CN109933852B - 预测车辆尺寸偏差的方法、装置、存储介质及电子设备 - Google Patents
预测车辆尺寸偏差的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109933852B CN109933852B CN201910113377.0A CN201910113377A CN109933852B CN 109933852 B CN109933852 B CN 109933852B CN 201910113377 A CN201910113377 A CN 201910113377A CN 109933852 B CN109933852 B CN 109933852B
- Authority
- CN
- China
- Prior art keywords
- preset
- model
- time sequence
- period
- sequence prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本公开涉及一种预测车辆尺寸偏差的方法、装置、存储介质及电子设备,可以获取在第一预设历史时间段内按照预设周期采集的车辆目标测点的目标尺寸数据;获取所述目标测点对应的标准尺寸数据;获取预先训练的时间序列预测模型;将所述目标尺寸数据作为所述时间序列预测模型的输入,得到所述目标测点在预测时间段内的第一预测尺寸数据;根据所述标准尺寸数据和所述第一预测尺寸数据预测所述目标测点在预测时间段内的尺寸偏差。
Description
技术领域
本公开涉及车辆生产领域,具体地,涉及一种预测车辆尺寸偏差的方法、装置、存储介质及电子设备。
背景技术
在车辆生产的过程中,车身生产环节众多,工序复杂,环环相扣,车身尺寸精度的好坏直接影响车辆最终的装配结果,但由于目前在车身制造过程中,车身尺寸的分析、检测手段存在局限性、滞后性,往往到车辆装配阶段才发现车身尺寸偏差较大,导致车辆装配后不合格率偏高,从而造成返工成本高、生产周期冗长、生产效率较低的问题。
发明内容
本公开提供一种预测车辆尺寸偏差的方法、装置、存储介质及电子设备。
第一方面,获取在第一预设历史时间段内按照预设周期采集的车辆目标测点的目标尺寸数据;获取所述目标测点对应的标准尺寸数据;获取预先训练的时间序列预测模型;将所述目标尺寸数据作为所述时间序列预测模型的输入,得到所述目标测点在预测时间段内的第一预测尺寸数据;根据所述标准尺寸数据和所述第一预测尺寸数据预测所述目标测点在预测时间段内的尺寸偏差。
可选地,在所述获取预先训练的时间序列预测模型之前,所述方法还包括:获取预先设置的时间序列预测样本模型,所述时间序列预测样本模型包括至少一个预设模型参数以及至少一个训练模型参数;获取每个所述预设模型参数分别对应的预设参数集合;所述预设参数集合包括预先设置的多个备选参数值;根据所述备选参数值和所述时间序列预测样本模型确定多个待训练时间序列预测模型;获取第二预设历史时间段内按照所述预设周期采集的所述车辆每个预设测点分别对应的样本尺寸数据;根据所述样本尺寸数据和多个所述待训练时间序列预测模型确定所述时间序列预测模型。
可选地,所述根据所述备选参数值和所述时间序列预测样本模型确定多个待训练时间序列预测模型包括:将目标预设参数集合中的每个备选参数值与每个其它预设参数集合中的每一个备选参数值进行排列组合,得到多组参数组合;所述目标预设参数集合包括任意一个所述预设参数集合,所述其它预设参数集合包括除所述目标预设参数集合外的预设参数集合;根据多组所述参数组合和所述时间序列预测样本模型,确定多个所述待训练时间序列预测模型。
可选地,所述第二预设历史时间段包括训练子时间段和测试子时间段,所述训练子时间段为与所述测试子时间段不同的时间段;所述根据所述样本尺寸数据和多个所述待训练时间序列预测模型确定所述时间序列预测模型包括:根据所述训练子时间段对应的样本尺寸数据训练每个所述待训练时间序列预测模型,得到每个所述待训练时间序列预测模型分别对应的所述训练模型参数;根据每个所述待训练时间序列预测模型以及对应的所述训练模型参数确定多个待定时间序列预测模型;根据所述测试子时间段对应的样本尺寸数据确定每个所述待定时间序列预测模型的预测准确率;将所述预测准确率最大的待定时间序列预测模型确定为所述时间序列预测模型。
第二方面,提供一种预测车辆尺寸偏差的装置,所述装置包括:
目标尺寸获取模块,用于获取在第一预设历史时间段内按照预设周期采集的车辆目标测点的目标尺寸数据;标准尺寸获取模块,用于获取所述目标测点对应的标准尺寸数据;第一模型获取模块,用于获取预先训练的时间序列预测模型;第一确定模块,用于将所述目标尺寸数据作为所述时间序列预测模型的输入,得到所述目标测点在预测时间段内的第一预测尺寸数据;预测模块,用于根据所述标准尺寸数据和所述第一预测尺寸数据预测所述目标测点在预测时间段内的尺寸偏差。
可选地,所述装置还包括:第二模型获取模块,用于获取预先设置的时间序列预测样本模型,所述时间序列预测样本模型包括至少一个预设模型参数以及至少一个训练模型参数;参数集合获取模块,用于获取每个所述预设模型参数分别对应的预设参数集合;所述预设参数集合包括预先设置的多个备选参数值;第二确定模块,用于根据所述备选参数值和所述时间序列预测样本模型确定多个待训练时间序列预测模型;样本尺寸获取模块,用于获取第二预设历史时间段内按照所述预设周期采集的所述车辆每个预设测点分别对应的样本尺寸数据;第三确定模块,用于根据所述样本尺寸数据和多个所述待训练时间序列预测模型确定所述时间序列预测模型。
可选地,所述第二确定模块,用于将目标预设参数集合中的每个备选参数值与每个其它预设参数集合中的每一个备选参数值进行排列组合,得到多组参数组合;所述目标预设参数集合包括任意一个所述预设参数集合,所述其它预设参数集合包括除所述目标预设参数集合外的预设参数集合;根据多组所述参数组合和所述时间序列预测样本模型,确定多个所述待训练时间序列预测模型。
可选地,所述第二预设历史时间段包括训练子时间段和测试子时间段,所述训练子时间段为与所述测试子时间段不同的时间段;所述第三确定模块,用于根据所述训练子时间段对应的样本尺寸数据训练每个所述待训练时间序列预测模型,得到每个所述待训练时间序列预测模型分别对应的所述训练模型参数;根据每个所述待训练时间序列预测模型以及对应的所述训练模型参数确定多个待定时间序列预测模型;根据所述测试子时间段对应的样本尺寸数据确定每个所述待定时间序列预测模型的预测准确率;将所述预测准确率最大的待定时间序列预测模型确定为所述时间序列预测模型。
第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面所述方法的步骤。
第四方面,提供一种电子设备,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,获取在第一预设历史时间段内按照预设周期采集的车辆目标测点的目标尺寸数据;获取所述目标测点对应的标准尺寸数据;获取预先训练的时间序列预测模型;将所述目标尺寸数据作为所述时间序列预测模型的输入,得到所述目标测点在预测时间段内的第一预测尺寸数据;根据所述标准尺寸数据和所述第一预测尺寸数据预测所述目标测点在预测时间段内的尺寸偏差,这样,可以通过该时间序列预测模型对车辆尺寸偏差进行预测,无需等到车辆装配阶段才可获知该车辆尺寸偏差是否满足生产要求,从而可以提高车辆装配后的合格率,进而可以提高生成效率,降低生产成本。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种预测车辆尺寸偏差的方法的流程图;
图2是根据一示例性实施例示出的一种生成预警单的示意图;
图3是根据一示例性实施例示出的第一种预测车辆尺寸偏差的装置的框图;
图4是根据一示例性实施例示出的第二种预测车辆尺寸偏差的装置的框图;
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
首先,对本公开的应用场景进行介绍,本公开主要应用于车辆生产的场景中,由于车辆在生产过程中,车身尺寸精度的好坏直接影响车辆最终的装配结果,因此,在对车辆进行装配之前,需要对车身尺寸偏差是否满足装配要求进行测定,相关技术中,首先在车身上预先设置多个测点,然后利用三坐标测量仪在每个预设测点测量车身尺寸,得到多个尺寸数据,再由尺寸工程师基于多个尺寸数据分析尺寸偏差,在尺寸偏差满足装配要求时,确定车身尺寸合格,尺寸偏差不满足装配要求时,再对车身进行尺寸调整,并调整生产工艺,显然,现有的车身尺寸测量方法往往到车辆装配阶段才发现车身尺寸偏差较大,导致车辆装配后不合格率偏高,从而造成返工成本高,并且现有的车身尺寸测定方法分析耗时较长、故障诊断滞后,从而会降低车辆的生产效率。
为解决上述存在的问题,本公开提供一种预测车辆尺寸偏差的方法、装置、存储介质及电子设备,可以将获取的在第一预设历史时间段内采集的车辆目标测点的目标尺寸数据作为时间序列预测模型的输入,得到该目标测点在预测时间段内的第一预测尺寸数据,然后根据该目标测点对应的标准尺寸数据和该第一预测尺寸数据预测该目标测点在预测时间段内的尺寸偏差,也就是说,本公开可以通过该时间序列预测模型对车辆尺寸偏差进行预测,无需等到车辆装配阶段才可获知该车辆尺寸偏差是否满足生产要求,从而可以提高车辆装配后的合格率,进而可以提高生成效率,降低生产成本。
下面结合附图对本公开的具体实施方式进行说明。
图1是根据一示例性实施例示出的一种预测车辆尺寸偏差的方法的流程图,如图1所示,该方法包括以下步骤:
S101,获取在第一预设历史时间段内按照预设周期采集的车辆目标测点的目标尺寸数据。
在测量车辆尺寸时,可以在车身上预先设置多个测点,然后利用三坐标测量仪在每个预设测点测量车辆尺寸,得到多个尺寸数据,该目标测点可以包括预设的多个测点的任意一个测点,该目标尺寸数据可以包括在该第一预设历史时间段内按照预设周期采集的车辆目标测点的时间序列尺寸数据,在一种可能的实现方式中,该预设周期可以为一天。
示例地,以当前时间是12月15日为例进行说明,当该第一预设历史时间段为10天,该预设周期为一天,该目标测点为A点时,可以获取在12月6日至12月15日这10天内每天采集的车辆A点的目标尺寸数据为时间序列数据[at1,at2,......,at10],其中ati(i=1,2,...,10)表示该第一预设历史时间段内在第i天采集的该目标测点的目标尺寸数据,另外,考虑到实际的生产场景中,一天内在同一个目标测点一般会测量多次车辆尺寸,通常情况下,一组尺寸数据的平均值可以表示该组尺寸数据的整体质量水平,因此,ati可以是在第i天在同一个目标测点测量的多次车辆尺寸的平均值。
S102,获取该目标测点对应的标准尺寸数据。
其中,该标准尺寸数据可以包括预先设置的符合车辆装配要求的车辆尺寸数据。
S103,获取预先训练的时间序列预测模型。
其中,该时间序列预测模型可以包括prophet模型。
需要说明的是,可以通过以下步骤预先训练得到该时间序列预测模型:首先获取预先设置的时间序列预测样本模型,其中,该时间序列预测样本模型可以包括至少一个预设模型参数(即预先设置好的模型参数)以及至少一个训练模型参数(即需要通过训练确定的模型参数);其次,获取每个该预设模型参数分别对应的预设参数集合,该预设参数集合可以包括预先设置的多个备选参数值;然后根据该备选参数值和该时间序列预测样本模型确定多个待训练时间序列预测模型,并获取第二预设历史时间段内按照该预设周期采集的该车辆每个预设测点分别对应的样本尺寸数据,最后根据该样本尺寸数据和多个该待训练时间序列预测模型确定该时间序列预测模型。
其中,该预设模型参数可以包括根据用户的实际业务需求预先设置的参数,在一种可能的实现方式中,可以用查准率或者查全率表示该时间序列预测模型的预测性能,其中,查准率可以表示将车辆尺寸偏差预测为超差的准确率,查全率可以表示尽可能少遗漏掉超差点的能力,在用查准率表示该时间序列预测模型的预测性能时,该预设模型参数可以包括查准率对应的预设权重系数,在用查全率表示该时间序列预测模型的预测性能时,该预设模型参数可以包括查全率对应的预设权重系数,在另一种可能的实现方式中,为满足更多用户的业务需求,可以用查准率和查全率表示该时间序列预测模型的预测性能,此时,该预设模型参数可以包括查准率对应的预设权重系数和查全率对应的预设权重系数。
在本公开中,查准率可以通过公式(1)计算得到,查全率可以通过公式(2)计算得到:
其中,P表示查准率,R表示查全率,TP表示车辆尺寸偏差实际为超差,并且模型预测的车辆尺寸偏差也为超差的样本点(即为预设的测点)的个数,FP表示车辆尺寸偏差实际为正常,但模型预测的车辆尺寸偏差为超差的样本点的个数,FN表示车辆尺寸偏差实际为超差,但模型预测的车辆尺寸偏差为正常的样本点的个数,当用户更看重模型的查全率时,可以设置查全率对应的权重系数大于查准率对应的权重系数,例如预先设置查全率对应的权重系数为0.8,查准率对应的权重系数为0.2,此处只是举例说明,本公开对此不作限定。
另外,该预设参数集合可以包括为每个预设模型参数分别预先设置的多个备选参数值组成的参数集合,例如,在该预设模型参数包括查准率对应的权重系数a和查全率对应的权重系数b时,预设模型参数即为a和b,此时,a对应的预设参数集合可以为[0.1,0.2,0.3,0.4],并且0.1,0.2,0.3,0.4均为预设模型参数a对应的备选参数值,b对应的预设参数集合可以为[0.3,0.4,0.5,0.6],并且0.3,0.4,0.5,0.6均为预设模型参数b对应的备选参数值。
在获取到该时间序列预测样本模型以及每个该预设模型参数分别对应的该备选参数值后,可以按照以下步骤根据该备选参数值和该时间序列预测样本模型确定多个待训练时间序列预测模型:首先,将目标预设参数集合中的每个备选参数值与每个其它预设参数集合中的每一个备选参数值进行排列组合,得到多组参数组合;该目标预设参数集合可以包括任意一个该预设参数集合,该其它预设参数集合可以包括除该目标预设参数集合外的预设参数集合;然后,根据多组该参数组合和该时间序列预测样本模型,确定多个该待训练时间序列预测模型。
