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 PDF

Info

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
Application number
CN202310343459.0A
Other languages
English (en)
Other versions
CN116056443A (zh
Inventor
李飞
陈妙波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Yijing Intelligent Terminal Co ltd
Original Assignee
Sichuan Yijing Intelligent Terminal Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Yijing Intelligent Terminal Co ltd filed Critical Sichuan Yijing Intelligent Terminal Co ltd
Priority to CN202310343459.0A priority Critical patent/CN116056443B/zh
Publication of CN116056443A publication Critical patent/CN116056443A/zh
Application granted granted Critical
Publication of CN116056443B publication Critical patent/CN116056443B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于5G通信的SMT贴片故障诊断系统
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，所述相减的表达式为：
Figure SMS_1
，其中，/>
Figure SMS_2
为第/>
Figure SMS_3
个时间点的异常数据，/>
Figure SMS_4
为第/>
Figure SMS_5
个时间点的采样数据，/>
Figure SMS_6
为正常工作的SMT贴片机的振动数据对应的第/>
Figure SMS_7
个时间点的采样数据。
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，
Figure SMS_9
，其中，/>
Figure SMS_11
为振动数据矩阵，/>
Figure SMS_14
为第1个分块数据，/>
Figure SMS_10
为第/>
Figure SMS_12
个分块数据，/>
Figure SMS_15
为第/>
Figure SMS_16
个分块数据，/>
Figure SMS_8
为振动数据矩阵中分块数据的数量，/>
Figure SMS_13
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，
Figure SMS_18
，其中，/>
Figure SMS_21
为优化振动数据矩阵，/>
Figure SMS_23
为/>
Figure SMS_19
中去除最大值和最小值后剩余的分块数据，/>
Figure SMS_20
为/>
Figure SMS_22
中去除最大值和最小值后剩余的分块数据，/>
Figure SMS_24
为/>
Figure SMS_17
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：
Figure SMS_35
，其中，/>
Figure SMS_28
为第/>
Figure SMS_31
个分块异常特征量，/>
Figure SMS_38
为第/>
Figure SMS_41
个分块数据/>
Figure SMS_39
中的最大振动数据，/>
Figure SMS_42
为第/>
Figure SMS_33
个分块数据/>
Figure SMS_37
中的最小振动数据，
Figure SMS_25
为第/>
Figure SMS_29
个分块数据/>
Figure SMS_30
中的中位数，/>
Figure SMS_34
为第/>
Figure SMS_36
个分块数据/>
Figure SMS_40
中第/>
Figure SMS_26
个振动数据，/>
Figure SMS_32
为分块数据/>
Figure SMS_27
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：
Figure SMS_45
，其中，/>
Figure SMS_47
为矩阵异常特征量，/>
Figure SMS_49
为最大分块异常特征量，/>
Figure SMS_44
为波动系数，/>
Figure SMS_46
为特征序列中第
Figure SMS_48
个分块异常特征量，/>
Figure SMS_50
为特征序列中前半段中分块异常特征量的数量，/>
Figure SMS_43
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：
Figure SMS_51
，其中，/>
Figure SMS_55
为矩阵异常特征波动量，/>
Figure SMS_57
为矩阵异常特征量的数量，/>
Figure SMS_52
为第/>
Figure SMS_54
个矩阵异常特征量，/>
Figure SMS_56
为矩阵异常特征量平均值，/>
Figure SMS_58
为最大矩阵异常特征量，/>
Figure SMS_53
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
Figure SMS_59
与/>
Figure SMS_60
的比值体现起伏程度，通过/>
Figure SMS_61
