CN116056443B - 一种基于5g通信的smt贴片故障诊断系统 - Google Patents
一种基于5g通信的smt贴片故障诊断系统 Download PDFInfo
- Publication number
- CN116056443B CN116056443B CN202310343459.0A CN202310343459A CN116056443B CN 116056443 B CN116056443 B CN 116056443B CN 202310343459 A CN202310343459 A CN 202310343459A CN 116056443 B CN116056443 B CN 116056443B
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- abnormal
- fault
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
- H05K13/08—Monitoring manufacture of assemblages
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
- H05K13/08—Monitoring manufacture of assemblages
- H05K13/082—Integration of non-optical monitoring devices, i.e. using non-optical inspection means, e.g. electrical means, mechanical means or X-rays
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K3/00—Apparatus or processes for manufacturing printed circuits
- H05K3/30—Assembling printed circuits with electric components, e.g. with resistor
- H05K3/303—Surface mounted components, e.g. affixing before soldering, aligning means, spacing means
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Operations Research (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于5G通信的SMT贴片故障诊断系统,本发明将振动传感器设置在SMT贴片机上,采集振动数据,通过局域网将振动数据进行汇集,利用5G高带宽、低延迟和大数据吞吐的特点,将大量数据发送至监测端,降低终端数据处理压力,在监测端根据振动数据,提取异常特征数据,再根据异常特征数据提取实时故障特征量,不需要直接对振动数据进行处理,降低噪声对诊断精度的影响,同时,本发明是将实时故障特征量与历史故障特征量进行比对,无需分类模型或神经网络的参数训练过程,降低了数据处理的复杂度,本发明的诊断精度不受限于参数的训练情况。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及一种基于5G通信的SMT贴片故障诊断系统。
背景技术
SMT贴片机的工作状态决定了生产的电路板质量,若SMT贴片机出现故障,则会出现贴片过程中各个电子元器件安装位置不恰当,或者存在虚焊等情况。
现有对于设备的故障诊断方案主要通过传感器采集传感数据,采用分类模型或者神经网络进行分类,但这种方式受限于传感数据的质量,大多数传感数据中还包含了噪声数据,严重影响诊断精度。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于5G通信的SMT贴片故障诊断系统解决了现有对于设备的故障诊断方案存在诊断精度不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于5G通信的SMT贴片故障诊断系统,包括:终端、监测端和5G通信模块;
所述终端包括:振动传感器和振动数据传输单元;
所述监测端包括:振动数据处理子系统、振动特征提取子系统和故障诊断子系统;
所述振动传感器设置在SMT贴片机上,用于采集SMT贴片机在贴片时的振动数据;
所述振动数据传输单元用于与信号覆盖范围内的其他振动数据传输单元构成局域网,将振动数据汇集,并发送至5G通信模块;
所述5G通信模块用于将振动数据发送至监测端中的振动数据处理子系统;
所述振动数据处理子系统用于将振动数据进行预处理,得到异常特征数据;
所述振动特征提取子系统用于对异常特征数据提取实时故障特征量;
所述故障诊断子系统用于根据实时故障特征量与历史故障特征量的距离,得到SMT贴片机故障程度。
进一步地,所述振动数据处理子系统包括:第一数据处理单元、第二数据处理单元和异常特征提取单元;
所述第一数据处理单元用于对采集的振动数据进行等时间间距采样,得到采样数据;
所述第二数据处理单元用于将采样数据与正常工作的SMT贴片机的振动数据对应的采样数据进行相减,得到异常数据;
所述异常特征提取单元用于对异常数据提取异常特征,得到异常特征数据。
进一步地,所述异常特征提取单元包括:数据分块子单元、第一矩阵构建子单元、第二矩阵构建子单元、分块异常特征量计算子单元、矩阵异常特征量计算子单元和异常特征数据构建子单元;
所述数据分块子单元用于将按采集时间排列的异常数据进行等时间间距划分,得到多个分块数据;
所述第一矩阵构建子单元用于将多个分块数据构成振动数据矩阵,,其中,/>为振动数据矩阵,/>为第1个分块数据,/>为第/>个分块数据,/>为第/>个分块数据,/>为振动数据矩阵中分块数据的数量,/>为转置运算;
所述第二矩阵构建子单元用于在振动数据矩阵的每个分块数据中去除所在块的最大值和最小值,构建优化振动数据矩阵,,其中,/>为优化振动数据矩阵,/>为/>中去除最大值和最小值后剩余的分块数据,/>为/>中去除最大值和最小值后剩余的分块数据,/>为/>中去除最大值和最小值后剩余的分块数据;
所述分块异常特征量计算子单元用于计算优化振动数据矩阵中每个分块数据的分块异常特征量;
所述矩阵异常特征量计算子单元用于根据分块异常特征量,计算矩阵异常特征量;
所述异常特征数据构建子单元将多个矩阵异常特征量构建为异常特征数据。
上述进一步方案的有益效果为:异常数据按时间采集的先后顺序排列后,将其进行等分,得到多个分块数据,将多个分块数据构成一个振动数据矩阵,在振动数据矩阵里面去除分块数据中的最大值和最小值,滤除噪声或异常值,再通过分块异常特征量来表征每个分块数据的特征,通过矩阵异常特征量来表征整个矩阵数据的特征,进一步地弱化噪声在数据中的表达。
进一步地,所述计算分块异常特征量的公式为:,其中,/>为第/>个分块异常特征量,/>为第/>个分块数据/>中的最大振动数据,/>为第/>个分块数据/>中的最小振动数据,为第/>个分块数据/>中的中位数,/>为第/>个分块数据/>中第/>个振动数据,/>为分块数据/>中振动数据的数量。
上述进一步方案的有益效果为:以中位数和均值为基础,如果整体数据平稳,数据间相差不大,则分块异常特征量几乎与中位数和均值相等,若是整体数据波动较大,则分块异常特征量会相应增大。
进一步地,所述矩阵异常特征量计算子单元计算矩阵异常特征量具体包括:将分块异常特征量按采集时间先后进行排列,构成特征序列,找到特征序列中最大分块异常特征量,基于最大分块异常特征量,计算矩阵异常特征量。
上述进一步方案的有益效果为:对于一个优化振动数据矩阵,其每行均会计算出一个分块异常特征量,每个分块异常特征量体现的是一段时间内采集的振动数据的特征,矩阵异常特征量体现的是一个大段时间内采集的振动数据的特征。
进一步地,所述计算矩阵异常特征量的公式为:,其中,/>为矩阵异常特征量,/>为最大分块异常特征量,/>为波动系数,/>为特征序列中第个分块异常特征量,/>为特征序列中前半段中分块异常特征量的数量,/>为特征序列中后半段中分块异常特征量的数量。