示例地,假设该预设参数集合包括查准率对应的权重系数a和查全率对应的权重系数b,当该目标预设参数集合为查准率对应的权重系数a的参数集合[0.1,0.2,0.3,0.4]时,该其它预设参数集合即为查全率对应的权重系数b的参数集合[0.3,0.4,0.5,0.6],此时,将参数集合[0.1,0.2,0.3,0.4]的每一个备选参数值与参数集合[0.3,0.4,0.5,0.6]进行排列组合后,可以得到十六组参数组合分别为(0.1,0.3),(0.1,0.4),(0.1,0.5),(0.1,0.6),(0.2,0.3),(0.2,0.4),(0.2,0.5),(0.2,0.6),(0.3,0.3),(0.3,0.4),(0.3,0.5),(0.3,0.6),(0.4,0.3),(0.4,0.4),(0.4,0.5),(0.4,0.6),这样,将每一组参数组合中的每个预设模型参数的备选参数值代入该时间序列预测样本模型,从而可以得到十六个该待训练时间序列预测模型,上述示例只是举例说明,本公开对此不作限定。
另外,该第二预设历史时间段可以包括训练子时间段和测试子时间段,该训练子时间段为与该测试子时间段不同的时间段;在得到多个该待训练时间序列预测模型后,可以按照以下步骤根据该样本尺寸数据和多个该待训练时间序列预测模型确定该时间序列预测模型:
首先,可以根据该训练子时间段对应的样本尺寸数据训练每个该待训练时间序列预测模型,得到每个该待训练时间序列预测模型分别对应的该训练模型参数。
在一种可能的实现方式中,可以根据训练子时间段对应的样本尺寸数据进行曲线拟合,从而得到每个该待训练时间序列预测模型分别对应的该训练模型参数,具体训练过程可以参考现有技术中的相关描述,在此不作赘述。
其次,根据每个该待训练时间序列预测模型以及对应的该训练模型参数确定多个待定时间序列预测模型。
例如,可以将该训练模型参数代入对应的该待训练时间序列预测模型,从而可以得到多个该待定时间序列预测模型。
然后,根据该测试子时间段对应的样本尺寸数据确定每个该待定时间序列预测模型的预测准确率。
在一种可能的实现方式中,该预测准确率可以为查准率或者查全率,在另一种可能的实现方式中,该预测准确率可以为根据查准率和查全率计算得到的参数,具体地,可以通过公式(3)计算该预测准确率:
precision=aP+bR (3)
其中,precision表示该预测准确率,P表示查准率,R表示查全率,a表示查准率对应的预设权重系数,b表示查全率对应的预设权重系数。
在一种可能的实现方式中,可以将该测试子时间段进一步划分成第一测试子时间段以及第二测试子时间段,并且该第二测试子时间段为该第一测试子时间段的后续时间段,这样,可以用该第一测试子时间段对应的样本尺寸数据预测每个预设测点在第二测试子时间段的尺寸偏差,从而可以得到每个该待定时间序列预测模型的查准率和查全率,进而得到每个该待定时间序列预测模型的预测准确率。
示例地,可以将该第一测试子时间段对应的样本尺寸数据输入每个该待定时间序列预测模型,得到每个预设测点在该第二测试子时间段内分别对应的第二预测尺寸数据,然后计算该第二预测尺寸数据与对应预设测点的标准尺寸数据的差值,预测得到每个预设测点在该第二测试子时间段的尺寸偏差,并在该尺寸偏差大于或者等于预设偏差阈值时,可以确定对应预设测点的车辆尺寸偏差超差,在该尺寸偏差小于预设偏差阈值时,可以确定对应预设测点的车辆尺寸偏差正常,此时,可以根据公式(1)和公式(2)计算得到每个该待定时间序列预测模型的查准率和查全率,并进一步根据公式(3)计算得到每个该待定时间序列预测模型的预测准确率,上述示例只是举例说明,本公开对此不作限定。
最后,将该预测准确率最大的待定时间序列预测模型确定为该时间序列预测模型。
至此,可以预先训练得到该时间序列预测模型,还需说明的是,为提高模型的预测准确率,该时间序列预测模型还可以根据最新获取的样本尺寸数据进行模型参数更新,例如,在每天采集一次多个预设测点的车辆尺寸数据时,可以每天根据最新采集的车辆尺寸数据更新一次该样本尺寸数据,并在每次更新完该样本尺寸数据时,根据更新后的该样本尺寸数据按照预先训练确定该时间序列预测模型的方法进行模型参数的更新,从而提高该时间序列预测模型的预测准确率。
S104,将该目标尺寸数据作为该时间序列预测模型的输入,得到该目标测点在预测时间段内的第一预测尺寸数据。
需要说明的是,为降低模型计算的复杂度,并提高模型预测的准确率,在将该目标尺寸数据输入该时间序列预测模型之前,可以对该目标尺寸数据进行数据预处理,例如,可以根据3σ准则进行异常点剔除,根据尺寸数据的均值和方差进行标准化处理,利用指数平滑算法进行数据平滑处理等,具体的数据预处理过程可以参考现有技术中的相关描述,在此不作赘述。
S105,根据该标准尺寸数据和该第一预测尺寸数据预测该目标测点在预测时间段内的尺寸偏差。
在一种可能的实现方式中,可以通过计算该标准尺寸数据与该第一预测尺寸数据的差值,得到该目标测点在预测时间段内的尺寸偏差。
