【技术实现步骤摘要】
本专利技术涉及自动化产线可靠性评估，特别涉及基于stacking集成学习框架的机器人打磨产线可靠性评估方法。
技术介绍
0、技术背景
1、面向铝冶炼阳极炭块表面结焦打磨的机器人打磨产线(后文简称机器人打磨产线)运行过程中发生的各种异常会造成设备损坏、生产暂停等，极大影响生产节拍。而对机器人打磨产线的可靠性评估能预测其在特定条件下未来短期时间内是否会发生影响设备正常运行的异常，并提供相应的数据分析结果来支持维护/维修方案制定和改进措施的实施，对于提高机器人打磨产线的性能和可靠性、减少故障率和维修成本都有重要意义。
2、传统机械设备可靠性评估通常有两种方法。一种基于数学方法并结合专家经验，利用足够多的样本数据，通过可重复的大样本寿命试验或加速寿命试验来建立设备的失效分布，准确求解失效分布参数、解析设备的失效概率是该方法的主要任务；例如吕勉哉等在文章《基于贝叶斯网络的通用航空安全风险评估研究》采用的贝叶斯网络，就是上述方法。另一种则针对生产过程中产生的状态量如电流、振动信号等，建立数据库，通过对状态量的采集监测、异常识别等手段评估产线状况，达到可靠性评估监测的效果；例如白娜等人在文章《基于rbf神经网络的高精度数控机床可靠性分析方法》中采用的就是上述方法，通过建立机床评估指标，并使用rbf神经网络进行异常识别完成了机床可靠性问题研究。
3、但是，以上两种方法都需要足够的样本数据来支撑后续的函数建立或模型训练，另外在复杂工况下，失效分布函数建立的困难，以及产线重要状态量的分析和提取的困难都导致了两类方
技术实现思路
1、为了克服上述现有技术的缺陷，本专利技术的目的在于提供基于stacking集成学习框架的机器人打磨产线可靠性评估方法，基于当前及前一段时间机器人打磨产线运行时的设备、工艺、质量等信息，建立机器人打磨产线可靠性评估指标集、数据采集及处理、模型训练和使用等一系列流程，评估产线稳定运行的能力，完成下一段时间内机器人打磨产线可靠性预测，从而为产线后续的维修/维护决策提供辅助，指导现场进行维护维修等操作，减少停机、设备损坏等影响生产节拍的事故发生。
2、为了达到上述目的，本专利技术采用的技术方案是：
3、基于stacking集成学习框架的机器人打磨产线可靠性评估方法，具体包括以下步骤：
4、步骤一、可靠性评估指标集建立；
5、基于打磨产线生产实际，建立打磨产线可靠性评估指标集，所述打磨产线可靠性评估指标集包括生产过程中采集到的传感器时间序列信号及其时域指标以及产线人员、设备、工艺、质量与产线生产相关的各类工况参数。
6、步骤二、数据集构建及数据预处理；
7、依据步骤一中的可靠性评估指标集，进行采样，建立针对当前打磨产线的运行工况与可靠性对应的真实数据集，并针对数据集存在的问题，进行数据处理。
8、所述步骤二的数据处理包括：
9、(一)、通过上下采样法处理数据不均衡问题，具体为：
10、(1.1)选取borderline-smote进行上采样以增加少数类别样本的数量，流程如下：
11、step1:对于小样本集合中的每个样本xi∈sminor，确定其邻近的样本集合sn，
12、其大小定义为n；
13、step2:计算最近邻样本集中属于多数的样本个数，记为k，k＝|sn∩smajor|；
14、step3:如果n/2≤k<n，将该点标记为危险点；
15、step4:对于每个危险点，根据随机线性插值合成新的少数类样本xnew：
16、xnew＝xdanger+rand(0,0.5)(xnear-xdanger) (1)。
17、(1.2)选取编辑最近邻(editednearestneighbor，enn)的方法进行下采样以减少多数类别样本的数量，流程如下：
18、step1:对于每个多数类样本，计算其与所有样本的距离，并将其排序；
19、step2:对于每个多数类样本，检查其与其k个最近邻样本的标签关系，如果该多数类样本的k个最近邻样本中的大多数都属于多数类，则将该多数类样本保留；否则，将其删除；
20、step3:重复步骤(1.2)的step2，直到遍历完所有多数类样本。
21、(二)、数据归一化；
22、将采集到的可靠性数据按照公式(2)映射到0～1的范围，减少少数特殊样本的不利影响，并将有量纲的数据集变成纯量，使得不同单位或量级的指标能够进行比较和加权；
23、
24、(三)、相关性分析；
25、使用皮尔逊相关系数来计算特征与响应变量之间的线性相关性，对特征进行评分，对于每个特征，结果值区间为[-1,1]，其中-1表示完全负相关，+1表示完全正相关，0表示没有线性相关，计算公式为：
26、
27、通过相关性分析得到特征与可靠性的相关度后，根据各特征的相关系数的绝对值对子集中的每个特征进行降序排序，基于相关系数的大小进行特征选择。
28、(四)、特征降维；
29、使用pca进行数据降维，减少数据集维度，减少数据集中耦合信息，输入为n维样本集d＝(x(1),x(2),…,x(m))，要降维到的维数n'；输出为降维后的样本集d'；处理流程如下：
30、step1:计算样本的协方差矩阵：
31、对于具有n个特征的数据集，对应的协方差矩阵是一个n*n的对称矩阵：
32、
33、step2:计算协方差矩阵的特征值和特征向量；
34、step3:选择特征向量：指定保留方差的比例，按照特征值大小排序，然后
35、选取前m个特征向量，使方差比例满足要求；
36、step4:将样本投影到特征向量上；
37、step5:得到输出样本集d’＝(z(1),z(2),…,z(m))。
38、步骤三、面向机器人打磨产线可靠性评估的stacking基模型构建；
39、选择适合产线数据特征的学习器即基模型，包括梯度提升决策树gbdt、随机森林rf、支持向量机svm、k近邻算法knn，各基模型均为分类模型，选用k折交叉训练完成各基模型的训练，以避免出现过拟合现象；最后，将结果输入元模型作为元模型训练集。
40、步骤四、面向机器人打磨产线可靠性评估的stacking元模型构建；
41、通过各基学习器训练后得到的初步结果作为元模型的输入，进行各基学习器结果的汇总，输出最终的可靠性分类结果，根据最终分类效果，调整基模型和元模型参数，保存效果最好的模型，用于后续生产过程中的可靠性评估。
42、所述的各基学习器结果的汇总，输出最终的可靠性分类结果，具体流程如下：
43、step1:明确变量与集合；...
【技术保护点】
1.基于Stacking集成学习框架的机器人打磨产线可靠性评估方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于Stacking集成学习框架的机器人打磨产线可靠性评估方法，其特征在于，所述步骤二的数据处理包括：
3.根据权利要求2所述的基于Stacking集成学习框架的机器人打磨产线可靠性评估方法，其特征在于，所述的步骤(1.1)选取Borderline-SMOTE进行上采样以增加少数类别样本的数量，流程如下：
4.根据权利要求2所述的基于Stacking集成学习框架的机器人打磨产线可靠性评估方法，其特征在于，所述的步骤(1.2)选取编辑最近邻(Edited Nearest Neighbor，ENN)的方法进行下采样以减少多数类别样本的数量，流程如下：
5.根据权利要求2所述的基于Stacking集成学习框架的机器人打磨产线可靠性评估方法，其特征在于，所述的步骤(四)特征降维具体为：
6.根据权利要求1所述的基于Stacking集成学习框架的机器人打磨产线可靠性评估方法，其特征在于，所述的步骤四中各基学习
...【技术特征摘要】
1.基于stacking集成学习框架的机器人打磨产线可靠性评估方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于stacking集成学习框架的机器人打磨产线可靠性评估方法，其特征在于，所述步骤二的数据处理包括：
3.根据权利要求2所述的基于stacking集成学习框架的机器人打磨产线可靠性评估方法，其特征在于，所述的步骤(1.1)选取borderline-smote进行上采样以增加少数类别样本的数量，流程如下：
4.根据权利要求2所述的基于stacking集成学习框架...
【专利技术属性】
技术研发人员：江平宇，杨茂林，岳伟，李来易，杨玉乾，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
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。