使用组装后过程交互印记来检测组装故障的方法和装置

摘要

本公开描述了一种用于检测生产制品的自动化过程的成功的技术。通过自动化过程来生产统计上数目很大的成功和失败的制品。使这些制品中的每一个与测试平台相交互，以测量指示成功制品和失败制品的交互印记。计算在交互印记之间的差异的相关性。然后获得针对在早先制造的制品之后通过该过程所制造的制品的交互印记。相对于所计算的相关性差异来分析新的交互印记，以自动地将附加制品分类为成功或失败。还描述了一种用于优化被用来测试制品的运动的技术，以改善在成功制品的交互信号与失败制品的交互信号之间的差异的相关性。

权利要求

1.一种用于检测生产制品的自动化过程的成功的方法，包括：

使用所述自动化过程来生产统计上数目很大的成功制品和失败制品；

使所述成功制品和所述失败制品中的每个制品与测试平台相交互，以测量指示所述成功制品和所述失败制品的交互印记；

计算在所述成功制品的所述交互印记与所述失败制品的所述交互印记之间的差异的相关性；

获得针对在所述成功制品和所述失败制品被生产之后所生产的附加制品的交互印记；

以及

相对于所计算的所述成功制品和所述失败制品交互印记的所述相关性，来分析针对在所述成功制品和所述失败制品被生产之后所生产的所述附加制品而获得的所述交互印记，以自动地将在所述成功制品和所述失败制品被生产之后所生产的所述附加制品分类为成功或失败。

2.根据权利要求1所述的方法，其中所述交互使所述制品与安装在所述测试平台上面的力传感器接触，以获得受力印记。

3.根据权利要求1所述的方法，其中通过使用位移传感器来测量所述制品的位移来获得所述交互印记。

4.根据权利要求1所述的方法，其中所述相关性计算使用支持向量机(SVM)。

5.根据权利要求1所述的方法，其中在计算在所述成功制品的所述交互印记与所述失败制品的所述交互印记之间的所述差异的所述相关性之前，将所述成功制品和所述失败制品的所述交互印记进行归一化。

6.根据权利要求1所述的方法，其中在计算在所述成功制品的所述交互印记与所述失败制品的所述交互印记之间的所述差异的所述相关性之前，使用主分量分析(PCA)。

7.一种用于检测生产制品的自动化过程的成功的方法：

计算在统计上数目很大的成功制品的交互印记与统计上数目很大的失败制品的交互印记之间的差异的相关性；

获得针对在成功制品的交互印记与失败制品的交互印记之间的所述差异的所述相关性被计算之后所生产的制品的交互印记；以及相对于所计算的所述成功制品和所述失败制品交互印记的所述相关性，来分析针对在成功制品的交互印记和失败制品的交互印记之间的差异的所述相关性被计算之后所生产的所述制品而获得的所述交互印记，以自动地将在成功制品的交互印记与失败制品的交互印记之间的差异的所述相关性被计算之后所生产的所述制品分类为成功或失败。

8.一种用于通过测试使用生产制品的自动化过程而生产的统计上数目很大的成功制品和失败制品来检测所述自动化过程的成功的方法，所述方法包括：使所述成功制品和所述失败制品中的每个制品与测试平台相交互，以测量指示所述成功制品和所述失败制品的交互印记；

计算在所述成功制品的所述交互印记与所述失败制品的所述交互印记之间的差异的相关性；以及通过改变每个所述成功制品和所述失败制品与所述测试平台的所述交互而在所述交互步骤中具有改变的情况下，重复所述生产、所述交互和所述计算的步骤，以使得在所述成功制品的所述交互印记和所述失败制品的所述交互印记之间的所述差异的所述相关性最小化。

9.根据权利要求8所述的方法，其中在所述交互步骤中具有变化的情况下重复所述生产、所述交互和所述计算的步骤以使所述相关性差异最小化在所述最小化满足用于所述相关性差异的预定准则时结束。

说明书

使用组装后过程交互印记来检测组装故障的方法和装置

技术领域

[0001] 本发明涉及自动化组装，且更特别地涉及在组装完成之后的组装故障的检测。

背景技术

[0002] 自动化组装(例如但并非限制，机器人组装)在诸如汽车、电子装置等各种行业中得以使用。在2011年12月8日公开的WO2011153156中描述了用于电子装置的机器人组装的一个示例。

[0003] 存在有过程中故障检测，诸如在Rodriguez等人的标题为Failure Detection in Assembly:Force Signature Analysis(出自2010年的IEEE CASE会议)的论文中所描述的那些方法。这样的方法使用来自传感器的数据，该数据常常被组装过程的动态特性所损坏。如果所关心的是被组装部件的机械强度，则可以用自动化视觉检查和/或破坏性张力来执行组装后检查。

发明内容

[0004] 一种用于检测生产制品的自动化过程的成功的方法，包括但不限于：

[0005] 使用自动化过程来生产统计上数目很大的成功制品和失败制品；使所述成功制品和所述失败制品中的每个制品与测试平台相交互，以测量指示所述成功制品和所述失败制品的交互印记；

[0006] 计算在所述成功制品的交互印记与所述失败制品的交互印记之间的差异的相关性；

[0007] 获得针对在所述成功制品和所述失败制品被生产之后所生产的附加制品的交互印记；以及

[0008] 相对于所计算的所述成功制品和所述失败制品交互印记的相关性，来分析针对在所述成功制品和所述失败制品被生产之后所生产的附加制品而获得的交互印记，以自动地将在所述成功制品和所述失败制品被生产之后所生产的附加制品分类为成功或失败。

[0009] 一种用于检测生产制品的自动化过程的成功的方法，包括但不限于：

[0010] 计算在统计上数目很大的成功制品的交互印记与统计上数目很大的失败制品的交互印记之间的差异的相关性；

[0011] 获得针对在所述成功制品的交互印记与所述失败制品的交互印记之间的差异的相关性被计算之后所生产的制品的交互印记；以及

[0012] 相对于所计算的所述成功制品和所述失败制品交互印记的相关性，来分析针对在所述成功制品的交互印记和所述失败制品的交互印记之间的差异的相关性被计算之后所生产的制品而获得的交互印记，以自动地将在所述成功制品的交互印记与所述失败制品的交互印记之间的差异的相关性被计算之后所生产的制品分类为成功或失败。

[0013] 一种用于通过测试使用自动化过程生产的统计上数目很大的成功制品和失败制品来检测生产制品的自动化过程的成功的方法，包括但不限于：

[0014] 使所述成功制品和所述失败制品中的每个与测试平台相交互，以测量指示成功的制品和失败的制品的交互印记；

[0015] 计算所述成功制品的交互印记与所述失败制品的交互印记之间的差异的相关性；以及

[0016] 通过改变每个成功制品和失败制品与所述测试平台的交互而在具有交互步骤的改变的情况下，重复所述生产、所述交互和所述计算的步骤，以使得在所述成功制品的交互印记和所述失败制品的交互印记之间的差异的相关性最小化。

附图说明

[0017] 图1示出了握持着已组装产品的机器人。

[0018] 图2示出了在测试已组装产品的组装故障时在组装后测试系统中使用的测试平台。

[0019] 图3和图4示出了将被组装成由组装后测试系统测试的产品的部件的一个示例。

[0020] 图5a至图5c示出了针对在图3和4中示出的部件的故障组装的示例，并且图5d示出了针对那些部件的正确组装。

[0021] 图6a和图6b示出了由组装后测试系统用来针对图3和4中所示的部件检测组装故障的运动。

[0022] 图7a和7b示出了用于将支持向量机(SVM)用于组装故障检测时的两个阶段的流程图。

[0023] 图8示出了用于所收集的受力印记的后处理的流程图。

[0024] 图9示出了能够用来对所收集的受力印记进行分类的超平面。

[0025] 图10a和10b示出了用于优化被用来测试制品的运动以改善在成功制品的交互信号与失败制品的交互信号之间的差异的相关性的流程图。

具体实施方式

[0026] 现在参考图1和2，示出了用于组装后测试系统的一个实施例。在如图1中所示的该实施例中，已组装产品16由安装在机器人10的尖端上的夹持器14握持。机器人10可以例如是铰接6轴机器人、笛卡尔龙门机器人、诸如SCARA机器人之类的具有少于6个轴的机器人，或诸如多臂机器人之类的具有超过6个轴的机器人。机器人10的运动由控制器12控制。如图1中所示，将与已组装产品16接触的测试平台18被安装在工作台20上。

[0027] 测试平台18可以是与已组装产品即制品16相交互的任何东西。虽然图1示出了被安装在工作台20上的测试平台18，但众所周知的是，测试平台18可以由图1中未示出的机器人保持，并且机器人10可以将已组装产品16带到保持着测试平台18的机器人，或者保持着测试平台18的机器人可以使测试平台18与已组装产品16接触。

[0028] 如本领域的技术人员可以认识到的，本发明的控制器12可以包括计算机可读介质，其具有存储在其上面的计算机可读指令，其在被处理器执行时执行本文所述的操作。计算机可读介质可以是任何有形介质，其可以包含、存储、传送、传播或传输用户接口程序指令以供指令执行系统、装置或设备使用或与之相结合地使用，并且举例来说但在没有限制的情况下，可以是电子、磁性、光学、电磁、红外或半导体的系统、装置、设备或者是传播有形介质。计算机可读有形介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件。可以利用任何适当编程语言来编写用于执行本发明的操作的计算机程序代码或指令，只要其允许实现所述技术结果。虽然控制器12可以执行图7、图8和图10的流程图中所示的操作，但图1中所示的实施例也可以包括与控制器12通信以执行那些操作的单独计算设备。

[0029] 如图2中所示，测试平台18被构造有至少底层26和顶层27。顶层27由硬质材料制成，而底层26由诸如橡胶和泡沫之类的柔顺材料制成。此类设计的目的是提供测试平台18与已组装产品16的柔顺且非破坏性接触。在替换实施例中，由于在系统中的别处存在柔顺性或者由于组装操作的性质，可以不需要柔顺层。

[0030] 已组装产品16的一个示例在图3和4中被示为印刷电路板24、大体上矩形插口30和铝屏蔽罐36的组合，其中在印刷电路板24上面安装有各种电路元件，在大体上矩形插口30中具有其它电路元件，并且铝屏蔽罐36覆盖大体上矩形插口30。插口30包括形成四个拐角34a至34d的四个凸起侧壁32a至32d。

[0031] 如从图3可以看到的，屏蔽罐28包括大体上矩形形状的平坦面36。侧壁38a至38d从每个边缘向上突出并形成拐角40a至40d。屏蔽罐28尺寸被确定为卡扣配合在插口30上。可以用机器人组装领域的技术人员众所周知的方式，通过除机器人10之外的一个或多个机器人(未示出)来执行屏蔽罐28到插口30的组装。

[0032] 图5a至5d示出了屏蔽罐28到插口30的良好和故障组装。更特别地，图5a显示缺少屏蔽罐28，亦即屏蔽罐28未被组装到插口30。

[0033] 当屏蔽罐28被组装到插口30时，该组装的主要故障是屏蔽罐28的四个拐角40a至40d中的一个或两个未被充分地按压到插口30中。图5b示出了针对一个拐角不在正确位置上的此类故障，并且图5c示出了针对两个拐角不在正确位置上的此故障。

[0034] 图5d示出了良好组装。如此图中所示，屏蔽罐28覆盖插口30，并且屏蔽罐28的全部四个拐角40a至40d在插口30上处于正确位置。

[0035] 图6a和图6b示出了用以使用图1和图2中的设置来检测用于图3和4中所示的部件的组装故障的测试运动。如图6a和图6b中所示，该测试运动是抵靠着测试平台18的顶层27按压插口30的四个拐角40a-40d中的每一个的摇摆运动。在故障是屏蔽罐28的一个或多个拐角在被组装到插口30时不在正确位置上的情况下，诸如图5b和5c中所示，插口30的四个拐角40a至40d中的每一个抵靠着层27的按压可以导致该故障组装的修复。

[0036] 测试运动由机器人10执行，并在系统设置期间被预编程。由于机器人10的高度可重复性，此测试运动对于每个已组装产品16而言是相同的。如果每个已组装产品16的夹持是可重复的，则组装故障的测试条件几乎没有变化。结果，在摇摆和按压运动期间诱发的接触受力没有诸如实际组装过程中的动态特性的其它副作用。

[0037] 可以使用用于故障检测的许多现有算法来处理通过使用力传感器从测试运动所获得的接触受力印记(force signature)。示例性算法是行业标准统计分类工具，支持向量机(SVM)。SVM可以将接触受力印记数据分类成两类：成功和不成功故障。

[0038] 分别如图7a和7b的流程图710和722中所示，在将SVM用于组装故障检测时存在两个阶段，即其流程图710在图7a中示出的训练阶段和其流程图722在图7b中示出的测试阶段。这两个阶段共用将下面更详细地描述的共同动作，诸如执行测试运动，收集受力印记，对受力印记进行后处理以及取特征向量。

