[發明專利]一種基于機器學習的智能產線機械手故障診斷方法

有效

• 申請號: 201711221941.8
• 申請日: 2017-11-29
• 公開（公告）號: CN107817787B
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 萬加富;尹博星;李迪;陳寶通
• 申請（專利權）人: 華南理工大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 蔡克永

本發明公開了一種基于機器學習的智能產線機械手故障診斷方法，采用Hadoop的HDFS(Hadoop Distributed File System,分布式文件系統)實現海量歷史數據存儲，并開發了一套面向智能產線機械手的故障診斷系統。該方法利用HDFS上存儲的機械手歷史數據，首先提取機械手的屬性數據，作為算法模型的輸入特征，其次基于Spark的MLlib對歷史數據進行數據建模，然后利用模型對實時數據預測與分析，最后將實現機械手故障診斷。采用本發明，能夠提高機械手故障診斷效率與水平，更好地保證機械手的運行狀態，減小經濟損失。

技術領域

本發明涉及智能工廠產線的機械手故障診斷系統，尤其涉及一種基于機器學習的智能產線機械手故障診斷方法。

背景技術

近年來，隨著信息技術的快速發展，制造業生產模式正由自動化與數字化向智能化轉變，以CPS(Cyber-Physical Systems)為特征的下一代智能制造即將到來。德國近年來一直積極推動“工業4.0”發展戰略，旨在搶占新一輪技術革命的主導權，以保持自身在全球制造業的領導地位。中國也提出“中國制造2025”，制造業是我國重要支柱性產業，具有種類齊全、體量大、市場巨大等優勢，但傳統制造產線存在大而不強的現實不足，傳統制造產業急需通過智能制造進行轉型升級。傳統產線上的機械手都是單臺成套系統，相互之間沒有通訊，達不到信息資源的共享，而且機械手實時狀態監測和故障預測很難實現，維護周期長等缺點，在智能制造模式的驅動下，提出一種基于機器學習的智能產線機械手故障診斷方法。

當前隨著物聯網、云計算、工業互聯網等新一代通信信息技術發展，智能工廠產線的機械手自動化運維水平正在逐步提升，實現了海量實時與歷史數據和狀態監測數據的存儲，為機械手故障診斷與預測建模提供了原始資料。在大數據時代，數據將會越來越重要，所以如何在海量數據中挖掘最大的價值，從而改變了以前信息系統建設側重系統功能建設而忽略數據價值的缺陷，大數據技術的誕生，不僅為智能工廠的建設，更是為各行各業的發展帶來機會。

Hadoop兩大核心組件HDFS和MapReduce以及Hadoop生態圈的Mahout。

Hadoop把數據存儲與集群的節點上，是根據數據在節點的空間利用率而不是根據節點的CPU內存的處理能力來進行相應的并行化計算。

Mahout相比于MLlib區別在于底層的框架不同，最重要的是Spark使用了內存計算模型，比Hadoop快100倍以上，而且集群啟動時間比Hadoop啟動時間小很多。

樸素貝葉斯算法是基于貝葉斯定理與特征條件假設的分類方法，對于給定的訓練數據集，首先基于特征條件獨立假設學習輸入與輸出的聯合概率分布；然后基于此模型，對于給定的輸入x，利用貝葉斯定理求出后驗概率最大的輸出y。

分類決策樹模型是一種描述對實例進行分類的樹型結構，決策樹由結點和有向邊組成，結點分為內部節點和葉節點。內部節點表示一個屬性或特征，葉節點表示一個類，決策樹分類從根節點開始，一步一步往下走，直至到達葉節點。

發明內容

本發明的目的在于克服上述現有技術的缺點和不足，提供一種基于機器學習的智能產線機械手故障診斷方法。該方法主要是利用HDFS作為存儲數據源提供數據，利用Spark的MLlib進行數據建模、對實時數據預測和分析，從而實現機械手故障準確判斷。

本發明通過下述技術方案實現：

一種基于機器學習的智能產線機械手故障診斷方法，利用HDFS作為存儲數據源，持續不斷為Spark的MLlib(Machine Learning Library，機器學習庫)提供數據服務，對存儲在HDFS上的機械手歷史數據進行數據建模，進一步對實時數據預測和分析；利用Spark自身分布式、并行化框架對輸入的數據分塊處理，在MLlib算法模型的基礎下，Spark通過任務調度器對分塊的數據進行計算，從而達到對數據的建模分析，得到機械手的故障診斷結果。