上述进一步方案的有益效果为:找到最大分块异常特征量后,根据特征序列前半段与后半段的比值确定该特征序列内的数据是上升趋势还是下降趋势,若是下降趋势,则在最大分块异常特征量基础上减小,上升趋势,则在最大分块异常特征量基础上增大,凸显整体数据变化情况。
进一步地,所述实时故障特征量包括:最大矩阵异常特征量、最小矩阵异常特征量、矩阵异常特征量平均值和矩阵异常特征波动量,其中,矩阵异常特征波动量的计算公式为:,其中,/>为矩阵异常特征波动量,/>为矩阵异常特征量的数量,/>为第/>个矩阵异常特征量,/>为矩阵异常特征量平均值,/>为最大矩阵异常特征量,/>为最小矩阵异常特征量。
上述进一步方案的有益效果为:找到某段时间内的最大矩阵异常特征量、最小矩阵异常特征量、矩阵异常特征量平均值、以及矩阵异常特征波动量去体现一段时间振动数据的特征。在矩阵异常特征波动量中通过与/>的比值体现起伏程度,通过/>体现起伏幅度。
进一步地,所述故障诊断子系统包括:历史故障特征矩阵构建单元、总评分值计算单元、筛选单元和诊断单元;
所述历史故障特征矩阵构建单元用于采集历史振动数据,构建历史故障特征矩阵,,其中,/>为历史故障特征矩阵,/>为第1个故障等级对应的最大矩阵异常特征量,/>为第1个故障等级对应的最小矩阵异常特征量,/>为第1个故障等级对应的矩阵异常特征量平均值,/>为第1个故障等级对应的矩阵异常特征波动量;/>为第/>个故障等级对应的最大矩阵异常特征量,/>为第/>个故障等级对应的最小矩阵异常特征量,/>为第/>个故障等级对应的矩阵异常特征量平均值,/>为第/>个故障等级对应的矩阵异常特征波动量;/>为第/>个故障等级对应的最大矩阵异常特征量,/>为第/>个故障等级对应的最小矩阵异常特征量,/>为第/>个故障等级对应的矩阵异常特征量平均值,/>为第/>个故障等级对应的矩阵异常特征波动量;
所述总评分值计算单元用于计算实时故障特征量与历史故障特征矩阵中每行向量的距离,得到多个总评分值;
所述筛选单元用于筛选出总评分值低于评分阈值对应的历史故障特征矩阵中的行向量,得到近似行向量;
所述诊断单元用于在近似行向量的数量等于1时,确定该近似行向量对应的故障等级为SMT贴片机故障程度,在近似行向量的数量大于1时,计算每个近似行向量与实时故障特征量的相似度,选出相似度最大的近似行向量对应的故障等级为SMT贴片机故障程度。
上述进一步方案的有益效果为:首先采集历史振动数据,分为多个故障等级,在每个故障等级下,将每个故障等级对应的历史振动数据分别计算出最大矩阵异常特征量、最小矩阵异常特征量、矩阵异常特征量平均值和矩阵异常特征波动量,通过计算实时故障特征量与历史故障特征矩阵中每行向量的距离,得到总评分值,筛选出低于评分阈值的行向量,再通过进一步的筛选找到最近似的行向量,该最近似的行向量对应的故障等级为设备故障程度。
进一步地,所述计算每个近似行向量与实时故障特征量的相似度的公式为:,其中,/>为第/>个近似行向量与实时故障特征量的相似度,计算实时故障特征量中每个量与第/>个近似行向量中同类型元素的距离值,一共4个距离值,/>为统计距离值大于距离阈值的数量,/>为归一化系数,/>为第/>个近似行向量对应的总评分值,/>为补偿系数。
综上,本发明的有益效果为:本发明将振动传感器设置在SMT贴片机上,采集振动数据,通过局域网将振动数据进行汇集,利用5G高带宽、低延迟和大数据吞吐的特点,将大量数据发送至监测端,降低终端数据处理压力,在监测端根据振动数据,提取异常特征数据,再根据异常特征数据提取实时故障特征量,不需要直接对振动数据进行处理,降低噪声对诊断精度的影响,同时,本发明是将实时故障特征量与历史故障特征量进行比对,无需分类模型或神经网络的参数训练过程,降低了数据处理的复杂度,本发明的诊断精度不受限于参数的训练情况。
附图说明
图1为一种基于5G通信的SMT贴片故障诊断系统的系统框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,一种基于5G通信的SMT贴片故障诊断系统,包括:终端、监测端和5G通信模块;
所述终端包括:振动传感器和振动数据传输单元;
所述监测端包括:振动数据处理子系统、振动特征提取子系统和故障诊断子系统;
