合。
其中,将步骤S104中所述的曲线的斜率、长度、宽度、高度、均值、标准差、极值等作为统计特征集合。
在步骤S106中,基于PCA主成分分析法,在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合。
其中,PCA主成分分析法具体指选择包含能代表模式集合的主成分(多维特征列)组成子集,通过计算ROC(累计方差的特征曲线)衡量特征的重要性,具体计算指的是,通过计算数据集的协方差矩阵的特征值和特征向量,每个特征的方差贡献率为特征值与所有特征值和的比值,每个特征值的方差贡献率组成ROC曲线,按照方差贡献度排名选取重要特征集合。
在步骤S107中,将所述重要特征集合用于支持向量机训练样本,以获取用于故障识别的多变量分析模型。
在选择了重要特征集合后,用于模型开发的集合被最终确定,多变量分析模型基于支持向量机(SVM),支持向量机可以直接找到一个决策边界即阈值用于区分故障数据以及正常数据,用于对设备进行故障识别。具体的模型公式如下:
算法通过优化过程实现,具体优化的目标方程如下:
通过以上公式和算法,确定了多变量分析模型。
在步骤S108中,利用所述多变量分析模型生成阈值,将所述阈值及所述数据集通过线性投影降维到二维图,将所述二维图通过散点图表示。
其中,通过PCA主成分分析方法获得前两个主要成分分别作为二维图X轴与Y轴信息,两个主要成分为按照方差贡献度排名选取而来的,预警的阈值通过PCA-SPE统计量以置信水平α=0.05得到,一旦数据超出阈值便可触发预警。
在一种实施例中,在执行步骤S102时,具体执行:基于Ruby test和统计分析,检测所述数据中的异常样本;移除所述数据中的所述异常样本;对移除所述异常样本后的所述数据进行时间步对齐。
其中,为了保证数据准确性,数据中的存在的由传感器偏差或者设备异常导致的异常样本需要去除,同时,不同样本中存在一定的差异,时间步存在不对齐的情况,在建模前需要进行时间步对齐,不同过程变量的数据就处在相同的时间之下,既而不会影响到后续的监控效果。
作为补充的,在本实施例中,时间步对齐具体包括:将传感器的时钟晶振频率设置一致;校对传感器的初始时刻一致;以相同的脉冲触发传感器。
作为补充的,在本实施例中,时间步对齐还可以是:选定核心传感器;对所述核心传感器进行插值;选取每个所述数据的采集时刻作为时间点;取前后相邻时间的两个所述数据的时间范围作为其他非核心传感器的采集时刻并取数***相应值。
作为补充的,在本实施例中,时间步对齐还可以是基于动态时间规整(DTW)衡量两个长度不同的时间序列相似性。具体方法如下:
其中:
分别为x和y的规整路径,基于这组向量π,动态时间规整距离可以定义为:
根据以上公式,便可以实现所述数据的时间步对齐。
在一种实施例中,所述信号模式为所述数据在时间序列中的不同形态,所述形态包括斜坡段、稳定段、震荡段和超调,所述时间序列分割算法用于对所述数据在时间序列中的不同形态进行识别和分割,生成用于时间序列分段的模板,基于所述用于时间序列分段的模板,得到所述模式集合。
在一种实施例中,步骤S106具体包括:计算所述统计特征集合的累计方差的特征曲线,基于所述特征曲线,判断相应的特征的重要性。
基于同样的思路,本公开的示例性实施方式还提供了一种混合型故障检测装置,如图2所示,包括:获取模块201,获取数据,所述数据源于一个或多个传感器;预处理模块202,对所述数据进行预处理,获得数据集;信号模式提取模块203,利用时间序列分割算法对所述数据集进行信号模式提取,得到模式集合;特征设计模块204,设计所述模式集合的特征,得到设计特征,对所述模式集合进行计算,到统计量特征;特征提取模块205,提取所述设计特征和所述统计量特征,得到统计特征集合;特征选择模块206,基于PCA主成分分析法,在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合;模型建立模块207,将所述重要特征集合用于支持向量机训练样本,以获取用于故障识别的多变量分析模型;可视化模块208,利用所述多变量分析模型生成阈值,将所述阈值及所述数据集通过线性投影降维到二维图,将所述二维图通过散点图表示。
在一种可选的实施例中,预处理模块202具体包括:基于Ruby test和统计分析,检测所述数据中的异常样本;移除所述数据中的所述异常样本;对移除所述异常样本后的所述数据进行时间步对齐。
作为补充的,在一种可选的实施例中,预处理模块202具体包括:将传感器的时钟晶振频率设置一致;校对传感器的初始时刻一致;以相同的脉冲触发传感器。
作为补充的,在一种可选的实施例中,预处理模块202具体包括,选定核心传感器;对所述核心传感器进行插值;选取每个所述数据的采集时刻作为时间点;取前后相邻时间的两个所述数据的时间范围作为其他非核心传感器的采集时刻并取数***相应值。
在一种可选的实施例中,信号模式提取模块203具体包括:所述信号模式为所述数据在时间序列中的不同形态,所述形态包括斜坡段、稳定段、震荡段和超调,所述时间序列分割算法用于对所述数据在时间序列中的不同形态进行识别和分割,生成所述用于时间序列分段的模板,基于所述用于时间序列分段的模板,得到所述模式集合。
在一种可选的实施例中,特征设计模块204具体包括,所述设计特征包括斜率、长度、宽度和高度中的一种或多种。
在一种可选的实施例中,特征设计模块204具体执行,计算所述模式集合的特征的均值、标准差和级值。
在一种可选的实施例中,特征选择模块206包括主成分分析单元,主成分分析单元用于计算所述统计特征集合的累计方差的特征曲线,基于所述特征曲线,判断相应的特征的重要性。
本说明书实施例提供一种混合型故障检测装置,能够预测半导体在生产过程中可能出现的故障,由此能够确保***的稳定运行生产的稳定性;对采集自传感器的数据进行预处理,减少数据干扰,提高数据的准确率,保证***的稳定;将数据集进行信号模式分割,便于进行特征提取,提高了***开发效率;解决当前的应用于故障检测的多变量分析只能考虑在对数据进行了投影降维之后的阈值设定问题,本公开可以直接基于原始数据进行阈值设定,以及进行在线的阈值更新。
上述装置中各模块/单元的具体细节在方法部分实施方式中已经详细说明,未披露的细节内容可以参见方法部分的实施方式内容,因而不再赘述。
基于同样的思路,本说明书实施例还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的混合型故障预测方法。
基于同样的思路,本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如上所述的混合型故障预测方法。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施方式的方法。
此外,上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施方式。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的,本公开的真正范围由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (8)
1.一种混合型故障检测方法,其特征在于,所述方法包括:
获取数据,所述数据源于一个或多个传感器;
基于Ruby test和统计分析,检测所述数据中的异常样本;
移除所述数据中的所述异常样本;
基于所述π的向量,定义所述动态时间规整的公式为:
基于所述公式,实现所述第一离散时间序列和所述第二离散时间序列的时间步对齐,将所述公式替换到高斯核函数中,得到时间序列对齐核函数:
基于所述时间序列对齐核函数,实现所述数据的时间步对齐,获得数据集;
利用时间序列分割算法对所述数据集进行信号模式提取,计算所述数据集的样本的分段的线性拟合曲线,计算所述分段与对应的所述线性拟合曲线的误差,根据所述误差,得到所述分段的优化值,根据所述优化值以及优化后的所述分段和优化后的所述线性拟合曲线,得到所述数据集的所述样本的最终分段误差,根据所述最终分段误差,求得所述数据集的所述样本的最小分段误差,根据所述最小分段误差,得到分段模板,根据所述分段模板,得到模式集合;
设计所述模式集合的特征,得到设计特征,对所述模式集合进行计算,得到统计量特征;
提取所述设计特征和所述统计量特征,得到统计特征集合;
基于PCA主成分分析法,在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合;
将所述重要特征集合用于支持向量机训练样本,以获取用于故障识别的多变量分析模型;
利用所述多变量分析模型生成阈值,将所述阈值及所述数据集通过线性投影降维到二维图,将所述二维图通过散点图表示。
2.根据权利要求1所述的混合型故障检测方法,其特征在于,所述实现所述数据的时间步对齐,还包括:
将传感器的时钟晶振频率设置一致;
校对传感器的初始时刻一致;
以相同的脉冲触发传感器,以使得源自传感器的所述数据的时间步对齐。
3.根据权利要求1所述的混合型故障检测方法,其特征在于,所述实现所述数据的时间步对齐,还包括:
选定核心传感器;
对所述核心传感器进行插值;
选取每个所述数据的采集时刻作为时间点;
取前后相邻时间的两个所述数据的时间范围作为其他非核心传感器的采集时刻并取数***相应值,以使得所述数据的时间步对齐。
4.根据权利要求1所述的混合型故障检测方法,其特征在于,所述信号模式为所述数据在时间序列中的不同形态,所述形态包括斜坡段、稳定段、震荡段和超调,所述时间序列分割算法用于对所述数据在时间序列中的不同形态进行识别和分割,生成用于时间序列分段的模板,基于所述用于时间序列分段的模板,得到所述模式集合。
5.根据权利要求1所述的混合型故障检测方法,其特征在于,所述设计特征包括斜率、长度、宽度和高度中的一种或多种。
6.根据权利要求1所述的混合型故障检测方法,其特征在于,所述对所述模式集合进行计算,包括:
计算所述模式集合的特征的均值、标准差和极值。
7.根据权利要求1所述的混合型故障检测方法,其特征在于,所述基于PCA主成分分析法,在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合,包括:
计算所述统计特征集合的累计方差的特征曲线,基于所述特征曲线,判断相应的特征的重要性。
8.一种混合型故障检测装置,其特征在于,所述装置包括:获取模块,获取数据,所述数据源于一个或多个传感器;
预处理模块,基于Ruby test和统计分析,检测所述数据中的异常样本;移除所述数据中的所述异常样本;基于动态时间规整,设定π为所述数据中的第一离散时间序列和第二离散时间序列的对齐方式,所述第一离散时间序列和所述第二离散时间序列的长度分别为n和m,所述π表现为一对长度为p≤n+m+1的向量;
基于所述π的向量,定义所述动态时间规整的公式为:
基于所述公式,实现所述第一离散时间序列和所述第二离散时间序列的时间步对齐,将所述公式替换到高斯核函数中,得到时间序列对齐核函数:
基于所述时间序列对齐核函数,实现所述数据的时间步对齐,获得数据集;
信号模式提取模块,用于利用时间序列分割算法对所述数据集进行信号模式提取,计算所述数据集的样本的分段的线性拟合曲线,计算所述分段与对应的所述线性拟合曲线的误差,根据所述误差,得到所述分段的优化值,根据所述优化值以及优化后的所述分段和优化后的所述线性拟合曲线,得到所述数据集的所述样本的最终分段误差,根据所述最终分段误差,求得所述数据集的所述样本的最小分段误差,根据所述最小分段误差,得到分段模板,根据所述分段模板,得到模式集合;
特征设计模块,设计所述模式集合的特征,得到设计特征,对所述模式集合进行计算,得到统计量特征;
特征提取模块,提取所述设计特征和所述统计量特征,得到统计特征集合;
特征选择模块,基于PCA主成分分析法,在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合;
模型建立模块,将所述重要特征集合用于支持向量机训练样本,以获取用于故障识别的多变量分析模型;
可视化模块,利用所述多变量分析模型生成阈值,将所述阈值及所述数据集通过线性投影降维到二维图,将所述二维图通过散点图表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048017.0A CN113505862B (zh) | 2021-09-07 | 2021-09-07 | 混合型故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048017.0A CN113505862B (zh) | 2021-09-07 | 2021-09-07 | 混合型故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505862A CN113505862A (zh) | 2021-10-15 |
CN113505862B true CN113505862B (zh) | 2022-02-15 |
Family
ID=78016480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111048017.0A Active CN113505862B (zh) | 2021-09-07 | 2021-09-07 | 混合型故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505862B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114408694B (zh) * | 2022-03-04 | 2023-06-23 | 深圳市爱丰达盛科技有限公司 | 一种电梯故障预测***及其预测方法 |
CN114859875B (zh) * | 2022-07-07 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 多种设备的故障管理方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794484A (zh) * | 2015-04-07 | 2015-07-22 | 浙江大学 | 基于分段正交多项式分解的时序数据最近邻分类方法 |
CN107727395A (zh) * | 2017-07-21 | 2018-02-23 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
JP2018147406A (ja) * | 2017-03-08 | 2018-09-20 | 安川情報システム株式会社 | 品質異常検知方法、品質異常検知装置および品質異常検知プログラム |
CN112732541A (zh) * | 2020-12-28 | 2021-04-30 | 北京航空航天大学 | 一种用于复杂装备故障诊断的智能判据挖掘*** |
-
2021
- 2021-09-07 CN CN202111048017.0A patent/CN113505862B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794484A (zh) * | 2015-04-07 | 2015-07-22 | 浙江大学 | 基于分段正交多项式分解的时序数据最近邻分类方法 |
JP2018147406A (ja) * | 2017-03-08 | 2018-09-20 | 安川情報システム株式会社 | 品質異常検知方法、品質異常検知装置および品質異常検知プログラム |
CN107727395A (zh) * | 2017-07-21 | 2018-02-23 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
CN112732541A (zh) * | 2020-12-28 | 2021-04-30 | 北京航空航天大学 | 一种用于复杂装备故障诊断的智能判据挖掘*** |
Also Published As
Publication number | Publication date |
---|---|
CN113505862A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113505862B (zh) | 混合型故障检测方法及装置 | |
Bodik et al. | Fingerprinting the datacenter: automated classification of performance crises | |
US8682616B2 (en) | Identifying failures in an aeroengine | |
Yu et al. | A novel hybrid of auto-associative kernel regression and dynamic independent component analysis for fault detection in nonlinear multimode processes | |
US7849124B2 (en) | Method and system for detecting difference between plural observed results | |
Cai et al. | A new fault detection method for non-Gaussian process based on robust independent component analysis | |
JP5242959B2 (ja) | 異常要因特定方法およびシステム、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
Shang et al. | Recursive dynamic transformed component statistical analysis for fault detection in dynamic processes | |
Wang et al. | Surface defects detection using non-convex total variation regularized RPCA with kernelization | |
JP6737277B2 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム | |
Chaleshtori et al. | A novel bearing fault diagnosis approach using the Gaussian mixture model and the weighted principal component analysis | |
CN108694265B (zh) | 设计布局的失效风险的智能型预诊断***及方法 | |
de Carvalho Michalski et al. | Comparing PCA-based fault detection methods for dynamic processes with correlated and Non-Gaussian variables | |
Calvo-Bascones et al. | A collaborative network of digital twins for anomaly detection applications of complex systems. Snitch Digital Twin concept | |
Bo et al. | An integrated method of independent component analysis and support vector machines for industry distillation process monitoring | |
CN116975741B (zh) | 基于物联网的能源设备故障预测方法、装置及电子设备 | |
Alelaumi et al. | A predictive abnormality detection model using ensemble learning in stencil printing process | |
Xu et al. | Industrial process fault detection and diagnosis framework based on enhanced supervised kernel entropy component analysis | |
Goncalves et al. | Real-time event-driven learning in highly volatile systems: A case for embedded machine learning for scada systems | |
Zhang et al. | Common canonical variate analysis (CCVA) based modeling and monitoring for multimode processes | |
Li et al. | A recursively updated Map-Reduce based PCA for monitoring the time-varying fluorochemical engineering processes with big data | |
JP6233038B2 (ja) | 組立歩留予測装置、組立歩留予測プログラムおよび組立歩留予測方法 | |
Bao et al. | A self-supervised contrastive change point detection method for industrial time series | |
Yang et al. | Incipient fault detection method based on stream data projection transformation analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |