一种高精度分子泵故障诊断方法及其模型搭建方法与流程

本发明属于半导体工艺中抽真空分子泵故障诊断，尤其涉及一种高精度分子泵故障诊断方法及其模型搭建方法。

背景技术：

1、分子泵是一种用于在真空环境中排气的高效率真空泵。它通过分子运动的转换将气体分子从一个排气体压力较高的区域输送到排气压力较低的区域，从而实现真空抽取。在半导体制造的工艺流程中，分子泵是一种关键的真空泵技术，用于创建和维持超高真空(uhv)环境。在半导体制造中，各种工艺步骤需要在无尘、无杂质的环境中进行，以确保最终产品的质量和性能。在半导体制造中，分子泵通常用于关键的工艺步骤，例如物理气相沉积(pvd)、化学气相沉积(cvd)和离子注入等。这些步骤需要在高度洁净的环境中进行，以确保在半导体器件上沉积的材料具有一致的性能和质量。分子泵通过将气体从真空室中抽出，从而有效地实现了这一目标。

2、分子泵的突发故障可能会破坏系统真空环境，导致生产或者实验失败造成不可预估的损失。现有技术针对分子泵突发故障，通常采取故障发生后对故障分子泵进行维护或者更换的方式，不能做到事前预防从而避免事故发生。为了及时准确地诊断分子泵的故障，现有技术中出现了很多借助专门的故障诊断方法与系统。这些方法与系统通常结合了传感器技术、数据采集与处理技术以及人工智能算法等，能够对分子泵的运行状态进行实时监测、数据分析，并在发现异常情况时提供及时的警报与故障诊断结果。目前机器学习诊断算法，在数据集是平衡的情况下取得了较好(或很好)的成果。但面对工业实际运行状况，在半导体制造的工艺流程中分子泵故障数据是极少的，数据集是不平衡的，导致机器学习算法故障诊断精度低以及模型过拟合问题。

技术实现思路

1、针对上述问题，本发明第一方面提供了一种高精度分子泵故障诊断模型搭建方法，包括以下过程：

2、步骤1，采集不同状态下分子泵的振动信号，包括陶瓷球轴承失效状态、陶瓷球轴承上橡胶减振垫轻微疲劳状态、橡胶减振垫严重疲劳状态以及正常状态的振动信号；

3、步骤2，对采集到的数据，进行时域频域分析，获取基于时域频域分析的特征提取后数据集；

4、步骤3，选用不同状态频域特征，并与时域特征结合，构建分子泵不同状态振动特征数据集，并将特征数据集分为训练集与测试集；

5、步骤4，设计基于群智能搜索优化pso算法的1dann故障诊断模型，并使用特征数据集对其进行训练；

6、步骤5，使用测试集对训练完成的1dann故障诊断模型进行测试，并获取最终1dann故障诊断模型。

7、优选的，收集全寿命实验中失效的陶瓷球轴承、轻微疲劳的陶瓷球轴承橡胶减振垫和严重疲劳的陶瓷球轴承橡胶减振垫，通过更换零部件进行陶瓷球轴承失效类别1，橡胶减振垫轻微疲劳类别2、橡胶减振垫严重疲劳类别3以及正常工况类别4)这4种情况下的实验；设置采样频率为1khz，在采集实验数据时，信号发生器峰峰值设为15v，频率设为2.25khz，手动触发信号，循环数设为9000，通过多次触发，采集正常数据20000个；更换陶瓷球轴承，采集类别1故障数据8000个；更换轻微疲劳的橡胶减振垫，采集类别2故障数据6000个；更换严重疲劳的橡胶减振垫，采集类别2故障数据4000个，最终得到的了分子泵故障诊断数据集x，采样周期为0.001s。

8、优选的，所述步骤2中进行时域频域分析，具体为：

9、针对采集到的样本数据x，假设n代表一个在周期内采集到的采样点数，xi表示当前周期内第i个数据样本，则i∈[1,n]；

10、在时域分析中选取最大值xmax＝max(xi)、最小值xmin＝min(xi)、峰峰值xff＝xmax-xmin、平均值方差均方根峰值因子脉冲因子作为振动状态分析，更好反映数据隐藏的特征；

11、在频域分析中，通过快速傅里叶fft将时域信号转化成频域信号，fft公式为：

12、

13、其中k＝0,1,…,n-1表示信号长度,是旋转因子，fk是频域值，x(n)是时域中采样点，n为时域采样点的序列索引，k为频域值的索引；

14、选用频域均值频域重心频域标准差三种状态频域特征描述分子泵振动状态信息；

15、将数据xi在时域分析中的最大值、最小值、峰峰值、平均值、方差、均方根、峰值因子、脉冲因子与频域分析中的频域均值、频域重心、频域标准差进行特征合并最终形成特征向量fi，最终输入的采样数据集x变成了基于时域频域分析的特征提取后数据集f。

16、优选的，所述步骤3具体为：

17、基于时域频域分析的特征提取后数据集f，每10个数据为切片为一组样本，得到2000组正常振动特征数据，800组陶瓷球轴承故障数据，600组轻微疲劳的橡胶减振垫故障振动特征数据，400组严重疲劳的橡胶减振垫故障振动特征数据，将训练集与测试集按8:2划分，得到分子泵振动训练集ftrain与测试集fval。

