CN111458116A - 一种汽车转向管柱装配质量检测方法 - Google Patents
一种汽车转向管柱装配质量检测方法 Download PDFInfo
- Publication number
- CN111458116A CN111458116A CN202010161278.2A CN202010161278A CN111458116A CN 111458116 A CN111458116 A CN 111458116A CN 202010161278 A CN202010161278 A CN 202010161278A CN 111458116 A CN111458116 A CN 111458116A
- Authority
- CN
- China
- Prior art keywords
- sample
- steering column
- sampling
- sample data
- automobile steering
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 42
- 230000001133 acceleration Effects 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/06—Steering behaviour; Rolling behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及汽车转向管柱技术领域,具体的讲是一种汽车转向管柱装配质量检测方法,通过采集转向管柱模拟运行(转向)时产生的振动信号,对该时域信号进行快速傅里叶变换分析频域信号;剔除高频部分,保留其隐含大量装配质量信息的低频部分;计算低频部分振动加速度级;用最小二乘滤波器进行平滑处理;下采样对样本数据进行降维;用zscore算法进行标准化处理;训练SVM分类模型实现装配质量检测,本发明弥补了现有技术侧重于对每道工序的装配质量进行检测的不足,从系统的整体性考虑,通过分析转向管柱模拟运行时产生的振动信号对装配质量进行综合诊断,能够有效的识别异常装配产品,提高生产效率并且客观的实现汽车转向管柱整体装配质量检测。
Description
技术领域
本发明涉及汽车转向管柱技术领域,具体的讲是一种汽车转向管柱装配质量检测方法。
背景技术
随着汽车行业的不断发展,汽车作为一种重要的交通工具已经进入千家万户,汽车的安全问题也引起了越来越多的关注,人们对汽车的安全问题也提出了更高的要求。EPSc汽车转向管柱作为现在主流的转向系统重要组成部分,是保证汽车安全的重要零部件,其质量问题关系着汽车的可靠性、耐久性、使用寿命,甚至人身安全。
装配过程是EPSc汽车转向管柱制造的最后一步,装配质量直接影响着最终的产品质量。装配过程是一个由人、机、料、法、环等多种因素综合影响的过程,这些因素的不可控性以及装配工艺的复杂性使得难以建立一套可靠的EPSc汽车转向管柱装配质量检测模型。而工业现场现有的技术方案大多忽略了系统的整体性,侧重于对每道工序的装配质量进行检测,对于系统整体的检测缺乏成熟和完善的方法。对现有的专利及文献进行检索后研究发现,公开号为CN110132628A的专利公开了“一种联合收割机装配质量检测装置及方法”,该发明采集待测部件的振动信号并提取其时域和频域信号的16种特征参数,通过预设特征参数的阈值来进行质量检测。缺点在于,该方法通过简单的设置阈值对装配质量进行判断,容易产生误判和漏判,忽略了装配系统的复杂性。
为此设计一种能够快速有效的识别异常装配产品、提高生产效率并且确保装配质量的基于SVM的EPSc汽车转向管柱装配质量检测方法是十分有必要的。
发明内容
本发明突破了现有技术的难题,设计了一种能够快速有效的识别异常装配产品、提高生产效率并且确保装配质量的基于SVM的EPSc汽车转向管柱装配质量检测方法。
为了达到上述目的,本发明通过对转向管柱模拟运行(转向)时产生的振动信号进行分析,设计了一种汽车转向管柱装配质量检测方法,其特征在于:按如下步骤进行:
步骤1:用加速度传感器采集正常装配转向管柱和异常装配转向管柱模拟运行时产生的振动信号,组成原始信号样本集Q;
步骤2:采用快速傅里叶变换将振动信号样本集Q转换为频域信号集P;
步骤3:剔除频域信号集P中的高频部分并计算幅值,组成新的样本集A;
步骤4:计算样本集A的振动加速度级LA;
步骤6:对重构的样本集D进行标准化处理,得到标准化样本集D*;
步骤7:将标准化样本集D*划分为训练数据集D*train和测试数据集D*text,把训练数据集D*train及其样本标签作为输入数据,建立SVM分类模型,将测试数据集D*text输入SVM分类模型,输出为装配质量正常和异常两种分类结果,完成质量检测。
进一步的,所述步骤(5)中下采样过程具体为:每隔H组数据等间隔的取样一次
本发明与现有技术相比,本发明通过采集转向管柱模拟运行(转向)时产生的振动信号,对该时域信号进行快速傅里叶变换分析频域信号;剔除高频部分,保留其隐含大量装配质量信息的低频部分;计算低频部分振动加速度级;用最小二乘滤波器进行平滑处理;下采样对样本数据进行降维;用zscore算法进行标准化处理;最后,训练SVM分类模型实现装配质量检测。
本发明能够弥补现有工业现场侧重于对每道工序的装配质量进行检测的不足,从系统的整体性考虑,通过分析转向管柱模拟运行(转向)时产生的振动信号对装配质量进行综合诊断,能够有效的识别异常装配产品、提高生产效率并且客观的实现EPSc汽车转向管柱整体装配质量检测,减少质量问题。
附图说明
图1为本发明的流程图。
图2为本发明具体实施例中采集的振动信号。
图3为本发明具体实施例中具体实施例中0-5000HZ频域信号。
图4为本发明具体实施例中0-5000HZ振动加速度级。
图5为本发明具体实施例中低通滤波后的样本。
图6为本发明具体实施例中下采样后的样本。
图7为本发明具体实施例中标准化处理后的样本。
具体实施方式
结合附图对本发明作进一步描述。
实施例1:
步骤3:观察频谱图并根据实际经验分析,频域信号的低频部分隐含了大量的EPSc转向管柱的装配质量特征,所以,剔除频域信号中的高频部分,保留0-5000HZ频域信号并计算幅值,组成新的样本集A,即,,其中26448为0-5000HZ频域信号幅值采样点数,样本量500不变,如图3所示为一组0-5000HZ频域信号幅值。
步骤5:重构振动加速度级样本集LA,对其进行下采样,每隔30组数据等间隔的取样一次,降低采样频率,减少数据采样点数,对数据进行降维。
为了防止采样而引发的频率混叠,需要先对样本集LA进行低通滤波。采用Savitzky-Golay滤波器,指定多项式阶数为3,数据框长度为199。附图5所示为一组低通滤波后的样本数据,低通滤波后的样本数据集为。
经验证,本发明的测试数据集分类结果准确率达99.91%,所以本发明能够有效的识别异常装配产品、提高生产效率并且客观的实现EPSc汽车转向管柱整体装配质量检测。
Claims (9)
1.一种汽车转向管柱装配质量检测方法,其特征在于:按如下步骤进行:
步骤1:用加速度传感器采集正常装配转向管柱和异常装配转向管柱模拟运行时产生的振动信号,组成原始信号样本集Q;
步骤2:采用快速傅里叶变换将振动信号样本集Q转换为频域信号集P;
步骤3:剔除频域信号集P中的高频部分并计算幅值,组成新的样本集A;
步骤4:计算样本集A的振动加速度级LA;
步骤6:对重构的样本集D进行标准化处理,得到标准化样本集D*;
步骤7:将标准化样本集D*划分为训练数据集D*train和测试数据集D*text,把训练数据集D*train及其样本标签作为输入数据,建立SVM分类模型,将测试数据集D*text输入SVM分类模型,输出为装配质量正常和异常两种分类结果,完成质量检测。
6.根据权利要求1所述的一种汽车转向管柱装配质量检测方法,其特征在于:步骤5中低通滤波具体为采用Savitzky-Golay滤波器,该滤波器是一种基于局域多项式最小二乘法拟合的滤波方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010161278.2A CN111458116A (zh) | 2020-03-10 | 2020-03-10 | 一种汽车转向管柱装配质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010161278.2A CN111458116A (zh) | 2020-03-10 | 2020-03-10 | 一种汽车转向管柱装配质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111458116A true CN111458116A (zh) | 2020-07-28 |
Family
ID=71684242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010161278.2A Withdrawn CN111458116A (zh) | 2020-03-10 | 2020-03-10 | 一种汽车转向管柱装配质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111458116A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504268A (zh) * | 2020-09-22 | 2021-03-16 | 合肥赛为智能有限公司 | 一种无人机imu采集数据的预处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010129003A (ja) * | 2008-11-29 | 2010-06-10 | Yamaguchi Univ | 防災総合計画支援システムとそのプログラム |
CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
CN107942940A (zh) * | 2016-10-28 | 2018-04-20 | 华中科技大学 | 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 |
CN109443723A (zh) * | 2018-11-23 | 2019-03-08 | 山东大学 | 一种装配质量在线检测方法、装置及系统 |
CN109557186A (zh) * | 2018-12-24 | 2019-04-02 | 暨南大学 | 一种机械装配动态质量检测方法 |
CN110132628A (zh) * | 2019-05-31 | 2019-08-16 | 河南科技大学 | 一种联合收割机装配质量检测装置及方法 |
CN110307174A (zh) * | 2019-06-28 | 2019-10-08 | 江苏大学 | 一种清选风机制造装配质量检测装置及方法 |
-
2020
- 2020-03-10 CN CN202010161278.2A patent/CN111458116A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010129003A (ja) * | 2008-11-29 | 2010-06-10 | Yamaguchi Univ | 防災総合計画支援システムとそのプログラム |
CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
CN107942940A (zh) * | 2016-10-28 | 2018-04-20 | 华中科技大学 | 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 |
CN109443723A (zh) * | 2018-11-23 | 2019-03-08 | 山东大学 | 一种装配质量在线检测方法、装置及系统 |
CN109557186A (zh) * | 2018-12-24 | 2019-04-02 | 暨南大学 | 一种机械装配动态质量检测方法 |
CN110132628A (zh) * | 2019-05-31 | 2019-08-16 | 河南科技大学 | 一种联合收割机装配质量检测装置及方法 |
CN110307174A (zh) * | 2019-06-28 | 2019-10-08 | 江苏大学 | 一种清选风机制造装配质量检测装置及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504268A (zh) * | 2020-09-22 | 2021-03-16 | 合肥赛为智能有限公司 | 一种无人机imu采集数据的预处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11467562B2 (en) | Online monitoring device and system for a 3D printing device | |
CN103868690B (zh) | 基于多种特征提取和选择的滚动轴承状态自动预警方法 | |
CN102721545B (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
EP3764184B1 (en) | Abnormality determination assistance device | |
CN110333077B (zh) | 一种基于近似支持向量的滚动轴承故障诊断方法 | |
CN111354366B (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN102628917B (zh) | 局部放电识别方法和系统 | |
CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN107095669A (zh) | 一种癫痫患者脑电信号的处理方法及系统 | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN102824172A (zh) | 一种脑电特征提取方法 | |
DE102018206435A1 (de) | Vorrichtung zum Bestimmen einer Drehgeschwindigkeit und einer Schwingung eines Radkopfs eines Fahrzeugs | |
CN105022912A (zh) | 基于小波主成分分析的滚动轴承故障预测方法 | |
CN117191305B (zh) | 一种公路桥梁的状态评估方法及系统 | |
CN113532848A (zh) | 一种行星齿轮箱故障诊断系统 | |
Xiao et al. | A multichannel fusion approach based on coupled hidden Markov models for rolling element bearing fault diagnosis | |
CN109406147A (zh) | 一种变速工况下的列车轴承轨边声学诊断方法 | |
CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
CN111707472B (zh) | 基于fft和全连接层-svm的滚动轴承故障诊断方法 | |
CN112529177A (zh) | 一种车辆碰撞检测方法及装置 | |
CN111458116A (zh) | 一种汽车转向管柱装配质量检测方法 | |
Patel et al. | Fault diagnostics of rolling bearing based on improve time and frequency domain features using artificial neural networks | |
CN116778956A (zh) | 一种变压器声学特征提取及故障识别方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200728 |
|
WW01 | Invention patent application withdrawn after publication |