一种跨单元OHT车队故障诊断方法

本发明涉及oht 车辆运维的，尤其涉及一种跨单元oht车队故障诊断方法。

背景技术：

1、在晶圆制造产线中，自动物料搬运系统 amhs 用于在工艺设备、装载口、检测站和缓存区之间高频搬运 foup（存储晶圆的容器）。oht 车辆沿空中轨道运行，能够节省地面空间并适配高密度产线布局。现有跨单元oht故障诊断方法已经能够将前后双电机扭矩信号转换为sum信号、difference信号和residual信号，并通过多分支特征提取网络及特征加权方式获得不同机理信号的重要性权重，同时采用类别语义对齐或域判别方式减小不同oht单元之间的特征分布差异。

2、oht 在运行过程中会经历频繁加减速、载荷变化、弯轨运行、升降夹持动作和高密度调度。其车轮、齿轮传动部件、升降机构和夹爪组件易受到机械磨损、疲劳冲击、轮轨接触变化和控制误差影响。车轮类故障通常与轮轨接触、导向偏差和前后驱动不平衡有关，表现为横向摆动、定位误差及前后驱动响应差异；齿轮或传动类故障通常表现为传动效率下降、周期扰动、低频滞后和残差扰动增强，虽然现有深度学习和迁移学习方法已用于旋转机械、轴承、电机和齿轮故障诊断，但直接应用于 oht 车队仍存在不足：

3、现有预测模型在训练过程由于缺少将故障机理约束反向作用于共享时序编码器和故障分类器的参数更新过程，使得产生模型预测缺少相应故障机理证据支持的诊断结果，模型预测可信度不高。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、为解决现有技术中在oht车队故障预测时，缺少将故障机理约束反向作用于共享时序编码器和故障分类器的参数更新过程的技术问题，本发明提供一种跨单元oht车队故障诊断方法，本发明提供如下技术方案：将机理感知输入送入已训练的oht车队故障预测模型输出预测概率向量，当最大预测概率低于预设概率阈值时，生成低可信度标识，并输出人工复核提示或追加采样提示，所述oht车队故障预测模型包括：共享时序编码器和故障分类器；其训练方法为：以模型总损失为优化目标，通过反向传播或其他参数优化方式联合更新共享时序编码器参数和故障分类器参数ψ；

3、所述总损失设计为：；、和分别为迁移对齐损失、机理一致性损失和目标域结构约束的权重，表示分类锚定损失，表示迁移对齐损失，表示机理一致性损失，表示目标域无标签预测熵约束；

4、其中，所述设计为：

5、；

6、式中，表示机理先验概率向量，表示故障分类器输出的预测概率向量，γ表示类别监督或预测概率与机理证据之间的融合比例；dmic表示参与机理一致性训练的样本集合，|dmic|表示该集合的样本数量，表示相对于的kl散度。

7、作为本发明所述一种跨单元oht车队故障诊断方法的一种优选方案，其中：该方法还包括：获取oht车辆前后电机扭矩时序信号，并构建源域带标签数据、目标域稀疏带标签数据和目标域无标签数据；

8、源域带标签数据集、目标域稀疏带标签数据集和目标域无标签数据集分别定义为：

9、；

10、；

11、；

12、式中，xi表示第 i 个样本的前后双电机扭矩时序信号，yi表示故障标签，ui表示oht单元编号，vi表示运行工况编号；、和分别表示上述三个数据集的样本数量；上标s表示源域，上标t表示目标域，上标表示带标签样本，上标u表示无标签样本；、和分别表示相应数据集中的第i 个双通道扭矩时序样本。

13、作为本发明所述一种跨单元oht车队故障诊断方法的一种优选方案，其中：对于带标签样本，其包括：源域带标签样本和目标域稀疏带标签样本，所述机理先验设计为：

14、；

15、对于无标签样本，即目标域无标签数据，所述机理先验设计为：

16、；

17、式中，normalize(·)表示概率单纯形归一化，onehot(yi)表示真实标签对应的独热向量，表示归一化后的机理证据向量。

18、作为本发明所述一种跨单元oht车队故障诊断方法的一种优选方案，其中：所述归一化后的机理证据向量的设计方法为：

19、提取sum、difference和residual时序信号计算得到的时间均值、能量、峰峰值和主峰频率统计量构建原始标量机理特征；

20、具体包括：difference信号的时间均值、difference信号的能量和峰峰值、residual信号的能量和主峰频率以及sum信号的能量；

21、基于归一化结果计算车轮差动证据和齿轮残差-总量证据；

22、所述车轮差动证据设计为：；

23、所述齿轮残差-总量证据设计为：；

24、还包括设计正常平衡证据为：；

25、式中，、和分别表示第 i 个样本的正常平衡证据、车轮差动证据和齿轮残差-总量证据，用于表示当前样本对正常、车轮故障和齿轮/传动故障的相对支持程度；表示对原始标量机理特征归一化处理结果；表示difference信号的时间均值，为正常平衡尺度参数；energy(·)、p2p(·)和 peakfreq(·) 分别表示信号能量、峰峰值和主峰频率统计量；表示difference信号能量项的权重，用于平衡 difference信号能量和峰峰值的贡献，、和分别表示residual能量、sum能量和residual主峰频率的权重；

26、令机理证据向量，则归一化后的机理向量表示为：

27、；

28、其中，为归一化后的机理证据向量，下标n、wf和gf分别代表正常、车轮故障和齿轮/传动故障，1为三维全1列向量，ε为数值稳定项。

29、作为本发明所述一种跨单元oht车队故障诊断方法的一种优选方案，其中：所述原始标量机理特征进行归一化处理设计为：

30、；

31、其中，表示待归一化的标量机理特征，和分别表示该特征在训练数据中的最小值和最大值，clip[0,1](·) 表示将计算结果截断在区间[0,1]内。

32、作为本发明所述一种跨单元oht车队故障诊断方法的一种优选方案，其中：该方法还包括：

33、对原始双电机信号进行sum-difference-residual机理感知变换（即指的下述中平均、求差和移动平均残差三个计算过程），得到整体驱动载荷信号、前后驱动不平衡信号和局部传动扰动信号，分别表示为：

34、；

35、；

36、；

37、式中，和分别表示前电机和后电机扭矩信号；

38、表示第个样本在采样时刻的双电机平均扭矩值，用于表征前电机和后电机共同承担的整体驱动载荷；

39、表示第 i 个样本在采样时刻

t的前后电机扭矩差值，用于表征前后驱动端之间的驱动力不平衡程度；

40、表示第个样本在采样时刻的局部扭矩残差值，具体为前电机扭矩采样值与其长度为的移动平均基线值之间的差值，用于表征被平滑趋势成分去除后的局部波动、冲击或传动扰动；

41、表示在包含采样时刻的长度为的滑动窗口内，对前电机扭矩采样值进行平均处理后得到的移动平均值，表示移动平均窗口长度；

42、将上述计算得到的、和分别表示为第i个样本在时刻t的sum信号、difference信号和residual信号。

43、作为本发明所述一种跨单元oht车队故障诊断方法的一种优选方案，其中：所述迁移对齐损失为最大均值差异损失或类别语义对齐损失；

44、其中，所述最大均值差异损失设计为：

45、；

46、其中，和分别表示参与对齐的源域样本数量和目标域样本数量，和分别表示第i个源域样本和第j个目标域样本的时序特征，φ(·)表示映射至再生核希尔伯特空间 h 的特征映射，||·||h表示空间h中的范数；

47、所述类别语义对齐损失设计为：

48、；

49、其中，表示类别语义对齐损失，p 表示带标签跨域样本对集合，|p|表示样本对数量，和分别表示源域样本和目标域带标签样本的故障标签，和分别表示对应的源域特征和目标域带标签特征，1(·) 表示示性函数，δ为大于零的异类样本间隔参数，||·||2表示欧氏范数。

50、作为本发明所述一种跨单元oht车队故障诊断方法的一种优选方案，其中：所述分类锚定损失设计为：；

51、其中，为源域分类损失，为目标域稀疏带标签分类损失，和分别为源域分类损失与目标域稀疏带标签分类损失的权重系数。

52、作为本发明所述一种跨单元oht车队故障诊断方法的一种优选方案，其中：所述目标域无标签预测熵约束定义为：

53、；

54、其中，表示目标域无标签样本数量，y 表示候选故障类别集合，c 表示类别索引，表示第 i 个目标域无标签样本属于类别 c 的预测概率，log表示自然对数，ε 为大于零的数值稳定项。

55、作为本发明所述一种跨单元oht车队故障诊断方法的一种优选方案，其中：该方法还包括：

56、利用训练完成的共享时序编码器和故障分类器输出待诊断样本的预测概率和预测故障类别；同时计算机理一致性指数 mci包括：样本级mci、类别级 mci 和总体 mci 分别为：

57、；

58、；

59、；

60、式中，表示第 i 个样本的样本级mci，表示预测故障类别对应的机理证据分量；下标表示预测为类别c的样本索引集合，表示该集合的样本数量，表示类别c的类别级mci；mci(k)表示第 k 个有效类别的类别级mci，n表示有效类别数量，总体mci为各有效类别的类别级 mci 的算术平均值，n表示具有至少一个预测样本的类别数量；

61、当最大预测概率低于预设概率阈值或 mci 低于预设一致性阈值时，生成低可信度标识，并输出人工复核提示或追加采样提示；当最大预测概率达到预设概率阈值且mci达到预设一致性阈值时，输出预测故障类别、预测概率、机理证据向量及高可信度标识。

62、本发明的有益效果：通过机理先验与分类器预测概率之间的机理一致性损失，将故障机理约束反向作用于共享时序编码器和故障分类器的参数更新过程，使模型学习得到的目标域类别边界同时满足稀疏标签监督要求和双电机故障机理要求，从而提高跨 oht单元故障诊断的准确性、稳定性和物理可信度。