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，
Figure SMS_74
，其中，/>
Figure SMS_66
为历史故障特征矩阵，/>
Figure SMS_70
为第1个故障等级对应的最大矩阵异常特征量，/>
Figure SMS_78
为第1个故障等级对应的最小矩阵异常特征量，/>
Figure SMS_81
为第1个故障等级对应的矩阵异常特征量平均值，/>
Figure SMS_79
为第1个故障等级对应的矩阵异常特征波动量；/>
Figure SMS_82
为第/>
Figure SMS_72
个故障等级对应的最大矩阵异常特征量，/>
Figure SMS_77
为第/>
Figure SMS_62
个故障等级对应的最小矩阵异常特征量，/>
Figure SMS_68
为第/>
Figure SMS_71
个故障等级对应的矩阵异常特征量平均值，/>
Figure SMS_76
为第/>
Figure SMS_80
个故障等级对应的矩阵异常特征波动量；/>
Figure SMS_83
为第/>
Figure SMS_64
个故障等级对应的最大矩阵异常特征量，/>
Figure SMS_69
为第/>
Figure SMS_73
个故障等级对应的最小矩阵异常特征量，/>
Figure SMS_75
为第/>
Figure SMS_63
个故障等级对应的矩阵异常特征量平均值，/>
Figure SMS_67
为第/>
Figure SMS_65
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：
Figure SMS_85
，其中，/>
Figure SMS_87
为第/>
Figure SMS_90
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/>
Figure SMS_86
个近似行向量中同类型元素的距离值，一共4个距离值，/>
Figure SMS_89
为统计距离值大于距离阈值的数量，/>
Figure SMS_91
为归一化系数，/>
Figure SMS_92
为第/>
Figure SMS_84
个近似行向量对应的总评分值，/>
Figure SMS_88
为补偿系数。
上述进一步方案的有益效果为：在4个距离值均低于距离阈值时，
Figure SMS_93
等于0，在4个距离值均高于距离阈值时，/>
Figure SMS_94
等于4，/>
Figure SMS_95
越大，相似度越低。
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。
所述相减的表达式为：
Figure SMS_96
，其中，/>
Figure SMS_97
为第/>
Figure SMS_98
个时间点的异常数据，/>
Figure SMS_99
为第/>
Figure SMS_100
个时间点的采样数据，/>
Figure SMS_101
为正常工作的SMT贴片机的振动数据对应的第/>
Figure SMS_102
个时间点的采样数据。
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，
Figure SMS_104
，其中，/>
Figure SMS_106
为振动数据矩阵，/>
Figure SMS_109
为第1个分块数据，/>
Figure SMS_105
为第/>
Figure SMS_107
个分块数据，/>
Figure SMS_110
为第/>
Figure SMS_111
个分块数据，/>
Figure SMS_103
为振动数据矩阵中分块数据的数量，/>
Figure SMS_108
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，
Figure SMS_112
，其中，/>
Figure SMS_115
为优化振动数据矩阵，/>
Figure SMS_117
为/>
Figure SMS_113
中去除最大值和最小值后剩余的分块数据，/>
Figure SMS_116
为/>
Figure SMS_118
中去除最大值和最小值后剩余的分块数据，/>
Figure SMS_119
为/>
Figure SMS_114
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：
Figure SMS_129
，其中，/>
Figure SMS_120
为第/>
Figure SMS_125
个分块异常特征量，/>
Figure SMS_133
为第/>
Figure SMS_136
个分块数据/>
Figure SMS_134
中的最大振动数据，/>
Figure SMS_137
为第/>
Figure SMS_128
个分块数据/>
Figure SMS_132
中的最小振动数据，
Figure SMS_122
为第/>
Figure SMS_127
个分块数据/>
Figure SMS_126
中的中位数，/>
Figure SMS_130
为第/>
Figure SMS_131
个分块数据/>
Figure SMS_135
中第/>
Figure SMS_121
个振动数据，/>
Figure SMS_124
为分块数据/>
Figure SMS_123
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：
Figure SMS_140
，其中，/>
Figure SMS_141
为矩阵异常特征量，/>
Figure SMS_143
为最大分块异常特征量，/>
Figure SMS_139
为波动系数，/>
Figure SMS_142
为特征序列中第/>
Figure SMS_144
个分块异常特征量，/>
Figure SMS_145
为特征序列中前半段中分块异常特征量的数量，/>
Figure SMS_138
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：
Figure SMS_148
，其中，/>
Figure SMS_149
为矩阵异常特征波动量，/>
Figure SMS_151
为矩阵异常特征量的数量，/>
Figure SMS_147
为第/>
Figure SMS_150
个矩阵异常特征量，/>
Figure SMS_152
为矩阵异常特征量平均值，/>
Figure SMS_153
为最大矩阵异常特征量，/>
Figure SMS_146
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
Figure SMS_154
与/>
Figure SMS_155
的比值体现起伏程度，通过/>
Figure SMS_156
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，
Figure SMS_167
，其中，/>
Figure SMS_158
为历史故障特征矩阵，/>
Figure SMS_163
为第1个故障等级对应的最大矩阵异常特征量，/>
Figure SMS_171
为第1个故障等级对应的最小矩阵异常特征量，/>
Figure SMS_175
为第1个故障等级对应的矩阵异常特征量平均值，/>
Figure SMS_174
为第1个故障等级对应的矩阵异常特征波动量；/>
Figure SMS_177
为第/>
Figure SMS_168
个故障等级对应的最大矩阵异常特征量，/>
Figure SMS_172
为第/>
Figure SMS_157
个故障等级对应的最小矩阵异常特征量，/>
Figure SMS_164
为第/>
Figure SMS_160
个故障等级对应的矩阵异常特征量平均值，/>
Figure SMS_162
为第/>
Figure SMS_166
个故障等级对应的矩阵异常特征波动量；/>
Figure SMS_170
为第/>
Figure SMS_169
个故障等级对应的最大矩阵异常特征量，/>
Figure SMS_173
为第/>
Figure SMS_176
个故障等级对应的最小矩阵异常特征量，/>
Figure SMS_178
为第/>
Figure SMS_159
个故障等级对应的矩阵异常特征量平均值，/>
Figure SMS_161
为第/>
Figure SMS_165
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：
Figure SMS_187
，其中，/>
Figure SMS_181
为总评分值，/>
Figure SMS_186
为实时故障特征量中的最大矩阵异常特征量，/>
Figure SMS_179
为实时故障特征量中的最小矩阵异常特征量，/>
Figure SMS_185
为实时故障特征量中的矩阵异常特征量平均值，/>
Figure SMS_189
为实时故障特征量中的矩阵异常特征波动量，/>
Figure SMS_193
为第/>
Figure SMS_188
个故障等级对应的最大矩阵异常特征量，
Figure SMS_192
为第/>
Figure SMS_182
个故障等级对应的最小矩阵异常特征量，/>
Figure SMS_184
为第/>
Figure SMS_190
个故障等级对应的矩阵异常特征量平均值，/>
Figure SMS_194
为第/>
Figure SMS_191
个故障等级对应的矩阵异常特征波动量，/>
Figure SMS_195
的取值范围1到/>
Figure SMS_180
，
Figure SMS_183
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：
Figure SMS_196
，其中，/>
Figure SMS_200
为第/>
Figure SMS_202
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/>
Figure SMS_197
个近似行向量中同类型元素的距离值，一共4个距离值，/>
Figure SMS_201
为统计距离值大于距离阈值的数量，/>
Figure SMS_203
为归一化系数，/>
Figure SMS_204
为第/>
Figure SMS_198
个近似行向量对应的总评分值，/>
Figure SMS_199
为补偿系数。
例如：
Figure SMS_206
、/>
Figure SMS_208
、
Figure SMS_211
、/>
Figure SMS_207
其中，/>
Figure SMS_209
、/>
Figure SMS_212
、/>
Figure SMS_214
和/>
Figure SMS_205
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，/>
Figure SMS_210
等于0，在4个距离值均高于距离阈值时，/>
Figure SMS_213
等于4，/>
Figure SMS_215
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：
Figure QLYQS_1
，其中，/>
Figure QLYQS_2
为第/>
Figure QLYQS_3
个时间点的异常数据，/>
Figure QLYQS_4
为第/>
Figure QLYQS_5
个时间点的采样数据，/>
Figure QLYQS_6
为正常工作的SMT贴片机的振动数据对应的第/>
Figure QLYQS_7
个时间点的采样数据；
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，
Figure QLYQS_9
，其中，/>
Figure QLYQS_11
为振动数据矩阵，/>
Figure QLYQS_14
为第1个分块数据，/>
Figure QLYQS_8
为第/>
Figure QLYQS_12
个分块数据，/>
Figure QLYQS_15
为第/>
Figure QLYQS_16
个分块数据，/>
Figure QLYQS_10
为振动数据矩阵中分块数据的数量，/>
Figure QLYQS_13
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，
Figure QLYQS_18
，其中，/>
Figure QLYQS_21
为优化振动数据矩阵，/>
Figure QLYQS_23
为/>
Figure QLYQS_19
中去除最大值和最小值后剩余的分块数据，/>
Figure QLYQS_20
为/>
Figure QLYQS_22
中去除最大值和最小值后剩余的分块数据，/>
Figure QLYQS_24
为/>
Figure QLYQS_17
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；
计算分块异常特征量的公式为：
Figure QLYQS_35
，其中，/>
Figure QLYQS_27
为第/>
Figure QLYQS_31
个分块异常特征量，/>
Figure QLYQS_28
为第/>
Figure QLYQS_30
个分块数据/>
Figure QLYQS_34
中的最大振动数据，/>
Figure QLYQS_38
为第/>
Figure QLYQS_37
个分块数据/>
Figure QLYQS_41
中的最小振动数据，/>
Figure QLYQS_26
为第/>
Figure QLYQS_32
个分块数据/>
Figure QLYQS_36
中的中位数，/>
Figure QLYQS_40
为第/>
Figure QLYQS_39
个分块数据/>
Figure QLYQS_42
中第/>
Figure QLYQS_25
个振动数据，/>
Figure QLYQS_29
为分块数据/>
Figure QLYQS_33
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：
Figure QLYQS_44
，其中，/>
Figure QLYQS_47
为矩阵异常特征量，/>
Figure QLYQS_49
为最大分块异常特征量，/>
Figure QLYQS_45
为波动系数，/>
Figure QLYQS_46
为特征序列中第/>
Figure QLYQS_48
个分块异常特征量，/>
Figure QLYQS_50
为特征序列中前半段中分块异常特征量的数量，/>
Figure QLYQS_43
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：
Figure QLYQS_52
，其中，/>
Figure QLYQS_54
为矩阵异常特征波动量，/>
Figure QLYQS_55
为矩阵异常特征量的数量，/>
Figure QLYQS_53
为第/>
Figure QLYQS_56
个矩阵异常特征量，/>
Figure QLYQS_57
为矩阵异常特征量平均值，/>
Figure QLYQS_58
为最大矩阵异常特征量，/>
Figure QLYQS_51
为最小矩阵异常特征量；
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，
Figure QLYQS_74
，其中，/>
Figure QLYQS_68
为历史故障特征矩阵，/>
Figure QLYQS_70
为第1个故障等级对应的最大矩阵异常特征量，/>
Figure QLYQS_72
为第1个故障等级对应的最小矩阵异常特征量，
Figure QLYQS_76
为第1个故障等级对应的矩阵异常特征量平均值，/>
Figure QLYQS_77
为第1个故障等级对应的矩阵异常特征波动量；/>
Figure QLYQS_79
为第/>
Figure QLYQS_71
个故障等级对应的最大矩阵异常特征量，/>
Figure QLYQS_75
为第/>
Figure QLYQS_62
个故障等级对应的最小矩阵异常特征量，/>
Figure QLYQS_66
为第/>
Figure QLYQS_69
个故障等级对应的矩阵异常特征量平均值，/>
Figure QLYQS_73
为第/>
Figure QLYQS_78
个故障等级对应的矩阵异常特征波动量；/>
Figure QLYQS_80
为第/>
Figure QLYQS_60
个故障等级对应的最大矩阵异常特征量，/>
Figure QLYQS_65
为第/>
Figure QLYQS_61
个故障等级对应的最小矩阵异常特征量，/>
Figure QLYQS_64
为第
Figure QLYQS_59
个故障等级对应的矩阵异常特征量平均值，/>
Figure QLYQS_63
为第/>
Figure QLYQS_67
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：
Figure QLYQS_82
，其中，/>
Figure QLYQS_84
为第/>
Figure QLYQS_87
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/>
Figure QLYQS_83
个近似行向量中同类型元素的距离值，一共4个距离值，/>
Figure QLYQS_86
为统计距离值大于距离阈值的数量，/>
Figure QLYQS_88
为归一化系数，/>
Figure QLYQS_89
为第/>
Figure QLYQS_81
个近似行向量对应的总评分值，/>
Figure QLYQS_85
为补偿系数。
CN202310343459.0A 2023-04-03 2023-04-03 一种基于5g通信的smt贴片故障诊断系统 Active CN116056443B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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