基于孤立森林机器学习的机器人实时异常监测方法及系统技术方案

本发明专利技术提供一种基于孤立森林机器学习的机器人实时异常监测方法及系统，包括以下步骤：数据采集：采集机器人良好运行下的历史数据以及机器人监测过程中的实时数据；建模：利用历史数据基于孤立森林机器学习建立异常检测模型；检测：所述实时数据输入异常监测模型进行异常检测，并输出检测结果。与现有技术相比，基于孤立森林机器学习所建立的一侧监测模型可针对多维度数据综合分析，提高检测的准确度。

Real time anomaly monitoring method and system of robot based on isolated forest machine learning

【技术实现步骤摘要】
基于孤立森林机器学习的机器人实时异常监测方法及系统
本专利技术涉及机器人监测
，具体来说是一种基于孤立森林机器学习的机器人实时异常监测方法及系统。
技术介绍
通常情况下，机器人一旦出现故障无法正常运行时，可能会导致整个生产线停滞，给工厂带来重大损失。目前工厂只能通过对机器人定期的维修保养来保障其可靠运行，这种做法容易导致过频维护和资源浪费。机器人的实时异常检测可保障在其宕机前及时发现异常并进行相应的维保，在减少维保费用同时保障生产的稳定性。孤立森林是一个基于集成学习的无监督快速异常检测模型，其将异常定义为“容易被孤立的离群点”，具有线性时间复杂度和高精准度。为了保证不同树之间的差异性，孤立森林中的每棵树都是随机采样一部分数据集，其构造过程并不受其他树的影响，是一个非常完美的分布式并行模型，符合大数据处理要求。该模型可以用于连续数据的异常检测，疾病侦测,噪声数据过滤等。现有技术中，申请号为CN201810506850.7的专利申请，一种工业机器人的实时异常监测方法及其系统，通过获取机器人实时的电流、命令位置、实际位置等数据；计算其方差、极差、电流边界等特征；对比各特征与其正常的阈值区间来判断机器人运行是否异常。改技术仅针对某个维度单独分析，不能对所有维度进行综合诊断分析。
技术实现思路
本专利技术要解决的技术问题是现有技术中对于机器人的监测仅针对某个维度单独分析，不能给你对所有维度进行综合诊断分析。本专利技术通过以下技术方案来解决上述技术问题：一种基于孤立森林机器学习的机器人实时异常监测方法，包括以下步骤：数据采集：采集机器人良好运行下的历史数据以及机器人监测过程中的实时数据；建模：利用历史数据基于孤立森林机器学习建立异常检测模型；检测：所述实时数据输入异常监测模型进行异常检测，并输出检测结果。优选的，所述建模具体过程为：特征数据集生成：对机器人良好运行时的历史数据进行清洗，定义处理后的特征数据集为D1；异常数据集生成：人为设定异常状态机器人多维度数据形成的集合为异常数据集，定义为D2，训练数据集生成：为特征数据集和异常数据集的集合，即D3＝D1∪D2，其中特征数据集数量高于异常数据集数量；建模：1)从训练数据集中随机选择n个样本点构成m个子集Ωi,i∈1,2..m，在m个子集上构建决策树；2)随机选择Ωi中的一个特征，随机选择一个阈值进行二分裂；所述阈值产生于当前节点数据中指定特征的最大值和最小值之间；3)递归2)构建决策树，直到决策树到达设定的高度d或者每个叶子节点中只有一个点；4)m个决策树建好，根据m个决策树的平均深度来定义其异常阈值。优选的，所述检测具体为：异常检测模型根据输入的实时数据输出归一化异常分数，当异常分数大于异常阈值时，则该实时数据为异常数据。优选的，对历史数据的清洗方法为：删除数据缺失值所在行，删除格式内容错误行，删除时间戳等无关数据列。本专利技术还提供一种基于孤立森林机器学习的机器人实时异常监测系统，包括数据采集模块：采集机器人良好运行下的历史数据以及机器人监测过程中的实时数据；建模模块：利用历史数据基于孤立森林机器学习建立异常检测模型；检测模块：所述实时数据输入异常监测模型进行异常检测，并输出检测结果。优选的，所述建模具体过程为：特征数据集生成：对机器人良好运行时的历史数据进行清洗，定义处理后的特征数据集为D1；异常数据集生成：人为设定异常状态机器人多维度数据形成的集合为异常数据集，定义为D2，训练数据集生成：为特征数据集和异常数据集的集合，即D3＝D1∪D2，其中特征数据集数量高于异常数据集数量；建模：1)从训练数据集中随机选择n个样本点构成m个子集Ωi,i∈1,2..m，在m个子集上构建决策树；2)随机选择Ωi中的一个特征，随机选择一个阈值进行二分裂；阈值产生于当前节点数据中指定特征的最大值和最小值之间；3)递归2)构建决策树，直到决策树到达设定的高度d或者每个叶子节点中只有一个点；4)m个决策树建好，根据m个决策树的平均深度来定义其异常阈值。优选的，所述检测具体为：异常检测模型根据输入的实时数据输出归一化异常分数，当异常分数大于异常阈值时，则该实时数据为异常数据。优选的，对历史数据的清洗方法为：删除数据缺失值所在行，删除格式内容错误行，删除时间戳等无关数据列。本专利技术的优点在于：(1)基于孤立森林机器学习所建立的一侧监测模型可针对多维度数据综合分析，提高检测的准确度；(2)无需对训练样本进行大量的手工标定；(3)模型通用性强，可适用于所有品牌机器人的实时异常检测。附图说明图1为本专利技术基于孤立森林机器学习的机器人实时异常监测方法流程框图；图2为本专利技术基于孤立森林机器学习的机器人实时异常监测方法的具体案例框图。具体实施方式为使对本专利技术的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：如图1所示，本实施例提供一种基于孤立森林机器学习的机器人实时异常监测方法，包括以下步骤：步骤1、数据采集：采集机器人良好运行下的历史数据以及机器人监测过程中的实时数据；数据为多维数据，根据实际监测需要，选择采集机器人各关节或其他部位的数据信息。步骤2、建模：利用历史数据基于孤立森林机器学习建立异常检测模型；具体建模过程为：1、先进行各种数据集的生成特征数据集生成：对机器人良好运行时的历史数据进行清洗：删除数据缺失值所在行，删除格式内容错误行，删除时间戳等无关数据列，定义处理后的特征数据集为D1，如表1；表1idtimef1f2f3f4f5....fn108012.3-3.0142048....48108022.4-2.91142048.1....48.1108032.6-2.8142148....48108043.0-2.77152047.9....48.2其中id是机器人的设备号，time是机器人上传数据的时间戳，f1,f2,...,fn是机器人的运行参数(如各关节电流和温度等)。异常数据集生成：人为设定异常状态机器人多维度数据形成的集合为异常数据集，定义为D2；如人为提高机器人运行速度至正常运行速度的1.5倍并定义此状态为异常状态；训练数据集生成：为特征数据集和异常数据集的集合，即D3＝D1∪D2，其中特征数据集数量高于异常数据集数量；模型训练参数设置：模型训练参数A＝D2/D3；如异常数据集D2有10条数据，训练数据集有1000条数据，则contamination＝10/1000＝0.01；模型训练参数设置：contamination参数为异常数据集D2所占训练数据集D3的比例。示例：异常数据集D2有10条数据，训练数据集有1000条数据，则contamination＝10/1000＝0.01：contamination＝|D2|/|D3|2、然后建模1)从训练数据集中随机选择n个样本点构成m个子集Ωi,i∈1,2..m，在m个子集上构建决策树；2)随机选择Ωi中的一个特征，随机选择一个阈值进行二分裂；所述阈值产生于当前节点数据中指定特征的最大值和最小值之间；3)递归2)构建决策树，直到决策树到达设定的高度d或者每个叶子节点中只有一个点；4)m个决策树建好，根据m个决策树的平均深度来定义其异常阈值。获得每个测试数据的平均深度后，可以人为设置一个阈本文档来自技高网...

