随着工业机器人应用领域越来越广泛,精准评估整机性能以实现机器人在各种场合下高效高精高可靠性的应用并充分发挥性能优势越来越重要。然而工业机器人整机性能评估指标及其影响因子多、影响关系耦合性强、运行环境及工况条件多变,极大地限制了实验研究法的执行性及准确性。针对上述问题,本文结合国家重点研发计划项目,提出了一种基于机器学习算法的工业机器人整机性能评估模型。本文分析了减速器、伺服电机、控制器等工业机器人核心零部件以及环境因素、工况条件等方面的整机性能影响因子,阐述了整机性能重点评估指标,从而确定了工业机器人整机性能评估模型的输入输出参数;对工业机器人性能指标及其影响因子的数据进行了基于区间缩放法的归一化、基于综合分析法的特征选择、基于k折交叉验证的数据集划分等预处理操作。基于BP神经网络和CART决策回归树研究了工业机器人整机性能评估初步模型;利用遗传算法优化了神经网络的权重与阈值的初始化,以避免其陷入局部最小;采用CCP算法实现了决策回归树的后剪枝操作,以缓和其过拟合现象。基于自主采样装袋法和梯度提升法分别对BPNN初步模型与CART初步模型进行了集成优化;进而通过预测误差计算模块融合权重,提出了基于多模块融合的整机性能评估综合模型;在此基础上完成了影响因子权重分析与性能指标依赖分析,解释了整机性能影响因子的重要性程度,揭示了典型因子对整机性能的影响规律;将模型进行封装并设计了整机性能评估上层可视化软件平台。最后,通过工业机器人性能测试及核心零部件测试实验平台获取了实验验证数据集样本,结合开发的整机性能评估可视化平台,完成了初步模型与完整模型的实验验证,并在工业机器人整机性能预测评估实验中,以0.06mm的位置准确度平均误差验证了模型的有效性。