CN112733435A - 一种基于多模型融合的整车尺寸匹配偏差预测方法 - Google Patents
一种基于多模型融合的整车尺寸匹配偏差预测方法 Download PDFInfo
- Publication number
- CN112733435A CN112733435A CN202011597736.3A CN202011597736A CN112733435A CN 112733435 A CN112733435 A CN 112733435A CN 202011597736 A CN202011597736 A CN 202011597736A CN 112733435 A CN112733435 A CN 112733435A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- regression model
- data set
- multiple linear
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000012417 linear regression Methods 0.000 claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000010187 selection method Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于多模型融合的整车尺寸匹配偏差预测方法,属于车辆生产领域,运用基于蒙特卡洛仿真法的偏差分析建立整车尺寸匹配偏差预测位置的机理模型M1;建立模型学习数据集D,数据集D由j个样本组成,每个样本由i个特征项和1个目标项组成,i个特征项来自于机理模型M1中的影响因素;运用数据集D建立基于正规方程的多元线性回归模型M2、基于梯度下降的多元线性回归模型M3及基于L2正则化的岭回归模型M4;将机理模型M1、回归模型M2、回归模型M3及岭回归模型M4进行融合得到预测模型M,以运用预测模型M对整车尺寸匹配相关位置进行预测分析。通过本发明可有效提升整车尺寸匹配偏差预测的有效性和准确率。
Description
技术领域
本发明属于车辆生产领域,更具体地,涉及一种基于多模型融合的整车尺寸匹配偏差预测方法。
背景技术
目前整车尺寸匹配偏差预测方法有:
①极值法,极值法的计算方法是:封闭环的最大极限尺寸为当所有增环均为最大极限尺寸且所有减环均为最小极限尺寸时获得;最小极限尺寸为当所有增环均为最小极限尺寸且所有减环均为最大极限尺寸时获得。极值法是建立在零件100%互换基础上,因此预测结果往往比实际结果有很大差异。
②方和根法是以一定的置信水平为依据(通常假定各组成环以及封闭环公差服从正态分布,且装配函数为线性关系,取置信水平P=99.73%),不要求100%互换,只要求大数互换,但未考虑实际生产因素的影响,因此预测结果与实际结果差异大。
③蒙特卡洛仿真法,基本思想为:当所求解问题是某种随机事件出现的概率,或者是某个随机变量的期望值时,通过某种“实验”的方法,以这种事件出现的频率估计这一随机事件的概率,或者得到这个随机变量的某些数字特征,并将其作为问题的解。但该方法未考虑其他外界因素对装配过程的影响,未考虑装配和定位的力变形、热膨胀等等因素,因此预测结果与实际结果仍有较大差异。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种基于多模型融合的整车尺寸匹配偏差预测方法,能有效提升偏差预测结果精度,为整车尺寸匹配偏差分析提供重要依据。
为实现上述目的,本发明提供了一种基于多模型融合的整车尺寸匹配偏差预测方法,包括:
运用基于蒙特卡洛仿真法的偏差分析建立整车尺寸匹配偏差预测位置的机理模型M1;
建立模型学习数据集D,其中,数据集D由j个样本组成,每个样本由i个特征项和1个目标项组成,i个特征项来自于机理模型M1中的影响因素;
运用数据集D建立基于正规方程的多元线性回归模型M2、基于梯度下降的多元线性回归模型M3及基于L2正则化的岭回归模型M4;
将机理模型M1、多元线性回归模型M2、多元线性回归模型M3及岭回归模型M4进行多模型融合得到最终的预测模型M,以运用预测模型M对整车尺寸匹配相关位置进行预测分析。
在一些可选的实施方案中,所述运用基于蒙特卡洛仿真法的偏差分析建立整车尺寸匹配偏差预测位置的机理模型M1,包括:
确定整车尺寸匹配预测位置相关零部件的定位方式,并建立间隙面差特征测量点;
确定装配方式,并基于整车尺寸匹配预测位置相关零部件的定位方式对零部件进行定位装配;
创建公差与特征测量点对应的测量,运行仿真得到影响因素系数,通过影响因素系数确定机理模型M1。
在一些可选的实施方案中,所述建立模型学习数据集D,包括:
根据i个特征项和对应的目标项y,在数据管理系统中实车采集至少N组实测偏差数据,得到每个特征项xn(n∈(1,2,…,i))数据的均值μn和方差σn;
当每个特征项xn(n∈(1,2,…,i))满足xn≥μn+6σn或xn≤μn-6σn时,则需剔除掉该组数据,随后随机取出不少于M组数据,作为模型学习数据集D,其中,模型学习数据集D表示为:
D={(x1.1,x1.2,…,x1.i,y1),…,(xj.1,xj.2,…,xj.i,yj)},其中,N≥j,M=j。
在一些可选的实施方案中,β的获取方式为:
初始化β向量的值作为Θ0,将Θ0带入2XT(Xβ-Y)得到当前的梯度,其中,X为特征值矩阵,Y为目标值矩阵;
用步长α乘以当前梯度,得到从当前位置下降的距离;
由Θ1=Θ0-α·2XT(XΘ0-Y)得到更新后的Θ1,判断Θ1是否达到停止条件,在Θ1没有达到停止条件时,由Θ2=Θ1-α·2XT(XΘ1-Y)得到更新后的Θ2,重复以上操作,直至Θk达到停止条件,将Θk作为求解的β参数向量。
在一些可选的实施方案中,α选择方法为:
从模型学习数据集D中随机抽取预设比例的数据组数作为模型学习训练集,余下作为测试集;
设定步长α={α1,α2,…,αn},将步长α={α1,α2,…,αn}逐一代入基于正规方程的多元线性回归模型M3的构建算法中,运用训练集求解回归模型M3,并使用回归模型M3对测试集进行测试求解,并分别求解得到步长α={α1,α2,…,αn}对应的均方误差MSE={MSE1,MSE2,…,MSEn};
均方误差MSE={MSE1,MSE2,…,MSEn}中最小均方误差对应的α为最优解。
在一些可选的实施方案中,所述将机理模型M1、多元线性回归模型M2、多元线性回归模型M3及岭回归模型M4进行多模型融合得到最终的预测模型M,以运用预测模型M对整车尺寸匹配相关位置进行预测分析,包括:
依次运用M1、M2、M3、M4模型对数据集D进行求解预测,得到新的预测数据集:
使用基于L2正则化的岭回归算法,运用数据集D′和岭回归算法建立预测模型M。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明通过在基于蒙特卡洛仿真法的偏差分析建立的尺寸匹配偏差预测机理模型的基础上,结合实际生产制造的实测数据训练出的多个学习模型,运用多模型融合算法得到一种新的偏差预测模型,该模型可有效提升整车尺寸匹配偏差预测的有效性和准确率,为后续的整车尺寸匹配偏差改善提供理论支撑。
附图说明
图1是本发明实施例提供的一种基于多模型融合的整车尺寸匹配偏差预测方法的流程示意图;
图2是本发明实施例提供的一种机理模型M1的构建流程示意图;
图3是本发明实施例提供的一种不同预测模型精度对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明通过建立机理模型M1、基于正规方程的多元线性回归模型M2、基于梯度下降的多元线性回归模型M3以及基于L2正则化的岭回归模型M4,融合四种模型得到最终预测模型M,运用预测模型M对整车尺寸匹配相关位置进行预测分析。如图1所示是本发明实施例提供的一种基于多模型融合的整车尺寸匹配偏差预测方法的流程示意图,在图1所示的方法中包括以下步骤:
S1:建立机理模型M1:运用基于蒙特卡洛仿真法的偏差分析建立整车尺寸匹配偏差预测位置的机理模型M1;
进一步地,如图2所示,步骤S1可以通过以下方式实现:
S1.1:确定整车尺寸匹配预测位置相关零部件的定位方式,并建立间隙面差特征测量点;
S1.2:确定装配方式,并基于整车尺寸匹配预测位置相关零部件的定位方式对零部件进行定位装配;
S1.3:创建公差与特征测量点对应的测量,运行仿真得到影响因素系数,进而通过影响因素系数确定机理模型M1。
S2:构建模型学习数据集D={(x1.1,x1.2,…,x1.i,y1),…,(xj.1,xj.2,…,xj.i,yj)},其中,数据集D由j个样本组成,每个样本由i个特征项和1个目标项组成,i个特征项来自于机理模型M1中的影响因素,第i个特征项的特征值为xh.1,xh.2,…,xh.i,h=1,2,...,j;
进一步地,可以通过以下方式构建模型学习数据集D:
根据i个特征项和对应的目标项y,在数据管理系统中实车采集至少N(N≥j)组实测偏差数据,得到每个特征项xn(n∈(1,2,…,i))数据的均值μn和方差σn;
当每个特征项xn(n∈(1,2,…,i))满足xn≥μn+6σn或xn≤μn-6σn时,需剔除掉该组数据,随后随机取出不少于M(M=j)组数据,作为模型学习数据集D。
其中,N与M的值可以根据实际需要确定,本发明实施例不做唯一性限定。
S3:运用数据集D建立基于正规方程的多元线性回归模型M2、基于梯度下降的多元线性回归模型M3以及基于L2正则化的岭回归模型M4;
进一步地,基于正规方程的多元线性回归模型M2的构建方式:
M2=wTx
进一步地,基于梯度下降的多元线性回归模型M3的构建算法:
M3=βTx
其中,求解β过程为:
①初始化β向量的值,即Θ0,将Θ0带入2XT(Xβ-Y),其中,X为特征值矩阵,Y为目标值矩阵,得到当前梯度;
②用步长α乘以当前梯度,得到从当前位置下降的距离;
其中,α可以根据实际需要确定,通常取0~1.0之间的小数。
③更新Θ1,其更新表达式为:Θ1=Θ0-α·2XT(XΘ0-Y);
④重复步骤③,直到更新到某个Θk,达到停止条件后得到的Θk为求解的β参数向量。
其中,停止条件为足够大的迭代步数,或当两次迭代之间的差值小于某个设定阈值。
其中,α选择方法为:
①将数据集D随机抽取预设比例的数据组数作为模型学习训练集DTRAIN,余下作为测试集DTEST;
②设定步长α={α1,α2,…,αn};
③将②中步长α={α1,α2,…,αn},逐一代入基于正规方程的多元线性回归模型M3的构建算法中,运用训练集DTRAIN求解回归模型M3,并使用回归模型M3对测试集DTEST进行测试求解,并分别求解得到步长α={α1,α2,…,αn}对应的均方误差MSE={MSE1,MSE2,…,MSEn};
均方误差求解公式:
④均方误差MSE={MSE1,MSE2,…,MSEn}中最小均方误差对应的α即为最优解。
进一步地,具体地,L2正则化的岭回归模型M4的构建算法:
M4=γTx
γ=(XTX+λI)-1XTY,式中:X为特征值矩阵,Y为目标值矩阵,I为常向量E,λ为正则化力度系数,λ选取方法与步长α方法一致。
S4:将机理模型M1、多元线性回归模型M2、多元线性回归模型M3以及岭回归模型M4进行多模型融合得到最终的预测模型M;
进一步地,基于多模型融合算法的预测模型M的构建方法为:
①依次运用M1、M2、M3、M4模型对数据集D进行求解预测,得到新的预测数据集:
②为了使模型的泛化性更好,避免过拟合,M模型建立使用基于L2正则化的岭回归算法;运用训练数据集D′和岭回归算法建立预测模型M。
S5:运用预测模型M对整车尺寸匹配相关位置进行预测分析。
运用25组实测数据集对M1、M2、M3、M4、M模型分别进行预测,并运用均方误差求解公式分别求解出模型误差精度 (误差精度数值越小越好),通过图3(图3为整车尺寸车门匹配区域的运用实例)对比可知,基于多模型融合的整车尺寸匹配偏差预测方法具有更好的预测精度,可有效提升整车尺寸匹配偏差预测的有效性和准确率,为后续的整车尺寸匹配偏差改善提供理论支撑。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多模型融合的整车尺寸匹配偏差预测方法,其特征在于,包括:
运用基于蒙特卡洛仿真法的偏差分析建立整车尺寸匹配偏差预测位置的机理模型M1;
建立模型学习数据集D,其中,数据集D由j个样本组成,每个样本由i个特征项和1个目标项组成,i个特征项来自于机理模型M1中的影响因素;
运用数据集D建立基于正规方程的多元线性回归模型M2、基于梯度下降的多元线性回归模型M3及基于L2正则化的岭回归模型M4;
将机理模型M1、多元线性回归模型M2、多元线性回归模型M3及岭回归模型M4进行多模型融合得到最终的预测模型M,以运用预测模型M对整车尺寸匹配相关位置进行预测分析。
2.根据权利要求1所述的预测方法,其特征在于,所述运用基于蒙特卡洛仿真法的偏差分析建立整车尺寸匹配偏差预测位置的机理模型M1,包括:
确定整车尺寸匹配预测位置相关零部件的定位方式,并建立间隙面差特征测量点;
确定装配方式,并基于整车尺寸匹配预测位置相关零部件的定位方式对零部件进行定位装配;
创建公差与特征测量点对应的测量,运行仿真得到影响因素系数,通过影响因素系数确定机理模型M1。
3.根据权利要求1或2所述的预测方法,其特征在于,所述建立模型学习数据集D,包括:
根据i个特征项和对应的目标项y,在数据管理系统中实车采集至少N组实测偏差数据,得到每个特征项xn(n∈(1,2,…,i))数据的均值μn和方差σn;
当每个特征项xn(n∈(1,2,…,i))满足xn≥μn+6σn或xn≤μn-6σn时,则需剔除掉该组数据,随后随机取出不少于M组数据,作为模型学习数据集D,其中,模型学习数据集D表示为:D={(x1.1,x1.2,…,x1.i,y1),…,(xj.1,xj.2,…,xj.i,yj)},其中,N≥j,M=j。
6.根据权利要求5所述的预测方法,其特征在于,β的获取方式为:
初始化β向量的值作为Θ0,将Θ0带入2XT(Xβ-Y)得到当前梯度,其中,X为特征值矩阵,Y为目标值矩阵;
用步长α乘以当前梯度,得到从当前位置下降的距离;
由Θ1=Θ0-α·2XT(XΘ0-Y)得到更新后的Θ1,判断Θ1是否达到停止条件,在Θ1没有达到停止条件时,由Θ2=Θ1-α·2XT(XΘ1-Y)得到更新后的Θ2,重复以上操作,直至Θk达到停止条件,将Θk作为求解的β参数向量。
7.根据权利要求6所述的预测方法,其特征在于,α选择方法为:
从模型学习数据集D中随机抽取预设比例的数据组数作为模型学习训练集,余下作为测试集;
设定步长α={α1,α2,…,αn},将步长α={α1,α2,…,αn}逐一代入基于正规方程的多元线性回归模型M3的构建算法中,运用训练集求解回归模型M3,并使用回归模型M3对测试集进行测试求解,并分别求解得到步长α={α1,α2,…,αn}对应的均方误差MSE={MSE1,MSE2,…,MSEn};
均方误差MSE={MSE1,MSE2,…,MSEn}中最小均方误差对应的α为最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011597736.3A CN112733435A (zh) | 2020-12-29 | 2020-12-29 | 一种基于多模型融合的整车尺寸匹配偏差预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011597736.3A CN112733435A (zh) | 2020-12-29 | 2020-12-29 | 一种基于多模型融合的整车尺寸匹配偏差预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733435A true CN112733435A (zh) | 2021-04-30 |
Family
ID=75611376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011597736.3A Pending CN112733435A (zh) | 2020-12-29 | 2020-12-29 | 一种基于多模型融合的整车尺寸匹配偏差预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733435A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536464A (zh) * | 2021-07-21 | 2021-10-22 | 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 |
CN113722820A (zh) * | 2021-08-26 | 2021-11-30 | 江铃汽车股份有限公司 | 一种整车重量高阶预估及整车重量目标设定的方法 |
CN113916555A (zh) * | 2021-10-15 | 2022-01-11 | 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 |
CN114083186A (zh) * | 2021-12-01 | 2022-02-25 | 上海新力动力设备研究所 | 一种燃烧室壳体分组配车方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632942A (zh) * | 2019-02-21 | 2019-04-16 | 东北大学 | 一种基于sl的管道缺陷尺寸的反演方法 |
CN109977571A (zh) * | 2019-04-01 | 2019-07-05 | 清华大学 | 基于数据与模型混合的仿真计算方法及装置 |
-
2020
- 2020-12-29 CN CN202011597736.3A patent/CN112733435A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632942A (zh) * | 2019-02-21 | 2019-04-16 | 东北大学 | 一种基于sl的管道缺陷尺寸的反演方法 |
CN109977571A (zh) * | 2019-04-01 | 2019-07-05 | 清华大学 | 基于数据与模型混合的仿真计算方法及装置 |
Non-Patent Citations (6)
Title |
---|
孙致学: "基于新型集成学习算法的基岩潜山油藏储层裂缝开度预测算法", 《油气地质与采收率》, pages 32 - 38 * |
肖灵等: "基于多源信息融合的车门匹配精度预测控制方法", 《农业装备与车辆工程》 * |
肖灵等: "基于多源信息融合的车门匹配精度预测控制方法", 《农业装备与车辆工程》, no. 12, 31 December 2019 (2019-12-31) * |
赵文政: "基于组合预测模型的车身装配工艺优化控制", 《农业装备与车辆工程》 * |
赵文政: "基于组合预测模型的车身装配工艺优化控制", 《农业装备与车辆工程》, 25 November 2020 (2020-11-25), pages 50 - 55 * |
赵滨: "基于 Stacking 的地面 PM2.5浓度估算", 《环境工程》, pages 153 - 159 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536464A (zh) * | 2021-07-21 | 2021-10-22 | 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 |
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 |
CN113722820A (zh) * | 2021-08-26 | 2021-11-30 | 江铃汽车股份有限公司 | 一种整车重量高阶预估及整车重量目标设定的方法 |
CN113722820B (zh) * | 2021-08-26 | 2024-06-07 | 江铃汽车股份有限公司 | 一种整车重量高阶预估及整车重量目标设定的方法 |
CN113916555A (zh) * | 2021-10-15 | 2022-01-11 | 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 |
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 |
CN114083186A (zh) * | 2021-12-01 | 2022-02-25 | 上海新力动力设备研究所 | 一种燃烧室壳体分组配车方法 |
CN114083186B (zh) * | 2021-12-01 | 2024-05-03 | 上海新力动力设备研究所 | 一种燃烧室壳体分组配车方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733435A (zh) | 一种基于多模型融合的整车尺寸匹配偏差预测方法 | |
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN108732931B (zh) | 一种基于jit-rvm的多模态间歇过程建模方法 | |
CN107798383B (zh) | 改进的核极限学习机定位方法 | |
CN108960334B (zh) | 一种多传感器数据加权融合方法 | |
CN108182500A (zh) | 基于加速寿命试验的弹药贮存可靠性预测方法 | |
CN104239982A (zh) | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 | |
CN111079856B (zh) | 一种基于csjitl-rvm的多时段间歇过程软测量建模方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
CN113627098A (zh) | 一种cfd模型确认方法及产品设计方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN112016253A (zh) | 一种适用于cfd不确定度量化的高保真度混沌多项式修正方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN112580855A (zh) | 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法 | |
CN117289652A (zh) | 一种基于多元宇宙优化的数控机床主轴热误差建模方法 | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN114564787B (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
CN113988415A (zh) | 一种中长期电力负荷预测方法 | |
CN117494428A (zh) | 一种改进ABC-Kriging的机械系统可靠性优化设计方法 | |
CN113657029A (zh) | 异源数据驱动的飞行器高效近似优化方法 | |
CN115907079B (zh) | 一种基于注意力时空图卷积网络的空域交通流量预测方法 | |
CN110866838A (zh) | 基于转移概率预处理的网络表示学习算法 | |
CN115206455B (zh) | 基于深度神经网络的稀土元素组分含量预测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |