【技术实现步骤摘要】
点焊机器人工作站故障判定方法
本专利技术涉及的是一种机器人焊接领域的技术，具体是基于改进随机森林和距离加权的Stacking算法的点焊机器人工作站故障判定方法。
技术介绍
进行点焊作业的自动化生产设备一般集成多学科技术，工作环境复杂，一旦发生故障，会打乱正常的生产作业计划，造成较大的损失。现有技术有通过对焊点热膨胀量在不同工作状态下的特征进行分析，比较传感器位移数据差异，从而进行故障状态的确定；也有通过故障树分析法对焊接机器人故障进行诊断。根据工人经验找出所有可能发生的故障及其对应原因，建立故障树，逐层定性定量分析，从而确定故障源或采用Stacking集成学习的方法，对电力系统暂稳态进行分类评估。但现有技术的智能化程度较低、其故障分析依赖于专家经验或预测所考虑的输入因素较少，不能完全传递预测信息的价值，得到的故障判定不够准确。点焊工艺出现故障时，会造成工艺参数信号的异常波动，从而影响到点焊工作的质量。无论是会造成焊点质量不合格的严重故障，还是影响较小的过程故障，一旦发生相关工艺参数曲线都会表现出与正常状态不同的特征，...
【技术保护点】
1.一种基于改进Stacking集成学习框架的点焊机器人工作站故障判定方法，其特征在于，通过采集点焊机器人系统的工艺参数数据，经预处理后提取出特征量输入初级分类器得到新数据集，根据新数据集构建出训练集对次级分类器进行训练，再采用训练后的次级分类器进行预测，得到故障判定结果；/n所述的改进Stacking集成学习框架是指：以初级分类器为第一层，包括改进随机森林、梯度提升决策树和极端随机树模型；以次级分类器为第二层，包括逻辑回归模型；利用原始数据对初级分类器进行训练，然后将预测输出结果组合成为新的特征，训练次级分类器，从而得到最终结果，在训练初级分类器时，采用五折交叉验证的方式...
【技术特征摘要】
1.一种基于改进Stacking集成学习框架的点焊机器人工作站故障判定方法，其特征在于，通过采集点焊机器人系统的工艺参数数据，经预处理后提取出特征量输入初级分类器得到新数据集，根据新数据集构建出训练集对次级分类器进行训练，再采用训练后的次级分类器进行预测，得到故障判定结果；
所述的改进Stacking集成学习框架是指：以初级分类器为第一层，包括改进随机森林、梯度提升决策树和极端随机树模型；以次级分类器为第二层，包括逻辑回归模型；利用原始数据对初级分类器进行训练，然后将预测输出结果组合成为新的特征，训练次级分类器，从而得到最终结果，在训练初级分类器时，采用五折交叉验证的方式进行训练，为了体现初级分类器性能的差异性，采用基于距离加权的方式，对初级分类器预测结果进行加权组合，突出了具有更好性能的模型的贡献率，从而提高Stacking集成学习整体模型的性能。
2.根据权利要求1所述的基于改进Stacking集成学习框架的点焊机器人工作站故障判定方法，其特征是，所述的提取是指：观察一个焊接周期内，点焊电极位移曲线的变化，提取曲线特征。
3.根据权利要求1所述的基于改进Stacking集成学习框架的点焊机器人工作站故障判定方法，其特征是，所述的特征量包括：点焊电极位移上升率V1、上升率V2、峰值电极位移S1、电极位移下降率V2和焊接结束时刻电极位移值S1。
4.根据权利要求1所述的基于改进Stacking集成学习框架的点焊机器人工作站故障判定方法，其特征是，所述的初级分类器，即改进的基学习器模型，包括：随机森林、梯度提升决策树和极端随机树，其改进是指：在初始生成的随机森林中，以分类正确率为评价指标，选择性能较优的决策树，重新构成一个新的森林；并采用后剪枝的方法对筛选出来的这些决策树进行剪枝操作，以从下至上的方式对具有相同父节点的子树进行检查，比较合并与不合并节点情况下的损失，当损失减小，则删除子树，用叶子节点代替，从而实现随机森林模型的性能提升。
5.根据权利要求4所述的基于改进Stacking集成学习框架的点焊机器人工作站故障判定方法，其特征是，所述的随机...
【专利技术属性】
技术研发人员：郑宇，向诗红，鲍相羽，
申请(专利权)人：上海智能制造功能平台有限公司，上海交通大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。