刘 锋，高忠林，郭锦华，翟宝亮，徐 昊

（中船重工第七零七研究所，天津 300131）

0 引 言

众所周知，机器人焊钳设备性能评估是一个多因素的复杂过程，设备性能可由设备参数及运行状态检测，为了更好地评估设备性能，首先应该尽可能多的检测那些与机器人焊钳性能有关的参数，其次是找到这些参数与焊钳性能的关系，即提取对象特征信息。多参数特征信息需要运用信息融合方法对多传感器数据进行高精度融合[1]，最终获得设备性能的有效描述。

目前多传感器数据融合算法在实际应用中已经日渐成熟，璩晶磊等[2]运用模糊证据理论进行多传感器数据融合，提高了多传感器实时测量值的融合精度；俞昆等[3]利用DS证据理论实现了不同传感器故障信息的有效融合，极大提高了滚动轴承故障诊断的可信度；任子强等[4]建立了多传感器数据的符合健康指标，利用数据融合算法提高了发动机剩余寿命在线预测的准确性；周卫琪等[5]建立了一种自适应无迹卡尔曼滤波的信息融合算法，利用加速度和转向盘转角等传感器信号准确的估计出了汽车的行驶状态；任子强等[6]构建了复合健康指标与非线性退化模型，结合设备历史数据运用多源数据融合算法实现了设备的剩余寿命在线预测；王宽等[7]运用3种不同类型的分类模型处理多个特征指标进行故障预诊断，采用D-S理论对预诊断结果进行加权融合决策，提高了故障诊断的准确性。

本文将多传感器数据融合算法应用到机器人焊钳性能评估过程中，运用Chernoff face脸谱法作为数据融合算法，并基于最小风险的贝叶斯决策设计分类器进行分类性能验证。……