CN113205114A - 一种流量测试方法 - Google Patents

一种流量测试方法 Download PDF

Info

Publication number
CN113205114A
CN113205114A CN202110396903.6A CN202110396903A CN113205114A CN 113205114 A CN113205114 A CN 113205114A CN 202110396903 A CN202110396903 A CN 202110396903A CN 113205114 A CN113205114 A CN 113205114A
Authority
CN
China
Prior art keywords
flow
model
equal
models
less
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
Application number
CN202110396903.6A
Other languages
English (en)
Other versions
CN113205114B (zh
Inventor
张健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
United Automotive Electronic Systems Co Ltd
Original Assignee
United Automotive Electronic Systems Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by United Automotive Electronic Systems Co Ltd filed Critical United Automotive Electronic Systems Co Ltd
Priority to CN202110396903.6A priority Critical patent/CN113205114B/zh
Publication of CN113205114A publication Critical patent/CN113205114A/zh
Application granted granted Critical
Publication of CN113205114B publication Critical patent/CN113205114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种流量测试方法，包括：获取同一型号a个产品的m次流量测试结果，每次流量测试结果包括n个测试数据；分别利用y种分布模型对每次流量测试结果的n个测试数据进行拟合，得到a*m*y个拟合模型，分别计算a*m*y个拟合模型的形状参数；从a*m*y个形状参数中选取m个形状参数作为一个组合，得到
Figure DDA0003018908000000011
个组合；分别计算
Figure DDA0003018908000000012
个组合的测量能力指数；将最大的测量能力指数对应的形状参数作为机器学习分类模型的目标，将a*m*n个测试数据作为训练样本，对机器学习分类模型进行训练，得到训练后的模型；利用训练后的模型对产品的流量进行测试。测量节拍可以从30秒降低到19秒，降低了测试时间。

Description

一种流量测试方法
技术领域
本发明涉及流量测试领域，特别涉及一种流量测试方法。
背景技术
高压喷射阀(High pressure injection valve，HDEV)又称为高压直喷喷油器(Gasoline direct injection injector)，在生产高压喷射阀的过程中，需要对其流量进行测试。现有的流量测试方法参见图1所示，将高压喷射阀连接在流量测试设备上，流量测试设备包括调压阀和流量计，试验液流过流量计、调压阀和高压喷射阀，通过采集流量计30s内的读数，每秒读一个测试数据，求30个测试数据的平均值，得到最终的流量值。
然而，上述流量测试方法的测试时间较长，效率较低。当产能增加时，需要设置多台测试设备来满足测试需求。
发明内容
本发明提供了一种流量测试方法，以解决现有的流量测试方法的测试时间较长的技术问题。
为解决上述技术问题，本发明提供了一种流量测试方法，所述方法包括以下步骤：
S1、获取同一型号a个产品的m次流量测试结果，每次流量测试结果包括n个测试数据，其中，a≥1且为整数，m≥2且为整数，n≥3且为整数；
S2、分别利用y种分布模型对每次流量测试结果的n个测试数据进行拟合，得到a*m*y个拟合模型，其中，y≥1且为整数；
S3、分别计算a*m*y个拟合模型的形状参数；
S4、从a*m*y个形状参数中选取m个形状参数作为一个组合，得到
Figure BDA0003018907980000011
个组合；
S5、分别计算
Figure BDA0003018907980000012
个组合的测量能力指数；
S6、将最大的测量能力指数对应的形状参数作为机器学习分类模型的目标，将a*m*n个测试数据作为训练样本，对所述机器学习分类模型进行训练，得到训练后的模型；
S7、利用所述训练后的模型对与所述型号相同的产品的流量进行测试。
可选的，所述分布模型包括正态分布模型、指数正态分布模型、长尾分布模型、韦布尔分布模型和极值分布模型。
可选的，所述机器学习分类模型包括逻辑回归模型、决策树模型、随机森林模型和梯度提升树模型。
可选的，所述测量能力指数的计算公式为
Figure BDA0003018907980000021
其中，Cg表示测量能力指数，K表示预设的公差百分比，T表示产品的公差，L表示预设的标准差的倍数，s表示标准差。
可选的，所述a、m、n满足以下条件：20≤a≤30，20≤m≤30，20≤n≤30。
可选的，所述y满足以下条件：2≤y≤5。
可选的，所述S7具体包括：获取与所述型号相同的产品的b个测试数据，n＞b；
将b个测试数据拟合成所述训练后的模型，并计算形状参数，得到流量测试结果。
可选的，所述产品为高压喷射阀。
本发明提供的一种流量测试方法，在保持测量节拍(原来的测量节拍为30秒)不变的情况下，测量能力指数可以明显提高，当测试样本为1200个时，测量能力指数可以提高18.5％；当保持原有的测量能力指数时，测量节拍可以从30秒降低到19秒，降低了测试时间。
附图说明
图1是高压喷射阀在进行流量测试时的安装示意图。
图2是现有技术的流量测试时间和本发明一实施例的测试时间对比示意图。
图3是本发明一实施例提供的一种流量测试方法的流程图。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图对本发明提出的一种流量测试方法作进一步详细说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
如图3所示，本实施例提供了一种流量测试方法，所述方法包括以下步骤：
S1、获取同一型号a个产品的m次流量测试结果，每次流量测试结果包括n个测试数据，其中，a≥1且为整数，m≥2且为整数，n≥3且为整数。
理论上a、m、n的值越大，拟合的结果越准确，实际使用时兼顾准确性和工作量，a、m、n优选为20≤a≤30，20≤m≤30，20≤n≤30。
S2、分别利用y种分布模型对每次流量测试结果的n个测试数据进行拟合，得到a*m*y个拟合模型，其中，y≥1且为整数。
所述分布模型可以从正态分布模型、指数正态分布模型、长尾分布模型、韦布尔分布模型和极值分布模型等模型中选择。实际使用时兼顾准确性和工作量，y优选为2≤y≤5。*表示乘号。
S3、分别计算a*m*y个拟合模型的形状参数。
形状参数可以称为位置参数。对于正态分布模型，形状参数等于期望值μ。
S4、从a*m*y个形状参数中选取m个形状参数作为一个组合，得到
Figure BDA0003018907980000031
个组合。
S5、分别计算
Figure BDA0003018907980000032
个组合的测量能力指数。
测量能力指数可以是重复性系数和/或再现性系数。当测量能力指数为重复性系数时，测量能力指数的计算公式为
Figure BDA0003018907980000033
其中，Cg表示测量能力指数，K表示预设的公差百分比，T表示产品的公差，L表示预设的标准差的倍数，s表示标准差，K通常等于100，s通常等于6，T可以从产品的说明书中查询，实施例中的T表示产品的流量公差。
S6、将最大的测量能力指数对应的形状参数作为机器学习分类模型的目标，将a*m*n个测试数据作为训练样本，对所述机器学习分类模型进行训练，得到训练后的模型。
所述机器学习分类模型可以为逻辑回归模型、决策树模型、随机森林模型或梯度提升树模型等模型。机器学习分类模型的目标可以称为机器学习分类模型的标签。
S7、利用所述训练后的模型对与所述型号相同的产品的流量进行测试。
本步骤具体可以包括：获取与所述型号相同的产品的b个测试数据，n＞b；将b个测试数据拟合成所述训练后的模型，并计算形状参数，得到流量测试结果。
参考图2所示，本实施提供的一种流量测试方法，在保持测量节拍(原来的测量节拍为30秒)不变的情况下，测量能力指数可以明显提高，即提高了测量精度，当测试样本为1200个时，测量能力指数可以提高18.5％；当保持原有的测量能力指数时，测量节拍可以从30秒降低到19秒，降低了测试时间。
可选的，所述产品为高压喷射阀。本实施例提供的一种流量测试方法可以对高压喷射阀的流量进行测量。
以下用具体的例子说明下本发明提供的一种流量测试方法的具体过程：选取某型号的产品数量为25个；采用现有的测试方法，对每个产品测量25次，每次包括30个测试数据；分别用正态分布模型和极小值分布模型对每次测量的30个测试数据进行拟合，得到25*25*2个拟合模型；分别计算各拟合模型的形状参数；从25*25*2个形状参数中随机选25个值作为一个组合，得到
Figure BDA0003018907980000041
个组合；分别计算每个组合的测量能力指数；将最大的测量能力指数对应的形状参数作为机器学习分类模型的目标，将25*25*30个测试数据作为训练样本，对所述机器学习分类模型进行训练，得到训练后的模型；利用训练后的模型对与所述型号相同的产品的流量进行测试。
综上所述，本发明提供的一种流量测试方法，在保持测量节拍(原来的测量节拍为30秒)不变的情况下，测量能力指数可以明显提高，当测试样本为1200个时，测量能力指数可以提高18.5％；当保持原有的测量能力指数时，测量节拍可以从30秒降低到19秒，降低了测试时间。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于本发明的保护范围。

Claims (8)

1.一种流量测试方法，其特征在于，所述方法包括以下步骤：
S1、获取同一型号a个产品的m次流量测试结果，每次流量测试结果包括n个测试数据，其中，a≥1且为整数，m≥2且为整数，n≥3且为整数；
S2、分别利用y种分布模型对每次流量测试结果的n个测试数据进行拟合，得到a*m*y个拟合模型，其中，y≥1且为整数；
S3、分别计算a*m*y个拟合模型的形状参数；
S4、从a*m*y个形状参数中选取m个形状参数作为一个组合，得到
Figure FDA0003018907970000011
个组合；
S5、分别计算
Figure FDA0003018907970000012
个组合的测量能力指数；
S6、将最大的测量能力指数对应的形状参数作为机器学习分类模型的目标，将a*m*n个测试数据作为训练样本，对所述机器学习分类模型进行训练，得到训练后的模型；
S7、利用所述训练后的模型对与所述型号相同的产品的流量进行测试。
2.如权利要求1所述的一种流量测试方法，其特征在于，所述分布模型包括正态分布模型、指数正态分布模型、长尾分布模型、韦布尔分布模型和极值分布模型。
3.如权利要求1所述的一种流量测试方法，其特征在于，所述机器学习分类模型包括逻辑回归模型、决策树模型、随机森林模型和梯度提升树模型。
4.如权利要求1所述的一种流量测试方法，其特征在于，所述测量能力指数的计算公式为
Figure FDA0003018907970000013
其中，Cg表示测量能力指数，K表示预设的公差百分比，T表示产品的公差，L表示预设的标准差的倍数，s表示标准差。
5.如权利要求1所述的一种流量测试方法，其特征在于，所述a、m、n满足以下条件：20≤a≤30，20≤m≤30，20≤n≤30。
6.如权利要求1所述的一种流量测试方法，其特征在于，所述y满足以下条件：2≤y≤5。
7.如权利要求1所述的一种流量测试方法，其特征在于，所述S7具体包括：获取与所述型号相同的产品的b个测试数据，n＞b；
将b个测试数据拟合成所述训练后的模型，并计算形状参数，得到流量测试结果。
8.如权利要求1所述的一种流量测试方法，其特征在于，所述产品为高压喷射阀。
CN202110396903.6A 2021-04-13 2021-04-13 一种流量测试方法 Active CN113205114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110396903.6A CN113205114B (zh) 2021-04-13 2021-04-13 一种流量测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110396903.6A CN113205114B (zh) 2021-04-13 2021-04-13 一种流量测试方法

Publications (2)

Publication Number Publication Date
CN113205114A true CN113205114A (zh) 2021-08-03
CN113205114B CN113205114B (zh) 2024-07-09

Family

ID=77026756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110396903.6A Active CN113205114B (zh) 2021-04-13 2021-04-13 一种流量测试方法

Country Status (1)

Country Link
CN (1) CN113205114B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5675253A (en) * 1991-11-20 1997-10-07 Auburn International, Inc. Partial least square regression techniques in obtaining measurements of one or more polymer properties with an on-line nmr system
GB0221782D0 (en) * 2002-09-19 2002-10-30 Univ Sussex Methods of measuring two-phase fluid flow using single-phase flowmeters
US20170091637A1 (en) * 2015-09-30 2017-03-30 Hampton Creek, Inc. Discovery systems for identifying entities that have a target property
WO2019110851A1 (en) * 2017-12-08 2019-06-13 Solution Seeker As Modelling of oil and gas networks
CN110268414A (zh) * 2016-12-01 2019-09-20 伯克利之光生命科技公司 微流体装置中的微物体的自动检测和重新定位
CN111753986A (zh) * 2020-06-28 2020-10-09 浙江工业大学 面向深度学习模型的动态测试方法及其装置
US20200355838A1 (en) * 2019-05-10 2020-11-12 Halliburton Energy Services, Inc. Detection and quantification of sand flows in a borehole
CN112289391A (zh) * 2020-10-28 2021-01-29 广西贺州市桂东电子科技有限责任公司 一种基于机器学习的阳极铝箔性能预测系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5675253A (en) * 1991-11-20 1997-10-07 Auburn International, Inc. Partial least square regression techniques in obtaining measurements of one or more polymer properties with an on-line nmr system
GB0221782D0 (en) * 2002-09-19 2002-10-30 Univ Sussex Methods of measuring two-phase fluid flow using single-phase flowmeters
US20050229716A1 (en) * 2002-09-19 2005-10-20 University Of Sussex Detection and measurement of two-phase flow
US20170091637A1 (en) * 2015-09-30 2017-03-30 Hampton Creek, Inc. Discovery systems for identifying entities that have a target property
CN110268414A (zh) * 2016-12-01 2019-09-20 伯克利之光生命科技公司 微流体装置中的微物体的自动检测和重新定位
WO2019110851A1 (en) * 2017-12-08 2019-06-13 Solution Seeker As Modelling of oil and gas networks
US20200355838A1 (en) * 2019-05-10 2020-11-12 Halliburton Energy Services, Inc. Detection and quantification of sand flows in a borehole
CN111753986A (zh) * 2020-06-28 2020-10-09 浙江工业大学 面向深度学习模型的动态测试方法及其装置
CN112289391A (zh) * 2020-10-28 2021-01-29 广西贺州市桂东电子科技有限责任公司 一种基于机器学习的阳极铝箔性能预测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王伟;娄相芽;杨永红;王俊彪;: "基于RBF人工神经网络的喷丸成形工艺参数预测方法", 组合机床与自动化加工技术, no. 08, 20 August 2008 (2008-08-20) *
黄永刚;李龙;: "基于随机森林算法的矿井涌水量预测", 煤炭技术, no. 01 *

Also Published As

Publication number Publication date
CN113205114B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
CN107168063B (zh) 基于集成变量选择型偏最小二乘回归的软测量方法
CN105868164B (zh) 一种基于有监督的线性动态系统模型的软测量建模方法
CN113092981A (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
CN106021685B (zh) 一种考虑测量误差的退化可靠性分析方法
CN110363337A (zh) 一种基于数据驱动的抽油机量油方法及系统
CN108319664A (zh) 一种大坝及工程安全监测数据粗差识别方法及系统
CN108492026A (zh) 一种基于集成正交成分最优化回归分析的软测量方法
CN109253826A (zh) 一种基于多退化样本数据融合的热量表剩余寿命预测方法
CN103279030B (zh) 基于贝叶斯框架的动态软测量建模方法及装置
SG190883A1 (en) Representative-value calculating device and method
CN113205114A (zh) 一种流量测试方法
CN104133437B (zh) 连续型化工装置及其绩效指标实时评价方法和装置
CN111210877B (zh) 一种推断物性参数的方法及装置
CN115345256B (zh) 应用于智能制造的工业产品测试系统
CN111639715A (zh) 基于ls-svm的汽车仪表组装质量预测方法与系统
CN110163480A (zh) 一种卷包车间质量辅助决策的方法
CN108229541B (zh) 一种基于k最近邻算法的岸桥中拉杆应力数据分类方法
CN110033175A (zh) 一种基于集成多核偏最小二乘回归模型的软测量方法
CN113358236B (zh) 一种提高温度测量精度的方法及装置
Dally 11. Statistical Statistical Analysis of Experimental Data
CN114184211B (zh) 一种惯导可靠性试验中性能变化机理一致性判定方法
CN109101759A (zh) 一种基于正逆响应面法的参数识别方法
RU2470352C1 (ru) Способ статистического регулирования технологического процесса (варианты)
Aslam Product acceptance determinations using new nonparametric sign sampling plan
CN109145258A (zh) 基于非线性拟合的威布尔分布参数置信区间估计方法

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
GR01 Patent grant
GR01 Patent grant