基于数字孪生的半导体动力设备故障预测及智能运维方法与流程
本发明涉及设备故障预测与运维,具体为基于数字孪生的半导体动力设备故障预测及智能运维方法。
背景技术:
1、半导体动力设备是指在半导体器件的制造过程中所使用的各种提供加工所需动力的设备总称,是将自然界能源转化、传导和调整的机器,即制造和输送电能、热力或机械能的设备,数字孪生就是给现实里的东西在电脑里造一个“虚拟分身”,这个分身不仅能看,还能跟实物实时同步动作,数字孪生利用传感器数据,在虚拟空间里完整复制物理实体的全生命周期过程,帮助人们提前预测问题、优化决策。
2、在半导体制造工厂中,如干式真空泵、冷水机组等关键动力设备的运行工况会随工艺切换发生频繁的运行状态变化,而现有故障预测与运维方法要么采用固定阈值报警和定期维护模式,要么采用纯数据驱动的数字孪生模型,泛化能力差且无法解释故障演化过程,无法准确估计设备内部不可直接测量的退化状态,也难以精准预测不同工况序列下的故障发生时间,进而导致运维决策与生产计划严重脱节,容易出现维护不及时引发意外停机,造成产品报废和生产中断,影响半导体产线的运行稳定和效益。
技术实现思路
1、针对现有技术的不足,本发明提供了基于数字孪生的半导体动力设备故障预测及智能运维方法,解决了背景技术中提到的问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:基于数字孪生的半导体动力设备故障预测及智能运维方法,包括以下步骤:
3、s1、采集半导体动力设备的三维几何模型和材料属性,建立动力设备的仿真模型,针对设备的主要退化模式进行参数化扫描,生成包括工况、退化和响应的数据集,再基于数据集构建降阶模型,同时利用历史数据建立初始退化模型,将所述降阶模型与所述初始退化模型关联,构建并部署数字孪生体;
4、s2、实时采集动力设备的物联网传感器数据,并从制造执行系统获取当前及未来的生产计划所对应的工艺工况信息,识别当前工艺步骤,提取稳定阶段的特征值,利用数字孪生体将当前工况下的特征值映射折算到标准参考工况下的等效特征值,实现工况解耦;
5、s3、将等效特征值与数字孪生体在相同参考工况和当前估计退化状态下的理论输出值进行对比,得到残差向量,将残差向量与工况参数输入到一个物理信息嵌入的长短期记忆神经网络中,获得对不可直接测量的内部退化状态的修正量,以该修正量作为观测,更新对当前动力设备真实退化状态的估计;
6、s4、基于当前真实退化状态的估计,利用随机退化模型并结合从制造执行系统获取的未来生产计划所对应的预期工况序列,对数字孪生体进行超前仿真推演,预测设备退化状态达到故障阈值的剩余使用寿命及其概率分布;
7、s5、将当前退化状态估计、剩余使用寿命分布、未来生产任务的价值与成本,构建为马尔可夫决策过程,利用训练的深度强化学习智能体,以最小化包含维护成本与生产损失的总期望成本为目标,实时决策并输出最优的智能运维方案。
8、优选的,步骤s1中主要退化模式对动力设备的关键部件参数进行监测,如真空泵的转子不平衡、轴承磨损、转子与定子密封间隙增大;
9、参数化扫描,是对退化模式的物理参数和设备的运行工况参数进行组合采样,并通过有限元仿真获得工况、响应、退化的数据集。
10、优选的,步骤s1中动力设备的仿真模型为包括:结构力学、流体动力学和热传导的多物理场耦合仿真模型。
11、优选的,步骤s2中物联网传感器数据包括:振动信号、温度信号、驱动电机的电流与电压信号、进排气口压力信号;
12、提取稳定阶段的特征值,具体是指提取振动信号在稳定阶段的特征频率幅值、温度均值和电流基波幅值中的至少一种。
13、优选的,步骤s3中物理信息嵌入的长短期记忆神经网络,其在训练的损失函数中额外增加了基于设备物理退化规律构建的约束项,约束项用于强制保证网络输出的内部退化状态的修正量在时间序列上具有单调不减性,以符合物理退化的不可逆特性。
14、优选的,步骤s3中以修正量作为观测值,通过粒子滤波处理更新对当前动力设备真实退化状态的概率分布,取概率分布的加权平均值作为最终的真实退化状态估计值。
15、优选的,步骤s4中超前仿真推演是数字孪生体的仿真计算速度被配置为远快于物理时间的流逝速度,在数秒至数分钟内完成对设备在未来数周至数月运行的模拟。
16、优选的,步骤s4中随机退化模型为带正漂移项的维纳过程模型,正漂移项根据动力设备不同工况下的负载强度进行动态调整。
17、优选的,步骤s5中深度强化学习智能体的状态空间由退化状态等级、剩余使用寿命的区间、未来生产任务紧急程度的评分共同构成;
18、其动作空间至少包括继续监测、在下一个预测的空闲生产窗口安排计划性维护、立即触发紧急停机维护。
19、优选的,构建的数字孪生体的同时部署对应的边缘计算节点,且步骤均在对应边缘计算节点中执行。
20、本发明提供了基于数字孪生的半导体动力设备故障预测及智能运维方法。具备以下有益效果:
21、(1)通过构建融合设备物理机理与实时运行数据的数字孪生体,通过将实时工况下采集的特征值映射到统一标准参考工况,实现了工况干扰的有效解耦,同时在数字孪生体的模型中嵌入物理退化规律约束,避免了纯数据驱动模型对稀缺故障样本的过度依赖,保证数字孪生体的模型在频繁变工况场景下的稳定泛化能力,持续准确地评估设备健康状态,大幅减少误报警和漏报警情况,显著提升故障预警的可靠性和稳定性。
22、(2)利用数字孪生体在相同工况下的理论输出与实际传感数据的残差驱动虚拟传感过程,通过物理信息嵌入的神经网络对退化状态估计值进行动态修正,突破物理传感器仅能测量外部信号的局限,间接获取设备内部不可直接测量的退化参数,清晰呈现故障的物理演化路径,实现了对设备退化状态的感知,为故障预测提供了可靠的物理依据,增强了预测结果的可解释性。
23、(3)将制造执行系统提供的未来生产计划对应的工况序列引入故障预测流程,结合设备当前退化状态进行超前仿真推演,预测不同生产安排下的动力设备剩余使用寿命,同时将生产任务价值与维护成本统一纳入决策模型,以总期望成本最小化为目标生成运维策略,使得运维决策与生产计划的深度联动,在保障设备可靠运行的前提下合理选择维护时机,有效避免生产中断和不必要的维护损失。
1.基于数字孪生的半导体动力设备故障预测及智能运维方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于数字孪生的半导体动力设备故障预测及智能运维方法,其特征在于:步骤s1中主要退化模式对动力设备的关键部件参数进行监测,如真空泵的转子不平衡、轴承磨损、转子与定子密封间隙增大;
3.根据权利要求1所述的基于数字孪生的半导体动力设备故障预测及智能运维方法,其特征在于:步骤s1中动力设备的仿真模型为包括:结构力学、流体动力学和热传导的多物理场耦合仿真模型。
4.根据权利要求1所述的基于数字孪生的半导体动力设备故障预测及智能运维方法,其特征在于:步骤s2中物联网传感器数据包括:振动信号、温度信号、驱动电机的电流与电压信号、进排气口压力信号;
5.根据权利要求1所述的基于数字孪生的半导体动力设备故障预测及智能运维方法,其特征在于:步骤s3中物理信息嵌入的长短期记忆神经网络,其在训练的损失函数中额外增加了基于设备物理退化规律构建的约束项,约束项用于强制保证网络输出的内部退化状态的修正量在时间序列上具有单调不减性,以符合物理退化的不可逆特性。
6.根据权利要求1所述的基于数字孪生的半导体动力设备故障预测及智能运维方法,其特征在于:步骤s3中以修正量作为观测值,通过粒子滤波处理更新对当前动力设备真实退化状态的概率分布,取概率分布的加权平均值作为最终的真实退化状态估计值。
7.根据权利要求1所述的基于数字孪生的半导体动力设备故障预测及智能运维方法,其特征在于:步骤s4中超前仿真推演是数字孪生体的仿真计算速度被配置为远快于物理时间的流逝速度,在数秒至数分钟内完成对设备在未来数周至数月运行的模拟。
8.根据权利要求1所述的基于数字孪生的半导体动力设备故障预测及智能运维方法,其特征在于:步骤s4中随机退化模型为带正漂移项的维纳过程模型,正漂移项根据动力设备不同工况下的负载强度进行动态调整。
9.根据权利要求1所述的基于数字孪生的半导体动力设备故障预测及智能运维方法,其特征在于:步骤s5中深度强化学习智能体的状态空间由退化状态等级、剩余使用寿命的区间、未来生产任务紧急程度的评分共同构成;
10.根据权利要求1所述的基于数字孪生的半导体动力设备故障预测及智能运维方法,其特征在于:构建的数字孪生体的同时部署对应的边缘计算节点,且步骤均在对应边缘计算节点中执行。
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