一种数字化精密仪器设备故障监测方法及系统与流程
本发明涉及设备故障监测,尤其涉及一种数字化精密仪器设备故障监测方法及系统。
背景技术:
1、精密仪器在半导体制造、航空航天等领域应用广泛,其运行可靠性直接决定产品质量。以光刻机工件台为例,设备需在纳米级精度下完成高速运动,任何性能退化都可能导致巨额损失。传统定期维修模式已难以满足需求,设备健康监测成为研究热点。
2、当前故障监测方法主要有两类。一类基于信号处理与机器学习,通过小波变换、经验模态分解等方法提取故障特征后进行分类识别。另一类基于深度学习,利用卷积神经网络等模型自动学习故障模式,在旋转机械诊断中取得了一定成效。故障检测与分类系统已在部分产线得到初步应用。
3、但现有技术仍存明显局限。精密仪器运行时机械振动、热应力、电磁干扰等多物理场信号在频域高度重叠,传统滤波难以在不损失微弱故障特征的前提下有效分离干扰。深度学习模型依赖纯数据驱动范式,学的是统计相关性而非物理规律,工况变化时可靠性下降且缺乏可解释性。工业现场广泛采用的静态阈值报警误报率高,引入增量学习后强信号样本易覆盖早期微弱退化特征,使系统对慢性性能衰退逐渐失敏。
技术实现思路
1、为此,本发明提供一种数字化精密仪器设备故障监测方法及系统,用以克服现有技术中因多物理场耦合导致故障特征与工况漂移难以区分、异常诱因无法溯源,以及增量学习中早期退化特征易被强信号覆盖而遗忘的问题。
2、为实现上述目的,本发明提供一种数字化精密仪器设备故障监测方法,包括:
3、步骤s1,获取目标设备运行过程中的多维运行参数,所述多维运行参数包括所述目标设备的环境场参数、运行状态参数以及所述目标设备上第一区域的区域特征参数;
4、步骤s2,将所述多维运行参数中的区域特征参数划分为若干特征维度,分别提取每一所述特征维度的物理特征值,获取与当前运行状态相匹配的理论基准值,计算各所述物理特征值与其对应理论基准值之间的偏差量,并对各所述偏差量进行融合得到所述第一区域的健康风险指数;
5、步骤s3,当所述健康风险指数超出预设风险阈值时,将所述物理特征值输入因果解耦判别模型,所述因果解耦判别模型根据所述环境场参数对所述物理特征值进行环境贡献分量与本征贡献分量的分离,并输出所述第一区域的异常类型判定结果;
6、步骤s4,根据所述异常类型判定结果,判断所述健康风险指数的超标是否属于环境耦合异常或操作关联异常;若属于,则输出环境或操作关联预警信号;若不属于,则判定为本征异常,进入步骤s5;
7、步骤s5,提取所述第一区域在预设历史窗口内的本征贡献分量的时序序列,采用非线性趋势评估模型计算所述时序序列的退化趋势指标,并根据所述退化趋势指标与设备全生命周期老化曲线的匹配度,输出故障风险等级。
8、进一步地,步骤s1中,所述环境场参数包括温度场参数、湿度场参数、电磁场强度参数中的至少一种;
9、所述运行状态参数包括所述目标设备的运动速度、加速度、负载力矩、工作模式标识中的至少一种;
10、所述第一区域的区域特征参数包括所述第一区域的振动信号、声发射信号、形变位移信号、温度分布信号、电流/电压信号中的至少一种。
11、进一步地,步骤s2中,所述物理特征值包括时域统计特征、频域能量分布特征和时频域联合特征;
12、所述理论基准值基于所述目标设备在健康状态下且与当前工况条件相匹配的历史数据确定。
13、进一步地,步骤s3中,所述因果解耦判别模型为嵌入有物理约束方程的神经网络模型,所述物理约束方程包括热传导方程、动力学平衡方程、电磁场方程中的至少一种;
14、所述因果解耦判别模型以所述环境场参数和所述运行状态参数作为输入,以所述物理特征值中的环境贡献分量作为输出约束,以所述物理特征值减去所述环境贡献分量后的残差作为所述本征贡献分量。
