本发明涉及真空干泵健康监测，具体为一种基于数据分布的真空干泵故障预测方法。
背景技术：
1、为保证生产半导体器件的质量和性能，真空干泵的运行性维护显得格外重要，建立可靠的健康检测系统是保证机电设备平稳运行的关键。随着设备检测点的数量与采样频率的增加，机械健康监测进入了“大数据”时代。
2、基于人工巡视检测的传统方法，不仅对专家经验要求高，而且耗时耗力且不能保证通用性，已经不能满足机械大数据的要求。
3、因此，提供一种基于数据分布的真空干泵故障预测方法。
技术实现思路
1、本发明的目的在于克服现有的缺陷而提供的一种基于数据分布的真空干泵故障预测方法，实现真空干泵故障预测的目标。
2、实现上述目的的技术方案是：
3、一种基于数据分布的真空干泵故障预测方法，包括：
4、步骤s1，构建真空干泵运行状态向量集vdprs；
5、步骤s2，根据真空干泵运行状态向量集vdprs构建真空干泵运行数据分布向量集dpdds；
6、步骤s3，根据真空干泵运行数据分布向量集dpdds，构建数据分布向量选择模型ddsm；
7、步骤s4，根据真空干泵运行数据分布向量集dpdds和数据分布向量选择模型ddsm，构建历史数据索引列表hdis；
8、步骤s5，根据真空干泵运行数据分布向量集dpdds和历史数据索引列表hdis，构建基于数据分布的真空干泵故障预测训练集bddpd；
9、步骤s6，使用logistic分类器对基于数据分布的真空干泵故障预测训练集bddpd建立真空干泵故障分类预测模型dvdps，通过真空干泵故障分类预测模型dvdps对其他宕机泵数据进行真空干泵故障预测。
10、优选的，所述步骤s1包括：
11、步骤s11，基于真空干泵在市场实际应用获取相同类型真空干泵运行数据集合；
12、步骤s12，以同一种真空干泵类型下不同编号构建真空干泵运行数据子集；
13、步骤s13，基于干泵电机功率、电机转速、传感器温度、氮气流量和排气压力参数，构建干泵运行状态秒级向量{time, drypumppower, boosterpower, dpinverterspeed,mbinverterspeed, dptemperature, mbtemperature, n2 flow, exhaustpressure }；
14、步骤s14，将已经宕机真空干泵中的运行状态数据集合通过所述步骤s13处理得到宕机运行状态向量集ersvs =[rsv1, rsv2, …, rsvi]，其中i=1,2,3,…,n；
15、步骤s15，将待测真空干泵中的所有时刻对应的运行状态数据集合通过所述步骤s13处理得到待测真空干泵运行状态向量集trsvs=[rsv1, rsv2, …, rsvj]，其中j=1,2,3,…,m；
16、步骤s16，通过干泵宕机运行的历史数据构建宕机运行状态标签集etag=[etag1,etag2, …, etagx]，其中x=1,2,3,…,n；该标签集与所述步骤s14中宕机运行状态向量集ersvs中每一台真空干泵对应；
17、步骤s17，通过得到的宕机运行状态向量集ersvs、待测真空干泵运行状态向量集trsvs和宕机运行状态标签集etag，构建真空干泵运行状态向量集vdprs={ersvs, etag,trsvs}。
18、优选的，所述步骤s13中，time代表设备运行的此刻时间，drypumppower代表下面干泵的工作功率，boosterpower代表上面干泵的工作功率，dpinverterspeed代表下面干泵的工作频率，mbinverterspeed代表上面干泵的工作频率，dptemperature代表下面干泵的工作温度，mbtemperature代表上面干泵的工作温度，n2 flow代表干泵中通入的氮气流量，exhaustpressure代表干泵的尾气排出压力。
19、优选的，所述步骤s2包括：
20、步骤s21，设置数据分布向量处理基本单位，基本单位包括分钟、小时和天；
21、步骤s22，读取单台真空干泵的运行状态数据prsd；
22、步骤s23，将读取的运行状态数据prsd通过数据分布向量处理，得到单台干泵的单位向量集prsdb，将单位向量集prsdb中第一行数据对应的时间作为该prsdb的时间，记为prsdb_t；
23、步骤s24，读取一个运行状态特征pf，计算运行状态特征pf的最小值、最大值、平均值、标准差和中位数，将这五个数值作为该特征的数据分布向量，记为pfdv；
24、步骤s25，对单台干泵的单位向量集prsdb中的每个运行状态特征pf进行遍历，并通过所述步骤s24中的处理，得到真空干泵运行数据分布向量，其形式为[pfdv1, pfdv2,…, pfdvk]，其中k=1,2,3,…,8；
25、步骤s26，对所述步骤s17中的真空干泵运行状态向量集vdprs中的宕机运行状态向量集ersvs通过所述步骤s21-步骤s25处理，得到宕机运行状态数据分布向量集dpdds-e；
26、步骤s27，对所述步骤s17中的真空干泵运行状态向量集vdprs中的待测真空干泵运行状态向量集trsvs通过所述步骤s21-步骤s25处理，得到待预测干泵运行状态数据分布向量集dpdds-t；
27、步骤s28，对宕机运行状态数据分布向量集dpdds-e中的每个处理单位的第一行数据对应的时刻标记为该单位分布向量的时刻，得到宕机运行状态标签集elabel；
28、步骤s29，通过得到的宕机运行状态数据分布向量集dpdds-e、待预测干泵运行状态数据分布向量集dpdds-t和宕机运行状态标签集elabel，构建干泵运行数据分布向量集dpdds={dpdds-e, elabel, dpdds-t}。
29、优选的，所述步骤s3包括：
30、步骤s31，构建待预测干泵的选择索引空列表sil；
31、步骤s32，在真空干泵运行数据分布向量集dpdds中选择一个待预测干泵的某个时刻运行状态数据分布向量trsv；
32、步骤s33，计算真空干泵运行数据分布向量集dpdds中宕机运行状态数据分布向量集dpdds-e的子集中每一个干泵运行数据分布向量与待预测干泵的某个时刻运行状态数据分布向量trsv之间的欧式距离，并返回最小欧氏距离对应的索引eindex；
33、步骤s34，在该宕机运行状态数据分布向量集dpdds-e的子集中删除索引eindex；
34、步骤s35，将删除的索引eindex加入到待预测干泵的选择索引空列表sil中；
35、步骤s36，设置待预测干泵的选择索引空列表sil长度为l，循环执行所述步骤s31-步骤s35，直到待预测干泵的选择索引空列表sil长度满足l，返回待预测干泵的选择索引列表sil，进而得到数据分布向量选择模型ddsm。
36、优选的，所述步骤s4包括：
37、步骤s41，获取宕机运行状态数据分布向量集dpdds-e中的一个宕机子集subs，并在真空干泵运行数据分布向量集dpdds中选择一个待预测干泵的某个时刻运行状态数据分布向量trsv；
38、步骤s42，将宕机子集subs通过得到数据分布向量选择模型ddsm处理得到一个待预测干泵的某个时刻运行状态数据分布向量trsv在该宕机子集subs下的历史数据索引列表hds；
39、步骤s43，遍历宕机运行状态数据分布向量集dpdds-e中的每一个宕机子集subs，并按照所述步骤s42处理，得到历史数据索引列表hdis={hds1, hds2, …, hdsy}，其中y=1,2,3,…,n。
40、优选的，所述步骤s5包括：
41、步骤s51，使用历史数据索引列表hdis对宕机运行状态数据分布向量集dpdds-e进行选择，得到基于数据分布的真空干泵故障预测特征集dpf-d；
42、步骤s52，使用历史数据索引列表hdis对宕机运行状态标签集elabel进行选择，得到基于数据分布的真空干泵故障预测标签集dpf-l；
43、步骤s53，通过得到的真空干泵故障预测特征集dpf-d和真空干泵故障预测标签集dpf-l，构建基于数据分布的真空干泵故障预测训练集bddpd={dpf-d, dpf-l}。
44、本发明的有益效果是：本发明使用多个设备故障数据集构建训练数据集，弥补单一设备故障数据集不足，以真空干泵的电气参数为研究对象，提出基于数据分布的真空干泵故障预测方法，在建立训练样本库的过程中，通过动态调整选择样本库个数和计算样本之间欧氏距离选择不同历史数据库样本，该方法能够建立真空干泵故障预测模型，从而实现真空干泵故障预测的目标。
1.一种基于数据分布的真空干泵故障预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于数据分布的真空干泵故障预测方法，其特征在于，所述步骤s1包括：
3.根据权利要求2所述的一种基于数据分布的真空干泵故障预测方法，其特征在于，所述步骤s13中，time代表设备运行的此刻时间，drypumppower代表下面干泵的工作功率，boosterpower代表上面干泵的工作功率，dpinverterspeed代表下面干泵的工作频率，mbinverterspeed代表上面干泵的工作频率，dptemperature代表下面干泵的工作温度，mbtemperature代表上面干泵的工作温度，n2 flow代表干泵中通入的氮气流量，exhaustpressure代表干泵的尾气排出压力。
4.根据权利要求2所述的一种基于数据分布的真空干泵故障预测方法，其特征在于，所述步骤s2包括：
5.根据权利要求4所述的一种基于数据分布的真空干泵故障预测方法，其特征在于，所述步骤s3包括：
6.根据权利要求5所述的一种基于数据分布的真空干泵故障预测方法，其特征在于，所述步骤s4包括：
7.根据权利要求6所述的一种基于数据分布的真空干泵故障预测方法，其特征在于，所述步骤s5包括：