需要说明的是,在得到该尺寸偏差后,可以进一步确定该目标测点在预测时间段内的尺寸偏差是否超差,例如,在该尺寸偏差大于或者等于预设偏差阈值时,可以确定该目标测点的尺寸偏差超差,在该尺寸偏差小于该预设偏差阈值时,可以确定该目标测点的尺寸偏差正常,这样,在确定该目标测点在预测时间段内的尺寸偏差超差时,可以及时生成预警单,方便工作人员可以根据该预警单的相关信息提前调整生产工艺,从而提高车辆尺寸的生产质量,进而提高生产效率。
示例地,图2是根据一示例性实施例示出的一种生成预警单的示意图,假设该第一预设历史时间段为10天,该预测时间段为7天,如图2所示,该预警单对应的目标测点为TVSW203F,当前时间为12月15日,此时,该第一预设历史时间段即为12月6日至12月15日,该预测时间段即为12月16日至12月22日,这样,可以用在12月6日至12月15日采集的目标尺寸数据通过时间序列预测模型对目标测点TVSW203F在12月16日至12月22日的车辆尺寸偏差进行预测,在预测得到目标测点TVSW203F在12月16日至12月22日的车辆尺寸偏差后,进一步确定目标测点TVSW203F在12月16日及12月17日两天的尺寸偏差均小于预设偏差阈值,在12月18日至12月22日五天的尺寸偏差均大于该预设偏差阈值,此时,确定目标测点TVSW203F在预测时间段12月16日至12月22日的尺寸偏差出现超差,需要生成预警单,这样,工作人员可以根据该预警单及时采取相关调整措施来提高车辆尺寸的质量,上述示例只是举例说明,本公开对此不作限定。
采用上述方法,可以通过该时间序列预测模型对车辆尺寸偏差进行预测,无需等到车辆装配阶段才可获知该车辆尺寸偏差是否满足生产要求,从而可以提高车辆装配后的合格率,进而可以提高生成效率,降低生产成本。
图3是根据一示例性实施例示出的一种预测车辆尺寸偏差的装置的框图,如图3所示,该装置包括:
目标尺寸获取模块301,用于获取在第一预设历史时间段内按照预设周期采集的车辆目标测点的目标尺寸数据;
标准尺寸获取模块302,用于获取该目标测点对应的标准尺寸数据;
第一模型获取模块303,用于获取预先训练的时间序列预测模型;
第一确定模块304,用于将该目标尺寸数据作为该时间序列预测模型的输入,得到该目标测点在预测时间段内的第一预测尺寸数据;
预测模块305,用于根据该标准尺寸数据和该第一预测尺寸数据预测该目标测点在预测时间段内的尺寸偏差。
可选地,图4是根据图3所示实施例示出的一种预测车辆尺寸偏差的装置的框图,如图4所示,该装置还包括:
第二模型获取模块306,用于获取预先设置的时间序列预测样本模型,该时间序列预测样本模型包括至少一个预设模型参数以及至少一个训练模型参数;
参数集合获取模块307,用于获取每个该预设模型参数分别对应的预设参数集合;该预设参数集合包括预先设置的多个备选参数值;
第二确定模块308,用于根据该备选参数值和该时间序列预测样本模型确定多个待训练时间序列预测模型;
样本尺寸获取模块309,用于获取第二预设历史时间段内按照该预设周期采集的该车辆每个预设测点分别对应的样本尺寸数据;
第三确定模块310,用于根据该样本尺寸数据和多个该待训练时间序列预测模型确定该时间序列预测模型。
可选地,该第二确定模块308,用于将目标预设参数集合中的每个备选参数值与每个其它预设参数集合中的每一个备选参数值进行排列组合,得到多组参数组合;该目标预设参数集合包括任意一个该预设参数集合,该其它预设参数集合包括除该目标预设参数集合外的预设参数集合;根据多组该参数组合和该时间序列预测样本模型,确定多个该待训练时间序列预测模型。
可选地,该第二预设历史时间段包括训练子时间段和测试子时间段,该训练子时间段为与该测试子时间段不同的时间段;该第三确定模块310,用于根据该训练子时间段对应的样本尺寸数据训练每个该待训练时间序列预测模型,得到每个该待训练时间序列预测模型分别对应的该训练模型参数;根据每个该待训练时间序列预测模型以及对应的该训练模型参数确定多个待定时间序列预测模型;根据该测试子时间段对应的样本尺寸数据确定每个该待定时间序列预测模型的预测准确率;将该预测准确率最大的待定时间序列预测模型确定为该时间序列预测模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
采用上述装置,可以通过该时间序列预测模型对车辆尺寸偏差进行预测,无需等到车辆装配阶段才可获知该车辆尺寸偏差是否满足生产要求,从而可以提高车辆装配后的合格率,进而可以提高生成效率,降低生产成本。
图5是根据一示例性实施例示出的一种电子设备500的框图。如图5所示,该电子设备500可以包括:处理器501,存储器502。该电子设备500还可以包括多媒体组件503,输入/输出(I/O)接口504,以及通信组件505中的一者或多者。
