本技術(shù)涉及智能制造，具體涉及一種智能化多傳感器融合的分板機(jī)故障預(yù)測(cè)與診斷方法及系統(tǒng)。

背景技術(shù)：

1、分板機(jī)是電子制造業(yè)中重要的自動(dòng)化設(shè)備，用于將大型印刷電路板分割成多個(gè)小型電路板。隨著電子產(chǎn)品制造對(duì)精度和效率要求的不斷提高，分板機(jī)的性能和穩(wěn)定性變得越來(lái)越重要。然而，傳統(tǒng)的分板機(jī)故障診斷和預(yù)測(cè)方法存在以下問題：

2、單一傳感器數(shù)據(jù)不足以全面反映分板機(jī)的運(yùn)行狀態(tài)，導(dǎo)致故障診斷的準(zhǔn)確性和可靠性不高。

3、傳統(tǒng)的數(shù)據(jù)處理方法難以有效處理多傳感器數(shù)據(jù)中的噪聲和干擾，影響了故障預(yù)測(cè)的精度。

4、傳統(tǒng)方法難以實(shí)時(shí)監(jiān)測(cè)分板機(jī)狀態(tài)并及時(shí)預(yù)測(cè)潛在故障，無(wú)法為設(shè)備維護(hù)提供及時(shí)有效的建議。

技術(shù)實(shí)現(xiàn)思路

1、鑒于此，本技術(shù)提供一種智能化多傳感器融合的分板機(jī)故障預(yù)測(cè)與診斷方法及系統(tǒng)，解決了現(xiàn)有技術(shù)中單一傳感器數(shù)據(jù)不足、數(shù)據(jù)處理效果不佳以及實(shí)時(shí)監(jiān)測(cè)預(yù)測(cè)能力不足的問題。

2、本技術(shù)實(shí)施例提供了一種智能化多傳感器融合的分板機(jī)故障預(yù)測(cè)與診斷方法，包括：?采集分板機(jī)上多種傳感器的數(shù)據(jù)；?對(duì)傳感器數(shù)據(jù)進(jìn)行隨機(jī)平滑的二次采樣預(yù)處理；利用時(shí)空干擾下的離策略評(píng)估的因果深度集建立因果關(guān)系模型，并進(jìn)行所述傳感器數(shù)據(jù)的離策略學(xué)習(xí)；?基于所述離策略學(xué)習(xí)的結(jié)果，提取所述傳感器數(shù)據(jù)的特征并生成因果序列數(shù)據(jù)；?基于提取的特征和所述因果序列數(shù)據(jù)，應(yīng)用混合模型實(shí)時(shí)監(jiān)測(cè)分板機(jī)狀態(tài)，并預(yù)測(cè)潛在故障、生成維護(hù)建議。

3、所述對(duì)傳感器數(shù)據(jù)進(jìn)行隨機(jī)平滑的二次采樣預(yù)處理，包括：?對(duì)所述傳感器數(shù)據(jù)進(jìn)行初始采樣；?對(duì)所述初始采樣數(shù)據(jù)進(jìn)行隨機(jī)平滑處理；?對(duì)平滑后的所述初始采樣數(shù)據(jù)進(jìn)行二次采樣。

4、所述對(duì)所述初始采樣數(shù)據(jù)進(jìn)行隨機(jī)平滑處理，包括：?定義平滑函數(shù)；?在所述初始采樣數(shù)據(jù)中，為每個(gè)數(shù)據(jù)點(diǎn)生成隨機(jī)擾動(dòng)；?應(yīng)用所述平滑函數(shù)處理隨機(jī)擾動(dòng)后的數(shù)據(jù)。

5、所述利用時(shí)空干擾下的離策略評(píng)估的因果深度集建立因果關(guān)系模型，包括：?識(shí)別關(guān)鍵變量，建立變量間因果關(guān)系；?進(jìn)行離策略學(xué)習(xí)，從歷史數(shù)據(jù)中學(xué)習(xí)最優(yōu)策略；?執(zhí)行深度集成學(xué)習(xí)，基于所述最優(yōu)策略，訓(xùn)練和集成多個(gè)深度學(xué)習(xí)模型；?處理所述多個(gè)深度學(xué)習(xí)模型的時(shí)空干擾，識(shí)別和處理空間及時(shí)間干擾因素；?利用基于處理后的所述多個(gè)深度學(xué)習(xí)模型，構(gòu)建一個(gè)因果關(guān)系模型。

6、進(jìn)行離策略學(xué)習(xí)，包括：?收集歷史數(shù)據(jù)，其中，所述歷史數(shù)據(jù)包括歷史傳感器數(shù)據(jù)、維護(hù)記錄和故障日志；?定義處理過程和處理結(jié)果，其中處理過程包括維護(hù)操作和參數(shù)調(diào)整，處理結(jié)果包括設(shè)備性能指標(biāo)和故障狀態(tài)；?估計(jì)傾向性得分，包括：使用邏輯回歸或隨機(jī)森林計(jì)算在給定協(xié)變量下采取任一處理過程的概率；?構(gòu)建反事實(shí)回歸模型，預(yù)測(cè)不同處理過程下的結(jié)果；?使用逆概率加權(quán)法計(jì)算加權(quán)平均處理效應(yīng)；?應(yīng)用雙重穩(wěn)健方法，結(jié)合回歸模型和逆概率加權(quán)估算因果效應(yīng)，所述因果效應(yīng)包括計(jì)算平均處理效應(yīng)和條件平均處理效應(yīng)；?使用自助法估計(jì)因果效應(yīng)的置信區(qū)間；?則基于所述離策略學(xué)習(xí)的結(jié)果，生成因果序列數(shù)據(jù)，包括：?識(shí)別關(guān)鍵因果鏈，?根據(jù)估計(jì)的因果效應(yīng)構(gòu)建時(shí)序因果關(guān)系，?生成包含因果關(guān)系強(qiáng)度和時(shí)序信息的序列數(shù)據(jù)。

7、所述混合模型包括混合卷積神經(jīng)網(wǎng)絡(luò)cnn-transformer和狀態(tài)空間模型，在所述應(yīng)用混合模型實(shí)時(shí)監(jiān)測(cè)分板機(jī)狀態(tài)之前，所述方法還包括：?構(gòu)建物理模型，分析所述分板機(jī)物理特性；?利用cnn從所述傳感器數(shù)據(jù)中提取時(shí)空特征；?應(yīng)用transformer架構(gòu)對(duì)提取的所述時(shí)空特征進(jìn)行序列建模，捕捉長(zhǎng)期依賴關(guān)系；?集成狀態(tài)空間模型，并結(jié)合所述物理模型的約束，進(jìn)行所述混合模型的融合與優(yōu)化。

8、利用cnn從所述傳感器數(shù)據(jù)中提取時(shí)空特征，包括：?通過多個(gè)卷積層提取所述傳感器數(shù)據(jù)的局部特征；?使用池化層降低所述局部特征的維度；?應(yīng)用歸一化層加速訓(xùn)練和提高所述cnn模型穩(wěn)定性；?通過全連接層綜合特征信息。

9、應(yīng)用transformer架構(gòu)對(duì)提取的所述時(shí)空特征進(jìn)行序列建模，包括：?將所述時(shí)空特征通過輸入嵌入層轉(zhuǎn)換為transformer對(duì)應(yīng)的格式，形成時(shí)空特征序列；?應(yīng)用多頭自注意力機(jī)制捕捉所述時(shí)空特征序列的依賴關(guān)系；?使用前饋神經(jīng)網(wǎng)絡(luò)增強(qiáng)transformer的非線性表達(dá)能力；?添加位置編碼，以提供所述時(shí)空特征序列的位置信息。

10、所述集成狀態(tài)空間模型，并結(jié)合所述物理模型的約束，包括：?定義關(guān)鍵狀態(tài)變量，包括主軸角速度、溫度、振動(dòng)幅度和工具磨損度；?建立狀態(tài)轉(zhuǎn)移方程和觀測(cè)方程，其中，狀態(tài)轉(zhuǎn)移方程描述狀態(tài)變量隨時(shí)間的演化，觀測(cè)方程描述狀態(tài)變量與觀測(cè)數(shù)據(jù)之間的關(guān)系；將所述物理模型中的動(dòng)力學(xué)方程轉(zhuǎn)化為狀態(tài)空間表示，包括：?將連續(xù)時(shí)間動(dòng)力學(xué)方程離散化；?將物理參數(shù)映射到狀態(tài)空間模型的參數(shù)；?設(shè)計(jì)基于物理約束的正則化項(xiàng)，確保預(yù)測(cè)符合物理規(guī)律；?實(shí)現(xiàn)結(jié)合transformer輸出和物理模型預(yù)測(cè)的混合濾波算法，得到狀態(tài)估計(jì)和預(yù)測(cè)，包括：使用擴(kuò)展卡爾曼濾波或無(wú)跡卡爾曼濾波作為濾波器；?將transformer的輸出作為觀測(cè)值輸入所述濾波器；?使用物理模型預(yù)測(cè)作為先驗(yàn)信息；?通過濾波算法得到最優(yōu)狀態(tài)估計(jì)和預(yù)測(cè)。

11、本技術(shù)實(shí)施例還提供一種智能化多傳感器融合的分板機(jī)故障預(yù)測(cè)與診斷系統(tǒng)，包括：?采集模塊，用于采集分板機(jī)上多種傳感器的數(shù)據(jù)；?預(yù)處理模塊，用于對(duì)傳感器數(shù)據(jù)進(jìn)行隨機(jī)平滑的二次采樣預(yù)處理；?離策略學(xué)習(xí)模塊，用于利用時(shí)空干擾下的離策略評(píng)估的因果深度集建立因果關(guān)系模型，并進(jìn)行所述傳感器數(shù)據(jù)的離策略學(xué)習(xí)；?生成模塊，用于基于所述離策略學(xué)習(xí)的結(jié)果，提取所述傳感器數(shù)據(jù)的特征并生成因果序列數(shù)據(jù)；?監(jiān)測(cè)模塊，用于基于提取的特征和所述因果序列數(shù)據(jù)，應(yīng)用混合模型實(shí)時(shí)監(jiān)測(cè)分板機(jī)狀態(tài)，并預(yù)測(cè)潛在故障、生成維護(hù)建議。

12、本技術(shù)實(shí)施例還提供一種計(jì)算機(jī)裝置，所述計(jì)算機(jī)裝置包括：?至少一個(gè)處理器；以及，?與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，?所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行上述智能化多傳感器融合的分板機(jī)故障預(yù)測(cè)與診斷方法的步驟。

13、本技術(shù)實(shí)施例還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)計(jì)算機(jī)指令，該計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行上述智能化多傳感器融合的分板機(jī)故障預(yù)測(cè)與診斷方法的步驟。

14、本技術(shù)實(shí)施例還提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)指令，其特征在于，該計(jì)算機(jī)指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述智能化多傳感器融合的分板機(jī)故障預(yù)測(cè)與診斷方法的步驟。

15、本技術(shù)具備以下技術(shù)效果：

16、通過多傳感器數(shù)據(jù)融合，全面捕捉分板機(jī)的運(yùn)行狀態(tài)，提高了故障診斷的準(zhǔn)確性和可靠性。

17、采用隨機(jī)平滑的二次采樣預(yù)處理方法，有效降低了傳感器數(shù)據(jù)中的噪聲和干擾，提高了數(shù)據(jù)質(zhì)量。

18、利用時(shí)空干擾下的離策略評(píng)估的因果深度集建立因果關(guān)系模型，充分挖掘了傳感器數(shù)據(jù)之間的因果關(guān)系，提升了模型的解釋性和預(yù)測(cè)能力。

19、通過離策略學(xué)習(xí)，有效利用歷史數(shù)據(jù)學(xué)習(xí)最優(yōu)維護(hù)策略，提高了故障預(yù)測(cè)和維護(hù)決策的準(zhǔn)確性。

20、應(yīng)用混合模型實(shí)時(shí)監(jiān)測(cè)分板機(jī)狀態(tài)，預(yù)測(cè)潛在故障并生成維護(hù)建議，實(shí)現(xiàn)了分板機(jī)的智能化管理和預(yù)防性維護(hù)。

21、結(jié)合物理模型和數(shù)據(jù)驅(qū)動(dòng)模型，提高了故障預(yù)測(cè)的準(zhǔn)確性和可解釋性，使得預(yù)測(cè)結(jié)果更加可靠和易于理解。