CN110516920B - 基于指标融合的陀螺仪质量等级评估方法 - Google Patents
基于指标融合的陀螺仪质量等级评估方法 Download PDFInfo
- Publication number
- CN110516920B CN110516920B CN201910718844.2A CN201910718844A CN110516920B CN 110516920 B CN110516920 B CN 110516920B CN 201910718844 A CN201910718844 A CN 201910718844A CN 110516920 B CN110516920 B CN 110516920B
- Authority
- CN
- China
- Prior art keywords
- gyroscope
- data set
- data
- feature
- fused
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
本发明公开了一种基于指标融合的陀螺仪质量等级评估方法,解决了因指标波动误差的不稳定性给产品质量等级评估带来的评估不准确问题,实现步骤为:获取陀螺仪装配过程数据集I1;判断I1中是否存在缺失特征数据;对I1中缺失特征数据进行填充,得到完整特征数据集I2;对I2进行PCA降维,得到降维后数据集I3;对I3聚类分析,得到聚类标签L;对I2数据融合,得到融合后特征数据集;对半液浮速率陀螺仪质量等级评估;本发明对单一指标多次检测数据进行融合,并通过计算不同聚类标签所对应的融合后特征与融合后特征重要度的乘积之和,给出了一个更为精准的半液浮速率陀螺仪质量等级评估模型,用于陀螺仪质量等级评估。
Description
技术领域
本发明属于自动化工程技术领域,涉及陀螺仪的质量等级评估,具体是一种基于指标融合的陀螺仪质量等级评估方法,可用于陀螺仪的质量等级评估。
背景技术
惯性导航产业是一个工业化和信息化程度较高的产业。高度的工业化和信息化给数据分析创造了可能性。然而,陀螺仪的装配过程较为复杂,产线每天需要装配众多的陀螺仪,在装配过程中,每道工序都有可能会对产品的品质产生影响。虽然不同领域对陀螺仪性能的要求不尽相同,但是根据陀螺仪的质量实施差异化管理,有针对性地开展元器件选用和质量保证工作是尤为关注的焦点。
陀螺仪是指将将陀螺框架组件用高密度液体悬浮.利用阿基米德原理使浮液浮力部分克服重力,实现中性悬浮使其支承轴承卸载。陀螺仪是目前惯性导航系统中应用极为广泛的一种陀螺仪,它属于框架式陀螺,其高速旋转的陀螺转子是由陀螺马达驱动的。液浮陀螺仪的主要特点是转子密封在充有惰性气体的浮球或浮筒内,而浮球悬浮于氟油之中,通过精确的静平衡以及温度控制,使浮球所受的浮力与该组件的重力完全平衡,从而保证浮球定位用的宝石轴承上的摩擦力矩降到极微小的程度
陀螺仪质量等级评估目前主要是根据陀螺仪装配过程中的调试数据进行分析,利用各种评估算法建立模型,对陀螺仪质量等级进行评估。对陀螺仪质量等级进行正确的评估,不仅能够得到陀螺仪的质量等级,而且根据对陀螺仪影响较大的关键调试数据,可以重点监控关键调试数据对应的工序,从而提高陀螺仪的产品质量。
目前针对陀螺仪质量评估的主要方法是通过获取产品各道工序的输出参数指标构建产品质量评价体系对产品质量进行评估。如林春荣2017年在组合机床与自动化加工技术期刊第10期卷中基于熵值法和序关系分析法的产品质量评估的论文中公开了一种基于熵值法和序关系分析法相结合的产品质量评估方法,分析了输出参数与产品质量之间的影响关系,建立了以各道工序的输出参数为指标的产品质量评价体系,通过引入物元理论和模糊隶属度函数概念,确定了有公共端点和无公共端点的两种关联函数,构建了基于物元理论的产品质量评价模型;利用熵值法和序关系分析法相结合的组合权重法确定了产品质量评估指标权重,从而获得产品质量评价结果。该方法在分析输出参数与产品质量影响关系的时候,没有考虑到不同工序下同一个输出参数的波动情况,而这波动可能导致造成产品质量的不稳定,同时也增加了评估的难度。
陀螺仪是一种高精度的航天导航产品,其质量等级直接关系到应用场合的控制和精度,出厂之前的一丝一毫误差都会造成一些系统误差,所以,在质量评估过程中考虑到陀螺仪的质量稳定性至关重要。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出一种等级评估更精准的基于指标融合的陀螺仪质量等级评估方法。
为实现发明目的,本发明采用以下技术方案
本发明是一种基于指标融合的陀螺仪质量等级评估方法,其特征在于,包括如下步骤:
(1)获取陀螺仪装配过程数据集I1:对采集的装配过程中陀螺仪的检测数据进行去重,得到陀螺仪装配过程的N维原始数据集I1;
(2)判断数据集I1中是否存在缺失的特征数据:统计原始数据集I1中特征数据数量n和非空特征数据数量m,若n不等于m,则原始数据集I1中存在缺失的特征数据;
(3)对I1中缺失的特征数据进行填充:计算缺失特征数据所在列数据的均值β,使用缺失列均值β对原始数据集I1中缺失的特征数据进行填充,得到完整特征数据集I2;
(4)对I2进行(主成分分析)PCA降维:基于完整特征数据集I2,设置95%作为主成分分析(PCA)算法的参数,在完整特征数据集I2的2维到5维的空间中用K邻近分类器进行交叉验证选取降维后的最优维度d,得到降维后数据集I3;
(5)对I3进行聚类分析:基于k-means算法对降维后数据集I3进行聚类,得到聚类标签L;
(6)对I2进行数据融合:针对完整特征数据集I2中每个样本的单个指标的多次检测数据进行融合,得到其单个指标多次检测数据的标准差ó,遍历完整特征数据集I2中每个样本的每个单个指标,得到每个样本的多次检测数据融合后的标准差ó,同样的方法遍历完整特征数据集I2中的每个样本,得到融合后特征数据集I4;
(7)对陀螺仪质量进行评估:
(7a)得到融合后特征重要度:将融合后特征数据集I4与聚类标签L作为随机森林算法的共同输入,融合后特征重要度作为随机森林算法的输出,得到融合后特征的重要度;
(7b)结合融合后特征重要度实现陀螺仪质量等级评估:根据聚类标签L和融合后特征数据集I4以及融合后特征的重要度,针对融合后特征数据集I4中同一聚类标签所对应的融合后特征,计算该融合后特征和与之对应的融合后特征重要度的乘积之和,得到该聚类标签所对应的特征综合波动误差;同样的方法遍历聚类标签L中的每个聚类标签得到不同聚类标签所对应的特征综合波动误差,实现陀螺仪所有质量等级评估。
本发明解决了现有技术中存在的评估难度较大的问题。给出更加精确的陀螺仪质量等级评估方法。
本发明与现有技术相比,具有以下优点:
给出了一个更为精准的陀螺仪质量等级评估模型:本发明在参与陀螺仪质量等级评估的实践过程中,发现不同指标对产品质量的影响不同,只采用直接检测的指标数据进行质量等级评估会影响质量等级评估的精度,陀螺仪的指标包含多个指标项,不同指标对产品质量的影响程度不同,本发明通过计算不同聚类标签所对应的融合后特征与融合后特征重要度的乘积之和,得到不同聚类标签下所有指标数据的综合波动误差,给出了一个更为精准的陀螺仪质量等级评估模型。
提高了陀螺仪质量等级评估的准确性:本发明在参与陀螺仪质量等级评估的实践过程中,发现每一个指标每次检测得到的数据会有差别,直接采用每次检测得到的数据进行质量等级评估会影响质量等级评估的准确性,本发明根据装配过程中会对同一质量指标在不同装配工序后进行多次测试的现状,对多次测试得到的指标进行融合,保留了指标数据在整个装配过程中的波动信息,提高了陀螺仪的质量等级评估的准确性。
附图说明
图1是本发明的实现流程图。
具体实施方法
以下结合附图和具体实施例,对本发明作详细描述。
实施例1
陀螺仪作为惯性导航系统的组成部分,广泛地应用于航海、航空、航天以及国民经济等领域,陀螺仪提供的方位、水平、位置等信号与导航系统的性能息息相关,不同领域对陀螺仪的质量要求不同,因此对陀螺仪质量等级进行评估,实现陀螺仪质量等级的明确划分尤为重要。现有质量评估方法利用熵值法和序关系分析法相结合的组合权重法确定了产品质量评估指标权重,实现产品质量等级评估,该方法在质量评估的时候,没有考虑到装配过程中多次检测的数据波动情况,针对此现象,本发明开展研究。本发明以采集的陀螺仪装配过程数据为基础,根据装配过程中会对同一质量指标进行多次测试的现状,对多次测试得到的指标进行融合,并利用融合后的数据集构建陀螺仪质量等级评估模型,实现陀螺仪质量等级的划分。
本发明是一种基于指标融合的陀螺仪质量等级评估方法,参见图1,包括如下步骤:
(1)获取陀螺仪装配过程数据集I1:对采集的装配过程中陀螺仪的检测数据进行去重,得到陀螺仪装配过程的N维原始数据集I1;原始数据集I1中每一个陀螺仪产品表示一个样本,每一种检测数据作为一种指标,每一种指标中包含多次检测的指标数据。指标数据包括有随机漂移、随机震动、陀螺仪线性度、加速度敏感系数、刻度因数、六位置零位差、六位置回零差、速度分辨率测试、全温度零位变化、与输入轴有关的漂移、与电机轴有关的漂移等。
(2)判断数据集I1中是否存在缺失的特征数据:统计原始数据集I1中特征数据数量n和非空特征数据数量m,若n不等于m,则原始数据集I1中存在缺失的特征数据。原始数据集I1中特征数据数量表示样本个数,非特征数据数量表示原始数据集中具有特征数据的样本个数。
(3)对I1中缺失的特征数据进行填充:计算缺失特征数据所在列数据的均值β,使用缺失列均值β对原始数据集I1中缺失的特征数据进行填充,得到完整特征数据集I2。
(4)对I2进行(主成分分析)PCA降维:基于完整特征数据集I2,设置95%作为主成分分析(PCA)算法的参数,在完整特征数据集I2的2维到5维的空间中用K邻近分类器进行交叉验证选取降维后的最优维度d,得到降维后数据集I3。
(5)对I3进行聚类分析:基于k-means算法对降维后数据集I3进行聚类,得到聚类标签L。
本例中,设置聚类数目为2、3、4、5,首先以聚类数目为2,采用k-means算法对降维后数据集I3进行聚类,得到聚类结果;再以聚类数目为3,采用k-means算法对降维后数据集I3进行聚类,得到聚类结果,以此类推得到聚类数目为5的聚类结果,通过对比聚类数目为2、3、4、5时得到的聚类结果,确定k-means算法的最佳聚类数目,并根据最佳聚类数目使用k-means算法对降维后数据集I3进行聚类得到聚类标签L。
(6)对I2进行数据融合:针对完整特征数据集I2中每个样本的单个指标的多次检测数据进行融合,得到完整特征数据集I2中每个样本的单个指标多次检测数据的标准差ó,遍历完整特征数据集I2中每个样本的每个单个指标,得到每个样本的多次检测数据融合后的标准差ó,同样的方法遍历完整特征数据集I2中的每个样本,得到融合后特征数据集I4。
融合后特征数据集I4由检测数据的标准差ó构成,因此融合后特征数据集I4能够反应多次检测的数据在产品生产过程中的波动误差。
本例中,计算了完整特征数据集I2中每个样本的单个指标多次检测数据的平均值,然后通过遍历完整特征数据集I2中每个样本的单个指标的多次检测数据,计算单个指标多次检测数据的标准差,将该标准差作为产品生产过程中的指标波动误差。
以随机漂移的指标为例,本发明首先计算8次采集到的随机漂移指标数据的均值,然后计算8次采集到的随机漂移指标数据的标准差,将该标准差作为陀螺仪的随机漂移指标的波动误差。
(7)对陀螺仪质量进行评估:
(7a)得到融合后特征重要度:将融合后特征数据集I4与聚类标签L作为随机森林算法的共同输入,融合后特征重要度作为随机森林算法的输出,得到陀螺仪质量融合后特征的重要度;
(7b)结合融合后特征重要度实现陀螺仪质量等级评估:根据聚类标签L和融合后特征数据集I4以及融合后特征的重要度,针对融合后特征数据集I4中同一聚类标签所对应的融合后特征,计算该融合后特征和与之对应的融合后特征重要度的乘积之和,得到该聚类标签所对应的特征综合波动误差;同样的方法遍历聚类标签L中的每个聚类标签,得到不同聚类标签所对应的特征综合波动误差,实现陀螺仪所有质量等级评估。
本发明给出了一个更为精准的陀螺仪质量等级评估的整体技术方案,本发明在参与陀螺仪质量等级评估的实践过程中,发现不同指标对产品质量的影响不同,只采用直接检测的指标数据进行质量等级评估会影响质量等级评估的精度,陀螺仪的指标包含多个指标项,不同指标对产品质量的影响程度不同,本发明通过计算不同聚类标签所对应的融合后特征与融合后特征重要度的乘积之和,得到不同聚类标签下所有指标数据的综合波动误差,给出了一个更为精准的陀螺仪质量等级评估模型。
实施例2
基于指标融合的陀螺仪质量等级评估方法同实施例1,步骤(6)中所述的对特征数据集I2进行数据融合,实现步骤为:
针对I2中每个样本的单个指标的多次检测数据,计算其单个指标多次检测数据的标准差,得到融合后特征数据集I4;计算公式如下:
其中i表示指标个数,j表示检测次数,k表示样本个数,xi,j表示第i个指标的第j次检测值,表示多次检测的第i个指标的均值,σk,i表示第k个样本的第i个指标的标准差,I4为最终得到的融合后数据集。遍历融合后数据集中单个样本中单个指标多次检测数据的标准差,然后对融合后数据集中所有样本均进行此操作,最终得到由所有样本指标的标准差构成的融合后数据集I4,该数据集可以反应在生产过程中多次检测指标数据的波动情况,为后续陀螺仪质量等级评估奠定了基础。
本发明对陀螺仪装配过程中的每一个指标都进行了数据融合,通过对现场检测到的指标数据融合,每一个指标中既保留了指标数据的波动信息,同时将波动信息降到最小,本发明解决了现有技术在质量评估过程中没有考虑产品装配过程中多次检测的单一指标数据发生波动的问题,整体上实现了更精确的对陀螺仪进行质量等级评估。
实施例3
基于指标融合的陀螺仪质量等级评估方法同实施例1-2,步骤(7b)中所述的结合融合后特征重要度实现陀螺仪质量等级评估,根据聚类标签L和融合后特征数据集I4以及融合后特征的重要度,针对融合后特征数据集I4中同一聚类标签所对应的融合后特征,计算该融合后特征和与之对应的融合后特征重要度的乘积之和,得到该聚类标签所对应的特征综合波动误差;同样的方法遍历聚类标签L中的每个聚类标签,得到不同聚类标签所对应的特征综合波动误差,实现陀螺仪所有质量等级评估,具体实现为:
计算同一聚类标签所对应融合特征数据集I4中特征与该特征对应的特征重要度乘积之和的均值得到特征波动误差d,计算公式为:
a1xi,1+a2xi,2+......+amxi,m=di,j i=1,2,...n
其中i表示样本,j表示聚类标签,am表示第m个特征的重要度,xi,m表示第i个样本的第m个特征,di,j表示第j类标签对应的第i个样本的特征与特征重要度乘积之和。通过计算同一聚类标签所对应融合特征数据集I4中特征与特征重要度乘积之和,将特征重要度作为特征的权重,采用这种方式进行陀螺仪质量等级评估能够充分考虑到不同特征对陀螺仪质量等级的影响。将融合特征数据集I4中特征与特征重要度乘积之和按照聚类标签来区分,通过统计同一聚类标签所对应融合特征数据集I4中特征与特征重要度乘积之和的均值,根据均值的大小,从小到大确定陀螺仪的质量等级。
本发明通过计算不同聚类标签所对应的融合后特征与融合后特征重要度的乘积之和,得到不同聚类标签下所有指标数据的综合波动误差,通过所有指标数据的综合波动误差,本发明解决了直接采用指标数据进行质量等级评估会影响质量等级评估的精度的问题,给出了一个更为精准的陀螺仪质量等级评估模型。
下面给出一个更详细的例子,对本发明进一步说明。
实施例4
基于指标融合的陀螺仪质量等级评估方法同实施例1-3,参见图1,包括如下步骤:
步骤1)获取陀螺仪装配过程数据集I1:对采集的装配过程中陀螺仪的检测数据进行去重,得到陀螺仪装配过程的N维原始数据集I1;
陀螺仪的装配过程包含许多工艺环节,且每一个装配环节中均包含相应的检测步骤,每一个工序都会对陀螺仪的质量产生影响,采集装配过程中陀螺仪的检测数据,可以确保采集可能包含影响陀螺仪质量评估的全部数据。
本发明中,根据Python语言中的mice函数对采集到的装配过程中陀螺仪的检测数据进行去重,得到陀螺仪装配过程的N维原始数据集I1。
步骤2)判断数据集I1中是否存在缺失的特征数据:统计原始数据集I1I1中特征数据数量n和非空特征数据数量m,若n不等于m,则原始数据集I1I1中存在缺失的特征数据。
步骤3)对I1中缺失的特征数据进行填充:计算缺失特征数据所在列数据的均值β,使用缺失列均值β对原始数据集I1中缺失的特征数据进行填充,得到完整特征数据集I2。通过对缺失的特征数据进行填充,使得特征数据集I2尽可能保留更多的数据信息,为陀螺仪质量等级评估提供更全面的数据信息。
步骤4)对I2进行主成分分析(PCA)降维:基于完整特征数据集I2,设置95%作为主成分分析(PCA)算法的参数,在特征数据集I2的2维到5维的空间中用K邻近分类器进行交叉验证选取降维后的最优维度d,得到降维后数据集I3。通过对特征数据集进行主成分分析(PCA)降维,减小了计算复杂度,节省了计算资源。
步骤5)对I3进行聚类分析:基于k-means算法对降维后的数据集I3进行聚类,得到聚类标签L;通过对I3进行聚类分析,从数据分布的角度对陀螺仪进行分类。
步骤6)对I2进行数据融合:针对完整特征数据集I2中每个样本的单个指标的多次检测数据进行融合,得到其单个指标多次检测数据的标准差ó,遍历完整特征数据集I2中每个样本的每个单个指标,得到每个样本的多次检测数据融合后的标准差ó,同样的方法遍历完整特征数据集I2中的每个样本,得到融合后特征数据集I4;具体实现步骤为:
针对I2中每个样本的单个指标的多次检测数据,计算其单个指标多次检测数据的标准差,得到融合后的数据集I4。计算公式如下:
步骤7)对陀螺仪质量等级进行评估:
步骤7a)得到融合后特征重要度:将融合后特征数据集I4与聚类标签L作为随机森林算法的共同输入,融合后特征重要度作为随机森林算法的输出,得到陀螺仪质量融合后特征的重要度;
步骤7b)结合融合后特征重要度实现陀螺仪质量等级评估:根据聚类标签L和融合后特征数据集I4以及融合后特征的重要度,针对融合后特征数据集I4中同一聚类标签所对应的融合后特征,计算该融合后特征和与之对应的融合后特征重要度的乘积之和,得到该聚类标签所对应的特征综合波动误差;同样的方法遍历聚类标签L中的每个聚类标签,得到不同聚类标签所对应的特征综合波动误差,实现陀螺仪所有质量等级评估。具体实现步骤为:
计算同一聚类标签所对应融合数据集I4中特征与特征重要度乘积之和的均值得到特征波动误差d,计算公式为:
a1xi,1+a2xi,2+......+amxi,m=di,j i=1,2,...n
其中i表示样本,j表示聚类标签,am表示第m个特征的重要度,xi,m表示第i个样本的第m个特征,di,j表示第j类标签对应的第i个样本的特征与特征重要度乘积之和。
本发明在陀螺仪质量等级评估的过程中,根据装配过程中会对同一质量指标在不同装配工序后进行多次测试的现状,对多次测试得到的指标进行融合,保留了指标数据在整个装配过程中的波动信息,提高了陀螺仪的质量等级评估的准确性。
本发明的效果可以通过以下实践进一步说明:
实施例5
基于指标融合的陀螺仪质量等级评估方法同实施例1-4,
实践配置:
本实例在Intel(R)Core(TM)i5-4210U@2.10GHz,Windows 7(×64)系统下,Python运行平台上,完成建模实践。
实践内容:
通过使用某企业陀螺仪生产现场采集的装配过程中每道装配工序完成后的检测数据进行建模实践。
数据采集:
采集的陀螺仪原始数据集如表1所示:
表1陀螺仪原始数据集
产品代号 | 线性度(初测) | 加速敏感系数(初测) | 六位置零位差 | 六位置回零差 | … |
8137 | 0.000302 | 0.003762 | 0.010736 | 0.003921 | … |
7617 | 0.000301 | 0.037771 | 0.012569 | 0.002569 | … |
8152 | 0.000289 | 0.503215 | 0.0154632 | 0.002564 | … |
8153 | 0.000302 | 0.365417 | 0.010736 | 0.003546 | … |
8137 | 0.000301 | 0.632145 | 0.012569 | 0.003894 | … |
… | … | … | … | … | … |
缺失特征数据填充:
计算缺失特征数据所在列数据的均值β,使用缺失列均值β通过Python中的fillna()函数对原始数据集I1中缺失的特征数据进行填充,得到完整特征数据集。
PCA降维:
基于Python中的numpy函数库,设置PCA算法的参数为0.95,得到包含大于0.95的统计检验量对应的特征数据构成的数据集。
聚类分析:
基于Python中的KMeans函数库,使用k-means聚类算法基于聚类数目2、3、4、5,依次对降维后数据集进行聚类,确定最佳聚类数目为3,并得到聚类后的数据集。
数据融合:
计算完整特征数据集I2中每个样本的单个指标多次检测数据的标准差ó,遍历完整特征数据集I2中每个样本的每个单个指标的多次检测数据的标准差ó,进而遍历完整特征数据集I2中的每个样本,得到融合后特征数据集I4。如表2所示:
表2融合后特征数据集
产品编号 | 刻度因数 | 随机漂移 | 与输入轴有关漂移 | 与电机轴有关漂移 | 线性度 |
8137 | 0.009225 | 0.000033 | 0.000644 | 0.000409 | 0.000000 |
7617 | 0.668254 | 0.000013 | 0.000130 | 0.000339 | 0.000028 |
8152 | 3.086419 | 0.000018 | 0.000947 | 0.000371 | 0.000000 |
8153 | 1.069703 | 0.000025 | 0.000362 | 0.000512 | 0.000013 |
8203 | 0.030206 | 0.000042 | 0.001406 | 0.000616 | 0.000023 |
8227 | 2.854255 | 0.000025 | 0.001675 | 0.000290 | 0.000000 |
8228 | 0.598603 | 0.000031 | 0.000428 | 0.000356 | 0.000000 |
8237 | 0.426328 | 0.000050 | 0.000631 | 0.000618 | 0.000013 |
8274 | 0.021651 | 0.000022 | 0.000271 | 0.001580 | 0.000045 |
8277 | 3.100089 | 0.000025 | 0.001408 | 0.000600 | 0.000000 |
… | … | … | … | … | … |
现有质量评估技术在进行产品质量评估时建立了以各道工序的输出参数为指标的产品质量评价体系,它考虑了每道工序对产品质量的影响,但是由于产品在生产过程中的检测指标数据可能会随着时间发生变化,如果不考虑检测指标数据的波动性,可能导致产品质量评估的精确性,因此通过对数据进行融合,使融合后特征数据具有反应指标数据稳定性的特性,增强产品质量评估的精确性。
对陀螺仪质量进行评估:
基于Python中的scikit-learn包将融合后数据集I4与聚类分析后得到聚类标签L作为随机森林算法的输入,特征重要度作为随机森林算法的输出,得到特征的重要度。
根据聚类标签L和融合后数据集I4以及每个特征的重要度,计算同一聚类标签所对应融合数据集I4中特征与特征重要度的乘积之和,得到不同聚类标签所对应的特征综合波动误差,根据不同聚类标签所对应的综合波动误差的大小实现陀螺仪质量等级划分,综合波动误差最小的产品质量等级为最优,综合波动误差最大的产品质量等级为最差,最终陀螺仪质量等级评估结果如表3所示:
表3陀螺仪质量等级评估结果
本发明以采集的陀螺仪装配过程数据为基础,对单个指标多次测试得到的指标进行融合,解决了现有质量评估技术未考虑测试数据波动的问题,并基于融合后的数据集构建陀螺仪质量等级评估模型,实现更为精准的对陀螺仪质量等级进行评估。
简而言之,本发明公开的一种基于指标融合的陀螺仪质量等级评估方法,解决了单一指标波动误差的不稳定性给产品质量等级评估带来的评估不准确问题,实现步骤为:获取陀螺仪装配过程数据集I1;判断I1中是否存在缺失的特征数据;对I1中缺失的特征数据进行填充,得到完整特征数据集I2;对I2进行PCA降维,得到降维后数据集I3;对I3进行聚类分析,得到聚类标签L;对I2进行数据融合,得到融合后特征数据集;对陀螺仪进行质量等级评估;本发明对陀螺仪单一指标多次检测数据进行融合,并通过计算不同聚类标签所对应的融合后特征与融合后特征重要度的乘积之和,给出了一个更为精准的陀螺仪质量等级评估模型,用于陀螺仪质量等级评估。
Claims (3)
1.一种基于指标融合的陀螺仪质量等级评估方法,其特征在于,包括有如下步骤:
(1)获取陀螺仪装配过程数据集I1:对采集的装配过程中陀螺仪的检测数据进行去重,得到陀螺仪装配过程的N维原始数据集I1;
(2)判断数据集I1中是否存在缺失的特征数据:统计原始数据集I1中特征数据数量n和非空特征数据数量m,若n不等于m,则原始数据I1中存在缺失的特征数据;
(3)对I1中缺失的特征数据进行填充:计算缺失特征数据所在列数据的均值β,使用缺失列均值β对原始数据集I1中缺失的特征数据进行填充,得到完整特征数据集I2;
(4)对I2进行(主成分分析)PCA降维:基于完整特征数据集I2,设置95%作为主成分分析(PCA)算法的参数,在数据集I2的2维到5维的空间中用K邻近分类器进行交叉验证选取降维后的最优维度d,得到降维后数据集I3;
(5)对I3进行聚类分析:基于k-means算法对降维后数据集I3进行聚类,得到聚类标签L;
(6)对I2进行数据融合:针对完整特征数据集I2中每个样本的单个指标的多次检测数据进行融合,得到其单个指标多次检测数据的标准差ó,遍历完整特征数据集I2中每个样本的每个单个指标,得到每个样本的多次检测数据融合后的标准差ó,同样的方法遍历完整特征数据集I2中的每个样本,得到融合后特征数据集I4;
(7)对陀螺仪质量等级进行评估:
(7a)得到融合后特征重要度:将融合后特征数据集I4与聚类标签L作为随机森林算法的共同输入,融合后特征重要度作为随机森林算法的输出,得到陀螺仪质量融合后特征的重要度;
(7b)结合融合后特征重要度实现陀螺仪质量等级评估:根据聚类标签L和融合后特征数据集I4以及融合后特征的重要度,针对融合后特征数据集I4中同一聚类标签所对应的融合后特征,计算该融合后特征和与之对应的融合后特征重要度的乘积之和,得到该聚类标签所对应的特征综合波动误差;同样的方法遍历聚类标签L中的每个聚类标签,得到不同聚类标签所对应的特征综合波动误差,实现陀螺仪所有质量等级评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910718844.2A CN110516920B (zh) | 2019-08-05 | 2019-08-05 | 基于指标融合的陀螺仪质量等级评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910718844.2A CN110516920B (zh) | 2019-08-05 | 2019-08-05 | 基于指标融合的陀螺仪质量等级评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516920A CN110516920A (zh) | 2019-11-29 |
CN110516920B true CN110516920B (zh) | 2022-12-02 |
Family
ID=68624474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910718844.2A Active CN110516920B (zh) | 2019-08-05 | 2019-08-05 | 基于指标融合的陀螺仪质量等级评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516920B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446597B (zh) * | 2020-11-14 | 2024-01-12 | 西安电子科技大学 | 贮箱质量评估方法、系统、存储介质、计算机设备及应用 |
CN112488497A (zh) * | 2020-11-27 | 2021-03-12 | 中国人民解放军火箭军工程大学 | 一种融合多元信息的激光惯组性能评估方法 |
CN117370827A (zh) * | 2023-12-07 | 2024-01-09 | 飞特质科(北京)计量检测技术有限公司 | 一种基于深度聚类模型的风机质量等级评估方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463247B (zh) * | 2014-12-09 | 2016-08-31 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN109171738A (zh) * | 2018-07-13 | 2019-01-11 | 杭州电子科技大学 | 基于人体加速度多特征融合和knn的跌倒检测方法 |
CN109492683A (zh) * | 2018-10-30 | 2019-03-19 | 国网湖南省电力有限公司 | 一种针对广域量测电力大数据数据质量的快速在线评估方法 |
-
2019
- 2019-08-05 CN CN201910718844.2A patent/CN110516920B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110516920A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516920B (zh) | 基于指标融合的陀螺仪质量等级评估方法 | |
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
CN110288032B (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
CN101183437B (zh) | 检测和定位飞行器旋翼的调整误差或缺陷的方法和系统 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN102449645B (zh) | 产品检查装置及产品检查方法 | |
CN113092981B (zh) | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 | |
CN113487533B (zh) | 一种基于机器学习的零件装配质量数字化检测系统及方法 | |
Winkler et al. | Optimizing for recall in automatic requirements classification: An empirical study | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
CN110285781B (zh) | 一种相对于基准面的平面平行度快速评定方法 | |
CN110716500A (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
CN108393744B (zh) | 一种刀具状态多传感监测方法 | |
CN105045220B (zh) | 一种用于实验室诊断领域或工业生产领域的基于多变量z分数质量控制图的质量控制方法 | |
CN115691722A (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
CN102945222A (zh) | 一种基于灰色理论的乏信息测量数据粗大误差判别方法 | |
CN108920428B (zh) | 一种基于联合模糊扩张原理的模糊距离判别方法 | |
CN101592692B (zh) | 测量机台的评估方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN113033683B (zh) | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN114781056A (zh) | 一种基于特征匹配的飞机整机外形测量方法 | |
CN110673470B (zh) | 基于局部加权因子模型的工业非平稳过程软测量建模方法 | |
CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 |
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 |