对汽车装配来说,螺栓打紧已成为重要的工艺环节,螺栓连接质量直接影响到车辆使用性能和安全。生产线上人工检测繁琐且有漏检情况,判错率高。因此,对螺栓打紧异常识别的研究已经成为企业的关注热点。本文结合目前汽车生产线主流的打紧工艺,对打紧过程的角度、扭矩等特征分析,通过改进的SMOTE、加权随机森林和K-meansⅡ算法建立机器学习模型,可准确识别异常打紧螺栓并进行故障分类。在汽车装配螺栓研究中,通过分析设备打紧螺栓过程,提出了一种适合分离打紧异常螺栓的扭矩阈值法,通过计算过程扭矩的目标方差范围,设置面积比阈值提取异常样本,可以准确分离异常螺栓,为模型提供样本支持。对获取的打紧数据预处理,解决因工艺造成的噪声点数据、数据缺失、主体数据偏移等问题。根据螺栓打紧特点进行特征提取,包括划分窗口转换时序特征、求取弹性区域曲线斜率,使用PCA算法对特征降维,减少特征维度。面对异常打紧样本过少的问题,提出了SMOTE改进算法,利用改进算法对异常样本过采样,平衡了原数据集。此算法经验证适用于高维特征的不平衡数据,可挖掘并利用更多的样本信息。本文对传统随机森林算法加权改进,使分类准确度高的决策树拥有较大的投票权重,提高样本分类的准确性。基于加权随机森林算法构建异常打紧识别模型,利用真实数据实验,模型识别效果较好,经验证ISM+WRF优于其他组合算法。基于K-means算法建立故障分类模型,对异常螺栓故障分类,采用无监督指标评价,模型表现优异,可识别出螺纹滑牙,工件未对齐,孔深不足三种打紧故障,故障分类准确率可达96%。在Spark平台搭建5节点的集群环境,通过检测模型可并行处理大规模数据,适用于集群环境的工业生产中。取得的成果可辅助生产线工人诊断并修正打紧异常螺栓,具有一定的应用价值。