18、优选的，所述1dann故障诊断模型包括输入层、输出层和隐含层；

19、所述输入层主要由全连接层组成，用于将输入的分子泵训练数据集ftrain的11维特征映设到120维度隐函数特征空间；输入层主要公式如下：

20、

21、其中是特征映射矩阵；

22、所述隐藏层具体为，假设为隐藏层输入变量，y为输出变量，km为隐藏神经元输出，存在g为激活函数的映射关系；假设vi,j为第i个输入变量与第j个隐藏层神经元的权重，为隐藏层k第j个神经元的阈值，即偏置项；可得kj表达式：

23、

24、假设wj为第j个神经元与y连接的权重，θy为y的偏置，存在g为激活函数的映射关系；可得输出out表达式为：

25、

26、最终out是一个四维度向量，分别对应四种不同分类状态；

27、所述输出层主要由softmax模块组成；假设隐藏层输出向量out＝(out1，out2，out3，out4)，具体公式如下：

28、

29、其中，outi表示第i个节点的输出值，e表示指数常数。最终得到输出向量y：

30、y＝softmax(out)。

31、优选的，所述1dann故障诊断模型训练的损失函数为交叉熵函数，如下所示：

32、

33、其中y为模型的预测标签，为分子泵的真实标签；

34、同时引入pso算法，保障1dann神经网络在计算过程中，最大程度上避免局部最优解；

35、pso算法定义如下：假设d维搜索空间中，单个群落包含n个粒子，单个d维向量由第i个粒子表示，记为：

36、xid＝(xi1，xi2，…，xid)

37、单个d维向量由第i个粒子的飞行速度，记为：

38、vid＝(vi1，vi2，…，vd)

39、个体极值定义为第i个粒子群搜索到的当前最优位置pbest，即当前局部最优的参数组合方案，记为:

40、pbest＝(pi1，pi2，…，pid)

41、全局极值定义为整个粒子群检索到的最优位置pd，gbest，即全局情况下的最优参数组合方案，记为：

42、pd，gbest＝(p1，gbest，p2，gbest，…，pd，gbest)

43、在找到这两个最优值时，每个粒子需要根据如下公式来更新自己的速度和位置，从而实现参数得迭代调优，该过程表示为：

44、vid(t+1)＝w×vid(t)+c1×r1[pbest(t)--xid(t)]+

45、c2×r2[pd，gbest(t)-xid(t)]

46、xid(t+1)＝xid(t)+vid(t+1)

47、其中n代表粒子群规模，i(i＝1，2，…，n)代表粒子序号；d代表粒子维度；d代表粒子维度序号，d＝1，2，…，n；t代表迭代次数；w代表惯性权重；c1代表个体学习因子；c2代表群体学习因子；r1、r2代表群体学习因子，取值区间在[0，1]；

48、其中，适应度函数为五倍交叉验证的得到的最小误差；交叉验证原理如下：

49、将数据分成k组，按k-1与1的比例提取训练集与验证集，重复k次，获取k组训练模型状态，再利用相关评价指标，选定其中误差最小的一组来定义最优模型。

50、本发明第二方面提供了一种高精度分子泵故障诊断方法，包括以下过程：

51、s1，采集分子泵振动频率信号，频率设为2.25khz；

52、s2，针对实时采集到的分子泵振动频率信号，进行时域频域分析，提取实时的特征向量；

53、s3，将s2提取的实时特征向量输入到如第一方面所述的搭建方法所搭建的1dann故障诊断模型中；

54、s4，输出检测结果，若出现故障则进行预警。

55、本发明第三方面提供了一种高精度分子泵故障诊断设备，所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如第一方面所述的搭建方法所搭建的1dann故障诊断模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行一种高精度分子泵故障诊断方法。

56、本发明第四方面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中存储有如第一方面所述的搭建方法所搭建的1dann故障诊断模型的计算机程序或指令，所述程序或指令被处理器执行时，使处理器执行一种高精度分子泵故障诊断方法。

57、与现有技术相比，本发明具有如下有益效果：

58、本发明利用群智能搜索优化的神经网络用于分子泵故障诊断。该方法旨在同时确保高精度和有效解决模型过拟合问题。首先，设计了一种新的神经网络结构，1dann故障诊断模型，有效地对分子泵故障诊断数据进行判断。接着，本发明在1dann神经网络的基础上结合pso算法，以确保在计算过程中避免陷入局部最优解。同时，结合五折交叉验证算法，可避免模型过拟合，从而找到最佳适应度值，获得最优参数，训练出最优的神经网络模型，从而提高了分子泵故障诊断的准确性。

59、技术改进点的具体实施为每个环节带来了独特的优势。引入1dann神经网络使得对分子泵故障诊断数据的判断更为精确；结合pso算法可以避免陷入局部最优解的困境，确保了计算的高效性和准确性；五折交叉验证算法的应用则有效地避免了模型过拟合，保证了模型的泛化能力。综合而言，这些技术改进点共同作用，使得本发明可以为分子泵故障诊断带来更为可靠和高效的解决方案，从而推动了相关领域的发展和应用。