其中,处理器501用于控制该电子设备500的整体操作,以完成上述的预测车辆尺寸偏差的方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该电子设备500的操作,这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件505可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的预测车辆尺寸偏差的方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的预测车辆尺寸偏差的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器502,上述程序指令可由电子设备500的处理器501执行以完成上述的预测车辆尺寸偏差的方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (8)
1.一种预测车辆尺寸偏差的方法,其特征在于,所述方法包括:
获取在第一预设历史时间段内按照预设周期采集的车辆目标测点的目标尺寸数据;所述第一预设历史时间段包括以当前时间为结束时间的历史时间段;
获取所述目标测点对应的标准尺寸数据;
获取预先训练的时间序列预测模型;
将所述目标尺寸数据作为所述时间序列预测模型的输入,得到所述目标测点在预测时间段内的第一预测尺寸数据;所述预测时间段为根据所述当前时间预先设置的未来时间段;
根据所述标准尺寸数据和所述第一预测尺寸数据预测所述目标测点在预测时间段内的尺寸偏差。
2.根据权利要求1所述的方法,其特征在于,在所述获取预先训练的时间序列预测模型之前,所述方法还包括:
获取预先设置的时间序列预测样本模型,所述时间序列预测样本模型包括至少一个预设模型参数以及至少一个训练模型参数;所述预设模型参数为所述时间序列预测模型的预测性能的权重系数;所述训练模型参数为通过训练确定的模型参数;
获取每个所述预设模型参数分别对应的预设参数集合;所述预设参数集合包括预先设置的多个备选参数值;
根据所述备选参数值和所述时间序列预测样本模型确定多个待训练时间序列预测模型;
获取第二预设历史时间段内按照所述预设周期采集的所述车辆每个预设测点分别对应的样本尺寸数据;
根据所述样本尺寸数据和多个所述待训练时间序列预测模型确定所述时间序列预测模型;
所述根据所述备选参数值和所述时间序列预测样本模型确定多个待训练时间序列预测模型包括:
将目标预设参数集合中的每个备选参数值与每个其它预设参数集合中的每一个备选参数值进行排列组合,得到多组参数组合;所述目标预设参数集合包括任意一个所述预设参数集合,所述其它预设参数集合包括除所述目标预设参数集合外的预设参数集合;
针对多组所述参数组合中的每组参数组合,将该组参数组合中的每个预设模型参数的备选参数值代入所述时间序列预测样本模型后,得到多个所述待训练时间序列预测模型。
3.根据权利要求2所述的方法,其特征在于,所述第二预设历史时间段包括训练子时间段和测试子时间段,所述训练子时间段为与所述测试子时间段不同的时间段;所述根据所述样本尺寸数据和多个所述待训练时间序列预测模型确定所述时间序列预测模型包括:
根据所述训练子时间段对应的样本尺寸数据训练每个所述待训练时间序列预测模型,得到每个所述待训练时间序列预测模型分别对应的所述训练模型参数;
根据每个所述待训练时间序列预测模型以及对应的所述训练模型参数确定多个待定时间序列预测模型;
根据所述测试子时间段对应的样本尺寸数据确定每个所述待定时间序列预测模型的预测准确率;
将所述预测准确率最大的待定时间序列预测模型确定为所述时间序列预测模型。
4.一种预测车辆尺寸偏差的装置,其特征在于,所述装置包括:
目标尺寸获取模块,用于获取在第一预设历史时间段内按照预设周期采集的车辆目标测点的目标尺寸数据;所述第一预设历史时间段包括以当前时间为结束时间的历史时间段;
标准尺寸获取模块,用于获取所述目标测点对应的标准尺寸数据;
第一模型获取模块,用于获取预先训练的时间序列预测模型;
第一确定模块,用于将所述目标尺寸数据作为所述时间序列预测模型的输入,得到所述目标测点在预测时间段内的第一预测尺寸数据;所述预测时间段为根据所述当前时间预先设置的未来时间段;
预测模块,用于根据所述标准尺寸数据和所述第一预测尺寸数据预测所述目标测点在预测时间段内的尺寸偏差。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括:
第二模型获取模块,用于获取预先设置的时间序列预测样本模型,所述时间序列预测样本模型包括至少一个预设模型参数以及至少一个训练模型参数;所述预设模型参数为所述时间序列预测模型的预测性能的权重系数;所述训练模型参数为通过训练确定的模型参数;
