CN111639715A - 基于ls-svm的汽车仪表组装质量预测方法与系统 - Google Patents
基于ls-svm的汽车仪表组装质量预测方法与系统 Download PDFInfo
- Publication number
- CN111639715A CN111639715A CN202010484882.9A CN202010484882A CN111639715A CN 111639715 A CN111639715 A CN 111639715A CN 202010484882 A CN202010484882 A CN 202010484882A CN 111639715 A CN111639715 A CN 111639715A
- Authority
- CN
- China
- Prior art keywords
- svm
- assembly
- data
- input
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000013598 vector Substances 0.000 claims abstract description 68
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 108010063499 Sigma Factor Proteins 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000010276 construction Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000002790 cross-validation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011207 functional examination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于LS‑SVM的汽车仪表组装质量预测方法与系统,根据样本仪表的关键工序组装数据和组装质量检测结果构建样本数据,对LS‑SVM质量预测模型进行训练,得到模型优化参数组合;获取n个待测仪表的n条关键工序组装数据,每条关键工序组装数据包含m个组装参数;将每条关键工序组装数据转换成对应的输入向量,根据输入向量建立原始输入矩阵X,归一化处理后得到输入矩阵X*;将X*作为LS‑SVM质量预测模型的输入,得出组装质量预测结果。预测系统包括关键工序组装数据输入模块、输入向量转换层、输入矩阵构建层、数据预处理层、LS‑SVM分类系统与预测结果输出层。本发明解决了采用自动化检测设备进行组装质量检查带来的成本高昂、通用性较差的技术问题。
Description
技术领域
本发明涉及智能制造领域,具体涉及汽车组合仪表组装质量预测。
背景技术
近十年来国内机动车消费水平持续保持高位,带动汽车零配件产业蓬勃发展。随着我国汽车产销量的不断增长,汽车组合仪表是作为必备的关键汽车配件,市场规模进一步扩大。各仪表生产商为增强企业核心竞争力,提高市场占有率,亟需应用智能制造技术进一步提高生产效率、降低生产成本。
在汽车组合仪表工厂生产过程中,组装过程作为核心生产环节,经多个工序完成各类合格零部件的组装。但各工序操作过程中存在不同程度的相互影响,导致仪表产品组装质量需要多个工序共同保证。因此组装过程造成的仪表产品失效占据产品故障总数的绝大部分,其中仪表指针抖动、转动不连续对产品质量的影响最为显著。所以需要对组装后的汽车组合仪表做全面、严格的机能检查。
但是当前的机能检查项目众多,耗费时间较长。尤其是指针动作检查环节仍然依赖人工进行,观察信号平稳变化时,指针运动是否平稳、有无卡滞现象,即通过指针偏转的连续性与准确性判定仪表产品是否合格。对单个产品(仅有2个表盘)完成各表盘指针动作检查耗费时间占机能检查总时间的比例高达35.1%,若表盘指针数增加,指针动作检查耗时占比将进一步增加,极大地降低了仪表生产商的生产效率。另一方面,长时间重复性工作极易引起检测人员视觉疲劳,造成质检误差增加,误检风险增大。
为了解决质检效率低和人工参与带来的不确定性问题,目前主要通过增加自动化检测设备或提升检测设备的自动化程度来实现,但是成本较高,适用于化工、钢铁等自动化程度高的流程型行业,其生产规模大、产品种类固定,即使生产设备投资增大,也可以通过稳定的产能降低产品成本。但是汽车仪表行业是多品种、小批量的生产模式,需要时常根据订单变更生产工艺,因此增加相应的自动化检测设备会导致成本大幅上升;同时检测设备增加要求操作人员具备更全面的工作技能,设备维护、检修的成本也随之提高,为生产管理带来诸多挑战。因此这类方法并不能满足仪表企业实际生产需求。
发明内容
针对上述技术的不足,本发明提供了一种基于LS-SVM的汽车仪表组装质量预测方法,解决现有技术采用自动化检测设备进行组装质量带来的成本高的技术问题。
为解决上述技术问题,本发明的技术方案如下:一种基于LS-SVM的汽车仪表组装质量预测方法,包括以下步骤:
步骤1:获取若干样本仪表的组装质量检测结果,用实测值对组装质量检测结果进行量化;
步骤2:获取各个样本仪表的关键工序组装数据,每条关键工序组装数据包含m个组装参数;对关键工序组装数据进行归一化处理,以统一各组装参数的数量级;
步骤3:归一化后的关键工序组装数据与对应样本仪表的实测值组成若干样本数据,将部分样本数据划分为训练样本数据,将另一部分样本数据划分为测试样本数据;将训练样本数据分成相等的k份样本集:S1,S2,…,Sk;每份样本集包括n条关键工序组装数据与对应的n个实测值,每条归一化后的关键工序组装数据均形成了一个样本输入向量,n个样本输入向量组成n×m的样本输入矩阵n个实测值形成列向量zn×1;采用k折交叉验证法对LS-SVM分类系统进行k次迭代训练,其中,第i次迭代以Si作为测试集,以其余k-1个样本集作为训练集,得到第i次迭代中实测值与预测值的误差Ei,k次迭代后得到k个误差值E1,E2,…,Ek,计算k次迭代误差的平均值通过改变LS-SVM分类系统中LS-SVM质量预测模型的参数组合,得到多个迭代误差平均值选择最小的迭代误差平均值所对应的参数组合,作为LS-SVM质量预测模型的优化参数组合,完成对LS-SVM分类系统的训练;
步骤4:获取n个待测仪表的n条关键工序组装数据,每条关键工序组装数据包含m个组装参数;
步骤5:将每条关键工序组装数据转换成对应的输入向量,并根据输入向量建立原始输入矩阵X;
步骤6:对原始输入矩阵X进行归一化处理,以统一原始输入矩阵X中组装参数的数量级,得到输入矩阵X*;
步骤7:将输入矩阵X*输入已训练完成的LS-SVM分类系统中,LS-SVM分类系统中的LS-SVM质量预测模型根据输入矩阵X*计算出每个输入向量的预测值,然后根据预测值对输入向量进行分类;
步骤8:根据输入向量的分类结果,作出对应待测仪表组装质量是否合格的预测结果,并进行输出。
本发明还包括一种基于LS-SVM的汽车仪表组装质量预测系统,包括依次连接的关键工序组装数据输入模块、输入向量转换层、输入矩阵构建层、数据预处理层、LS-SVM分类系统与预测结果输出层;
关键工序组装数据输入模块,用于输入对应n个待测仪表的n条关键工序组装数据,每条关键工序组装数据包含m个组装参数;
输入向量转换层,用于将每条关键工序组装数据转换成对应的输入向量;
输入矩阵构建层,用于根据输入向量建立原始输入矩阵X,原始输入矩阵为n×m矩阵;
数据预处理层,用于对原始输入矩阵X进行归一化处理,以统一输入矩阵中组装参数的数量级,得到输入矩阵X*;
LS-SVM分类系统,用于根据输入矩阵X*计算出每个输入向量的预测值,并根据预测值对输入向量进行分类;
预测结果输出层,用于根据输入向量的分类结果作出对应待测仪表的组装质量是否合格的预测结果,并进行输出。
进一步的,LS-SVM分类系统根据以下LS-SVM质量预测模型计算出预测值:
式中,αj表示与输入矩阵X*中的第j个输入向量xj对应的拉格朗日乘子,xi表示输入矩阵X*中的第i个输入向量,i,j∈{1,2,....,n},n表示输入向量的个数;b表示偏差量;K(xi,xj)表示LS-SVM的核函数,核函数采用满足Mercer条件的径向基函数:
采用样本数据对LS-SVM分类系统训练后得到LS-SVM质量预测模型的优化参数组合(γ,σ),其中γ表示误差惩罚因子,σ表示核函数宽度;根据误差惩罚因子γ与核函数宽度σ计算出αj与b,根据σ建立LS-SVM质量预测模型的核函数。
优选的,每条关键工序组装数据中包含以下参数:指针压入力度、指针压入高度以及在不同车速/转速下的指针偏转角度;当待测仪表包含2个表盘及以上时,每条关键工序组装数据中包含每个表盘的指针压入力度、每个仪表的指针压入高度以及每个表盘在不同车速/转速下的指针偏转角度。
与现有技术相比,本发明具有的优点包括:
1、本发明的基于LS-SVM的汽车仪表组装质量预测系统,无需先进的自动化检测设备作用于已经组装完成的仪表进行检测,而是基于关键工序组装数据与组装质量之间的非线性映射关系对组装质量做出预测,利用LS-SVM分类系统进行分类,从而避免了关键工序组装数据与组装质量之间的数学模型难以构建,且计算误差较大的问题。
2、采用径向基函数作为核函数,所需参数少且泛化能力强。同时,本发明的LS-SVM质量预测模型参数仅包含误差惩罚因子γ与核函数宽度σ,训练过程相对简单。
3、采用本发明的优化参数组合(γ,σ)=(1.0,0.01),可使预测准确率达到96%以上。
4、本发明不仅能适用于单表盘的待测仪表,而且对于包含多个表盘的组合式仪表同样适用,只需每条关键工序组装数据中包含组合式仪表中各个表盘的组装参数。
5、本发明的预测方法,将待测仪表的关键工序组装数据作为汽车仪表组装质量预测系统的输入数据,能准确预测仪表组装质量,极大简化了质检流程。
附图说明
图1为本具体实施方式中的采用基于LS-SVM的汽车仪表组装质量预测系统进行预测的流程图;
图2为某款汽车组合仪表产品的局部视图;
图3为对测试样本数据进行预测的预测结果示意图。
具体实施方式
一种基于LS-SVM的汽车仪表组装质量预测方法,包括以下步骤:
步骤1:获取若干样本仪表的组装质量检测结果,用实测值对组装质量检测结果进行量化,例如实测值为1时表示合格,实测值为-1时表示不合格。
步骤2:获取各个样本仪表的关键工序组装数据,每条关键工序组装数据包含m个组装参数;对关键工序组装数据进行归一化处理,以统一各组装参数的数量级。
步骤3:归一化后的关键工序组装数据与对应样本仪表的实测值组成若干样本数据,将部分样本数据划分为训练样本数据,将另一部分样本数据划分为测试样本数据;将训练样本数据分成相等的k份样本集:S1,S2,…,Sk;每份样本集包括n条关键工序组装数据与对应的n个实测值,每条归一化后的关键工序组装数据均形成了一个样本输入向量,n个样本输入向量组成n×m的样本输入矩阵n个实测值形成列向量zn×1;采用k折交叉验证法对LS-SVM分类系统进行k次迭代训练,其中,第i次迭代以Si作为测试集,以其余k-1个样本集作为训练集,得到第i次迭代中实测值与预测值的误差Ei,k次迭代后得到k个误差值E1,E2,…,Ek,计算k次迭代误差的平均值通过改变LS-SVM分类系统中LS-SVM质量预测模型的参数组合,得到多个迭代误差平均值选择最小的迭代误差平均值所对应的参数组合,作为LS-SVM质量预测模型的优化参数组合,完成对LS-SVM分类系统的训练。
第i次迭代中实测值与预测值的误差Ei的计算公式如下:
式中,zj,i表示第i个样本集Si中第j个样本输入向量x′j,i所对应的实测值,f(x′j,i)表示对样本输入向量x′j,i的预测值;
步骤4:获取n个待测仪表的n条关键工序组装数据,每条关键工序组装数据包含m个组装参数。
步骤5:将每条关键工序组装数据转换成对应的输入向量,并根据输入向量建立原始输入矩阵X。
步骤6:对原始输入矩阵X进行归一化处理,以统一原始输入矩阵X中组装参数的数量级,得到输入矩阵X*。
步骤7:将输入矩阵X*输入已训练完成的LS-SVM分类系统中,LS-SVM分类系统中的LS-SVM质量预测模型根据输入矩阵X*计算出每个输入向量的预测值,然后根据预测值对输入向量进行分类,将输入向量划分为合格与不合格两类。
步骤8:以输入向量的分类结果,作为对应待测仪表组装质量是否合格的预测结果,并进行输出。
上述步骤1至步骤3完成了LS-SVM分类系统的训练,使LS-SVM分类系统中的LS-SVM质量预测模型获得优化参数组合。步骤4至步骤8是利用训练完成后的LS-SVM分类系统进行预测,其流程,参考图1所示。
步骤3与步骤6采用的归一化方式相同,均采用min-max标准化方法。以对原始输入矩阵X进行归一化为例进行说明,采用如下公式对原始输入矩阵X中的每个参数进行归一化:
式中,x表示原始输入矩阵中的组装参数;x*表示归一化后的参数;min表示关键工序组装数据中的最小值,max表示关键工序组装数据中的最大值。
LS-SVM分类系统的LS-SVM质量预测模型如下:
式中,αj表示与输入矩阵X*中的第j个输入向量xj对应的拉格朗日乘子,xi表示输入矩阵X*中的第i个输入向量,i,j∈{1,2,....,n},n表示输入向量的个数;b表示偏差量;K(xi,xj)表示LS-SVM的核函数;
采用满足Mercer条件的径向基函数作为LS-SVM质量预测模型的核函数:
LS-SVM质量预测模型的优化参数组合为误差惩罚因子γ与核函数宽度σ;根据误差惩罚因子γ计算出拉格朗日乘子αj与偏差量b。
拉格朗日乘子αj与偏差量b,按如下线性方程组计算得出:
式中,In×n表示单位矩阵;K表示n阶核函数矩阵;zn×1表示n个实测值形成的列向量;αn×1=[α1,α2,...,αj,...αn]T,αn×1表示n个拉格朗日乘子形成的列向量。
上述线性方程组的推导过程如下:
①建立待求解问题约束等式:
式中,x′i表示n×m的样本输入矩阵中的第i个输入向量;zi表示与样本输入向量x′i对应的目标值,zi为1或-1,当zi=1时表示样本输入向量x′i对应的样本仪表的组装质量合格,当zi=1时表示样本输入向量x′i对应的样本仪表的组装质量不合格;ei表示误差变量;b表示偏差量;将样本空间映射到一个更高维的特征空间中;为分隔超平面权重矢量;
②引入拉格朗日函数:
③根据Karush-Kuhn-Tucker条件,即KKT条件,计算得到:
消去ei和ω,整理后便得到上述线性方程组。
下面以某仪表生产商的一款汽车组合仪表生产过程为例进行具体说明。图2为该款汽车组合仪表产品局部视图,其表盘主要由车速表、转速表构成,通过LS-SVM分类系统,结合该产品的关键工序生产数据,预测产品组装质量。
通过关键工序检测系统,在产品组装过程的“指针压入”、“高度确定”工序中使用力传感器、距离传感器对A点(车速表)和D点(转速表)指针的压入力度、压入高度数据进行采集,分别标记为(FA,HA)和(FD,HD);另一方面,指针偏转角度将直接影响用户读取数值的准确性,因此通过视觉检测系统对不同车速/转速下的指针偏转角度进行检测,分别标记为(θA1,θA2,θA3)和(θD1,θD2,θD3)。各标记数据及具体含义如表1-1所示。
表1组装过程关键工序采集数据列表
使用min-max标准化方法对上一步骤的采集数据进行归一化处理,将处理后数据的80%划分为训练样本数据、20%为测试样本数据,作为LS-SVM质量预测模型的输入;
选择径向基函数作为LS-SVM算法的核函数,采用5折交叉验证法,将训练样本数据分为5个样本集,通过改变误差惩罚因子γ和核函数宽度σ值,得到多个迭代误差平均值E,如表2所示。
由表可得,当误差惩罚因子γ=1、核函数宽度σ=0.01时,值最小,表明此时LS-SVM质量预测模型具备良好的拟合能力。因此选择基于LS-SVM的汽车组合仪表质量LS-SVM质量预测模型参数(γ,σ)为(1.0,0.01)。
使用基于LS-SVM的汽车组合仪表质量LS-SVM质量预测模型,结合测试样本数据对仪表产品组装质量做出预测,预测结果如图3所示。
由于测试集数据量较大,在图3中仅对部分预测结果进行图形化显示,可以看出实际检查结果与模型预测结果重合度非常高,预测表现良好。
为了准确评价LS-SVM质量预测模型效果,引入混淆矩阵,如表3所示。
表3混淆矩阵
采用预测准确率(Accuracy)和召回率(Recall)作为模型预测性能的评价指标,其表达式如下:
式(1)表示所有预测正确的结果,即合格结果中被预测为合格的数量(TP)与不合格结果中被预测为不合格的数量(TN)占总数的比重,反映了LS-SVM质量预测模型的准确程度;
式(2)表示合格结果中被预测为合格的数量(TP)占实际预测合格总数(TP&FN)的比重,衡量了LS-SVM质量预测模型对合格结果的识别能力。
LS-SVM汽车组合仪表质量LS-SVM质量预测模型的准确评价指标如表4所示:
表4 LS-SVM质量预测模型预测表现
由表4可以看出,LS-SVM质量预测模型准确率可达96.88%,能够对仪表产品指针机能检查结果做出准确预测,完全满足汽车组合仪表智能工厂的质检要求;同时模型召回率可达97.85%,表示对合格产品具备足够的识别能力。综合以上两项指标,本发明提供的产品质量预测方法完全满足汽车组合仪表智能工厂的实际生产需求,有效性及实用性得到验证。
Claims (8)
1.一种基于LS-SVM的汽车仪表组装质量预测方法,其特征在于,包括以下步骤:
步骤1:获取若干样本仪表的组装质量检测结果,用实测值对组装质量检测结果进行量化;
步骤2:获取各个样本仪表的关键工序组装数据,每条关键工序组装数据包含m个组装参数;对关键工序组装数据进行归一化处理,以统一各组装参数的数量级;
步骤3:归一化后的关键工序组装数据与对应样本仪表的实测值组成若干样本数据,将部分样本数据划分为训练样本数据,将另一部分样本数据划分为测试样本数据;将训练样本数据分成相等的k份样本集:S1,S2,…,Sk;每份样本集包括n条关键工序组装数据与对应的n个实测值,每条归一化后的关键工序组装数据均形成了一个样本输入向量,n个样本输入向量组成n×m的样本输入矩阵n个实测值形成列向量zn×1;采用k折交叉验证法对LS-SVM分类系统进行k次迭代训练,其中,第i次迭代以Si作为测试集,以其余k-1个样本集作为训练集,得到第i次迭代中实测值与预测值的误差Ei,k次迭代后得到k个误差值E1,E2,…,Ek,计算k次迭代误差的平均值通过改变LS-SVM分类系统中LS-SVM质量预测模型的参数组合,得到多个迭代误差平均值选择最小的迭代误差平均值所对应的参数组合,作为LS-SVM质量预测模型的优化参数组合,完成LS-SVM分类系统训练过程;
步骤4:获取n个待测仪表的n条关键工序组装数据,每条关键工序组装数据包含m个组装参数;
步骤5:将每条关键工序组装数据转换成对应的输入向量,并根据输入向量建立原始输入矩阵X;
步骤6:对原始输入矩阵X进行归一化处理,以统一原始输入矩阵X中组装参数的数量级,得到输入矩阵X*;
步骤7:将输入矩阵X*输入到训练完成后的LS-SVM分类系统中,LS-SVM分类系统中的LS-SVM质量预测模型根据输入矩阵X*计算出每个输入向量的预测值,然后根据预测值对输入向量进行分类;
步骤8:根据输入向量的分类结果,作出对应待测仪表组装质量是否合格的预测结果,并进行输出。
5.一种基于LS-SVM的汽车仪表组装质量预测系统,其特征在于,包括依次连接的关键工序组装数据输入模块、输入向量转换层、输入矩阵构建层、数据预处理层、LS-SVM分类系统与预测结果输出层;
关键工序组装数据输入模块,用于输入对应n个待测仪表的n条关键工序组装数据,每条关键工序组装数据包含m个组装参数;
输入向量转换层,用于将每条关键工序组装数据转换成对应的输入向量;
输入矩阵构建层,用于根据输入向量建立原始输入矩阵X,原始输入矩阵为n×m矩阵;
数据预处理层,用于对原始输入矩阵X进行归一化处理,以统一输入矩阵中组装参数的数量级,得到输入矩阵X*;
LS-SVM分类系统,用于根据输入矩阵X*计算出每个输入向量的预测值,并根据预测值对输入向量进行分类;
预测结果输出层,用于根据输入向量的分类结果,作出对应待测仪表组装质量是否合格的预测结果,并进行输出。
6.根据权利要求5所述的基于LS-SVM的汽车仪表组装质量预测系统,其特征在于,LS-SVM分类系统根据以下LS-SVM质量预测模型计算出预测值:
式中,αj表示与输入矩阵X*中的第j个输入向量xj对应的拉格朗日乘子,xi表示输入矩阵X*中的第i个输入向量,i,j∈{1,2,....,n},n表示输入向量的个数;y(xi)表示对输入向量xi的预测值,b表示偏差量;K(xi,xj)表示LS-SVM的核函数,核函数采用满足Mercer条件的径向基函数:
采用样本数据对LS-SVM分类系统训练后得到LS-SVM质量预测模型的优化参数组合(γ,σ),其中γ表示误差惩罚因子,σ表示核函数宽度;根据误差惩罚因子γ与核函数宽度σ计算出αj与b,根据σ建立LS-SVM质量预测模型的核函数。
8.根据权利要求5所述的基于LS-SVM的汽车仪表组装质量预测系统,其特征在于,每条关键工序组装数据中包含以下参数:指针压入力度、指针压入高度以及在不同车速/转速下的指针偏转角度;当待测仪表包含2个表盘及以上时,每条关键工序组装数据中包含每个表盘的指针压入力度、每个仪表的指针压入高度以及每个表盘在不同车速/转速下的指针偏转角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010484882.9A CN111639715B (zh) | 2020-06-01 | 2020-06-01 | 基于ls-svm的汽车仪表组装质量预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010484882.9A CN111639715B (zh) | 2020-06-01 | 2020-06-01 | 基于ls-svm的汽车仪表组装质量预测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639715A true CN111639715A (zh) | 2020-09-08 |
CN111639715B CN111639715B (zh) | 2023-06-06 |
Family
ID=72332231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010484882.9A Active CN111639715B (zh) | 2020-06-01 | 2020-06-01 | 基于ls-svm的汽车仪表组装质量预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639715B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112389450A (zh) * | 2020-11-20 | 2021-02-23 | 交通运输部公路科学研究所 | 一种基于板簧形变的罐车整车质量动态估计方法 |
CN113408192A (zh) * | 2021-05-31 | 2021-09-17 | 国网山东省电力公司营销服务中心(计量中心) | 基于ga-fsvr的智能电表误差预测方法 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049990A1 (en) * | 2003-08-29 | 2005-03-03 | Milenova Boriana L. | Support vector machines processing system |
US20050169558A1 (en) * | 2004-01-30 | 2005-08-04 | Xerox Corporation | Method and apparatus for automatically combining a digital image with text data |
CN101329734A (zh) * | 2008-07-31 | 2008-12-24 | 重庆大学 | 基于k-l变换和ls-svm的车牌字符识别方法 |
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102056182A (zh) * | 2010-12-13 | 2011-05-11 | 哈尔滨工业大学 | 一种基于ls-svm的移动话务量预测方法 |
CN102065449A (zh) * | 2010-12-13 | 2011-05-18 | 哈尔滨工业大学 | 一种基于聚类ls-svm的移动通信话务量预测方法 |
CN103353754A (zh) * | 2013-06-28 | 2013-10-16 | 惠州市德赛西威汽车电子有限公司 | 一种汽车仪表的生产方法 |
CN103528617A (zh) * | 2013-09-27 | 2014-01-22 | 中国人民解放军空军工程大学 | 一种座舱仪表自动识别和检测方法及装置 |
CN104156615A (zh) * | 2014-08-25 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的传感器检测数据点异常检测方法 |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
CN104199870A (zh) * | 2014-08-19 | 2014-12-10 | 桂林电子科技大学 | 基于混沌搜索的ls-svm预测模型的建立方法 |
CN104504698A (zh) * | 2014-12-20 | 2015-04-08 | 辽宁师范大学 | 基于局部像素分类的彩色图像分割方法 |
CN105572501A (zh) * | 2015-12-17 | 2016-05-11 | 西安理工大学 | 一种基于sst变换和ls-svm的电能质量扰动识别方法 |
CN105588598A (zh) * | 2014-10-21 | 2016-05-18 | 郑州精益达汽车零部件有限公司 | 一种基于机器视觉的汽车仪表自动化检测设备 |
CN107239857A (zh) * | 2017-05-31 | 2017-10-10 | 武汉大学 | 基于ls_svm和pca的架空输电线路风险评估方法 |
CN107590498A (zh) * | 2017-09-27 | 2018-01-16 | 哈尔滨工业大学 | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 |
CN107818327A (zh) * | 2016-09-14 | 2018-03-20 | 中国科学院深圳先进技术研究院 | 分类器训练方法及装置 |
CN108268905A (zh) * | 2018-03-21 | 2018-07-10 | 广东电网有限责任公司电力科学研究院 | 一种基于支持向量机的变压器故障诊断方法及系统 |
CN108876039A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 |
CN109657847A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 基于粒子群优化支持向量回归的工业生产中故障预测方法 |
CN109670687A (zh) * | 2018-12-06 | 2019-04-23 | 华中科技大学 | 一种基于粒子群优化支持向量机的质量分析方法 |
CN109919178A (zh) * | 2019-01-23 | 2019-06-21 | 广西大学 | 基于特征量优选和小波核函数lssvm的故障预测方法 |
CN110866440A (zh) * | 2019-09-27 | 2020-03-06 | 惠州市德赛西威汽车电子股份有限公司 | 一种指针仪表深度学习网络搭建方法、检测方法及其系统 |
-
2020
- 2020-06-01 CN CN202010484882.9A patent/CN111639715B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049990A1 (en) * | 2003-08-29 | 2005-03-03 | Milenova Boriana L. | Support vector machines processing system |
US20050169558A1 (en) * | 2004-01-30 | 2005-08-04 | Xerox Corporation | Method and apparatus for automatically combining a digital image with text data |
CN101329734A (zh) * | 2008-07-31 | 2008-12-24 | 重庆大学 | 基于k-l变换和ls-svm的车牌字符识别方法 |
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102056182A (zh) * | 2010-12-13 | 2011-05-11 | 哈尔滨工业大学 | 一种基于ls-svm的移动话务量预测方法 |
CN102065449A (zh) * | 2010-12-13 | 2011-05-18 | 哈尔滨工业大学 | 一种基于聚类ls-svm的移动通信话务量预测方法 |
CN103353754A (zh) * | 2013-06-28 | 2013-10-16 | 惠州市德赛西威汽车电子有限公司 | 一种汽车仪表的生产方法 |
CN103528617A (zh) * | 2013-09-27 | 2014-01-22 | 中国人民解放军空军工程大学 | 一种座舱仪表自动识别和检测方法及装置 |
CN104199870A (zh) * | 2014-08-19 | 2014-12-10 | 桂林电子科技大学 | 基于混沌搜索的ls-svm预测模型的建立方法 |
CN104156615A (zh) * | 2014-08-25 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的传感器检测数据点异常检测方法 |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
CN105588598A (zh) * | 2014-10-21 | 2016-05-18 | 郑州精益达汽车零部件有限公司 | 一种基于机器视觉的汽车仪表自动化检测设备 |
CN104504698A (zh) * | 2014-12-20 | 2015-04-08 | 辽宁师范大学 | 基于局部像素分类的彩色图像分割方法 |
CN105572501A (zh) * | 2015-12-17 | 2016-05-11 | 西安理工大学 | 一种基于sst变换和ls-svm的电能质量扰动识别方法 |
CN107818327A (zh) * | 2016-09-14 | 2018-03-20 | 中国科学院深圳先进技术研究院 | 分类器训练方法及装置 |
CN107239857A (zh) * | 2017-05-31 | 2017-10-10 | 武汉大学 | 基于ls_svm和pca的架空输电线路风险评估方法 |
CN107590498A (zh) * | 2017-09-27 | 2018-01-16 | 哈尔滨工业大学 | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 |
CN108268905A (zh) * | 2018-03-21 | 2018-07-10 | 广东电网有限责任公司电力科学研究院 | 一种基于支持向量机的变压器故障诊断方法及系统 |
CN108876039A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 |
CN109657847A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 基于粒子群优化支持向量回归的工业生产中故障预测方法 |
CN109670687A (zh) * | 2018-12-06 | 2019-04-23 | 华中科技大学 | 一种基于粒子群优化支持向量机的质量分析方法 |
CN109919178A (zh) * | 2019-01-23 | 2019-06-21 | 广西大学 | 基于特征量优选和小波核函数lssvm的故障预测方法 |
CN110866440A (zh) * | 2019-09-27 | 2020-03-06 | 惠州市德赛西威汽车电子股份有限公司 | 一种指针仪表深度学习网络搭建方法、检测方法及其系统 |
Non-Patent Citations (2)
Title |
---|
LI JIALIN ET AL.: "A Directed Acyclic Graph Network Combined with CNN and LSTM for Remaining Useful Life Prediction", pages 75464 - 75475 * |
刘明周 等: "发动机曲轴多工序装配的质量预测模型研究", vol. 6, no. 1, pages 22 - 28 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112389450A (zh) * | 2020-11-20 | 2021-02-23 | 交通运输部公路科学研究所 | 一种基于板簧形变的罐车整车质量动态估计方法 |
CN113408192A (zh) * | 2021-05-31 | 2021-09-17 | 国网山东省电力公司营销服务中心(计量中心) | 基于ga-fsvr的智能电表误差预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111639715B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220146462A1 (en) | Method for predicting remaining life of numerical control machine tool | |
CN101246369B (zh) | 一种汽车零部件尺寸质量控制系统和方法 | |
CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN111639715B (zh) | 基于ls-svm的汽车仪表组装质量预测方法与系统 | |
Dehning et al. | Factors influencing the energy intensity of automotive manufacturing plants | |
US20220091597A1 (en) | Analysis system and analysis method | |
CN110874685A (zh) | 基于神经网络的智能电能表运行状态判别方法及系统 | |
CN102601881A (zh) | 一种橡胶硬度的在线质量监控和预测模型更新的方法 | |
CN113094893A (zh) | 晶圆品质虚拟测量方法、装置、计算机设备和存储介质 | |
Wang et al. | Compilation method of CNC lathe cutting force spectrum based on kernel density estimation of G-SCE | |
CN111931307A (zh) | 一种零件质量预测和评估优化方法及系统 | |
Wu et al. | A reliability assessment method based on support vector machines for CNC equipment | |
CN107515971B (zh) | 一种基于维修性和功能结构的产品设计方法及装置 | |
CN114800036B (zh) | 一种设备健康状态评估方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN109933031A (zh) | 一种根据化验数据自动校正软测量仪表的系统及方法 | |
CN112231849B (zh) | 基于nest和sprt融合算法的轴温故障检测方法 | |
Li et al. | Modeling of machining errors’ accumulation driven by RFID graphical deduction computing in multistage machining processes | |
CN108415372B (zh) | 精密机床热误差补偿方法 | |
CN107402559B (zh) | 一种基于动态超球结构变化的间歇过程测量数据异常检测方法 | |
CN112365022A (zh) | 一种基于多阶段的发动机轴承故障预测方法 | |
CN111507003A (zh) | 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法 | |
CN104881551B (zh) | 电工电子产品成熟度评估方法 | |
CN110826816B (zh) | 船舶造修的能耗确定方法、装置、设备和存储介质 | |
CN116183111B (zh) | 一种轮胎的动平衡均匀性优化方法及系统 |
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 |