所述振动传感器设置在SMT贴片机上,用于采集SMT贴片机在贴片时的振动数据;
所述振动数据传输单元用于与信号覆盖范围内的其他振动数据传输单元构成局域网,将振动数据汇集,并发送至5G通信模块;
所述5G通信模块用于将振动数据发送至监测端中的振动数据处理子系统;
所述振动数据处理子系统用于将振动数据进行预处理,得到异常特征数据;
所述振动特征提取子系统用于对异常特征数据提取实时故障特征量;
所述故障诊断子系统用于根据实时故障特征量与历史故障特征量的距离,得到SMT贴片机故障程度。
在本实施例中,振动数据传输单元可以选择蓝牙、ZigBee模块等,信号覆盖范围组成局域网,先将数据汇集后,通过中继器转发至5G通信模块,实现远程、大数据传输。
所述振动数据处理子系统包括:第一数据处理单元、第二数据处理单元和异常特征提取单元;
所述第一数据处理单元用于对采集的振动数据进行等时间间距采样,得到采样数据;
所述第二数据处理单元用于将采样数据与正常工作的SMT贴片机的振动数据对应的采样数据进行相减,得到异常数据;
所述异常特征提取单元用于对异常数据提取异常特征,得到异常特征数据。
所述异常特征提取单元包括:数据分块子单元、第一矩阵构建子单元、第二矩阵构建子单元、分块异常特征量计算子单元、矩阵异常特征量计算子单元和异常特征数据构建子单元;
所述数据分块子单元用于将按采集时间排列的异常数据进行等时间间距划分,得到多个分块数据;
所述第一矩阵构建子单元用于将多个分块数据构成振动数据矩阵,,其中,/>为振动数据矩阵,/>为第1个分块数据,/>为第/>个分块数据,/>为第/>个分块数据,/>为振动数据矩阵中分块数据的数量,/>为转置运算;
所述第二矩阵构建子单元用于在振动数据矩阵的每个分块数据中去除所在块的最大值和最小值,构建优化振动数据矩阵,,其中,/>为优化振动数据矩阵,/>为/>中去除最大值和最小值后剩余的分块数据,/>为/>中去除最大值和最小值后剩余的分块数据,/>为/>中去除最大值和最小值后剩余的分块数据;
所述分块异常特征量计算子单元用于计算优化振动数据矩阵中每个分块数据的分块异常特征量;
所述矩阵异常特征量计算子单元用于根据分块异常特征量,计算矩阵异常特征量;
所述异常特征数据构建子单元将多个矩阵异常特征量构建为异常特征数据。
异常数据按时间采集的先后顺序排列后,将其进行等分,得到多个分块数据,将多个分块数据构成一个振动数据矩阵,在振动数据矩阵里面去除分块数据中的最大值和最小值,滤除噪声或异常值,再通过分块异常特征量来表征每个分块数据的特征,通过矩阵异常特征量来表征整个矩阵数据的特征,进一步地弱化噪声在数据中的表达。
所述计算分块异常特征量的公式为:,其中,/>为第/>个分块异常特征量,/>为第/>个分块数据/>中的最大振动数据,/>为第/>个分块数据/>中的最小振动数据,为第/>个分块数据/>中的中位数,/>为第/>个分块数据/>中第/>个振动数据,/>为分块数据/>中振动数据的数量。
本发明以中位数和均值为基础,如果整体数据平稳,数据间相差不大,则分块异常特征量几乎与中位数和均值相等,若是整体数据波动较大,则分块异常特征量会相应增大。
所述矩阵异常特征量计算子单元计算矩阵异常特征量具体包括:将分块异常特征量按采集时间先后进行排列,构成特征序列,找到特征序列中最大分块异常特征量,基于最大分块异常特征量,计算矩阵异常特征量。
对于一个优化振动数据矩阵,其每行均会计算出一个分块异常特征量,每个分块异常特征量体现的是一段时间内采集的振动数据的特征,矩阵异常特征量体现的是一个大段时间内采集的振动数据的特征。
所述计算矩阵异常特征量的公式为:,其中,/>为矩阵异常特征量,/>为最大分块异常特征量,/>为波动系数,/>为特征序列中第/>个分块异常特征量,/>为特征序列中前半段中分块异常特征量的数量,/>为特征序列中后半段中分块异常特征量的数量。
找到最大分块异常特征量后,根据特征序列前半段与后半段的比值确定该特征序列内的数据是上升趋势还是下降趋势,若是下降趋势,则在最大分块异常特征量基础上减小,上升趋势,则在最大分块异常特征量基础上增大,凸显整体数据变化情况。
