智能化多传感器融合的分板机故障预测与诊断方法及系统与流程

本技术涉及智能制造，具体涉及一种智能化多传感器融合的分板机故障预测与诊断方法及系统。

背景技术：

1、分板机是电子制造业中重要的自动化设备，用于将大型印刷电路板分割成多个小型电路板。随着电子产品制造对精度和效率要求的不断提高，分板机的性能和稳定性变得越来越重要。然而，传统的分板机故障诊断和预测方法存在以下问题：

2、单一传感器数据不足以全面反映分板机的运行状态，导致故障诊断的准确性和可靠性不高。

3、传统的数据处理方法难以有效处理多传感器数据中的噪声和干扰，影响了故障预测的精度。

4、传统方法难以实时监测分板机状态并及时预测潜在故障，无法为设备维护提供及时有效的建议。

技术实现思路

1、鉴于此，本技术提供一种智能化多传感器融合的分板机故障预测与诊断方法及系统，解决了现有技术中单一传感器数据不足、数据处理效果不佳以及实时监测预测能力不足的问题。

2、本技术实施例提供了一种智能化多传感器融合的分板机故障预测与诊断方法，包括： 采集分板机上多种传感器的数据； 对传感器数据进行随机平滑的二次采样预处理；利用时空干扰下的离策略评估的因果深度集建立因果关系模型，并进行所述传感器数据的离策略学习； 基于所述离策略学习的结果，提取所述传感器数据的特征并生成因果序列数据； 基于提取的特征和所述因果序列数据，应用混合模型实时监测分板机状态，并预测潜在故障、生成维护建议。

3、所述对传感器数据进行随机平滑的二次采样预处理，包括： 对所述传感器数据进行初始采样； 对所述初始采样数据进行随机平滑处理； 对平滑后的所述初始采样数据进行二次采样。

4、所述对所述初始采样数据进行随机平滑处理，包括： 定义平滑函数； 在所述初始采样数据中，为每个数据点生成随机扰动； 应用所述平滑函数处理随机扰动后的数据。

5、所述利用时空干扰下的离策略评估的因果深度集建立因果关系模型，包括： 识别关键变量，建立变量间因果关系； 进行离策略学习，从历史数据中学习最优策略； 执行深度集成学习，基于所述最优策略，训练和集成多个深度学习模型； 处理所述多个深度学习模型的时空干扰，识别和处理空间及时间干扰因素； 利用基于处理后的所述多个深度学习模型，构建一个因果关系模型。

6、进行离策略学习，包括： 收集历史数据，其中，所述历史数据包括历史传感器数据、维护记录和故障日志； 定义处理过程和处理结果，其中处理过程包括维护操作和参数调整，处理结果包括设备性能指标和故障状态； 估计倾向性得分，包括：使用逻辑回归或随机森林计算在给定协变量下采取任一处理过程的概率； 构建反事实回归模型，预测不同处理过程下的结果； 使用逆概率加权法计算加权平均处理效应； 应用双重稳健方法，结合回归模型和逆概率加权估算因果效应，所述因果效应包括计算平均处理效应和条件平均处理效应； 使用自助法估计因果效应的置信区间； 则基于所述离策略学习的结果，生成因果序列数据，包括： 识别关键因果链， 根据估计的因果效应构建时序因果关系， 生成包含因果关系强度和时序信息的序列数据。

7、所述混合模型包括混合卷积神经网络cnn-transformer和状态空间模型，在所述应用混合模型实时监测分板机状态之前，所述方法还包括： 构建物理模型，分析所述分板机物理特性； 利用cnn从所述传感器数据中提取时空特征； 应用transformer架构对提取的所述时空特征进行序列建模，捕捉长期依赖关系； 集成状态空间模型，并结合所述物理模型的约束，进行所述混合模型的融合与优化。

8、利用cnn从所述传感器数据中提取时空特征，包括： 通过多个卷积层提取所述传感器数据的局部特征； 使用池化层降低所述局部特征的维度； 应用归一化层加速训练和提高所述cnn模型稳定性； 通过全连接层综合特征信息。

9、应用transformer架构对提取的所述时空特征进行序列建模，包括： 将所述时空特征通过输入嵌入层转换为transformer对应的格式，形成时空特征序列； 应用多头自注意力机制捕捉所述时空特征序列的依赖关系； 使用前馈神经网络增强transformer的非线性表达能力； 添加位置编码，以提供所述时空特征序列的位置信息。

10、所述集成状态空间模型，并结合所述物理模型的约束，包括： 定义关键状态变量，包括主轴角速度、温度、振动幅度和工具磨损度； 建立状态转移方程和观测方程，其中，状态转移方程描述状态变量随时间的演化，观测方程描述状态变量与观测数据之间的关系；将所述物理模型中的动力学方程转化为状态空间表示，包括： 将连续时间动力学方程离散化； 将物理参数映射到状态空间模型的参数； 设计基于物理约束的正则化项，确保预测符合物理规律； 实现结合transformer输出和物理模型预测的混合滤波算法，得到状态估计和预测，包括：使用扩展卡尔曼滤波或无迹卡尔曼滤波作为滤波器； 将transformer的输出作为观测值输入所述滤波器； 使用物理模型预测作为先验信息； 通过滤波算法得到最优状态估计和预测。

11、本技术实施例还提供一种智能化多传感器融合的分板机故障预测与诊断系统，包括： 采集模块，用于采集分板机上多种传感器的数据； 预处理模块，用于对传感器数据进行随机平滑的二次采样预处理； 离策略学习模块，用于利用时空干扰下的离策略评估的因果深度集建立因果关系模型，并进行所述传感器数据的离策略学习； 生成模块，用于基于所述离策略学习的结果，提取所述传感器数据的特征并生成因果序列数据； 监测模块，用于基于提取的特征和所述因果序列数据，应用混合模型实时监测分板机状态，并预测潜在故障、生成维护建议。

12、本技术实施例还提供一种计算机装置，所述计算机装置包括： 至少一个处理器；以及， 与所述至少一个处理器通信连接的存储器；其中， 所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述智能化多传感器融合的分板机故障预测与诊断方法的步骤。

13、本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行上述智能化多传感器融合的分板机故障预测与诊断方法的步骤。

14、本技术实施例还提供一种计算机程序产品，包括计算机指令，其特征在于，该计算机指令被处理器执行时实现上述智能化多传感器融合的分板机故障预测与诊断方法的步骤。

15、本技术具备以下技术效果：

16、通过多传感器数据融合，全面捕捉分板机的运行状态，提高了故障诊断的准确性和可靠性。

17、采用随机平滑的二次采样预处理方法，有效降低了传感器数据中的噪声和干扰，提高了数据质量。

18、利用时空干扰下的离策略评估的因果深度集建立因果关系模型，充分挖掘了传感器数据之间的因果关系，提升了模型的解释性和预测能力。

19、通过离策略学习，有效利用历史数据学习最优维护策略，提高了故障预测和维护决策的准确性。

20、应用混合模型实时监测分板机状态，预测潜在故障并生成维护建议，实现了分板机的智能化管理和预防性维护。

21、结合物理模型和数据驱动模型，提高了故障预测的准确性和可解释性，使得预测结果更加可靠和易于理解。