【技术保护点】
1.一种基于孤立森林机器学习的机器人实时异常监测方法，其特征在于：包括以下步骤：数据采集：采集机器人良好运行下的历史数据以及机器人监测过程中的实时数据；建模：利用历史数据基于孤立森林机器学习建立异常检测模型；检测：所述实时数据输入异常监测模型进行异常检测，并输出检测结果。

【技术特征摘要】
1.一种基于孤立森林机器学习的机器人实时异常监测方法，其特征在于：包括以下步骤：数据采集：采集机器人良好运行下的历史数据以及机器人监测过程中的实时数据；建模：利用历史数据基于孤立森林机器学习建立异常检测模型；检测：所述实时数据输入异常监测模型进行异常检测，并输出检测结果。2.根据权利要求1所述的一种基于孤立森林机器学习的机器人实时异常监测方法，其特征在于：所述建模具体过程为：特征数据集生成：对机器人良好运行时的历史数据进行清洗，定义处理后的特征数据集为D1；异常数据集生成：人为设定异常状态机器人多维度数据形成的集合为异常数据集，定义为D2，训练数据集生成：为特征数据集和异常数据集的集合，即D3＝D1∪D2，其中特征数据集数量高于异常数据集数量；建模：1)从训练数据集中随机选择n个样本点构成m个子集Ωi,i∈1,2..m，在m个子集上构建决策树；2)随机选择Ωi中的一个特征，随机选择一个阈值进行二分裂；所述阈值产生于当前节点数据中指定特征的最大值和最小值之间；3)递归2)构建决策树，直到决策树到达设定的高度d或者每个叶子节点中只有一个点；4)m个决策树建好，根据m个决策树的平均深度来定义其异常阈值。3.根据权利要求2所述的一种基于孤立森林机器学习的机器人实时异常监测方法，其特征在于：所述检测具体为：异常检测模型根据输入的实时数据输出归一化异常分数，当异常分数大于异常阈值时，则该实时数据为异常数据。4.根据权利要求2所述的一种基于孤立森林机器学习的机器人实时异常监测方法，其特征在于：对历史数据的清洗方法为：删除数据缺失值所在行，删除格式内容错误行，删除时间戳无关数据列...

【专利技术属性】
技术研发人员：徐国，江瀚澄，李文兴，于振中，虞小湖，宛佳飞，李阳阳，姬晓梅，
申请(专利权)人：哈工大机器人合肥国际创新研究院，
类型：发明
国别省市：安徽,34