所述实时故障特征量包括:最大矩阵异常特征量、最小矩阵异常特征量、矩阵异常特征量平均值和矩阵异常特征波动量,其中,矩阵异常特征波动量的计算公式为:,其中,/>为矩阵异常特征波动量,/>为矩阵异常特征量的数量,/>为第/>个矩阵异常特征量,/>为矩阵异常特征量平均值,/>为最大矩阵异常特征量,/>为最小矩阵异常特征量。
找到某段时间内的最大矩阵异常特征量、最小矩阵异常特征量、矩阵异常特征量平均值、以及矩阵异常特征波动量去体现一段时间振动数据的特征。在矩阵异常特征波动量中通过与/>的比值体现起伏程度,通过/>体现起伏幅度。
所述故障诊断子系统包括:历史故障特征矩阵构建单元、总评分值计算单元、筛选单元和诊断单元;
所述历史故障特征矩阵构建单元用于采集历史振动数据,构建历史故障特征矩阵,,其中,/>为历史故障特征矩阵,/>为第1个故障等级对应的最大矩阵异常特征量,/>为第1个故障等级对应的最小矩阵异常特征量,/>为第1个故障等级对应的矩阵异常特征量平均值,/>为第1个故障等级对应的矩阵异常特征波动量;/>为第/>个故障等级对应的最大矩阵异常特征量,/>为第/>个故障等级对应的最小矩阵异常特征量,/>为第/>个故障等级对应的矩阵异常特征量平均值,/>为第/>个故障等级对应的矩阵异常特征波动量;/>为第/>个故障等级对应的最大矩阵异常特征量,/>为第/>个故障等级对应的最小矩阵异常特征量,/>为第/>个故障等级对应的矩阵异常特征量平均值,/>为第/>个故障等级对应的矩阵异常特征波动量;
所述总评分值计算单元用于计算实时故障特征量与历史故障特征矩阵中每行向量的距离,得到多个总评分值;
所述筛选单元用于筛选出总评分值低于评分阈值对应的历史故障特征矩阵中的行向量,得到近似行向量;
所述诊断单元用于在近似行向量的数量等于1时,确定该近似行向量对应的故障等级为SMT贴片机故障程度,在近似行向量的数量大于1时,计算每个近似行向量与实时故障特征量的相似度,选出相似度最大的近似行向量对应的故障等级为SMT贴片机故障程度。
首先采集历史振动数据,分为多个故障等级,在每个故障等级下,将每个故障等级对应的历史振动数据分别计算出最大矩阵异常特征量、最小矩阵异常特征量、矩阵异常特征量平均值和矩阵异常特征波动量,通过计算实时故障特征量与历史故障特征矩阵中每行向量的距离,得到总评分值,筛选出低于评分阈值的行向量,再通过进一步的筛选找到最近似的行向量,该最近似的行向量对应的故障等级为设备故障程度。
所述总评分值的表达式为:
,其中,/>为总评分值,/>为实时故障特征量中的最大矩阵异常特征量,/>为实时故障特征量中的最小矩阵异常特征量,/>为实时故障特征量中的矩阵异常特征量平均值,/>为实时故障特征量中的矩阵异常特征波动量,/>为第/>个故障等级对应的最大矩阵异常特征量,为第/>个故障等级对应的最小矩阵异常特征量,/>为第/>个故障等级对应的矩阵异常特征量平均值,/>为第/>个故障等级对应的矩阵异常特征波动量,/>的取值范围1到/>,为总的故障等级。
所述计算每个近似行向量与实时故障特征量的相似度的公式为:,其中,/>为第/>个近似行向量与实时故障特征量的相似度,计算实时故障特征量中每个量与第/>个近似行向量中同类型元素的距离值,一共4个距离值,/>为统计距离值大于距离阈值的数量,/>为归一化系数,/>为第/>个近似行向量对应的总评分值,/>为补偿系数。
例如:、/>、、/>其中,/>、/>、/>和/>为4个距离值,分别判断4个距离值是否大于距离阈值。在4个距离值均低于距离阈值时,/>等于0,在4个距离值均高于距离阈值时,/>等于4,/>越大,相似度越低。
综上,本发明实施例的有益效果为:本发明将振动传感器设置在SMT贴片机上,采集振动数据,通过局域网将振动数据进行汇集,利用5G高带宽、低延迟和大数据吞吐的特点,将大量数据发送至监测端,降低终端数据处理压力,在监测端根据振动数据,提取异常特征数据,再根据异常特征数据提取实时故障特征量,不需要直接对振动数据进行处理,降低噪声对诊断精度的影响,同时,本发明是将实时故障特征量与历史故障特征量进行比对,无需分类模型或神经网络的参数训练过程,降低了数据处理的复杂度,本发明的诊断精度不受限于参数的训练情况。
本发明将历史振动数据通过特征值表达,并将当前实时采集的振动数据也通过特征值表达,在比较时,通过特征值之间进行比较,一方面能降低数据量,另一方面也能通过一段时间内数据的变化特征去体现设备的故障情况。