15、进一步地,步骤s3中,所述异常类型判定结果包括以下类别中的至少一种:
16、第一类异常,所述健康风险指数的超标由环境场参数的瞬时波动引起;
17、第二类异常,所述健康风险指数的超标由所述目标设备的正常操作瞬态事件引起;
18、第三类异常,所述健康风险指数的超标由所述目标设备的本征性能退化引起。
19、进一步地,步骤s3中,在进行异常类型判定时,还包括:
20、获取所述目标设备的操作指令日志,根据所述操作指令日志中的时间戳信息判断所述健康风险指数超标时刻是否存在对应的操作瞬态事件;
21、若存在,则将所述异常类型判定为第二类异常。
22、进一步地,步骤s5中,所述非线性趋势评估模型采用基于弹性权重巩固的增量学习架构,所述模型在更新过程中对所述第一区域的历史退化特征参数施加突触保护约束。
23、进一步地,步骤s5中,所述退化趋势指标包括所述本征贡献分量时序序列的单调变化斜率、波动幅值变异系数以及高频成分能量占比中的至少一种;
24、所述匹配度为所述退化趋势指标与所述设备全生命周期老化曲线中对应阶段的特征参数之间的相似度。
25、进一步地,还包括步骤s6,根据所述故障风险等级生成不同级别的维护建议信息,并将所述维护建议信息推送至终端设备。
26、本发明还提供一种数字化精密仪器设备故障监测方法的系统,包括:
27、数据采集模块,用于获取目标设备运行过程中的多维运行参数;
28、特征提取模块,其与所述数据采集模块连接,用于根据所述多维运行参数提取所述第一区域的若干维度的物理特征值,并基于所述物理特征值与对应的理论基准值之间的偏差量计算所述第一区域的健康风险指数;
29、因果解耦模块,其与所述特征提取模块连接,用于当所述健康风险指数超出预设风险阈值时,将所述物理特征值分离为环境贡献分量与本征贡献分量,并输出所述第一区域的异常类型判定结果;
30、异常判别模块,其与所述因果解耦模块连接,用于根据所述异常类型判定结果判断所述健康风险指数的超标类别,在属于环境耦合异常或操作关联异常的条件下则输出预警信号,在属于本征异常的条件下则触发所述趋势分析模块;
31、趋势分析模块,其与所述异常判别模块连接,用于在接收到触发后,根据所述本征贡献分量的时序序列计算退化趋势指标,并根据所述退化趋势指标与设备全生命周期老化曲线的匹配度输出故障风险等级;
32、输出模块,其分别与所述异常判别模块和所述趋势分析模块连接,用于根据所述预警信号或所述故障风险等级生成并推送维护建议信息。
33、与现有技术相比,本发明的有益效果在于:
34、1. 本发明通过获取与当前运行状态相匹配的理论基准值并计算偏差量,使健康风险指数的评估能够跟随设备实际运行状态动态调整,避免了传统固定阈值在不同工况下产生的误报与漏报。
35、2. 本发明通过嵌入物理约束方程的因果解耦判别模型,将物理特征值分离为环境贡献分量与本征贡献分量,使异常信号中源于外界环境或操作事件的干扰成分被显式分离,仅将本征贡献分量用于后续退化分析,解决了异常诱因无法溯源的问题。
36、3. 本发明通过将环境耦合异常与操作关联异常提前判定并分流输出,使仅有本征异常进入退化趋势评估,避免了环境及操作干扰对退化趋势分析的污染,实现了对设备早期退化特征的可靠识别。
37、4. 本发明通过基于弹性权重巩固的增量学习架构对历史退化特征参数施加突触保护约束,使模型在持续学习新样本时保留对早期退化特征的记忆,克服了增量学习中早期退化特征易被强信号覆盖而遗忘的问题。
38、5. 本发明根据故障风险等级生成包含维护时间窗口、维护部位及维护操作类型的维护建议信息,为设备维护提供了明确的执行指引。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com