CN105988459B - 基于均值小漂移预测机台故障的方法 - Google Patents

Abstract

本发明的基于均值小漂移预测机台故障的方法，收集机台上产品的当前时刻以及当前时刻之前的日常点检的SPC数据以及机台的IEMS数据，对SPC数据进行时间加权处理之后得到标准化之后的SPC数据，并得到标准化后的SPC数据控制上限值、控制下限值，同时对IEMS数据进行分级，如果标准化后的当前时刻的SPC数据超过控制上限值或者低于控制下限值时，若第一预定范围内的IEMS数据显示为一级时判定机台正常，若第一预定范围内的IEMS数据显示为二级时判断SPC数据发生均值小漂移，机台产生故障，否则判定为继续追踪。本发明中，依据SPC数据以及IEMS数据同时对机台状态进行实时预测，可以防止预测结果不准确产生的误报警或者漏报警。

Description

基于均值小漂移预测机台故障的方法

技术领域

本发明涉及机台设备控制领域，尤其涉及一种基于均值小漂移预测机台故障的方法。

背景技术

在目前的工艺过程中，采用统计加工控制(SPC)的方法，通过收集某些特定工艺步骤中机台上的相关信息，即日常点检的SPC数据，当SPC数据触犯预先设定的报警规则时，则系统进行报警，判定此时机台出现故障。但是，对于机台均值小漂移，目前的SPC系统并不能进行有效的判断。

发明内容

本发明的目的在于，提供一种基于均值小漂移预测机台故障的方法。可以根据SPC数据以及机台自身的IEMS数据，对机台可能产生异常的情形进行预测，不至于误报警或者漏报警。

为解决上述技术问题，本发明提供一种基于均值小漂移预测机台故障的方法，包括：

等时间间隔地收集机台上日常点检的SPC数据，对所述SPC数据进行筛选，形成SPC数据与时间关系的序列{X₁，……，X_n}，其中X_n为当前时刻的SPC数据，其中，n为所述SPC数据的数据序列中的数据个数，n取正自然数；

对所述SPC数据序列{X₁，……，X_n}进行时间加权处理，得到加权处理之后的SPC数据序列{Y₁，……，Y_n}；

计算所述SPC数据序列{X₁，……，X_n}的控制上限值、控制下限值以及平均值

对应收集每一时刻SPC数据Y_i的机台设备的IEMS数据，组成IEMS数据序列{Z_i1，……，Z_im}，其中，i＝1,2，……，n，其中，m为所述IEMS数据的数据序列中的数据个数，m取正自然数。

对所述IEMS数据序列{Z_i1，……，Z_im}进行分级，若Z_ij在基准值Z₀误差范围内，评定为一级，否则，为二级，其中，j＝1,2，……，m；

对当前时刻进行结果预测，如果当前时刻SPC数据Y_n大于所述控制上限值或者小于所述控制下限值时，若IEMS数据序列{Z_n1，……，Z_nm}中的所有数据在第一预定范围内的数据评定为一级，则判定机台正常，若IEMS数据序列{Z_n1，……，Z_nm}中的所有数据在第一预定范围内的数据评定为二级，则SPC数据发生均值小漂移，判定机台故障，否则判定继续追踪；如果当前时刻SPC数据Y_n在所述控制上限值和所述控制下限值范围内时，若IEMS数据序列{Z_n1，……，Z_nm}中的所有数据在第二预定范围内的数据评定为一级，则判定机台正常，若所述IEMS数据序列{Z_n1，……，Z_nm}中的所有数据在第二预定范围内的数据评定为二级，则判定继续追踪。