Claims (1)
1.一种基于5G通信的SMT贴片故障诊断系统,其特征在于,包括:终端、监测端和5G通信模块;
所述终端包括:振动传感器和振动数据传输单元;
所述监测端包括:振动数据处理子系统、振动特征提取子系统和故障诊断子系统;
所述振动传感器设置在SMT贴片机上,用于采集SMT贴片机在贴片时的振动数据;
所述振动数据传输单元用于与信号覆盖范围内的其他振动数据传输单元构成局域网,将振动数据汇集,并发送至5G通信模块;
所述5G通信模块用于将振动数据发送至监测端中的振动数据处理子系统;
所述振动数据处理子系统用于将振动数据进行预处理,得到异常特征数据;
所述振动特征提取子系统用于对异常特征数据提取实时故障特征量;
所述故障诊断子系统用于根据实时故障特征量与历史故障特征量的距离,得到SMT贴片机故障程度;
所述振动数据处理子系统包括:第一数据处理单元、第二数据处理单元和异常特征提取单元;
所述第一数据处理单元用于对采集的振动数据进行等时间间距采样,得到采样数据;
所述第二数据处理单元用于将采样数据与正常工作的SMT贴片机的振动数据对应的采样数据进行相减,得到异常数据;
所述异常特征提取单元用于对异常数据提取异常特征,得到异常特征数据;
所述相减的表达式为:
所述异常特征提取单元包括:数据分块子单元、第一矩阵构建子单元、第二矩阵构建子单元、分块异常特征量计算子单元、矩阵异常特征量计算子单元和异常特征数据构建子单元;
所述数据分块子单元用于将按采集时间排列的异常数据进行等时间间距划分,得到多个分块数据;
所述第一矩阵构建子单元用于将多个分块数据构成振动数据矩阵,
所述第二矩阵构建子单元用于在振动数据矩阵的每个分块数据中去除所在块的最大值和最小值,构建优化振动数据矩阵,
所述分块异常特征量计算子单元用于计算优化振动数据矩阵中每个分块数据的分块异常特征量;
所述矩阵异常特征量计算子单元用于根据分块异常特征量,计算矩阵异常特征量;
所述异常特征数据构建子单元将多个矩阵异常特征量构建为异常特征数据;
计算分块异常特征量的公式为:
,其中,/>为第/>个分块异常特征量,/>为第/>个分块数据/>中的最大振动数据,/>为第/>个分块数据/>中的最小振动数据,/>为第/>个分块数据/>中的中位数,/>为第/>个分块数据/>中第/>个振动数据,/>为分块数据/>中振动数据的数量;
所述矩阵异常特征量计算子单元计算矩阵异常特征量具体包括:将分块异常特征量按采集时间先后进行排列,构成特征序列,找到特征序列中最大分块异常特征量,基于最大分块异常特征量,计算矩阵异常特征量;
所述计算矩阵异常特征量的公式为:
,其中,/>为矩阵异常特征量,/>为最大分块异常特征量,/>为波动系数,/>为特征序列中第/>个分块异常特征量,/>为特征序列中前半段中分块异常特征量的数量,/>为特征序列中后半段中分块异常特征量的数量;
所述实时故障特征量包括:最大矩阵异常特征量、最小矩阵异常特征量、矩阵异常特征量平均值和矩阵异常特征波动量,其中,矩阵异常特征波动量的计算公式为:
所述故障诊断子系统包括:历史故障特征矩阵构建单元、总评分值计算单元、筛选单元和诊断单元;
所述历史故障特征矩阵构建单元用于采集历史振动数据,构建历史故障特征矩阵,,其中,/>为历史故障特征矩阵,/>为第1个故障等级对应的最大矩阵异常特征量,/>为第1个故障等级对应的最小矩阵异常特征量,为第1个故障等级对应的矩阵异常特征量平均值,/>为第1个故障等级对应的矩阵异常特征波动量;/>为第/>个故障等级对应的最大矩阵异常特征量,/>为第/>个故障等级对应的最小矩阵异常特征量,/>为第/>个故障等级对应的矩阵异常特征量平均值,/>为第/>个故障等级对应的矩阵异常特征波动量;/>为第/>个故障等级对应的最大矩阵异常特征量,/>为第/>个故障等级对应的最小矩阵异常特征量,/>为第个故障等级对应的矩阵异常特征量平均值,/>为第/>个故障等级对应的矩阵异常特征波动量;
所述总评分值计算单元用于计算实时故障特征量与历史故障特征矩阵中每行向量的距离,得到多个总评分值;
所述筛选单元用于筛选出总评分值低于评分阈值对应的历史故障特征矩阵中的行向量,得到近似行向量;
所述诊断单元用于在近似行向量的数量等于1时,确定该近似行向量对应的故障等级为SMT贴片机故障程度,在近似行向量的数量大于1时,计算每个近似行向量与实时故障特征量的相似度,选出相似度最大的近似行向量对应的故障等级为SMT贴片机故障程度;
所述计算每个近似行向量与实时故障特征量的相似度的公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310343459.0A CN116056443B (zh) | 2023-04-03 | 2023-04-03 | 一种基于5g通信的smt贴片故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310343459.0A CN116056443B (zh) | 2023-04-03 | 2023-04-03 | 一种基于5g通信的smt贴片故障诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116056443A CN116056443A (zh) | 2023-05-02 |
CN116056443B true CN116056443B (zh) | 2023-06-16 |
Family
ID=86125988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310343459.0A Active CN116056443B (zh) | 2023-04-03 | 2023-04-03 | 一种基于5g通信的smt贴片故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116056443B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
CN109636208A (zh) * | 2018-12-18 | 2019-04-16 | 山东三江电子工程有限公司 | 一种用于表面贴装制程的制造执行系统 |
CN109819645A (zh) * | 2019-01-16 | 2019-05-28 | 惠州市几米物联技术有限公司 | 针对工厂smt贴片错误预防系统及操作方法 |
CN216621477U (zh) * | 2022-02-14 | 2022-05-27 | 安徽帅尔信息科技有限公司 | 一种基于红外成像测温的贴片机疲劳度监测系统 |
CN115630832A (zh) * | 2022-12-07 | 2023-01-20 | 四川易景智能终端有限公司 | 基于5g网络的pcba板生产调度方法及调度系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4409842A (en) * | 1981-05-18 | 1983-10-18 | Scott Science & Technology, Inc. | Structural information detector |
JP3743148B2 (ja) * | 1997-12-15 | 2006-02-08 | 松下電器産業株式会社 | バルクフィーダを用いた電子部品実装装置 |
CN103543730A (zh) * | 2013-10-29 | 2014-01-29 | 苏州斯尔特微电子有限公司 | 一种贴片机故障诊断系统 |
CN106649755B (zh) * | 2016-12-26 | 2020-08-25 | 山东鲁能软件技术有限公司 | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 |
CN110161406B (zh) * | 2019-05-09 | 2020-04-24 | 四川安和精密电子电器股份有限公司 | 一种微型振动马达电流型故障诊断仪及诊断方法 |
CN112988843B (zh) * | 2021-03-26 | 2022-05-24 | 桂林电子科技大学 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
