CN112756759A - 点焊机器人工作站故障判定方法 - Google Patents

Abstract

一种点焊机器人工作站故障判定方法，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。本发明基于生产各阶段的运行数据，对点焊机器人工作站焊接质量和工作状态进行预测、诊断，提前掌握机器人生产状况，及时排查故障。

Description

点焊机器人工作站故障判定方法

技术领域

本发明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。

背景技术

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，从这些特征差异中可以挖掘出丰富的点焊故障状态信 息。点焊机器人系统的动态参数(如电极位移、动态电阻等)会随着不同的焊接阶段呈现出不同 的规律性，能够提取的特征值比较丰富，对点焊工作状态变化灵敏度较高，能够准确地反映整 个工作过程。

发明内容

本发明针对现有技术存在的上述不足，提出一种点焊机器人工作站故障判定方法，基于 生产各阶段的运行数据，对点焊机器人工作站焊接质量和工作状态进行预测、诊断，提前掌握 机器人生产状况，及时排查故障。

本发明是通过以下技术方案实现的：

本发明涉及一种基于改进Stacking集成学习框架的点焊机器人工作站故障判定方法，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。

所述的预处理是指：对原始数据进行归一化，把原数据映射至0-1的范围内，避免不同 量纲对模型训练产生不良影响。

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。

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。

所述的初级分类器，即改进的基学习器模型，包括：随机森林(Random Forest，RF)、 梯度提升决策树(Gradient Boosting Decision Tree，GDBT)和极端随机树(ExtraTree，ET)，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。

优选地，所述的随机森林中决策树的筛选比例为70％。

所述的训练集，通过距离加权策略对结果进行叠加，构建用以次级分类器训练的数据集， 改善了经典Stacking框架中均值处理无法体现初级分类器之间差异性的问题。

优选地，所述的距离加权策略中，距离包括时间距离和空间距离。

优选地，所述的最终预测结果上传至网络并在生产现场计算机端进行实时展示，方便及 时调整工艺，减少损失。

所述的次级分类器，即元学习器，包括：用于避免过拟合问题的发生的逻辑回归模型 (Logistic Regression，LR)。

所述的元学习器的参数包括：正则化参数penalty、正则化系数c和最大迭代次数max_iter。

技术效果

本发明整体解决现有Stacking模型在处理初级分类器预测结果时，将K次结果值只是进 行简单的均值处理，这样导致在构成元学习层数据集时无法正确反映初级分类器之间的差异性。 由于训练时样本组合不同，模型学习得到的参数不同，最终学习效果存在差异。在进行数据划 分时把数据分成相似且均匀的K份，可以默认在小测试集D′_test上学习效果更好的模型，在测试 集D_test上的分类性能也会更好，那么在构成新测试集时对于次级分类器预测效果的贡献更大。 假如K折交叉验证中第一种数据组合训练出的模型性能很好，第二种组合训练出的模型性能较 差，如果把它们的结果进行简单的平均处理，显然无法将第一种数据组训练的初级分类器优越 性发挥出来。本发明针对这一问题，通过基于距离加权的策略凸显初级分类器的差异性。

与现有技术相比，本发明采用择优筛选和后剪枝的操作对随机森林模型进行改进，提高 了单个分类器的性能。对于整个集成学习模型，本发明定义了数据含有和不含有时序特征两种 情况下的距离权重，根据样本集之间的距离对初级分类器的学习结果进行加权组合，提高了模 型对原始数据特征的学习和使用程度，提高了具有更佳性能的初级分类器在最终结果的贡献比 例，最终使得输出结果更加正确可靠。

本发明根据样本集间的距离对初级分类器学习结果进行加权组合，并对随机森林模型进 行择优筛选和后剪枝，提高了模型对于原始数据特征的学习与使用程度，使得输出结果更加正 确可靠，并且该模型可以应用于各类点焊机器人工作站。能够更充分地利用样本数据，挖掘数 据深层特征。本发明的优点基于数据驱动的机器学习方法对点焊故障进行判断，弱化了专家经 验的参与，更具智能性。