可选的，每间隔一天收集机台端日常点检的SPC数据。

可选的，累积收集形成的所述SPC数据的数据序列中的数据个数n大于等于20。

可选的，加权处理之后的SPC数据序列{Y₁，……，Y_n}中，Y_i＝λX_i+(1-λ)Y_i-1，其中

可选的，所述控制上限值为其中，λ为时间加权系数，σ为标准差值。

可选的，所述控制下限值为其中，λ为时间加权系数，σ为标准差值。

可选的，λ的取值范围为(0,1)。

可选的，所述IEMS数据包括功率、压力、加热头温度以及气体流量。

可选的，所述IEMS数据Z_ij在Z₀-0.5σ’至Z₀+0.5σ’范围内，评定为一级，否则评定为二级。

可选的，所述第一预定范围设定为大于80％的值，所述第二预定范围设定为大于90％。

与现有技术相比，本发明基于均值小漂移预测机台故障的方法具有以下优点：

本发明提供的基于均值小漂移预测机台故障的方法，收集机台的当前时刻以及当前时刻之前的日常点检的SPC数据以及机台的IEMS数据，对SPC数据进行时间加权处理之后得到标准化之后的SPC数据，并得到标准化后的SPC数据控制上限值、控制下限值，同时对IEMS数据进行分级，如果标准化后的当前时刻的SPC数据超过控制上限值或者低于控制下限值时，当第一预定范围内的IEMS数据显示为一级时判定机台正常，当第一预定范围内的IEMS数据显示为二级时判断SPC数据发生均值小漂移，机台产生故障，否则判定为继续追踪。本发明中，依据SPC数据以及IEMS数据同时对机台状态进行实时预测，可以防止预测结果不准确产生的误报警或者漏报警。

附图说明

图1为本发明中基于均值小漂移预测机台故障的方法的流程图。

具体实施方式

下面将结合示意图对本发明的基于均值小漂移预测机台故障的方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。

在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

本发明的核心思想在于，收集机台端当前时刻以及当前时刻之前的日常点检的SPC数据以及机台的IEMS数据，对SPC数据进行时间加权处理之后得到标准化之后的SPC数据，并得到标准化后的SPC数据控制上限值、控制下限值，同时对IEMS数据进行分级，如果标准化后的当前时刻的SPC数据超过控制上限值或者低于控制下限值时，若第一预定范围内的IEMS数据显示为一级时判定机台正常，若第一预定范围内的IEMS数据显示为二级时判断SPC数据发生均值小漂移，机台产生故障，否则判定为继续追踪。本发明中，依据SPC数据以及IEMS数据同时对机台状态进行实时预测，可以防止预测结果不准确产生的误报警或者漏报警。

具体的，结合上述核心思想，本发明提供的基于均值小漂移预测机台故障的方法流程图参考图1所示进行详细描述。

执行步骤S1：收集SPC数据，等时间间隔的收集机台上当前时刻以及当前时刻之前的日常点检的SPC数据，较佳的，每间隔一天收集机台上的日常点检的SPC数据，并且连续收集所述SPC数据。在本实施中，所述SPC数据可以为产品的厚度、尺寸等信息。对所述SPC数据进行筛选、录入，形成SPC数据与时间关系的序列{X₁，……，X_n}，，其中，n为所述SPC数据的数据序列中的数据个数，n取正自然数。对所述SPC数据筛选的原则在于去除数据中的异常值。SPC数据序列中的X₁为初始时刻的SPC信息，例如可以为第一天的SPC信息，并以此类推，X _n为当前时刻的SPC数据，在所述SPC数据收集和筛选过程中，确保录入形成的序列{X₁，……，X_n}中有n大于等于20个数据。

接着，执行步骤S2：对所述SPC数据序列{X₁，……，X_n}进行时间加权处理，得到加权处理之后的SPC数据序列{Y₁，……，Y_n}。加权处理之后的SPC数据序列{Y₁，……，Y_n}中，Y_i＝λX_i+(1-λ)Y_i-1，其中例如，Y_n＝λX_n+(1-λ)Y_n-1，Y_n-1＝λX_n-1+(1-λ)Y_n-2，并以此类推，而Y₁＝λX₁+(1-λ)Y₀，其中，在本实施例中，对不同时刻的SPC数据加不同权值λ，λ的取值范围为(0,1)，并且距离初始时间越久，时间权系数λ值越大。

执行步骤S3：计算所述SPC数据序列{Y₁，……，Y_n}的控制上限值、控制下限值以及平均值所述控制上限值根据公式计算可到，其中，λ为时间加权系数，σ为SPC数据序列的标准差值，n为收集到的SPC数据的总个数。同样的，所述控制下限值根据计算得到，其中，λ为时间加权系数，σ为SPC数据序列的标准差值，n为收集到的SPC数据的总个数。平均值为SPC数据序列{Y₁，……，Y_n}的平均值。