参数集合获取模块,用于获取每个所述预设模型参数分别对应的预设参数集合;所述预设参数集合包括预先设置的多个备选参数值;
第二确定模块,用于根据所述备选参数值和所述时间序列预测样本模型确定多个待训练时间序列预测模型;
样本尺寸获取模块,用于获取第二预设历史时间段内按照所述预设周期采集的所述车辆每个预设测点分别对应的样本尺寸数据;
第三确定模块,用于根据所述样本尺寸数据和多个所述待训练时间序列预测模型确定所述时间序列预测模型;
所述第二确定模块,用于将目标预设参数集合中的每个备选参数值与每个其它预设参数集合中的每一个备选参数值进行排列组合,得到多组参数组合;所述目标预设参数集合包括任意一个所述预设参数集合,所述其它预设参数集合包括除所述目标预设参数集合外的预设参数集合;针对多组所述参数组合中的每组参数组合,将该组参数组合中的每个预设模型参数的备选参数值代入所述时间序列预测样本模型后,得到多个所述待训练时间序列预测模型。
6.根据权利要求5所述的装置,其特征在于,所述第二预设历史时间段包括训练子时间段和测试子时间段,所述训练子时间段为与所述测试子时间段不同的时间段;所述第三确定模块,用于根据所述训练子时间段对应的样本尺寸数据训练每个所述待训练时间序列预测模型,得到每个所述待训练时间序列预测模型分别对应的所述训练模型参数;根据每个所述待训练时间序列预测模型以及对应的所述训练模型参数确定多个待定时间序列预测模型;根据所述测试子时间段对应的样本尺寸数据确定每个所述待定时间序列预测模型的预测准确率;将所述预测准确率最大的待定时间序列预测模型确定为所述时间序列预测模型。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-3中任一项所述方法的步骤。
8.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910113377.0A CN109933852B (zh) | 2019-02-14 | 2019-02-14 | 预测车辆尺寸偏差的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910113377.0A CN109933852B (zh) | 2019-02-14 | 2019-02-14 | 预测车辆尺寸偏差的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109933852A CN109933852A (zh) | 2019-06-25 |
CN109933852B true CN109933852B (zh) | 2023-05-16 |
Family
ID=66985585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910113377.0A Active CN109933852B (zh) | 2019-02-14 | 2019-02-14 | 预测车辆尺寸偏差的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109933852B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517731A (zh) * | 2019-10-23 | 2019-11-29 | 上海思路迪医学检验所有限公司 | 基因检测质量监控数据处理方法和系统 |
CN111198808B (zh) * | 2019-12-25 | 2023-12-22 | 东软集团股份有限公司 | 预测性能指标的方法、装置、存储介质及电子设备 |
CN111914390A (zh) * | 2020-06-22 | 2020-11-10 | 浙江联控技术有限公司 | 一种车辆装配的预判方法、装置及计算机存储介质 |
CN113536464B (zh) * | 2021-07-21 | 2024-03-08 | 浙江吉利控股集团有限公司 | 一种基于人工智能的尺寸控制方法及尺寸控制系统 |
CN113591386A (zh) * | 2021-08-03 | 2021-11-02 | 湖州绿色智能制造产业技术研究院 | 一种基于多级结构网络的液压机装配尺寸偏差预测方法 |
CN113722836B (zh) * | 2021-09-14 | 2023-04-25 | 广域铭岛数字科技有限公司 | 焊装尺寸管理方法、系统、设备及介质 |
CN113739701A (zh) * | 2021-09-15 | 2021-12-03 | 广域铭岛数字科技有限公司 | 图像化显示测点的方法、系统、设备及介质 |
