工业机器人作为制造领域内主要生产力的载体,广泛用于自动化生产场景以及众多柔性制造系统中。工业机器人的普及被认为是实现全自动化生产、提高工业智能化水平的有效手段。为使工业机器人适应丰富的应用场景,满足日益增长的社会需求,需高效率研发新的工业机器人产品。现已有的工业机器人设计主要依靠研发人员经验设计以及应用模块化技术设计。但上述设计方法有效率低、研发周期过长等问题,模块化设计在应用中还存在局限性。数据挖掘技术作为工业机器人相关领域的新焦点,应用关联分析技术进行工业机器人设计知识定量挖掘可以解决上述设计方案中存在的问题。本文主要研究了工业机器人设计知识获取与分析方法。首先,分析了工业机器人关键设计参数,为后续大数据挖掘技术中关联分析方法应用奠定数据基础。基于Solid Works实现工业机器人关键设计参数提取与数据整理,并选择关联分析技术对数据进行关联规则挖掘。同时,针对不同分布式大数据处理技术架构的优势,综合部署Hadoop与Spark分布式大数据处理技术系统,完成了对多结构工业机器人关键数据的存储。其次,提出了工业机器人设计知识挖掘总体框架。包括轮廓系数法确定各类参数的标签数、应用聚类算法实现连续型数据离散化即工业机器人数据标签化;考虑到对工业机器人关键设计参数间关联规则挖掘过程中应用的聚类结果具有绝对性,对传统Apriori关联规则挖掘算法进行改进优化,并计算关联规则的准确度。关联关系挖掘为工业机器人设计知识的重用提供了技术支持,提高了工业机器人设计效率。然后,构建了知识图谱分析工业机器人设计知识。分析由工业机器人关键设计参数与改进Apriori算法挖掘得到的工业机器人设计知识构建的两类知识图谱,并以此实行工业机器人关键设计参数及参数间关联规则的可视化表达。同时基于知识图谱进行规则路径学习,合并起始点与终止点相同的规则路径得到新规则作为关联规则集的补集,并基于条件概率相关理论进行规则置信度计算进而筛选高质量规则。最后,设计了工业机器人设计知识推理系统。以案例推理与证据理论推理为核心思想提出工业机器人设计的可行性方案。知识推理系统为重用工业机器人设计知识提供了科学依据。随着知识推理系统的应用会不断输出工业机器人新案例,为适应工业机器人实例库的持续扩增,选择了Spark分布式大数据处理技术架构实现工业机器人关键设计参数间关联规则实时挖掘。