之后，执行步骤S4：在本实施例中，对应收集每一时刻SPC数据Y_i机台上的IEMS数据，组成IEMS数据序列{Z_i1，……，Z_im}，其中，i＝1,2，……，n。所述IEMS数据包括功率、压力、加热头温度、气体流量等。例如，对应收集初始Y₁对应时刻机台对应的IEMS数据序列{Z₁₁，……，Z_1m}，其中，m为所述IEMS数据的数据序列中的数据个数，m取正自然数。Y₂对应时刻机台对应的IEMS数据序列{Z₂₁，……，Z_2m}，并以此类推，对应收集Y_n对应的当前时刻的IEMS数据序列{Z_n1，……，Z_nm}。

执行步骤S5：对所述IEMS数据所有的数据序列{Z_i1，……，Z_im}进行分级，若Z_ij在基准值Z₀误差范围内，评定为一级，否则，为二级，其中，基准值Z₀为该Y_i时刻对应的IEMS数据序列的分布基准值，取j＝1,2，……，m。例如，所述IEMS数据Z_ij在Z₀-0.5σ’至Z₀+0.5σ’范围内，评定为一级，否则评定为二级。其中，σ’该Y_i时刻对应的IEMS数据序列的分布的标准差值。

在本发明中，步骤S1、步骤S2、步骤S3为对SPC数据的收集处理过程，步骤S4、步骤S5为对IEMS数据的处理过程，这部分数据处理过程是相互独立的，并且可以同时进行的。

最后，执行步骤S6：对当前时刻的机台设备状态进行预测，根据系统计算当前时刻SPC数据Y_n，如果当前时刻SPC数据Y_n大于等于所述控制上限值，或者小于等于所述控制下限值时，此时再结合当前时刻的IEMS数据序列的分级结果综合评定，以防止依据SPC数据进行的误报警。若当前时刻的所述IEMS数据序列{Z_n1，……，Z_nm}中的所有数据在第一预定范围内的数据评定为一级，则判定机台正常，若所述IEMS数据序列{Z_n1，……，Z_nm}中的所有数据在第一预定范围内的数据被评定为二级，则确定当前时间的SPC数据Y_n发生均值小漂移，此时判定机台故障，否则判定继续追踪，对机台设备的运行情况进行跟踪处理。较佳的，所述第一预定范围设定为大于80％的值，例如当所述IEMS数据序列{Z_n1，……，Z_nm}中的所有数据在85％以上的数据评定为一级，则判定机台设备正常，不进行故障处理，而当所述IEMS数据序列{Z_n1，……，Z_nm}中所有数据在85％以上的数据评定为二级，则确定SPC数据Y_n发生均值小漂移，判定机台设备故障，此时，停止设备的运行，进行故障检查以及维修等处理。

此外，对当前时刻的结果进行预测中，如果当SPC数据在所述控制上限值和所述控制下限值范围之内时，所述SPC数据不产生报警。此时，可以根据当前时刻的IEMS数据序列的分级结果进行评定，以防止依据SPC数据进行的漏报警。此时的判定方法与误报警中的判定方法相似，若当前时刻的所述IEMS数据序列{Z_n1，……，Z_nm}中所有数据在第二预定范围内的数据评定为一级，则判定机台正常，若所述IEMS数据序列{Z_n1，……，Z_nm}中所有数据在第二预定范围内的数据评定为二级，则判定机台故障，否则判定继续追踪，对机台设备的运行情况进行跟踪处理。较佳的，所述第二预定范围设定为大于90％的值，例如当所述IEMS数据序列{Z_n1，……，Z_nm}中所有数据在95％以上的数据评定为一级，则判定机台设备正常，不进行故障处理，而当所述IEMS数据序列{Z_n1，……，Z_nm}中所有数据在95％以上的数据评定为二级，则判定继续追踪，此时，停止设备的运行，进行故障检查以及维修等处理。

综上所述，本发明提供的基于均值小漂移预测机台故障的方法，收集机台端的当前时刻以及当前时刻之前的日常点检的SPC数据以及机台的IEMS数据，对SPC数据进行时间加权处理之后得到标准化之后的SPC数据，并得到标准化后的SPC数据控制上限值、控制下限值，同时对IEMS数据进行分级，如果标准化后的当前时刻的SPC数据超过控制上限值或者低于控制下限值时，若第一预定范围内的IEMS数据显示为一级时判定机台正常，若第一预定范围内的IEMS数据显示为二级时，判断SPC数据发生均值小漂移，机台产生故障，否则判定为继续追踪。本发明中，依据SPC数据以及IEMS数据同时对机台状态进行实时预测，可以防止预测结果不准确产生的误报警或者漏报警。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于均值小漂移预测机台故障的方法，其特征在于，包括：

等时间间隔地收集机台上当前时刻以及当前时刻之前的日常点检的SPC数据，对所述SPC数据进行筛选，形成SPC数据与时间关系的序列{X₁，……，X_n}，其中X_n为当前时刻的SPC数据，其中，n为所述SPC数据的数据序列中的数据个数，n取正自然数；

对所述SPC数据序列{X₁，……，X_n}进行时间加权处理，得到加权处理之后的SPC数据序列{Y₁，……，Y_n}；

计算所述SPC数据序列{Y₁，……，Y_n}的控制上限值、控制下限值以及平均值

对应收集每一时刻SPC数据Y_i的机台设备的IEMS数据，组成IEMS数据序列{Z_i1，……，Z_im}，其中，i＝1,2，……，n，其中，m为所述IEMS数据的数据序列中的数据个数，m取正自然数；

对所述IEMS数据序列{Z_i1，……，Z_im}进行分级，若Z_ij在基准值Z₀误差范围内，评定为一级，否则，为二级，其中，j＝1,2，……，m；

对当前时刻进行结果预测，如果当前时刻SPC数据Y_n大于所述控制上限值或者小于所述控制下限值时，若IEMS数据序列{Z_n1，……，Z_nm}中第一预定范围内的数据评定为一级，则判定机台正常，若IEMS数据序列{Z_n1，……，Z_nm}中第一预定范围内的数据评定为二级，则SPC数据Y_n发生均值小漂移，判定机台故障，否则判定继续追踪；如果当前时刻SPC数据Y_n在所述控制上限值和所述控制下限值范围内时，若IEMS数据序列{Z_n1，……，Z_nm}中第二预定范围内的数据评定为一级，则判定机台正常，若所述IEMS数据序列{Z_n1，……，Z_nm}中第二预定范围内的数据评定为二级，则判定继续追踪。

2.如权利要求1所述的基于均值小漂移预测机台故障的方法，其特征在于，每间隔一天收集机台日常点检的SPC数据。

3.如权利要求2所述的基于均值小漂移预测机台故障的方法，其特征在于，累积收集形成的所述SPC数据的数据序列中的数据个数n大于等于20。

4.如权利要求1所述的基于均值小漂移预测机台故障的方法，其特征在于，加权处理之后的SPC数据序列{Y₁，……，Y_n}中，Y_i＝λX_i+(1-λ)Y_i-1，其中λ为时间加权系数。

5.如权利要求4所述的基于均值小漂移预测机台故障的方法，其特征在于，所述控制上限值为其中，λ为时间加权系数，σ为标准差值。

6.如权利要求4所述的基于均值小漂移预测机台故障的方法，其特征在于，所述控制下限值为其中，λ为时间加权系数，σ为标准差值。

7.如权利要求4-6任意一项所述的基于均值小漂移预测机台故障的方法，其特征在于，λ的取值范围为(0,1)。

8.如权利要求1所述的基于均值小漂移预测机台故障的方法，其特征在于，所述IEMS数据包括功率、压力、加热头温度以及气体流量。

9.如权利要求1所述的基于均值小漂移预测机台故障的方法，其特征在于，所述IEMS数据Z_ij在Z₀-0.5σ’至Z₀+0.5σ’范围内，评定为一级，否则评定为二级，其中，σ’为SPC数据Y_i时刻对应的IEMS数据序列的分布的标准差值。

10.如权利要求9所述的基于均值小漂移预测机台故障的方法，其特征在于，所述第一预定范围设定为大于80％，所述第二预定范围设定为大于90％。