[0039] SVM的训练如下继续进行图7a中所示的步骤：

[0040] 1.在步骤712和714处，如下对具有大致上一半成功和一半失败的统计上数目巨大的N个已组装产品16中的每个已组装产品16执行测试运动：

[0041] a.在步骤712处执行测试运动并针对该系列中的每个已组装产品16收集受力印记信息；以及

[0042] b.在步骤714处将被测试的一系列已组装产品16中的每一个的类别记录为成功或失败。

[0043] 2.针对一系列N个已组装产品16中的每个已组装产品16执行步骤716和718。

[0044] 在步骤716处对在步骤712处收集的受力印记进行后处理。在图8中示出了用于后处理的流程图800且其具有以下步骤：

[0045] a.如果采样时间不均匀，则在步骤802处对所记录的受力印记再采样并进行平滑化以去除噪声(例如矩形波串平均之类的各种众所周知的技术可用来执行此功能)；

[0046] b.在步骤804处使每个所收集受力印记与参考印记对准，以去除因不同开始时间而引起的偏移；以及

[0047] c.在步骤806处对受力印记数据进行归一化，使得跨过所有印记，最高值是1，并且最低值是0。

[0048] 现在返回图7a，在执行后处理步骤716之后执行步骤718。在此步骤中，提取经后处理的印记的特征向量。如L.Smith在“A tutorial on principal components analysis”(2002年，美国，Cornell University)中所述，可以使用来自主分量分析(PCA)的前几个分量作为特征向量。

[0049] 3.在针对N个已组装产品16中的每一个执行步骤716和718之后，在步骤720处，基于特征向量来训练SVM，如C.Burges在“A Tutorial on Support Vector Machines for Pattern Recognition”(Data Mining and Knowledge Discovery 2，121-167,1998(“Burges”))中所述。

[0050] 已训练SVM可以被保存并在针对每个已组装产品的测试阶段中使用。该测试阶段使用与在训练阶段期间使用的系统设置相同(或相似)的系统设置。

[0051] 在本文使用时，统计上数目很大的N个已组装产品16意指获取足够的样本以使得可以以预定水平的准确度对受力印记进行分类。例如，如在C.Burges的参考文献中所述，可以计算已训练SVM的出错率或“实际风险”(156页)，如果基于预定阈值，SVM的“实际风险”值过高，则可以获取更多样本，并且重新训练SVM直至风险值是可接受的为止。替换地，还可以使用其它SVM属性来确定样本的数目是否是统计上很大的。

[0052] 在图7b中示出了用于测试阶段的流程图722，其中步骤724、726和728分别地与训练阶段的步骤716、718和720相同，并且因此无需进一步描述。测试阶段期间的接触受力印记被记录并馈送到SVM中。在使用相同的后处理和特征提取之后，特征向量然后被输入到SVM，其在步骤730处运行已训练SVM。已训练SVM的输出预测每个被测试产品的组装是成功还是失败。在步骤732处，当已训练SVM的输出预测被测试产品未被正确地组装时，丢弃被测试产品。在替换实施例中，可以对产品执行不同的动作，诸如重试组装步骤或者将产品放在一边以供稍后手动返工。

[0053] 请注意，针对每个步骤，尤其是后处理和特征提取，可以使用许多不同算法。例如，受力印记数据的再采样可以使用简单的线性内插技术：

[0054]

[0055] 其中，F'(t)是新采样点处的受力数据，F(ta)和F(tb)是在原始采样时间ta和tb处记录的受力数据。

[0056] 噪声去除算法的示例包括低通滤波器(式2)和加权移动平均(式3)。在两个式中，是噪声被去除之后的受力数据。

[0057]

[0058]

[0059] 可以如图8中的步骤802所示，可以在单个步骤中处理再采样和噪声去除。上文中提及的内插方法是用于此目的的良好候选。

[0060] 使受力印记与参考印记对准可以通过互相关方法来实现：

[0061]

[0062] 其中，fk是记录的受力印记，并且gk是参考印记。互相关函数(f*g)k的最大值处的参数k是受力印记fk相对于参考印记gk的未对准。通过简单地以此未对准将时标移位，而获得对准的受力印记：

[0063]

[0064] 其中，q是未对准。

[0065] 可以使用式6来完成受力印记的归一化，步骤806：

[0066]

[0067] 其中，μ和σ是受力印记fk的平均和标准偏差。

[0068] 请注意，受力印记的后处理可以具有与图8中所示的那些步骤不同的步骤，这取决于所记录的受力印记的质量。

[0069] 在后处理之后，将在步骤718处对受力印记进行特征提取。用于特征提取的良好候选算法是主分量分析(PCA)。PCA是用来通过探索数据之间的相关性或冗余性来减少学习问题中的数据集的尺寸的常用工具。PCA通过原始数据的线性坐标变换来实现此目标。称为主分量的新基础设法使数据的变化最大化。第一主分量与原始数据集的最大变化的方向对准，因此包含关于数据集的最多信息。每个连续主分量与未被先前的分量捕捉的最大其余变化性的方向对准。在数学上，假设数据集包含N个测量结果ix，i＝1…N。每个ix是m维的向量，从而使得ix＝[ix1，ix2，…ixm]′。针对受力组装故障检测，ix是经后处理的受力印记。使P为m*m维的线性坐标变换矩阵，在变换之后，原始数据ix变成新数据iy：

[0070] iy＝Pix，i＝1…N   (7)

[0071] 利用包括全部的N个测量结果的简洁式形式来书写，则式(7)变成

[0072] Y＝PX

[0073] X＝[1x 2x…N-1x Nx]，Y＝[1y 2y…N-1y Ny]   (8)

[0074] 使变化最大化的变换矩阵P与原始数据集的以下协方差矩阵的本征向量有关：

[0075]

[0076] 计算协方差矩阵C的本征向量和本征值给出：

[0077] V-1CV＝D   (10)

[0078] 其中，V是本征向量的矩阵，D是按递减顺序布置的C的本征值的对角矩阵。式(7)中的变换矩阵P然后等于矩阵V。以iy给出数据点ix的主分量。

[0079] 针对组装故障检测，所记录的受力印记的前几个主分量可以包含足以被选作特征向量的信息。例如，测试已显示前五(5)个主分量是用于特征向量的良好候选。

[0080] 在获得用于每个所记录受力印记的特征向量之后，分类器准备好训练。训练数据包括一系列的特征向量和每个特征向量所属的类别。在组装故障检测的情况下，类别是成功和失败。已训练分类器可以预测新特征向量在哪个类别中。一个很好的分类器是线性支持向量机(SVM)。线性SVM尝试用超平面来划分特征空间，从而使得两个类别落在超平面的相对侧。

[0081] 如在图9中用2D特征空间所示，存在可能对数据进行分类的许多超平面。作为最佳超平面的一个合理选择是表示两个类别之间的最大间隔或裕度的那个选择。称为最大裕度超平面的此超平面相对于噪声具有最佳稳定性。线性SVM算法将在特征空间中找到此类超平面。在数学上，假设训练集包含N个数据集：

[0082]

[0083] 其中，ix是维度p的特征向量，iy是1或-1，指示该特征向量ix所属的类别。可以将特征空间中的任何超平面写为满足下式的点的集合：

[0084] w·x-b＝0   (12)

[0085] 其中，·表示点积，且w表示超平面的法向向量。

[0086] 所述两个类别在超平面的相对侧上，因此超平面满足

[0087] w·ix-b≥1 for iy＝1w·ix-b≤-1 for iy＝-1   (13)

[0088] 或者简单地iy(w·ix-b)≥1,对于所有ix,i＝1…N.

[0089] 由此超平面生产的两个类别之间的裕度是2/||w||。因此，可以通过对以下优化问题求解，来找到最大裕度超平面：

[0090] Minimize||w||，约束条件iy(w·ix-b)≥1，i＝1…N   (14)

[0091] 许多软件程序可用于训练SVM；这些软件程序是市面有售的或者是开放源。

[0092] 如式12中所示用w和b来将已训练SVM进行参数化。测试阶段期间的SVM的预测可以使用以下判定逻辑来预测新测试所属的类别：

[0093] 如果w·ix-b≥1则iy＝1

[0094] 如果w·ix-b≤-1则iy＝-1   (15)

[0095] 否则，SVM不能预测输出。

[0096] 应认识到的是，已组装产品16仅仅是可以与本文所述的方法和系统一起使用以在产品被组装之后检测已组装产品中的组装故障的已组装产品的一个示例。对于那些产品而言是成功组装或制造还是不成功组装或制造的度量将取决于产品。

[0097] 虽然上文描述了使用力传感器来获得已组装产品16与测试平台18的顶层27之间的交互印记，但应认识到的是，可以使用其它类型的传感器来测量制品与其周围环境之间的交互。一个此类传感器是位移传感器。在上文所述的屏蔽罐示例中，失败组装通常具有凸起的拐角或边缘。当其被抵靠着柔顺对象按压时，该柔顺对象与被成功组装的那些组装情况相比将变形较多。因此可以使用位移传感器来获得制品与柔顺对象之间的交互印记。当使用位移传感器时，也可以遵循上文所述的程序和算法以训练SVM并使用SVM来检测制品的成功或失败。来自位移传感器的交互印记可以是沿着一个或多个轴位置的测量结果和/或围绕那些轴的重新定向。

[0098] 还应认识到的是，交互印记可以是来自力传感器和位移传感器的交互印记的组合。

[0099] 现在参考图10a和10b，其中示出了用于优化被用来测试制品的运动以改善在成功制品的交互信号与失败制品的交互信号之间的差异的相关性的流程图1000。

[0100] 图10a中所示的方框1002和1004是针对N个产品中的每一个进行重复的两个操作。在方框1002处，针对N个产品中的每一个执行测试运动，并收集从执行该运动得到的受力印记。在方框1004处，记录用于N个产品中的每一个的组装的成功或失败类别。

[0101] 当针对N个产品完成方框1002和1004中的所有操作时，流程前进至针对N个产品中的每一个执行的第二组的两个操作。在方框1006处，对用于N个产品中的每一个的受力印记进行后处理。在方框1008处，针对N个产品中的每一个从用于N个产品中的每一个的经后处理的受力印记提取特征向量。

[0102] 当针对N个产品中的每一个完成方框1006和1008中的所有操作时，流程前进至方框1010，其中针对N个产品训练SVM。

[0103] 在已在方框1010处训练SVM之后，例程前进至图10b中所示的方框1012，在那里针对N个产品改变测试运动。测试运动的改变可以例如且在没有限制的情况下是相对于图6a和6b中所示的测试运动相关，通过摇摆运动抵靠着测试平台顶层27按压插口30的不同位置。替换地，改变诸如速度、角度等测试运动参数，或者从以测试平台18的不同位置和取向安装就位的不同力传感器中读取诸如速度、角度等测试运动参数。

[0104] 流程然后前进至方框1014和1016，所述方框为针对N个产品中的每一个进行重复的两个操作。在方框1014和1016处执行的操作分别与在方框1002和1004处执行的操作相同，只是这些操作是针对用于N个产品中的每一个的已改变测试运动。

[0105] 当针对N个产品完成方框1002和1004中的所有操作时，流程前进至针对N个产品中的每一个执行的方框1018和1020处的第二组的两个操作。在方框1018和1020处执行的操作分别与在方框1006和1008处执行的操作相同，只是这些操作是用于针对用于N个产品中的每一个的已改变测试运动所提取的特征向量。

[0106] 在用于N个产品的操作1020完成时，流程前进至方框1022，其中SVM被训练。如可以认识到的，此已训练SVM是针对已在方框1012处具有已改变测试运动的N个产品。

[0107] 流程然后前进至方框1024，在方框，确定是否必须优化测试运动以改善相关性。流程1000的目标是使在成功制品的交互信号与失败制品的交互印记之间的差异的相关性最小化。如果必须改善相关性，则必须优化测试运动，并且流程返回到方框1012，在该方框，测试运动被再次改变。如果不必改善相关性差异，则流程前进至方框1026，并且SVM的训练完成。当相关性差异满足用于该差异的预定准则时，该差的最小化结束。

[0108] 该预定准则例如且在没有限制的情况下可以是改善相关性的值低于预置阈值(这意味着优化测试运动可以生成关于成功和失败组装之间的力传感器印记的明确差异)；或者在执行所有不同的测试运动之后，没有关于相关性的值的减小(这意味着优化测试运动在用以生成在关于成功组装和失败组装之间的力传感器印记的差异的所有测试运动之中是最佳的)；或者产品的总体测试数目超过预置数目；或者用以生产用于优化的N个产品的总时间超过预置时间。

[0109] 应理解的是，(一个或多个)示例性实施例的以上描述意图仅仅说明本发明而不是穷尽本发明。在不脱离由所附权利要求书定义的本发明的精神或其范围的情况下，技术人员将能够对公开主题的(一个或多个)实施例进行添加、删除和/或修改。