CN114980723A - 一种用于跨工况贴片机吸嘴的故障预测方法、*** - Google Patents
一种用于跨工况贴片机吸嘴的故障预测方法、*** Download PDFInfo
- Publication number
- CN114980723A CN114980723A CN202210571197.9A CN202210571197A CN114980723A CN 114980723 A CN114980723 A CN 114980723A CN 202210571197 A CN202210571197 A CN 202210571197A CN 114980723 A CN114980723 A CN 114980723A
- Authority
- CN
- China
- Prior art keywords
- suction nozzle
- data set
- chip mounter
- prediction model
- data
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
- H05K13/08—Monitoring manufacture of assemblages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Supply And Installment Of Electrical Components (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明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、***,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‑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。
Description
技术领域
本发明涉及贴片机技术领域,具体涉及一种用于跨工况贴片机吸嘴的故障预测方法、***。
背景技术
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。
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。
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。
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。
本发明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。
发明内容
为解决上述技术问题,本发明提供一种用于跨工况贴片机吸嘴的故障预测方法、***。
为解决上述技术问题,本发明采用如下技术方案:
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;
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正。
一种用于跨工况贴片机吸嘴的故障预测***,包括:
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;
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;
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;
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;
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;
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。
与现有技术相比,本发明的有益技术效果是:
(1)本发明融合了数据增强、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;
(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;
(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;
(4)本发明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。
(5)如图1所示,本发明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。
(6)本发明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。
(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
图1为本发明故障预测方法的流程图;
图2为本发明利用TimeVAE网络进行数据增强的示意图;
图3为本发明预测模型的示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
如图1所示,本发明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:
(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。
(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。
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。
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。
(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。
(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-attention)对其中一次全连接处理(Dense)进行了注意力加权,这里使用的relu2(·)激活函数相当于(relu(·))2,也就是进行激活函数relu后再平方,最后再进行一次全连接处理(Dense)。通过GAU进行特征处理后,利用软阈值函数(Soft thresholding function)中两次减操作以及最大化操作进行有效降噪,去除冗余信息。然后通过乘操作对时序卷积块得到结果进行有用特征的抓取。最后通过残差连接和加操作,提高深层神经网络的训练效果。
预测模型中的软阈值函数Softthreshold function主要用于降噪处理;GAU是门控注意力单元,结合了门控线性单元Gated Linear Unit(GLU)和注意力机制,能够针对有用特征进行有效提取。
(5)通过设计剩余可用寿命损失函数RUL loss来改进预测模型在工况一下的训练效果,并结合迁移学习,得到修正预测模型。
具体地,这里的RUL loss包含了均方根误差RMSE、平均绝对误差MAE、预测得分函数Score,其中 这里的ert是指在时间步t中真实RUL与预测RUL之间的误差,At是指时间步t中真实RUL与预测RUL之间的加权误差,n是时间步长的总数,m是早期阶段所占百分比,这里m=n/2,w1=0.35,w2=0.65。
(6)将修正预测模型应用在工况二中,对贴片机吸嘴进行剩余可用寿命预测,得到工况二下贴片机的剩余可用寿命RUL;迁移学习的迁移效果通过MK-MMD相似性度量方法进行修正。
其中,数据集A是工况一中贴片机吸嘴从当前状态运行到失效过程中得到的各传感器数据;数据集B是工况二中贴片机吸嘴从当前状态运行到失效过程中得到的各传感器数据。
一种用于跨工况贴片机吸嘴的故障预测***,包括:
数据集获取模块,获取工况一中贴片机吸嘴的数据集A;
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;
预处理模块,对数据集A中的数据进行HHT预处理;
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;
模型修正模块,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-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;
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。
本发明中的故障预测***与故障预测方法对应,用于故障预测方法的优选方案,同样适用于故障预测***。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立技术方案,说明书的这种叙述方式仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (2)
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正。
2.一种用于跨工况贴片机吸嘴的故障预测***,其特征在于,包括:
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;
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;
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;
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;
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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571197.9A CN114980723B (zh) | 2022-05-24 | 2022-05-24 | 一种用于跨工况贴片机吸嘴的故障预测方法、*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571197.9A CN114980723B (zh) | 2022-05-24 | 2022-05-24 | 一种用于跨工况贴片机吸嘴的故障预测方法、*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114980723A true CN114980723A (zh) | 2022-08-30 |
CN114980723B CN114980723B (zh) | 2023-04-28 |
Family
ID=82955904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210571197.9A Active CN114980723B (zh) | 2022-05-24 | 2022-05-24 | 一种用于跨工况贴片机吸嘴的故障预测方法、*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114980723B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975604A (zh) * | 2023-09-22 | 2023-10-31 | 张家港市得道电子有限公司 | 贴片机驱动***的故障预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381213A (zh) * | 2020-12-01 | 2021-02-19 | 重庆邮电大学 | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 |
CN113656915A (zh) * | 2021-08-19 | 2021-11-16 | 燕山大学 | 一种基于深度注意力网络的轴承剩余寿命预测方法 |
CN114118225A (zh) * | 2021-11-02 | 2022-03-01 | 苏州热工研究院有限公司 | 发电机剩余寿命预测方法、***、电子设备和存储介质 |
-
2022
- 2022-05-24 CN CN202210571197.9A patent/CN114980723B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381213A (zh) * | 2020-12-01 | 2021-02-19 | 重庆邮电大学 | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 |
CN113656915A (zh) * | 2021-08-19 | 2021-11-16 | 燕山大学 | 一种基于深度注意力网络的轴承剩余寿命预测方法 |
CN114118225A (zh) * | 2021-11-02 | 2022-03-01 | 苏州热工研究院有限公司 | 发电机剩余寿命预测方法、***、电子设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975604A (zh) * | 2023-09-22 | 2023-10-31 | 张家港市得道电子有限公司 | 贴片机驱动***的故障预测方法及*** |
CN116975604B (zh) * | 2023-09-22 | 2023-12-08 | 张家港市得道电子有限公司 | 贴片机驱动***的故障预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114980723B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109015B (zh) | 一种基于深度学习的异步电动机故障监测与诊断方法 | |
CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN112561910B (zh) | 一种基于多尺度特征融合的工业表面缺陷检测方法 | |
CN109919204B (zh) | 一种面向噪声图像的深度学习聚类方法 | |
CN110766056B (zh) | 一种融合图像生成和多标签分类的异常图像检测方法 | |
CN114283120B (zh) | 一种基于领域自适应的端到端多源异质遥感影像变化检测方法 | |
CN116416497B (zh) | 一种轴承故障诊断***及方法 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN115409823A (zh) | 一种基于生成式对抗网络的太阳能网版缺陷检测方法 | |
CN114980723A (zh) | 一种用于跨工况贴片机吸嘴的故障预测方法、*** | |
CN116416237A (zh) | 基于改进YOLOv5与模糊图像增强的输电线路缺陷检测方法 | |
CN115310837A (zh) | 基于因果图注意力神经网络的复杂机电***故障检测方法 | |
CN116523835A (zh) | 一种融合多尺度和注意力机制的改进U-Net高温异常检测方法 | |
CN115546046A (zh) | 一种融合频率和内容特征的单幅图像去雾方法 | |
CN114818826A (zh) | 基于轻量级Vision Transformer模块的故障诊断方法 | |
CN115046766A (zh) | 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法 | |
CN115908793A (zh) | 一种基于位置注意力机制的编解码结构语义分割模型 | |
CN113343760A (zh) | 一种基于多尺度特征神经网络的人体行为识别方法 | |
CN117493930A (zh) | 一种基于对比生成对抗网络的多元时间序列异常检测方法 | |
CN117132919A (zh) | 一种多尺度高维特征分析无监督学习视频异常检测方法 | |
CN117372720B (zh) | 一种基于多特征交叉掩码修复的无监督异常检测方法 | |
CN114332008B (zh) | 一种基于多层次特征重构的无监督缺陷检测与定位方法 | |
CN114548153B (zh) | 基于残差-胶囊网络的行星齿轮箱故障诊断方法 | |
CN114048762B (zh) | 双注意力引导的旋转机械健康评估方法 | |
CN115546212B (zh) | 基于全局上下文嵌入生成对抗网络的图像异常检测方法 |
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 |