工业机器人是工业制造、生产中不可缺少的设备,其中机械臂是最常见的一种,在我国机械臂装机总量巨大且仍在持续增长。机械臂的广泛应用前景对机械臂使用人员的编程能力、操作水平提出了更高的要求。在此背景下面向机器人实训的评价系统应运而生,通过机器人实训评价系统对操作人员使用机械臂完成任务的表现进行自动评分,从而减少人工的参与有利于提高培训效率、缩减成本。平稳性是机械臂实训评估中非常重要却又容易被忽略的一点。机械臂的运动平稳性影响其工作精度、能耗、使用寿命等,目前的研究中缺少对机械臂平稳性评估的相关内容。针对目前的研究现状,本文提出一种面向机器人实训的机械臂平稳性评价方法,并在机械臂实验平台上对所提出的方法进行了实验验证。本文针对机器人实训过程中机械臂运动平稳性评估展开研究,通过对机械臂运动产生的末端振动信号进行分析,提出机械臂振动信号的端点定位方法,将采集的振动信号按动作进行切分。并提出机械臂振动的来源包括结构性振动与动作引起的振动,利用小波模极大值滤波法对振动信号进行分离。对于机械臂的平稳性评分问题,本文基于不同的振动分量,设计平稳性指标,并基于平稳性指标在样本上的分布,对样本进行了平稳性的二分类标定。在此基础上,引入评分卡模型对振动样本进行评分,流程包括特征提取、变量分箱、WOE变换、利用相关性与信息量进行特征筛选、建立逻辑回归模型,最终得到评分卡模型。文中对评分卡模型的效果在实验平台上进行了验证。最后本文提出对机械臂的平稳性评分进行离线预测,基于XGBoost-LSTM网络建立机械臂运动指令参数序列与平稳性评分之间的映射模型。利用端点定位方法将连续振动信号分割成单步动作子序列,并与机械臂的每一步控制指令参数一一对应。利用XGBoost模型完成指令参数对平稳性指标的预测,将预测结果与对应参数重新作为评分预测LSTM模型的输入,利用LSTM模型预测在指令参数序列下的最终评分。相较于人工平稳性评判,本文提出的方法基于统计学、机器学习基础,评分标准统一客观,且能够根据样本的平稳性特征实现评分的合理分布。