CN111854852A (zh) * | 2020-08-25 | 2020-10-30 | 武汉迪航科技有限公司 | 一种用于机电设备安装的检测系统 |
-
2023
- 2023-04-03 CN CN202310343459.0A patent/CN116056443B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
CN109636208A (zh) * | 2018-12-18 | 2019-04-16 | 山东三江电子工程有限公司 | 一种用于表面贴装制程的制造执行系统 |
CN109819645A (zh) * | 2019-01-16 | 2019-05-28 | 惠州市几米物联技术有限公司 | 针对工厂smt贴片错误预防系统及操作方法 |
CN216621477U (zh) * | 2022-02-14 | 2022-05-27 | 安徽帅尔信息科技有限公司 | 一种基于红外成像测温的贴片机疲劳度监测系统 |
CN115630832A (zh) * | 2022-12-07 | 2023-01-20 | 四川易景智能终端有限公司 | 基于5g网络的pcba板生产调度方法及调度系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116056443A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN111008363B (zh) | 多变量因果驱动的复杂机电系统服役安全态势评估方法 | |
CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
CN112633781B (zh) | 一种基于车联网大数据的车辆能耗评价方法 | |
CN106649755A (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
CN112949683A (zh) | 一种低轨星座智能故障诊断及预警方法及系统 | |
CN108844612A (zh) | 一种基于数理统计概率模型的变压器内部故障识别方法 | |
CN111275136B (zh) | 基于小样本下的故障预测系统及其预警方法 | |
CN109598309B (zh) | 一种金属包装冲压机的检测系统及其监测方法 | |
CN116056443B (zh) | 一种基于5g通信的smt贴片故障诊断系统 | |
CN115935286A (zh) | 铁路轴承状态监测数据的异常点检测方法、装置及终端 | |
CN114117682B (zh) | 齿轮箱的故障识别方法、装置、设备及存储介质 | |
CN116820014A (zh) | 一种交通机电设备智能化监控预警方法及系统 | |
CN117171157A (zh) | 基于数据分析的清算数据采集清洗方法 | |
CN109886538B (zh) | 基于动态监测数据的铁路信号设备质量评价方法及装置 | |
CN116380468A (zh) | 一种智慧码头用故障检测系统及搭建方法 | |
CN115788771A (zh) | 一种基于物联网技术的风力发电系统的智能运维管理系统 | |
CN115270982A (zh) | 一种基于多元数据神经网络的开关柜故障预测方法 | |
CN107271024A (zh) | 一种有载分接开关诊断方法及装置 | |
CN112528753A (zh) | 一种针对轧机轧钢过程冲击振动信号的预处理方法 | |
CN113627885A (zh) | 一种电网供电异常监测系统及其监测方法 | |
CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 | |
CN112525337A (zh) | 一种针对机械压力机振动监测数据预处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |