一种磁驱输送系统的预测性维护方法、装置、设备、介质和程序产品与流程

本技术涉及磁驱输送，特别是涉及一种磁驱输送系统的预测性维护方法、装置、设备、介质和程序产品。

背景技术：

1、磁驱输送系统是一种基于电磁耦合原理实现非接触式驱动的智能输送装置，其基本构成包括定子线圈阵列和带有永磁体的动子（或称小车）。定子通电后产生行波磁场，驱动动子沿导轨运动，通过控制定子各相电流的幅值和相位，可实现动子的位置闭环与速度调节。与传统机械传动方式（如皮带输送、链条输送、滚珠丝杠等）相比，磁驱输送系统具有无接触磨损、运动精度高、加速度大、洁净度优异以及路径柔性可重构等显著优势。基于上述特性，磁驱输送系统已广泛应用于新能源电池装配、半导体晶圆转运、医药制剂灌装、3c电子产品组装、食品包装等对洁净度和运动精度要求较高的工业生产场景中。

2、在典型的磁驱输送系统中，通常采用分层控制架构以满足实时性、确定性与业务灵活性的多重要求。系统底层为实时执行控制层，主要承担动子位置闭环、速度规划、插补运算、驱动器状态采集、同步区运动协调以及底层输入输出联动等硬实时任务，其控制周期通常为毫秒级，以保证动子运动的平稳性与定位精度。中间层为调度决策层，负责工位流转逻辑、工艺路线调度、路径切换管理、同步区排队与放行控制、无线射频识别（rfid）读卡确认、小车编号重新确认以及移动平台或摆渡段协同等业务逻辑，该层需兼顾实时响应与复杂决策的灵活性。系统顶层为上位机与服务层，主要用于运行日志记录、告警推送、系统参数管理、运行状态监控以及人机配置交互等功能。

3、在上述分层架构的基础上，越来越多的磁驱输送系统开始采用共享内存作为模块间数据交互的核心机制。共享内存是一种高效的进程间通信方式，允许多个模块同时对同一块物理内存区域进行读写访问，避免了数据拷贝和网络协议栈开销，能够满足磁驱输送系统对低延迟、高频率数据交换的需求。

4、然而，目前的磁驱输送系统的维护方法，存在如下的技术问题：

5、尽管现有系统可以记录大量状态与告警信息，但其处理方式大多仍停留在故障发生后报警的被动阶段，存在严重的滞后性，有待优化。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够从被动响应转向主动维护，提高系统的安全性的一种磁驱输送系统的预测性维护方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种磁驱输送系统的预测性维护方法。所述方法包括：

3、从目标系统的共享内存中获取运行数据，所述共享内存包括实时执行共享内存、调度共享内存以及日志共享内存；

4、根据所述运行数据，构建对象级健康向量，所述对象级健康向量用于表征单一运行对象的健康状态；

5、基于预训练的时序卷积网络模型对多个历史周期的所述对象级健康向量进行处理，得到各个所述运行对象的风险类型以及风险等级；

6、根据所述风险类型以及所述风险等级，生成并执行主动降级控制动作，直至所述运行对象的风险状态满足预设的安全运行约束条件。

7、在其中一个实施例中，所述运行对象包括动子、路段、同步区、读卡链路、控制器边界交接对象以及移动平台或摆渡段对象中的至少一种，所述根据所述运行数据，构建对象级健康向量，所述对象级健康向量用于表征单一运行对象的健康状态包括：

8、对同一目标区域内的多个所述对象级健康向量进行聚合处理，得到区域级健康向量，所述区域级健康向量用于表征所述目标区域内多个所述运行对象的综合健康状态；

9、对所有所述区域级健康向量进行聚合处理，得到全局健康向量，所述全局健康向量用于表征所述目标系统的综合健康状态。

10、在其中一个实施例中，所述基于预训练的时序卷积网络模型对多个历史周期的所述对象级健康向量进行处理，得到各个所述运行对象的风险类型以及风险等级包括：

11、获取所述时序卷积网络模型输出的包含正常状态和多种异常类型的概率向量；

12、根据所述概率向量中最大概率值所对应的所述异常类型确定所述运行对象的所述风险类型；

13、根据所述正常状态的概率值确定所述风险类型所对应的风险分值，基于所述风险分值与预设阈值的比较结果确定所述风险等级。

14、在其中一个实施例中，所述根据所述风险类型以及所述风险等级，生成并执行主动降级控制动作，直至所述运行对象的风险状态满足预设的安全运行约束条件包括：

15、根据所述风险类型、所述风险等级、所述运行对象的工艺优先级以及当前上下文信息，匹配预设的策略映射关系，生成对应的所述主动降级控制动作；

16、所述主动降级控制动作包括降低目标速度、限制进入同步区、触发二次读卡、引导至检修工位、设置路径限流以及执行局部隔离中的至少一种。

17、在其中一个实施例中，所述根据所述风险类型以及所述风险等级，生成并执行主动降级控制动作，直至所述运行对象的风险状态满足预设的安全运行约束条件包括：

18、响应于连续多个预测周期内的所述风险等级均达到预设的中度异常等级以上，执行所述主动降级控制动作；

19、在执行所述主动降级控制动作后的所述预测周期中，若所述风险等级连续下降至轻度异常等级或正常等级，则逐级解除所述主动降级控制动作。

20、在其中一个实施例中，当所述运行对象包括rfid读卡链路对象时，所述根据所述运行数据，构建对象级健康向量，所述对象级健康向量用于表征单一运行对象的健康状态包括：

21、获取所述rfid读卡链路对象的运行数据，根据所述运行数据计算rfid健康分值，所述运行数据包括读卡成功率、平均重读率以及小车编号重新确认频次；

22、响应于所述rfid健康分值低于预设阈值，执行所述主动降级控制动作，所述主动降级控制动作包括提高读卡触发频次、开启二次读卡或增加小车编号上下文一致性校验。

23、第二方面，本技术还提供了一种磁驱输送系统的预测性维护装置。所述装置包括：

24、数据采集模块，用于从目标系统的共享内存中获取运行数据，所述共享内存包括实时执行共享内存、调度共享内存以及日志共享内存；

25、向量构建模块，用于根据所述运行数据，构建对象级健康向量，所述对象级健康向量用于表征单一运行对象的健康状态；

26、风险预测模块，用于基于预训练的时序卷积网络模型对多个历史周期的所述对象级健康向量进行处理，得到各个所述运行对象的风险类型以及风险等级；

27、维护执行模块，用于根据所述风险类型以及所述风险等级，生成并执行主动降级控制动作，直至所述运行对象的风险状态满足预设的安全运行约束条件。

28、在其中一个实施例中，所述运行对象包括动子、路段、同步区、读卡链路、控制器边界交接对象以及移动平台或摆渡段对象中的至少一种，所述向量构建模块还用于：

29、对同一目标区域内的多个所述对象级健康向量进行聚合处理，得到区域级健康向量，所述区域级健康向量用于表征所述目标区域内多个所述运行对象的综合健康状态；

30、对所有所述区域级健康向量进行聚合处理，得到全局健康向量，所述全局健康向量用于表征所述目标系统的综合健康状态。

31、在其中一个实施例中，所述风险预测模块还用于：

32、获取所述时序卷积网络模型输出的包含正常状态和多种异常类型的概率向量；

33、根据所述概率向量中最大概率值所对应的所述异常类型确定所述运行对象的所述风险类型；

34、根据所述正常状态的概率值确定所述风险类型所对应的风险分值，基于所述风险分值与预设阈值的比较结果确定所述风险等级。

35、在其中一个实施例中，所述维护执行模块还用于：

36、根据所述风险类型、所述风险等级、所述运行对象的工艺优先级以及当前上下文信息，匹配预设的策略映射关系，生成对应的所述主动降级控制动作；

37、所述主动降级控制动作包括降低目标速度、限制进入同步区、触发二次读卡、引导至检修工位、设置路径限流以及执行局部隔离中的至少一种。

38、在其中一个实施例中，所述维护执行模块还用于：

39、响应于连续多个预测周期内的所述风险等级均达到预设的中度异常等级以上，执行所述主动降级控制动作；

40、在执行所述主动降级控制动作后的所述预测周期中，若所述风险等级连续下降至轻度异常等级或正常等级，则逐级解除所述主动降级控制动作。

41、在其中一个实施例中，当所述运行对象包括rfid读卡链路对象时，所述向量构建模块还用于：

42、获取所述rfid读卡链路对象的运行数据，根据所述运行数据计算rfid健康分值，所述运行数据包括读卡成功率、平均重读率以及小车编号重新确认频次；

43、响应于所述rfid健康分值低于预设阈值，执行所述主动降级控制动作，所述主动降级控制动作包括提高读卡触发频次、开启二次读卡或增加小车编号上下文一致性校验。

44、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项实施例所述的一种磁驱输送系统的预测性维护方法中的步骤。

45、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任意一项实施例所述的一种磁驱输送系统的预测性维护方法中的步骤。

46、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面中任意一项实施例所述的一种磁驱输送系统的预测性维护方法中的步骤。

47、上述一种磁驱输送系统的预测性维护方法、装置、计算机设备、存储介质和计算机程序产品，通过实施例中的技术特征进行推导，能够达到对应背景技术中的技术问题的如下有益效果：

48、本实施例提供了一种磁驱输送系统的预测性维护方法。在实施中，通过从共享内存中直接获取运行数据，充分利用了磁驱输送系统现有数据资源，无需增设额外传感器或大幅改动系统架构，工程实施成本低、接入门槛低。通过构建对象级健康向量，将原始的运行参数转化为结构化的健康状态表征，为后续预测模型提供了规范化的输入。在此基础上，采用时序卷积网络模型对多个历史周期的健康向量进行处理，能够捕捉运行数据的时序依赖关系，实现对动子、路段、同步区及rfid链路等多种对象驱动退化、区域拥堵、同步异常等渐进式风险的提前识别，将传统的故障后被动报警升级为故障前的主动预测。通过根据风险类型和等级生成并执行主动降级控制动作，形成从风险发现到干预处置的完整自动化闭环，有效降低设备停机和产线连锁堵塞风险。此外，通过持续评估运行对象的风险状态直至满足安全运行约束条件，避免了过度保守控制对产线产能的损失，在保障设备安全的同时维持了产线的高效运行，提升了系统的智能化维护水平和整体产能利用率。