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

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

一种基于多模型融合的整车尺寸匹配偏差预测方法

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x_n(n∈(1,2，…，i))数据的均值μ_n和方差σ_n；

当每个特征项x_n(n∈(1，2，…，i))满足x_n≥μ_n+6σ_n或x_n≤μ_n-6σ_n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＝{(x_1.1，x_1.2，…，x_1.i，y₁)，…，(x_j.1，x_j.2，…，x_j.i，y_j)}，其中，N≥j，M＝j。

在一些可选的实施方案中，由M₂＝w^Tx得到基于正规方程的多元线性回归模型M₂，其中，

为特征项矩阵，w＝(X^TX)^-1X^TY，

为特征值矩阵，

为目标值矩阵。

在一些可选的实施方案中，由M₃＝β^Tx得到基于梯度下降的多元线性回归模型M₃，其中，

为特征项矩阵，

为权重值。

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2X^T(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·2X^T(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·2X^T(XΘ₁-Y)得到更新后的Θ₂，重复以上操作，直至Θ_k达到停止条件，将Θ_k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，…，α_n}，将步长α＝{α₁，α₂，…，α_n}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，…，α_n}对应的均方误差MSE＝{MSE₁，MSE₂，…，MSE_n}；

均方误差MSE＝{MSE₁，MSE₂，…，MSE_n}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，由M₄＝γ^Tx得到L2正则化的岭回归模型M4，其中，

为特征项矩阵，γ＝(X^TX+λI)^-1XTY，X为特征值矩阵，Y为目标值矩阵，I为常向量，λ为正则化力度系数。

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：

其中，

分别为数据集D中第一组数据基于M₁、M₂、M₃、M₄模型的预测值，其它项依次类推；

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＝{(x_1.1，x_1.2，…，x_1.i，y₁)，…，(x_j.1，x_j.2，…，x_j.i，y_j)}，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x_h.1，x_h.2，…，x_h.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x_n(n∈(1，2，…，i))数据的均值μ_n和方差σ_n；

当每个特征项x_n(n∈(1，2，…，i))满足x_n≥μ_n+6σ_n或x_n≤μ_n-6σ_n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＝w^Tx

其中，

即x为特征项矩阵；

w＝(X^TX)^-1X^TY，

即X为特征值矩阵，

即Y为目标值矩阵。

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＝β^Tx

其中：

即x为特征项矩阵；

其中，求解β过程为：

①初始化β向量的值，即Θ₀，将Θ₀带入2X^T(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·2X^T(XΘ₀-Y)；

④重复步骤③，直到更新到某个Θ_k，达到停止条件后得到的Θ_k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D_TRAIN，余下作为测试集D_TEST；

②设定步长α＝{α₁，α₂，…，α_n}；

③将②中步长α＝{α₁，α₂，…，α_n}，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D_TRAIN求解回归模型M₃，并使用回归模型M₃对测试集D_TEST进行测试求解，并分别求解得到步长α＝{α₁，α₂，…，α_n}对应的均方误差MSE＝{MSE₁，MSE₂，…，MSE_n}；

均方误差求解公式：

其中，y_j为测试集D_TEST中目标值，

为目标值对应的回归模型M₃的预测值，m为测试集D_TEST中数据组数。

④均方误差MSE＝{MSE₁，MSE₂，…，MSE_n}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＝γ^Tx

其中，

即x为特征项矩阵；

γ＝(X^TX+λI)^-1X^TY，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：

其中，

分别为数据集D中第一组数据基于M₁、M₂、M₃、M₄模型的预测值，作为M模型的训练数据集；

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x_n(n∈(1,2，…，i))数据的均值μ_n和方差σ_n；

当每个特征项x_n(n∈(1,2，…，i))满足x_n≥μ_n+6σ_n或x_n≤μ_n-6σ_n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＝{(x_1.1,x_1.2,…,x_1.i,y₁),…,(x_j.1,x_j.2,…,x_j.i,y_j)}，其中，N≥j，M＝j。

4.根据权利要求3所述的预测方法，其特征在于，由M₂＝w^Tx得到基于正规方程的多元线性回归模型M₂，其中，

为特征项矩阵，w＝(X^TX)^-1X^TY，

为特征值矩阵，

为目标值矩阵。

5.根据权利要求4所述的预测方法，其特征在于，由M₃＝β^Tx得到基于梯度下降的多元线性回归模型M₃，其中，

为特征项矩阵，

为权重值。

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2X^T(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·2X^T(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·2X^T(XΘ₁-Y)得到更新后的Θ₂，重复以上操作，直至Θ_k达到停止条件，将Θ_k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，…,α_n}，将步长α＝{α₁,α₂，…,α_n}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，…,α_n}对应的均方误差MSE＝{MSE₁，MSE₂，…,MSE_n}；

均方误差MSE＝{MSE₁，MSE₂，…,MSE_n}中最小均方误差对应的α为最优解。

8.根据权利要求7所述的预测方法，其特征在于，由M₄＝γ^Tx得到L2正则化的岭回归模型M₄，其中，

为特征项矩阵，γ＝(X^TX+λI)^-1X^TY，X为特征值矩阵，Y为目标值矩阵，I为常向量，λ为正则化力度系数。

9.根据权利要求8所述的预测方法，其特征在于，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：

其中，

分别为数据集D中第一组数据基于M₁、M₂、M₃、M₄模型的预测值，其它项依次类推；

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。

Images