[发明专利]一种基于机器学习的智能产线机械手故障诊断方法

权利要求书

1.一种基于机器学习的智能产线机械手故障诊断方法，其特征在于：

利用HDFS作为存储数据源，持续为Spark的MLlib提供数据服务，对存储在HDFS上的机械手历史数据进行数据建模，并对实时数据预测和分析；利用Spark自身分布式、并行化框架对输入的数据分块处理，在MLlib算法模型的基础下，Spark通过任务调度器对分块的数据进行计算，从而达到对数据的建模分析，得到机械手的故障诊断结果；

所述故障诊断的具体步骤如下：

步骤1：将产线上海量的机械手历史数据储存到Hadoop集群的HDFS内，将历史数据通过MapReduce进行数据预处理并存储于HDFS，其一是过滤掉缺少部分属性数据以及带有噪声的数据行；其二是根据类别把数据行的数据分类，包括正常、开机故障、电机转速异常故障、发热异常故障、卡机故障；

步骤2：初始化程序，创建SparkContext对象，该对象作为Spark程序的入口，需要一个参数，对该参数的设置：需要传入一个SparkConf对象，该对象用于加载Spark集群的配置信息，并且设置Spark程序的名字，以及程序的运行方式；

步骤3：加载HDFS上预处理过的数据到Spark的RDD，经过处理变成LabeledPoint对象供后续计算,主要是对机械手的运行参数进行如下处理：

工作电压数据正常范围190V-200V，用“0”表示,大于200V表示不正常用“1”表示，小于190V电压偏低用“2”，当等于0V时用“3”表示；

工作电流数据正常范围1A-3A，用“0”表示，大于3A为不正常用“1”表示,小于1A为偏低用“2”表示，等于0A时用“3”表示；

电机转速数据正常范围1500-3000转/秒，用“0”表示，小于1500转为不正常用“1”表示；

工作温度数据正常范围0-40℃，用“0”表示，当大于40℃不正常用“1”；

步骤4:将步骤3处理的属性数据作为模型的输入特征，然后计算步骤1中的每个类别在对应属性下的概率值，把LabeledPoint对象数据按6:2:2,7:2:1两种比例切分为训练集、交叉集和测试集三种数据集，用于数据建模、模型验证和数据测试，得到故障类型，再通过计算准确率确定故障。

2.根据权利要求1所述基于机器学习的智能产线机械手故障诊断方法，其特征在于：所述步骤1中，通过Hadoop的MapReduce对机械手的历史数据进行预处理，具体为：首先提取历史数据中机械手的相关参数，保存到HDFS上；其次是根据类别把数据行分类。

3.根据权利要求1所述基于机器学习的智能产线机械手故障诊断方法，其特征在于：所述步骤2中，Spark程序选择本地运行模式与YARN集群运行模式，本地模式是用来调试程序，YARN集群模式把Spark程序通过YARN资源任务调度器发布到每个节点上去执行计算任务，动态的管理集群的资源。

4.根据权利要求1所述基于机器学习的智能产线机械手故障诊断方法，其特征在于：所述步骤3中，通过Spark的RDD在映射、过滤方式下将数据转换为LabeledPoint对象，该对象的参数为封装了一个Vector对象与一个标签对象，同时将数据转为Double类型。

5.根据权利要求1所述基于机器学习的智能产线机械手故障诊断方法，其特征在于：所述步骤4中，将步骤3处理的的属性数据作为模型的输入特征，然后计算步骤1中的每个类别在对应属性下的概率值，将数据集通过6:2:2,7:2:1的比例分为trainingData、cvData和testData；然后通过朴素贝叶斯分类器算法和决策树算法建模数学模型。

6.根据权利要求2所述基于机器学习的智能产线机械手故障诊断方法，其特征在于：所述提取历史数据中机械手的相关参数，包括机械手的工作电压参数、工作电流参数、环境温度参数、电机转速参数、手臂的工作坐标参数。

7.根据权利要求2所述基于机器学习的智能产线机械手故障诊断方法，其特征在于：所述根据类别把数据行分类，包括正常工作类、开机故障类、电机转速异常故障类、发热异常故障类、卡机故障类。