[發明專利]點焊機器人工作站故障判定方法

有效

• 申請號: 202110029495.0
• 申請日: 2021-01-11
• 公開（公告）號: CN112756759B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 鄭宇;向詩紅;鮑相羽
• 申請（專利權）人: 上海智能制造功能平臺有限公司;上海交通大學
• 主分類號: B23K11/11
• 分類號: B23K11/11;B23K11/36
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

1.一種基于改進Stacking集成學習框架的點焊機器人工作站故障判定方法，其特征在于，通過采集點焊機器人系統的工藝參數數據，經預處理后提取出特征量輸入初級分類器得到新數據集，根據新數據集構建出訓練集對次級分類器進行訓練，再采用訓練后的次級分類器進行預測，得到故障判定結果；

所述的改進Stacking集成學習框架是指：以初級分類器為第一層，包括改進隨機森林、梯度提升決策樹和極端隨機樹模型；以次級分類器為第二層，包括邏輯回歸模型；利用原始數據對初級分類器進行訓練，然后將預測輸出結果組合成為新的特征，訓練次級分類器，從而得到最終結果，在訓練初級分類器時，采用五折交叉驗證的方式進行訓練，為了體現初級分類器性能的差異性，采用基于距離加權的方式，對初級分類器預測結果進行加權組合，突出了具有更好性能的模型的貢獻率，從而提高Stacking集成學習整體模型的性能。

2.根據權利要求1所述的基于改進Stacking集成學習框架的點焊機器人工作站故障判定方法，其特征是，所述的提取是指：觀察一個焊接周期內，點焊電極位移曲線的變化，提取曲線特征。

3.根據權利要求1所述的基于改進Stacking集成學習框架的點焊機器人工作站故障判定方法，其特征是，所述的特征量包括：點焊電極位移上升率V₁、上升率V₂、峰值電極位移S₁、電極位移下降率V₂和焊接結束時刻電極位移值S₁。

4.根據權利要求1所述的基于改進Stacking集成學習框架的點焊機器人工作站故障判定方法，其特征是，所述的初級分類器，即改進的基學習器模型，包括：隨機森林、梯度提升決策樹和極端隨機樹，其改進是指：在初始生成的隨機森林中，以分類正確率為評價指標，選擇性能較優的決策樹，重新構成一個新的森林；并采用后剪枝的方法對篩選出來的這些決策樹進行剪枝操作，以從下至上的方式對具有相同父節點的子樹進行檢查，比較合并與不合并節點情況下的損失，當損失減小，則刪除子樹，用葉子節點代替，從而實現隨機森林模型的性能提升。

5.根據權利要求4所述的基于改進Stacking集成學習框架的點焊機器人工作站故障判定方法，其特征是，所述的隨機森林中決策樹的篩選比例為70％。

6.根據權利要求1所述的基于改進Stacking集成學習框架的點焊機器人工作站故障判定方法，其特征是，所述的訓練集，通過距離加權策略對結果進行疊加，構建用以次級分類器訓練的數據集，改善了經典Stacking框架中均值處理無法體現初級分類器之間差異性的問題。

7.根據權利要求6所述的基于改進Stacking集成學習框架的點焊機器人工作站故障判定方法，其特征是，所述的距離加權策略中，距離包括時間距離和空間距離。

8.根據權利要求1所述的基于改進Stacking集成學習框架的點焊機器人工作站故障判定方法，其特征是，所述的次級分類器，即元學習器，包括：用于避免過擬合問題的發生的邏輯回歸模型。

9.根據權利要求4所述的基于改進Stacking集成學習框架的點焊機器人工作站故障判定方法，其特征是，所述的后剪枝具體包括：

1)首先以從下至上的方式從底端開始對決策樹剪枝：先自下而上對每個內部節點計算剪枝后誤差的變化值α，選擇具有最小α值的子樹進行剪枝，其中：Num(Tree_t)為第t個子樹包含的節點總數，C(Tree)為把第t個子樹用節點代替后，該節點的誤差，C(Tree_t)為不進行剪枝時，第t個子樹的誤差；重復對決策樹剪枝直到決策樹的根節點，構成子樹序列；

2)通過交叉驗證的方法對子樹序列進行測試，交叉驗證結果最好的子樹即為最優子樹；

3)重復步驟1)和2)，完成對所有m棵樹進行后剪枝操作。

10.一種實現權利要求1～9中任一所述方法的點焊機器人工作站故障判定系統，其特征在于，包括：數據采集層、數據存儲層、故障判定層和數字孿生層，其中：數據采集層將生產現場傳感器采集到的點焊機器人工作數據實時存儲在數據存儲層的云數據庫中，故障判定層從云數據庫獲取現場采集數據，對原始數據集進行歸一化、特征提取等處理，然后采用基于改進隨機森林和距離加權的Stacking模型，根據電極位移特征信息，對點焊過程故障進行診斷，數字孿生層將實時采集數據和算法結果集中展示在仿真平臺上，實現對點焊機器人工作現場的智能化、可視化監控。