附图说明

图1为基于改进随机森林和距离加权的Stacking模型流程图；

图2为点焊机器人工作站质量管理系统结构；

图3为实施例效果示意图。

具体实施方式

如图2所示，本实施例涉及一种基于改进Stacking集成学习框架的点焊机器人工作站故 障判定系统，包括：数据采集层、数据存储层、故障判定层和数字孪生层，其中：数据采集层 将生产现场传感器采集到的点焊机器人工作数据实时存储在数据存储层的云数据库中，故障判 定层从云数据库获取现场采集数据，对原始数据集进行归一化、特征提取等处理，然后采用基 于改进随机森林和距离加权的Stacking模型，根据电极位移特征信息，对点焊过程故障进行诊 断，数字孪生层将实时采集数据和算法结果集中展示在仿真平台上，实现对点焊机器人工作现 场的智能化、可视化监控。

如图1所示，为本实施例涉及一种点焊机器人工作站故障判定方法，包括以下步骤：

第一步：采集点焊机器人系统的电极位移、动态电阻信号，生成动态参数曲线并从中选 取特征量进行观测。

第二步：对采集到的工艺参数数据进行预处理，对工艺参数的规律性进行分析，提取特 征量，对原始数据进行归一化，把原数据映射至0-1的范围内，避免不同量纲对模型训练产生 不良影响；

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，在不同的焊接状态下，电极位移特征值取值范围如表1 所示。五种工作状态包括后期网压波动、表面问题、前期网压波动、电极轴向错位和正常状态， 用数字0、1、2、3、4分别代替这5种状态。

表1电极位移特征量取值范围

	V1	V2	V3	S1	S2
						0	(5,7.5)	(0.1,0.75)	(-0.45,0)	(10,52)	(10,27)
1	(10,20)	(0.1,0.75)	(-0.2,0)	(60,70)	(50,60)
						2	(6,7.5)	(1.2,1.8)	(-0.65,-0.45)	(50,59)	(15,27)
3	(10,20)	0	(-0.45,0)	(10,52)	(15,27)
						4	(7.5,9.5)	(0.65,0.79)	(-0.5,-0.4)	(54,57)	(25,30)

所述的工艺参数数据具体包括：电极位移数据。

第三步：建立包括随机森林、梯度提升决策树和极端随机树的初级分类器，对各个模型 进行初始化处理，对随机森林模型进行改进，即在初始随机生成的森林中，采用后剪枝的方法 对决策树进行剪枝操作，然后选取性能较优的决策树，重新构成一个新的森林，具体包括：

3.1)初始化所有树{h₁(x),h₂(x),…,h_T(x)；

3.2)基于Bootstrap的方法对数据集D进行抽样，获得一个大小为M的训练集D′；

3.3)用D′训练单个决策树模型。训练时先在所有样本特征中随机选择n个特征，并在这 些特征中比较选择出一个最佳特征，划分子树；

3.4)重复步骤3.2和3.3，直到对所有树完成训练；

3.5)将测试集在T个树上预测，每棵树都得到一组对应于测试集的预测结果。将该预 测结果和真实标签进行比较，计算每棵树分类正确率，该正确率等于所有分类正确的测试集样 本占测试集总大小的比例；

3.6)从所有决策树中选出分类正确率靠前的m棵树，对这m棵树进行后剪枝操作，最 后构成新的随机森林{h′₁(x),h′₂(x),…,h′_m(x)}。后剪枝以从下至上的方式检查所有子树，比较合 并节点和不合并节点情况下的误差，当合并节点后误差可以降低，则删除子树合并节点。

所述的后剪枝具体包括：

3.6.1)首先以从下至上的方式从底端开始对决策树剪枝：先自下而上对每个内部节点计 算剪枝后误差的变化值α，选择具有最小α值的子树进行剪枝，

其中：Num(Tree_t) 为第t个子树包含的节点总数，C(Tree)为把第t个子树用节点代替后，该节点的误差，C(Tree_t) 为不进行剪枝时，第t个子树的误差；重复对决策树剪枝直到决策树的根节点，构成子树序列；

3.6.2)通过交叉验证的方法对子树序列进行测试，交叉验证结果最好的子树即为最优子 树；

3.6.3)重复步骤3.6.1)和3.6.2)，完成对所有m棵树进行后剪枝操作。

3.7)计算样本属于第k类的概率为

通过投票法确定最终类别，即k← arg max P_k。

第四步：建立作为次级分类器，即元学习器的逻辑回归模型(LogisticRegression，LR)， 并对模型进行初始化以有效避免过拟合问题的发生。

所述的初始化具体是指：对正则化参数penalty、正则化系数c和最大迭代次数max_iter 进行赋值处理。正则化参数penalty设置为L2正则化，正则化系数c设置为0.3，最大迭代次 数max_iter设置为100。

第五步：构建改进的Stacking集成学习框架，通过距离加权策略对结果进行叠加，构建 用以元学习器训练的数据集，具体包括：

所述的距离加权是指：当数据具有序列特征时，根据训练集K份数据距离测试集的远近， 对初级分类器预测结果加权，即距离测试集最近的结果权重系数最大，最远的权重系数最小， 具体为：将原始训练集不打乱划分成K份，第i份数据训练出的初级分类器ξ_i在测试集上的预 测结果对应的距离权重

当数据不具有时序特征时，数据集划分后每 份样本集之间的相似度不同，计算各折训练集样本聚类质心和测试集质心之间的欧式距离，距 离越小，说明两组样本越相似，对应的初级分类器拥有更大的权重系数，具体为：第i份数据 训练出的初级分类器ξ_i对应的距离权重

其中：训练集和测试集之 间的距离

centroid_j是第j份训练集聚类中心，centroid_test是测试集聚类中心。

所述的具有序列特征是指：按照时间顺序或空间顺序记录排列时，具有明显规律性的数 据。

所述的不具有时序特征是指：按照时间顺序或空间顺序记录排列时，不具有规律性，呈 现无序性性的时序。

所述的初级分类器，通过以下方式进行训练：

5.1)当原始数据集中有n组样本，对其进行划分，按照一定比例分成训练集D_train和测试 集D_test。

5.2)基学习阶段，利用K折交叉验证在训练集D_train上训练初级分类器。先将训练集D_train划分成大小均匀的K份，每份样本数据集互斥。然后选择其中K-1份样本小训练集D′_train，训 练初级分类器ξ_i。将训练好的模型在剩余的一份样本(称为小测试集D′_test)上预测，得到的结果记 为

并同时在测试集上预测，得到结果

重复上述过程K次，遍历训练集D_train中的每一折，并根据前文定义的权重叠加训练集的K次结果。

所述的训练集

其中：h_i(D′_test)是初级分类器ξ_i在训练集上得到的K次结果的叠加。h_i(D_test) 是初级分类器在测试集D_test上K次结果的加权组合。h_i(x)是初级分类器ξ_i的输出

5.3)重复上述过程，得到基于距离加权后所有初级分类器对应的新测试集特征X_{meta_test}。 并通过新训练集D_{meta_train}＝{(X_{meta_train},Y_{original_train})}训练元学习器，再在X_{meta_test}上预测，获 得最终的分类结果。

所述的新训练集

X_{meta_train}＝ {h₁(D′_test),h₂(D′_test),…,h_T(D′_test)}，X_{meta_test}＝{h₁(D_test),h₂(D_test),…,h_T(D_test)}，Y_{meta_predict}＝ h_meta(X_{meta_test})，其中：X_{meta_train}是由所有初级分类器训练集输出构成的新训练集特征，大小 为n₁×T，Y_{original_train}是原训练集标签，两者共同构成新训练集D_{meta_train}；所有初级分类器在原始测试集上的输出构成的新测试集特征X_{meta_test}，大小为n₂×T；Y_{meta_predict}是最终预测类别， 将它和原训练集标签Y_{original_test}进行比较，可以了解模型性能；h_meta(x)是元模型ξ_meta的输出。

第六步：将原始样本按照8∶2的比例划分为训练集和测试集，在初级分类器上进行学习 与预测。利用初级分类器的判断结果构成新数据集，输入次级分类器进行训练，再利用新测试 集进行预测，判断点焊机器人工作站的故障类型。

所述的故障类别包括：后期网压波动、表面问题、前期网压波动、电极轴向错位和正常 状态，用数字0、1、2、3、4分别代替这5种状态。

如图3所示，为本实施例生产现场计算机端的展示效果。当运行故障诊断算法程序后， 算法结果自动上传至云数据库。数据采集与传输层读取算法结果，在程序窗口中根据相应结果 输出字符串。当算法判断出当前机器人工作状态发生故障时，仿真模块收到故障警告、停止仿 真。

本实施例从正确率、精确度、召回率和F1-Score这四个方面进行评价。实验结果表明， 基于改进随机森林和距离加权的Stacking算法和经典算法相比，四个分类性能指标都有较大的 提升，并且在各故障类别上的具体指标也有明显提高。最终的结果如表2、表3所示。可以相 较于经典Stacking模型，改进后的Stacking模型学习效果更好。从模型整体综合性能来看，正 确率提高0.89％，精确度、召回率和F1-Score平均值都有了1％的提高。从单个类别分类性能 来看，模型在类别1、类别2和类别4上分类性能指标提升更加明显。

表2经典Stacking模型性能

表3基于距离加权的Stacking模型性能

与现有技术相比，本发明对经典Stacking框架进行改进后，能够更充分地利用样本数据， 挖掘数据深层特征，对于提高点焊机器人系统故障诊断分类性能有明显优势。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式 对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围 内的各个实现方案均受本发明之约束。

Claims (10)

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，所述的随机森林中决策树的筛选比例为70％。

6.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，所述的训练集，通过距离加权策略对结果进行叠加，构建用以次级分类器训练的数据集，改善了经典Stacking框架中均值处理无法体现初级分类器之间差异性的问题。

7.根据权利要求6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，所述的距离加权策略中，距离包括时间距离和空间距离。

8.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，所述的次级分类器，即元学习器，包括：用于避免过拟合问题的发生的逻辑回归模型。

9.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，所述的后剪枝具体包括：

1)首先以从下至上的方式从底端开始对决策树剪枝：先自下而上对每个内部节点计算剪枝后误差的变化值α，选择具有最小α值的子树进行剪枝，

其中：Num(Tree_t)为第t个子树包含的节点总数，C(Tree)为把第t个子树用节点代替后，该节点的误差，C(Tree_t)为不进行剪枝时，第t个子树的误差；重复对决策树剪枝直到决策树的根节点，构成子树序列；

2)通过交叉验证的方法对子树序列进行测试，交叉验证结果最好的子树即为最优子树；

3)重复步骤1)和2)，完成对所有m棵树进行后剪枝操作。

10.一种实现上述任一权利要求所述方法的点焊机器人工作站故障判定系统，其特征在于，包括：数据采集层、数据存储层、故障判定层和数字孪生层，其中：数据采集层将生产现场传感器采集到的点焊机器人工作数据实时存储在数据存储层的云数据库中，故障判定层从云数据库获取现场采集数据，对原始数据集进行归一化、特征提取等处理，然后采用基于改进随机森林和距离加权的Stacking模型，根据电极位移特征信息，对点焊过程故障进行诊断，数字孪生层将实时采集数据和算法结果集中展示在仿真平台上，实现对点焊机器人工作现场的智能化、可视化监控。

Images