CN113916555B (zh) * | 2021-10-15 | 2024-05-03 | 浙江吉利控股集团有限公司 | 一种车辆的尺寸偏差处理方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3049700B1 (fr) * | 2016-03-29 | 2018-03-16 | Safran Aircraft Engines | Procede de fabrication de pieces prenant en compte des derives de fabrication |
US10146225B2 (en) * | 2017-03-02 | 2018-12-04 | GM Global Technology Operations LLC | Systems and methods for vehicle dimension prediction |
CN106885520B (zh) * | 2017-03-29 | 2019-08-09 | 荆州环球汽车零部件制造有限公司 | 一种凸轮轴轴向尺寸测量方法 |
CN107527113B (zh) * | 2017-08-01 | 2021-03-23 | 北京理工大学 | 一种混合动力车辆行驶工况的工况预测方法 |
CN107512266A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种基于波形训练的混合动力车辆行驶工况的工况预测方法 |
-
2019
- 2019-02-14 CN CN201910113377.0A patent/CN109933852B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109933852A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933852B (zh) | 预测车辆尺寸偏差的方法、装置、存储介质及电子设备 | |
CN111143102B (zh) | 异常数据检测方法、装置、存储介质及电子设备 | |
CN106685674B (zh) | 网络事件预测以及建立网络事件预测模型的方法和装置 | |
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
CN110222313B (zh) | 反映非一致性干旱特征变量的干旱预警方法和装置 | |
CN111080477A (zh) | 一种家庭电力负荷预测方法及系统 | |
CN109886477B (zh) | 水污染的预测方法、装置及电子设备 | |
CN112598537B (zh) | 电力设备故障诊断方法、装置及终端设备 | |
CN113095389B (zh) | 网格化传感器监控网络校准方法及系统 | |
CN109948812A (zh) | 确定故障原因的方法、装置、存储介质及电子设备 | |
CN112995893A (zh) | 一种指纹定位方法、系统、服务器和存储介质 | |
CN108537322A (zh) | 神经网络层间激活值量化方法及装置 | |
CN110988673B (zh) | 电机转子故障检测方法、装置及终端设备 | |
CN112566170A (zh) | 网络质量评估方法、装置、服务器及存储介质 | |
CN116990691A (zh) | 一种电池剩余满充时间的评估方法、装置、设备和介质 | |
CN110764975B (zh) | 设备性能的预警方法、装置及监控设备 | |
CN117309299B (zh) | 伺服驱动器振动试验方法、装置、设备及介质 | |
CN111025010B (zh) | 设备有功响应时间测量方法、装置及终端设备 | |
CN111595433A (zh) | 航空发动机整机振动传感器的位置确定方法及系统 | |
US20230154247A1 (en) | Information processing system, storage medium, and information processing method | |
CN117558118A (zh) | 电表数据采集方法、装置、存储介质及电子设备 | |
CN116087622B (zh) | 检测准确度预测方法、装置、处理设备及存储介质 | |
CN115830874B (zh) | 一种交通流基本图的拟合性能评价方法及系统 | |
CN116859317A (zh) | 电容式电压互感器计量误差预测方法及装置 | |
CN115407264A (zh) | 一种rssi测距方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |