CN113240195A - 一种基于多源数据融合的装配偏差波动区间协同预测方法 - Google Patents

一种基于多源数据融合的装配偏差波动区间协同预测方法 Download PDF

Info

Publication number
CN113240195A
CN113240195A CN202110626510.XA CN202110626510A CN113240195A CN 113240195 A CN113240195 A CN 113240195A CN 202110626510 A CN202110626510 A CN 202110626510A CN 113240195 A CN113240195 A CN 113240195A
Authority
CN
China
Prior art keywords
assembly
deviation
prediction
detection data
interval
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
CN202110626510.XA
Other languages
English (en)
Other versions
CN113240195B (zh
Inventor
朱永国
石强
邓斌
胡元帆
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN202110626510.XA priority Critical patent/CN113240195B/zh
Publication of CN113240195A publication Critical patent/CN113240195A/zh
Application granted granted Critical
Publication of CN113240195B publication Critical patent/CN113240195B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种基于多源数据融合的装配偏差波动区间协同预测方法，包括如下步骤：S100：采集装配单元层装配偏差检测数据；S200：构建装配单元层装配偏差波动预测模型；S300：构建多层级多变量装配偏差累积预测模型，获取装配单元层装配偏差的预测区间；S400：采集产品层装配偏差检测数据；S500：构建产品层装配偏差波动预测模型，获取产品层装配偏差的预测区间；S600：利用自适应加权对装配单元层装配偏差和产品层装配偏差的预测区间进行融合，进行装配偏差波动区间的协同预测。本发明可实现检测数据的高效挖掘，减少依据单一检测数据进行偏差波动预测的不准确性，提高偏差波动预测的准确度。

Description

一种基于多源数据融合的装配偏差波动区间协同预测方法
技术领域
本申请涉及飞机装配特征偏差数字化协调技术领域，具体涉及一种基于多源数据融合的装配偏差波动区间协同预测方法。
背景技术
近年来，灰色预测模型已经广泛应用于工程技术、社会科学、自然科学等重要领域。首先，该模型拟通过自身特有的叠加变换生成序列数据，把变化趋势不明显的初始序列数据通过叠加变换方式，呈现出明显变化趋势。然后，基于灰色微分方程和灰色差分方程对叠加后的数据建模分析。最后，基于累减方式对数据进行预测。飞机零部件装配工艺含有装配顺序、连接方式等内容，装配顺序与连接方式能够影响装配偏差的传递路径。目前，在零件制造偏差、夹紧力、连接力、环境、人为操作等因素的影响下，飞机零部件在装配过程中产生装配偏差，装配偏差随着装配工艺过程不断传递累积，最终影响飞机装配精度。
在飞机进入生产制造前的装配公差设计阶段，需进行装配精度预测，以及时发现不合理的设计，保证装配质量。装配偏差不同数据链路含有的信息量及其信息重要程度不尽相同，飞机装配偏差实际预测建模中存在多干扰、高维、采样样本小、数据不完备等特征，导致预测的准确性不高。
发明内容
本发明的目的在于，提供一种基于多源数据融合的装配偏差波动区间协同预测方法，针对飞机装配多层次，检测样本小，信息不完备的特点，结合灰色预测模型和飞机装配工艺信息，进行高维、小样本、信息不完备、多阶段装配等条件下的装配偏差波动区间预测，充分挖掘检测信息，提高预测的准确性。
本发明采取的技术方案是：一种基于多源数据融合的装配偏差波动区间协同预测方法，用于对飞机装配偏差进行预测，包括如下步骤：
S100：采集装配单元层装配偏差检测数据；
S200：利用灰色系统的GM(1，h)预测模型，构建装配单元层装配偏差波动预测模型；
S300：结合飞机装配工艺信息，构建多层级多变量装配偏差累积预测模型，获取装配单元层装配偏差的预测区间；
S400：采集产品层装配偏差检测数据；
S500：利用灰色系统的GM(1，h)预测模型，构建产品层装配偏差波动预测模型，获取产品层装配偏差的预测区间，即飞机结构件装配偏差检测数据的预测区间；
S600：利用自适应最优加权对装配单元层装配偏差和产品层装配偏差的预测区间进行融合，进行装配偏差波动区间的协同预测。
进一步地，步骤S200的具体方法为：
S201：依据步骤S100中采集到的装配单元层装配偏差检测数据，构建装配单元层偏差检测数据区间序列：
Figure BDA0003102259410000021
其中，l＝1,2,…,m，m表示装配单元的个数；i＝1,2,…,h，h为影响因素个数；
S202：将装配单元层装配偏差检测数据进行归一化处理，构建归一化后的装配单元检测数据序列
Figure BDA0003102259410000022
S203：运用叠加原理，根据公式
Figure BDA0003102259410000023
其中l＝1,2,…,m，i＝1,2,…,h，构建一次累加偏差数据序列
Figure BDA0003102259410000024
S204：根据公式
Figure BDA0003102259410000025
构建等权值装配单元层装配偏差紧邻数据序列
Figure BDA0003102259410000026
S205：利用灰色系统的GM(1，h)预测模型，计算装配单元层偏差预测累积序列：
Figure BDA0003102259410000027
其中，
Figure BDA0003102259410000028
a为装配单元层检测数据发展系数；bi为灰色理论GM(1，h)模型的灰作用系数，即背景值；
Figure BDA0003102259410000029
为装配单元层装配偏差波动预测模型的背景驱动项；
S206：基于叠减原理，获得原始装配单元层偏差检测数据在灰色理论GM(1，h)预测模型下的预测值：
Figure BDA0003102259410000031
并计算装配单元层偏差检测数据最小预测值
Figure BDA0003102259410000032
和最大预测值
Figure BDA0003102259410000033
构建装配单元层偏差检测数据的预测区间：
Figure BDA0003102259410000034
进一步地，步骤S300的具体方法为：根据步骤S200的方法对每层装配单元层偏差检测数据进行处理，构建多层级装配单元层偏差检测数据的预测区间：
Figure BDA0003102259410000035
其中，I＝1,2,…,R，R为装配单元的层级数；
Figure BDA0003102259410000036
为第I层装配单元层偏差检测数据的预测区间。
进一步地，步骤S500的具体方法为：
S501：记飞机结构件装配偏差δP的w个偏差指标区间为
Figure BDA0003102259410000037
其中s＝1,2,…,w；
Figure BDA0003102259410000038
Figure BDA0003102259410000039
分别为所述飞机结构件装配偏差δP第s个偏差指标区间的最小值、最大值；
S502：对飞机结构件装配偏差数据进行标准化处理，得到(CP)'：
Figure BDA00031022594100000310
S503：构建一次累加偏差数据序列
Figure BDA00031022594100000311
S504：构建飞机结构件装配偏差预测模型
Figure BDA00031022594100000312
S505：计算飞机结构件装配偏差检测数据最小预测值
Figure BDA00031022594100000313
和最大预测值
Figure BDA0003102259410000041
构建飞机结构件装配偏差δP第s个偏差指标预测区间
Figure BDA0003102259410000042
Figure BDA0003102259410000043
S506：构建飞机结构件装配偏差检测数据的预测区间(CP)”：
Figure BDA0003102259410000044
进一步地，步骤S600的具体方法为：
S601：将步骤S300的到的装配单元层装配偏差的预测区间和步骤S500中得到的产品层装配偏差的预测区间融合，构建飞机结构件偏差检测数据预测区间DP：
Figure BDA0003102259410000045
S602：计算不同链路偏差检测数据融合的最优权重因子
Figure BDA0003102259410000046
所述链路包括装配单元层链路和产品层链路，所述链路为装配单元层偏差检测数据或产品层偏差检测数据通过灰色系统的GM(1，h)预测模型得到预测区间的过程：
Figure BDA0003102259410000047
其中，
Figure BDA0003102259410000048
为装配单元层偏差检测数据的预测区间
Figure BDA0003102259410000049
或飞机结构件装配偏差检测数据的预测区间(CP)”的均方误差；j＝1,2…O，O＝R+w；
S603：依据自适应最优加权偏差检测数据融合，计算最小融合值Hmin与最大融合值Hmax：
Figure BDA00031022594100000410
S604：根据最小融合值Hmin与最大融合值Hmax构建最优加权数据融合的飞机结构件装配偏差波动预测区间(DP)'：(DP)'＝[Hmin,Hmax]。
本发明的有益技术效果在于：利用自适应最优加权对基于不同数据链路获得的上下界预测函数进行融合，进一步共享装配单元层和产品层双方的预测信息，形成装配偏差协同融合预测机制，实现检测数据信息的高效挖掘，减少依靠单一检测数据进行偏差波动预测导致的不确定性，提高装配偏差波动预测的准确度；充分挖掘不同数据链路含有的装配偏差信息，构建面向多级耦合的装配偏差协同预测模型，提高装配偏差预测的有效性与准确性；实现检测数据的充分有效利用，为装配偏差预测和质量评估提供理论支持，有利于提高飞机整机装配质量、性能与外形准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例的方法流程图；
图2是本发明实施例GM(1,h)模型构建流程；
图3是本发明实施例中自适应加权偏差数据融合原理图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例的限制。
除非另作定义，此处使用的技术术语或者科学术语应当为本申请所述领域内具有一般技能的人士所理解的通常意义。本专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应的改变。
如图1～图3所示，结合含有R个层级装配单元的飞机结构件的装配，提出一种基于多源数据融合的装配偏差波动区间协同预测方法，用于对飞机装配偏差进行预测，包括如下步骤：
S100：采集装配单元层装配偏差检测数据；在本发明实施例中，所述装配单元层装配偏差检测数据是利用激光跟踪仪高精度测量设备获取的。
S200：利用灰色系统的GM(1，h)预测模型，构建装配单元层装配偏差波动预测模型；具体方法为：
S201：依据步骤S100中采集到的装配单元层装配偏差检测数据，以第I层级原始装配单元层偏差检测数据，I＝1,2,…,R，构建装配单元层偏差检测数据区间序列：
Figure BDA0003102259410000061
其中，l＝1,2,…,m，m表示装配单元的个数；i＝1,2,…,h，h为影响因素个数；第I层级原始装配单元层偏差检测数据区间
Figure BDA0003102259410000062
其中
Figure BDA0003102259410000063
和
Figure BDA0003102259410000064
分别为第I层级原始装配单元层偏差检测数据区间的最小值和最大值；
S202：将装配单元层装配偏差检测数据按照公式(2)进行归一化处理，构建归一化后的装配单元检测数据序列
Figure BDA0003102259410000065
Figure BDA0003102259410000066
其中，μI(i)为所选样本数据的均值，σI(i)为所选样本数据的标准差；
S203：运用叠加原理，根据公式
Figure BDA0003102259410000067
其中l＝1,2,…,m，i＝1,2,…,h，构建一次累加偏差数据序列
Figure BDA0003102259410000068
S204：根据公式(3)，构建等权值装配单元层装配偏差紧邻数据序列
Figure BDA0003102259410000069
Figure BDA00031022594100000610
通过步骤S201～S204，完成对装配单元层装配偏差检测数据的数据净化；
S205：利用灰色系统的GM(1，h)预测模型，构建关于装配单元层特征检测数据和影响装配单元层偏差检测数据因素的微分方程：
Figure BDA0003102259410000071
其中，a为装配单元层检测数据发展系数；bi为灰色理论GM(1，h)模型的灰作用系数，即背景值；
Figure BDA0003102259410000072
为装配单元层装配偏差波动预测模型的背景驱动项；
并计算装配单元层偏差预测累积序列：
Figure BDA0003102259410000073
S206：基于叠减原理，获得原始装配单元层偏差检测数据在灰色理论GM(1，h)预测模型下的预测值：
Figure BDA0003102259410000074
并计算装配单元层偏差检测数据最小预测值
Figure BDA0003102259410000075
和最大预测值
Figure BDA0003102259410000076
构建装配单元层偏差检测数据的预测区间
Figure BDA0003102259410000077
Figure BDA0003102259410000078
Figure BDA0003102259410000079
S300：结合飞机装配工艺信息，构建多层级多变量装配偏差累积预测模型，获取装配单元层装配偏差的预测区间；具体方法为：采用步骤S200的具体方法对每层装配单元层偏差检测数据进行处理，通过公式(1)～(8)得出每层装配单元层偏差检测数据预测区间，并构建多层级装配单元层偏差检测数据的预测区间：
Figure BDA00031022594100000710
其中，I＝1,2,…,R，R为装配单元的层级数；
Figure BDA00031022594100000711
为第I层装配单元层偏差检测数据的预测区间。
S400：采集产品层装配偏差检测数据；在本发明实施例中，产品层装配偏差检测数据为所述含有R个层级装配单元的飞机结构件的装配偏差检测数据，所述产品层装配偏差检测数据是利用激光跟踪仪测量设备获取的。
S500：利用灰色系统的GM(1，h)预测模型，构建产品层装配偏差波动预测模型，获取产品层装配偏差的预测区间，即飞机结构件装配偏差检测数据的预测区间；具体方法为：
S501：记飞机结构件装配偏差δP的w个偏差指标区间为
Figure BDA0003102259410000081
其中s＝1,2,…,w；
Figure BDA0003102259410000082
Figure BDA0003102259410000083
和
Figure BDA0003102259410000084
分别为所述飞机结构件装配偏差δP第s个偏差指标区间的最小值和最大值；
S502：对飞机结构件装配偏差数据按照公式(9)进行标准化处理，得到(CP)'：
Figure BDA0003102259410000085
Figure BDA0003102259410000086
其中，min(CP)和max(CP)分别表示所述飞机结构件装配偏差的最小值和最大值；
S503：构建一次累加偏差数据序列
Figure BDA0003102259410000087
S504：根据公式(3)～(6)，构建飞机结构件装配偏差预测模型
Figure BDA0003102259410000088
S505：计算飞机结构件装配偏差检测数据最小预测值
Figure BDA0003102259410000089
和最大预测值
Figure BDA00031022594100000810
Figure BDA00031022594100000811
Figure BDA0003102259410000091
构建飞机结构件装配偏差δP第s个偏差指标预测区间
Figure BDA0003102259410000092
Figure BDA0003102259410000093
S506：构建飞机结构件装配偏差检测数据的预测区间(CP)”：
Figure BDA0003102259410000094
S600：利用自适应最优加权对装配单元层装配偏差和产品层装配偏差的预测区间进行融合，进行装配偏差波动区间的协同预测；具体方法为：
S601：将步骤S300的到的装配单元层装配偏差的预测区间和步骤S500中得到的产品层装配偏差的预测区间，即飞机结构件装配偏差检测数据的预测区间融合，构建飞机结构件偏差检测数据预测区间DP：
Figure BDA0003102259410000095
S602：计算不同链路偏差检测数据融合的最优权重因子
Figure BDA0003102259410000096
所述链路包括装配单元层链路和产品层链路，所述链路为装配单元层偏差检测数据或产品层偏差检测数据通过灰色系统的GM(1，h)预测模型得到预测区间的过程，即步骤S200或步骤S500所述的过程：
Figure BDA0003102259410000097
其中，
Figure BDA0003102259410000098
为装配单元层偏差检测数据的预测区间
Figure BDA0003102259410000099
或飞机结构件装配偏差检测数据的预测区间(CP)”的均方误差；j＝1,2…O，O＝R+w；
S603：依据自适应最优加权偏差检测数据融合，计算最小融合值Hmin与最大融合值Hmax：
Figure BDA0003102259410000101
S604：根据最小融合值Hmin与最大融合值Hmax构建最优加权数据融合的飞机结构件装配偏差波动预测区间(DP)'：(DP)'＝[Hmin,Hmax]。
本发明实施例可在飞机装配公差设计阶段实现装配精度预测，如(DP)'超出了飞机装配公差的规定范围，表明设计方案不合理，实现在飞机进入生产制造前及时发现不合理的设计，保证装配质量。相比于仅依据单方检测数据进行的传统预测方法，本发明实施例采用的由产品级和装配单元层级检测数据融合的协同预测方法，提高了装配偏差波动预测的准确度。利用自适应最优加权对基于不同数据链路获得的上下界预测函数进行融合，进一步共享装配单元层和产品层双方的预测信息，形成装配偏差协同融合预测机制，实现检测数据信息的高效挖掘，减少依靠单一检测数据进行偏差波动预测导致的不确定性，提高装配偏差波动预测的准确度；充分挖掘不同数据链路含有的装配偏差信息，构建面向多级耦合的装配偏差协同预测模型，提高装配偏差预测的有效性与准确性；实现检测数据的充分有效利用，为装配偏差预测和质量评估提供理论支持，提高飞机整机装配质量、性能与外形准确度从而减少产品装配超差导致的经济与资源损失。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于多源数据融合的装配偏差波动区间协同预测方法，用于对飞机装配偏差进行预测，其特征在于，包括如下步骤：
S100：采集装配单元层装配偏差检测数据；
S200：利用灰色系统的GM(1，h)预测模型，构建装配单元层装配偏差波动预测模型；
S300：结合飞机装配工艺信息，构建多层级多变量装配偏差累积预测模型，获取装配单元层装配偏差的预测区间；
S400：采集产品层装配偏差检测数据；
S500：利用灰色系统的GM(1，h)预测模型，构建产品层装配偏差波动预测模型，获取产品层装配偏差的预测区间，即飞机结构件装配偏差检测数据的预测区间；
S600：利用自适应加权对装配单元层装配偏差和产品层装配偏差的预测区间进行融合，进行装配偏差波动区间的协同预测。
2.根据权利要求1所述的一种基于多源数据融合的装配偏差波动区间协同预测方法，其特征在于，步骤S200的具体方法为：
S201：依据步骤S100中采集到的装配单元层装配偏差检测数据，构建装配单元层偏差检测数据区间序列：
Figure FDA0003102259400000011
其中，l＝1,2,…,m，m表示装配单元的个数；i＝1,2,…,h，h为影响因素个数；
S202：将装配单元层装配偏差检测数据进行归一化处理，构建归一化后的装配单元检测数据序列
Figure FDA0003102259400000012
S203：运用叠加原理，根据公式
Figure FDA0003102259400000013
其中l＝1,2,…,m，i＝1,2,…,h，构建一次累加偏差数据序列
Figure FDA0003102259400000014
S204：根据公式
Figure FDA0003102259400000015
构建等权值装配单元层装配偏差紧邻数据序列
Figure FDA0003102259400000016
S205：利用灰色系统的GM(1，h)预测模型，计算装配单元层偏差预测累积序列：
Figure FDA0003102259400000017
其中，
Figure FDA0003102259400000021
a为装配单元层检测数据发展系数；bi为灰色理论GM(1，h)模型的灰作用系数，即背景值；
Figure FDA0003102259400000022
为装配单元层装配偏差波动预测模型的背景驱动项；
S206：基于叠减原理，获得原始装配单元层偏差检测数据在灰色理论GM(1，h)预测模型下的预测值：
Figure FDA0003102259400000023
并计算装配单元层偏差检测数据最小预测值
Figure FDA0003102259400000024
和最大预测值
Figure FDA0003102259400000025
构建装配单元层偏差检测数据的预测区间：
Figure FDA0003102259400000026
3.根据权利要求1或2所述的一种基于多源数据融合的装配偏差波动区间协同预测方法，其特征在于，步骤S300的具体方法为：根据步骤S200的方法对每层装配单元层偏差检测数据进行处理，构建多层级装配单元层偏差检测数据的预测区间：
Figure FDA0003102259400000027
其中，I＝1,2,…,R，R为装配单元的层级数；
Figure FDA0003102259400000028
为第I层装配单元层偏差检测数据的预测区间。
4.根据权利要求1所述的一种基于多源数据融合的装配偏差波动区间协同预测方法，其特征在于，步骤S500的具体方法为：
S501：记飞机结构件装配偏差δP的w个偏差指标区间为
Figure FDA0003102259400000029
其中s＝1,2,…,w；
Figure FDA00031022594000000210
Figure FDA00031022594000000211
分别为所述飞机结构件装配偏差δP第s个偏差指标区间的最小值、最大值；
S502：对飞机结构件装配偏差数据进行标准化处理，得到(CP)'：
Figure FDA00031022594000000212
S503：构建一次累加偏差数据序列
Figure FDA0003102259400000031
Figure FDA0003102259400000032
S504：构建飞机结构件装配偏差预测模型
Figure FDA0003102259400000033
S505：计算飞机结构件装配偏差检测数据最小预测值
Figure FDA0003102259400000034
和最大预测值
Figure FDA0003102259400000035
构建飞机结构件装配偏差δP第s个偏差指标预测区间
Figure FDA0003102259400000036
Figure FDA0003102259400000037
S506：构建飞机结构件装配偏差检测数据的预测区间(CP)”：
Figure FDA0003102259400000038
5.根据权利要求1所述的一种基于多源数据融合的装配偏差波动区间协同预测方法，其特征在于，步骤S600的具体方法为：
S601：将步骤S300的到的装配单元层装配偏差的预测区间和步骤S500中得到的产品层装配偏差的预测区间融合，构建飞机结构件偏差检测数据预测区间DP：
Figure FDA0003102259400000039
S602：计算不同链路偏差检测数据融合的最优权重因子
Figure FDA00031022594000000310
所述链路包括装配单元层链路和产品层链路，所述链路为装配单元层偏差检测数据或产品层偏差检测数据通过灰色系统的GM(1，h)预测模型得到预测区间的过程：
Figure FDA00031022594000000311
其中，
Figure FDA00031022594000000312
为装配单元层偏差检测数据的预测区间
Figure FDA00031022594000000313
或飞机结构件装配偏差检测数据的预测区间(CP)”的均方误差；j＝1,2…O，O＝R+w；
S603：依据自适应最优加权偏差检测数据融合，计算最小融合值Hmin与最大融合值Hmax：
Figure FDA0003102259400000041
S604：根据最小融合值Hmin与最大融合值Hmax构建最优加权数据融合的飞机结构件装配偏差波动预测区间(DP)'：(DP)'＝[Hmin,Hmax]。
CN202110626510.XA 2021-06-04 2021-06-04 一种基于多源数据融合的装配偏差波动区间协同预测方法 Expired - Fee Related CN113240195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110626510.XA CN113240195B (zh) 2021-06-04 2021-06-04 一种基于多源数据融合的装配偏差波动区间协同预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110626510.XA CN113240195B (zh) 2021-06-04 2021-06-04 一种基于多源数据融合的装配偏差波动区间协同预测方法

Publications (2)

Publication Number Publication Date
CN113240195A true CN113240195A (zh) 2021-08-10
CN113240195B CN113240195B (zh) 2022-03-04

Family

ID=77136902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110626510.XA Expired - Fee Related CN113240195B (zh) 2021-06-04 2021-06-04 一种基于多源数据融合的装配偏差波动区间协同预测方法

Country Status (1)

Country Link
CN (1) CN113240195B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6015686A (en) * 1993-09-15 2000-01-18 Chiron Viagene, Inc. Eukaryotic layered vector initiation systems
US20050269191A1 (en) * 2004-06-03 2005-12-08 Lindsey Kurt L Molded polymer load tap changer
CN108629453A (zh) * 2018-05-04 2018-10-09 西北工业大学 一种基于实测数据的飞机现场装配精度预测方法
CN109460599A (zh) * 2018-10-30 2019-03-12 南昌航空大学 一种装配特征偏差的传递量化分析方法及系统
CN112417603A (zh) * 2020-11-30 2021-02-26 北京航空航天大学杭州创新研究院 一种飞机壁板定位夹紧装配变形预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6015686A (en) * 1993-09-15 2000-01-18 Chiron Viagene, Inc. Eukaryotic layered vector initiation systems
US20050269191A1 (en) * 2004-06-03 2005-12-08 Lindsey Kurt L Molded polymer load tap changer
CN108629453A (zh) * 2018-05-04 2018-10-09 西北工业大学 一种基于实测数据的飞机现场装配精度预测方法
CN109460599A (zh) * 2018-10-30 2019-03-12 南昌航空大学 一种装配特征偏差的传递量化分析方法及系统
CN112417603A (zh) * 2020-11-30 2021-02-26 北京航空航天大学杭州创新研究院 一种飞机壁板定位夹紧装配变形预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHANGCONG ZHANG等: "analysis of influencing factors of equipment cost based on entropy weight method and improved grey relational model", 《2019 INTERNATIONAL CONFERENCE ON SENSING,DIAGNOSTICS,PROGNOSTICS,AND CONTROL(SDPC)》 *
WEIGONG GUO等: "application of grey prediction models in final assembly duration of civil aircraft", 《2011 IEEE 18TH INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND ENGINEERING MANAGEMENT》 *
叶夏亮: "基于车身装配偏差动态建模的误差源诊断与控制研究", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技II辑》 *
朱永国等: "基于激光跟踪仪和机器视觉的飞机翼身对接装配偏差动态综合修正", 《机械工程学报》 *
朱永国等: "小样本检测数据驱动的飞机结构件装配关键偏差源诊断", 《中国机械工程》 *

Also Published As

Publication number Publication date
CN113240195B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
Jiang et al. Constraints on the promotion of prefabricated construction in China
Ran et al. How does FDI affect China? Evidence from industries and provinces
Xu A direct approach to group decision making with uncertain additive linguistic preference relations
Luo et al. Optimization of roadway support schemes with likelihood-based MABAC method
Geng et al. An extended 2-tuple linguistic DEA for solving MAGDM problems considering the influence relationships among attributes
CN111178978A (zh) 一种结合航班信息和价格序列的机票价格预测方法
Zhang et al. Artificial neural network for predicting building energy performance: a surrogate energy retrofits decision support framework
CN104898562A (zh) 数控机床热误差补偿的建模方法
Haddad et al. Application of fuzzy-TOPSIS method in supporting supplier selection with focus on HSE criteria: A case study in the oil and gas industry
He et al. Risk-oriented assembly quality analysing approach considering product reliability degradation
CN114235330A (zh) 关联风洞试验和计算数据的多源气动载荷模型构建方法
CN113722997A (zh) 一种基于静态油气田数据的新井动态产量预测方法
Diao et al. A dynamic quality control approach by improving dominant factors based on improved principal component analysis
Liu et al. Analysis and forecast of beijing’s air quality index based on arima model and neural network model
Alswaitti et al. Dimensionality reduction, modelling, and optimization of multivariate problems based on machine learning
CN116562171A (zh) 一种温湿度在线计量的误差评估方法
CN113240195B (zh) 一种基于多源数据融合的装配偏差波动区间协同预测方法
Taheri et al. Experimental and numerical investigation of an innovative method for strengthening cold-formed steel profiles in bending throughout finite element modeling and application of neural network based on feature selection method
Zhuang et al. Port planning and sustainable development based on prediction modelling of port throughput: A case study of the deep-water Dongjiakou Port
Zhang et al. A robust data reconciliation method for fast metal balance in copper industry
Anderson et al. Confidence intervals for the Suits Index
Yun Performance analysis of construction cost prediction using neural network for multioutput regression
CN112818256B (zh) 一种基于神经协同过滤的推荐方法
Hassan et al. Condition Prediction for Existing Educational Facilities Using Artificial Neural Networks and Regression Analysis
Han et al. Does financial resource misallocation inhibit the improvement of green development efficiency? Evidence from China

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220304