[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

说明书

本发明公开了一种基于机器学习的智能产线机械手故障诊断方法，采用Hadoop的HDFS(Hadoop Distributed File System,分布式文件系统)实现海量历史数据存储，并开发了一套面向智能产线机械手的故障诊断系统。该方法利用HDFS上存储的机械手历史数据，首先提取机械手的属性数据，作为算法模型的输入特征，其次基于Spark的MLlib对历史数据进行数据建模，然后利用模型对实时数据预测与分析，最后将实现机械手故障诊断。采用本发明，能够提高机械手故障诊断效率与水平，更好地保证机械手的运行状态，减小经济损失。

技术领域

本发明涉及智能工厂产线的机械手故障诊断系统，尤其涉及一种基于机器学习的智能产线机械手故障诊断方法。

背景技术

近年来，随着信息技术的快速发展，制造业生产模式正由自动化与数字化向智能化转变，以CPS(Cyber-Physical Systems)为特征的下一代智能制造即将到来。德国近年来一直积极推动“工业4.0”发展战略，旨在抢占新一轮技术革命的主导权，以保持自身在全球制造业的领导地位。中国也提出“中国制造2025”，制造业是我国重要支柱性产业，具有种类齐全、体量大、市场巨大等优势，但传统制造产线存在大而不强的现实不足，传统制造产业急需通过智能制造进行转型升级。传统产线上的机械手都是单台成套系统，相互之间没有通讯，达不到信息资源的共享，而且机械手实时状态监测和故障预测很难实现，维护周期长等缺点，在智能制造模式的驱动下，提出一种基于机器学习的智能产线机械手故障诊断方法。

当前随着物联网、云计算、工业互联网等新一代通信信息技术发展，智能工厂产线的机械手自动化运维水平正在逐步提升，实现了海量实时与历史数据和状态监测数据的存储，为机械手故障诊断与预测建模提供了原始资料。在大数据时代，数据将会越来越重要，所以如何在海量数据中挖掘最大的价值，从而改变了以前信息系统建设侧重系统功能建设而忽略数据价值的缺陷，大数据技术的诞生，不仅为智能工厂的建设，更是为各行各业的发展带来机会。

Hadoop两大核心组件HDFS和MapReduce以及Hadoop生态圈的Mahout。

Hadoop把数据存储与集群的节点上，是根据数据在节点的空间利用率而不是根据节点的CPU内存的处理能力来进行相应的并行化计算。

Mahout相比于MLlib区别在于底层的框架不同，最重要的是Spark使用了内存计算模型，比Hadoop快100倍以上，而且集群启动时间比Hadoop启动时间小很多。

朴素贝叶斯算法是基于贝叶斯定理与特征条件假设的分类方法，对于给定的训练数据集，首先基于特征条件独立假设学习输入与输出的联合概率分布；然后基于此模型，对于给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。

分类决策树模型是一种描述对实例进行分类的树型结构，决策树由结点和有向边组成，结点分为内部节点和叶节点。内部节点表示一个属性或特征，叶节点表示一个类，决策树分类从根节点开始，一步一步往下走，直至到达叶节点。

发明内容

本发明的目的在于克服上述现有技术的缺点和不足，提供一种基于机器学习的智能产线机械手故障诊断方法。该方法主要是利用HDFS作为存储数据源提供数据，利用Spark的MLlib进行数据建模、对实时数据预测和分析，从而实现机械手故障准确判断。

本发明通过下述技术方案实现：

一种基于机器学习的智能产线机械手故障诊断方法，利用HDFS作为存储数据源，持续不断为Spark的MLlib(Machine Learning Library，机器学习库)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，进一步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。