CN115222114A - 汽车零部件装配指标值预测方法、终端设备及存储介质 - Google Patents

Abstract

本发明公开了一种汽车零部件装配指标值预测方法、终端设备及存储介质，包括：对汽车装配区域进行分区，每个分区包含若干可能导致零部件装配不合格的测量点位；基于分区内汽车零部件成功装配的历史测量数据，根据相关性分析从分区内各点位测量值中筛选出与衡量零部件装配是否合格的指标值线性相关的点位测量值；采用逐步回归法计算筛选出的点位测量值与指标值之间的相关显著性，确定与指标值相关性显著的点位测量值；将指标值作为因变量，逐步回归法筛选出来的点位测量值作为自变量，建立多元回归模型，实现对汽车零部件装配指标值的预测；比较预测出的指标值和要求的指标值，若不符合要求，则通过互联网平台及时反馈给用户，及时判断问题缘由。

Description

汽车零部件装配指标值预测方法、终端设备及存储介质

技术领域

本发明涉及汽车零部件装配质量预测领域，特别是一种汽车零部件装配指标值预测方法、终端设备及存储介质。

背景技术

汽车工业是在许多相关联的工业和有关技术的基础上发展起来的综合体，从毛坯加工到整车装配，相关技术的发展极大的影响着汽车制造的效率和质量。然而，我国的汽车工业在汽车装配技术方面还相当落后，国内许多汽车零部件与国外的制造技术相当，但是组装后的汽车整体性能与国外相比还存在一定的差距，这种现象的出现主要原因在于装配质量不合格。

汽车零部件装配是指按照规定的要求将汽车零部件组装在一起，使之成为成品或者半成品的工艺过程。传统汽车零部件装配过程中，往往要等到装配完成后，才能对汽车装配质量进行检测，当检测出装配不合格时，就会导致返工，造成人力、物力的损失。因此，目前已有关于基于多模型融合的整车尺寸匹配偏差预测方法的发明专利。但是，在现有相关解决方案中，主要采用极值法、方和根法和蒙特卡洛仿真法来进行整车尺寸匹配偏差预测。其中，采用极值法或方和根法的解决方案的特点为预测结果与实际结果差异大，而采用蒙特卡洛仿真法的解决方案的特点为主要基于仿真数据构建整车尺寸匹配偏差预测位置的机理模型，无法预测零部件的局部装配质量。

汽车零部件的真实数据涉及大量测量点，现有相关解决方案中未考虑如何对这些测量点的重要性进行分析，其缺点为：由于汽车上与装配指标值有关的特征测量点数量较多，而其中一些点位测量值与指标值的关系并不显著，如果将太多不相关的点位测量值引入回归方程，将会影响回归预测模型的质量并降低模型运行的效率。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种汽车零部件装配指标值预测方法、终端设备及存储介质，准确、快速的预测出局部汽车零部件的装配尺寸。

为解决上述技术问题，本发明所采用的技术方案是：一种汽车零部件装配指标值预测方法，包括以下步骤：

步骤1，对汽车装配区域进行分区，每个分区包含若干可能导致零部件装配不合格的测量点位；

步骤2，基于分区内汽车零部件成功装配的历史测量数据，根据相关性分析，从分区内各点位测量值中筛选出与衡量零部件装配合格的指标值线性相关的点位测量值；

步骤3，根据步骤2的筛选结果，采用逐步回归法计算筛选出的点位测量值与指标值之间的相关显著性，确定与指标值相关性显著的点位测量值；

步骤4，将指标值作为因变量，将逐步回归法筛选出的点位测量值作为自变量，建立多元回归模型，利用所述多元回归模型对汽车零部件装配指标值的预测。

本发明直接预测局部汽车零部件的装配尺寸，而不是预测整车尺寸匹配偏差，本发明通过融合逐步回归分析方法来建立回归模型，以预测汽车中一些零部件的局部装配质量，而不是整车的尺寸匹配偏差。本发明能够基于汽车零部件成功装配的历史数据，首先采用相关性分析初步剔除与指标值无关的点位测量值，然后基于逐步回归分析，剔除掉与指标值相关性不显著的点位测量值，最终保留了与指标值相关性显著的点位测量值，从而只需要使用少数变量，即可更加准确、快速的预测出指标值。

本发明的方法还包括：步骤5，比较预测出的指标值和要求的指标值，若不满足要求，则发出报警指令。

本发明的方法还包括：步骤5，比较预测出的指标值和要求的指标值，若不满足要求，则通过互联网平台及时将对应分区的信息、预测的指标值以及要求的指标值反馈给用户。

通过上述报警指令或给用户反馈的信息，方便用户及时判断问题缘由。

本发明步骤1中，分区R表示为：R＝{N,Y,X₁,X₂,X₃,…,X_i}，其中N表示分区名称，Y＝{y₁,y₂,…,y_n}，X_m＝{id,x_m1,x_m2,…,x_mn}，y_n表示第n次装配的指标值，id是当前测量点位的编号，x_mn表示第m个测量点位第n次装配的测量值。

本发明步骤2的具体实现过程包括：从装配成功的历史测量数据中提取q组测量值以及对应的指标值，其中第i组数据表示为{y_i,x_1i,x_2i,…,x_mi}，m个点位测量值x_1i,x_2i,…,x_mi即为m个预测因子，y_i为第i组指标值。基于皮尔逊相关系数从对应分区m个点位测量值中筛选出与指标值y相关的预测因子，皮尔逊相关系数大于设定阈值(例如0.2)，则说明预测因子与指标值之间的相关关系至少为弱相关，该值越大相关性越强，皮尔逊相关系数的公式如下：

其中r_m表示第m个点位测量值与指标值y的皮尔逊相关系数，其值在-1-1之间，q表示有q组数据，x_mi表示第i组数据的第m个点位测量值、y_i表示第i组数据的指标值。

本发明步骤3中的具体实现过程包括：

步骤3-1，将筛选出的z个预测因子分别对因变量y，建立z个一元线性回归方程，再进行F值检验；检验步骤包括：分别计算z个一元线性回归方程的z个F值，记为{F₁ ¹,F₂ ¹,…,F_z ¹}，选z个F值中的最大者，记为F_j ¹＝max{F₁ ¹,F₂ ¹,…,F_z ¹}，给定显著性水平α，若F_j ¹≥F_α(1,n-2)，则引入x_j对因变量影响显著，将x_j引入回归方程；其中，F值的计算公式为：

SSR为回归平方和，SSE为残差平方和，n为样本数据个数，p为自变量个数，n-p-1表示自由度；其中Fα(1,n-2)表示在给定显著性水平α下，分子自由度和分母自由度分别为1和n-2时的F临界值，该值可在F分布临界值表查询得到。

步骤3-2，在已建立的一元线性回归方程中，分别引入其余未引入回归模型的预测因子，得到z-1个二元回归模型，计算z-1个二元回归模型的F值，取其中F值最大者，若在给定显著性水平α的情况下，符合要求则将对应变量引入回归模型，再对已引入回归模型的每一个自变量进行F值检验，剔除使回归方程显著性降低的自变量；

步骤3-3，重复步骤3-2，引入和剔除相应的预测因子，直至回归模型不再变化，此时回归模型中的自变量就是与指标值关联性大的预测因子，即得到与指标值相关性显著的点位测量值。

本发明步骤4中，所述多元回归模型表达式为：

其中，

表示多元回归模型中第k个自变量的系数；y为因变量，即预测值；x_k为第k个因变量；

表示多元回归模型中第k个自变量的系数；

采用最小二乘法估计得到。

作为一个发明构思，本发明还提供了一种终端设备，其包括处理器和存储器；所述存储器存储有计算机程序/指令；所述处理器执行所述存储器存储的计算机程序/指令；所述计算机程序/指令被配置为实现本发明所述方法的步骤。

作为一个发明构思，本发明还提供了一种计算机存储介质，其上存储有计算机程序/指令；其特征在于，所述计算机程序/指令被处理器执行时实现本发明所述方法的步骤。

与现有技术相比，本发明所具有的有益效果为：

(1)通过本发明方法，先由专业人员依据尺寸链分析得到可能影响指标值的点位测量值，从而不需要对整车所有的点位进行逐步回归，大大减少了数据的处理量，提高了本发明方法的可行性；

(2)通过本发明方法，经过皮尔逊相关系数进一步对人工分析得到的测量点位进行筛选，使得可以更精确的确定影响指标值的因素，避免了人工分析的失误；

(3)通过本发明方法，采用逐步回归的方法对预测因子进行筛选，只保留对因变量相关性显著的预测因子，再用这些变量构建多元回归预测模型，使得用户通过较少的点位测量值就可以准确、快速的预测指标值，判断零部件装配是否合格；

(4)本发明主要基于真实数据构建汽车零部件装配指标值预测模型，其主要特点为基于汽车零部件的真实数据预测相应的装配尺寸，即：预测局部汽车零部件的装配尺寸，而不是预测整车尺寸匹配偏差。通过融合逐步回归分析方法来建立回归模型，以预测汽车中一些零部件的局部装配质量，而不是整车的尺寸匹配偏差，提高了汽车装配预测精度。

附图说明

图1是本发明汽车零部件装配指标值预测流程图。

图2是本发明中逐步回归法的流程图。

具体实施方式

本发明实施例公开了一种基于多元逐步回归的汽车零部件装配指标值预测方法，该方法流程图如图1所示，包括以下步骤：

步骤1，由专业人员对汽车装配区域进行分区，每个分区包含若干可能导致零部件装配不合格的测量点位。专业人员可通过尺寸链对待装配零件及其周围的测量点位进行分析，可以初步得出这些测量点位的测量值是否可能对衡量零部件装配是否合格的指标值有影响，这些测量点位划分在一个分区内。对于一种车型，只需要人工分析一次即可。

专业人员可通过尺寸链对待装配零件及其周围的测量点位进行分析，可以得出这些测量点位的测量值是否可能对衡量零部件装配是否合格的指标值有影响，这些测量点位划分在一个分区内。分区R中包含了该分区的名称以及分区中可能影响指标值的各点位的信息，R＝{N,Y,X₁,X₂,X₃,…,X_i}，其中N表示分区名称，Y＝{y₁,y₂,…,y_n}，X_m＝{id,x_m1,x_m2,…,x_mn}，y_n表示第n次装配的指标值，id是该点位的编号，X_mn表示第m个点位第n次装配的测量值。

步骤2，基于分区内汽车零部件成功装配的历史测量数据，根据相关性分析从分区内各点位测量值中筛选出与衡量零部件装配合格的指标值线性相关的点位测量值。由人工分析得到的点位不一定都真正与指标值相关，需进行相关性分析进一步筛选出真正相关的点位测量值。

本发明实施例中，从装配成功的历史测量值中提取q组测量值以及对应的指标值，其中第i组数据表示为{y_i,x_1i,x_2i,…,x_mi}，m个点位测量值x_1i,x_2i,…,x_mi即为m个预测因子，y_i为第i组指标值。基于皮尔逊相关系数从对应分区m个点位测量值中筛选出与指标值y相关的预测因子，皮尔逊相关系数大于0.2则说明预测因子与指标值之间的相关关系至少为弱相关，该值越大相关性越强，可以设置皮尔逊相关系数为0.2作为筛选条件，皮尔逊相关系数的公式如下：

其中r_m表示第m个点位测量值与指标值y的皮尔逊相关系数，其值在-1-1之间，q表示有q组数据，x_mi表示第i组数据的第m个点位测量值、y_i表示第i组数据的指标值。

步骤3，根据筛选结果，采用逐步回归法计算筛选出的点位测量值与指标值之间的相关显著性，确定与指标值相关性显著的点位测量值。

如图2所示，步骤3中，采用逐步回归法确定与指标值相关性显著的预测因子。，在实际过程中，一个分区的点位测量值可能有数十个，但是真正对指标值有着显著影响的点位测量值并没有这么多，所以，应该采用逐步回归的方法，筛选出对指标值有着显著相关性的点位测量值。采用逐步回归法确定与指标值相关性显著的预测因子的具体步骤为：

步骤3-1，将筛选出的z个(z≤m)预测因子分别对因变量y建立z个一元线性回归方程，再进行F值检验。检验步骤如下：分别计算这z个一元回归方程的z个F值，记为{F₁ ¹,F₂ ¹,…,F_z ¹}，选其最大者，记为F_j ¹＝max{F₁ ¹,F₂ ¹,…,F_z ¹}，给定显著性水平α，若F_j ¹≥F_α(1,n-2)，则引入x_j对因变量影响显著，首先将x_j引入回归方程。F值计算公式如下：

式中：SSR为回归平方和，SSE为残差平方和，n为样本数据个数，p为自变量个数，n-p-1表示自由度。F_α(1,n-2)表示在给定显著性水平α下，分子自由度和分母自由度分别为1和n-2时的F临界值，该值可在F分布临界值表查询得到。

步骤3-2，在已建立一元回归模型的基础上，再分别引入其余未引入回归模型的预测因子，得到z-1个二元回归模型，计算z-1个二元回归模型的F值，取其中F值最大者。同步骤3-1中一样，若在给定显著性水平α的情况下，符合要求则将对应变量引入回归模型。再对已引入回归模型的每一个自变量进行F值检验，剔除使回归方程显著性降低的自变量。

步骤3-3，重复步骤3-2，引入和剔除相应的预测因子，直到回归模型不再变化，此时方程中的自变量就是与指标值关联性比较大的预测因子。

步骤4，将指标值作为因变量，逐步回归法筛选出来的点位测量值作为自变量，建立多元回归模型，利用得到的多元线性回归方程实现对汽车零部件装配指标值的预测。

步骤4中将指标值作为因变量，逐步回归法筛选出来的点位测量值作为自变量，采用多元线性回归的方法建立多元线性回归方程，具体步骤如下：

步骤4-1，步骤3中由逐步回归法筛选出了k个(k≤z)对指标值影响显著的因子，由这些预测因子作为自变量所得到的回归方程为：y＝β₀+β₁x₁+β₂x₂+…+β_kx_k；

步骤4-2，依据从装配成功的历史测量值中提取的q组测量值以及对应的指标值，采用最小二乘法估计回归系数

式中

上述矩阵中，x_qk表示第q组数据中第k个点位的测量值，y_q表示第q组数据中的指标值，

表示多元回归模型中第k个自变量的系数。

步骤4-3，将求出的回归系数带入到回归模型中，可以得到指标值预测方程为：

式中，

表示多元回归模型中第k个自变量的系数，y为因变量，x_k为第k个因变量。

步骤5，预测出指标值后，将预测出的指标值和要求的指标值相比较，若不符合要求，则通过互联网平台及时反馈给用户，及时判断问题缘由。

步骤5中，用多元回归预测方程预测出指标值后，将预测出的指标值和要求的指标值相比较，若不符合要求，则通过互联网平台及时将该分区的信息、预测的指标值以及要求的指标值反馈给用户，使其可以及时判断问题缘由。

根据上述步骤得到预测方程之后，再从装配成功的历史数据中取若干组数据来验证预测方程的预测精度，误差公式如下：

式中，Y_i为实际指标值，Y_pi为预测指标值。

本发明另一实施例还提供了一种终端设备，其包括处理器和存储器；所述存储器存储有计算机程序/指令；所述处理器执行所述存储器存储的计算机程序/指令；所述计算机程序/指令被配置为实现本发明上述实施例方法的步骤。

本发明实施例中，处理器可以是微处理器等设备。

本发明另一实施例还提供了一种计算机存储介质，其上存储有计算机程序/指令；其特征在于，所述计算机程序/指令被处理器执行时实现本发明上述实施例方法的步骤。

本发明实施例中，存储介质可以是光盘等。

本发明实施例提供了一种基于多元逐步回归的汽车零部件装配指标值预测方法，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (9)

1.一种汽车零部件装配指标值预测方法，其特征在于，包括以下步骤：

步骤1，对汽车装配区域进行分区，每个分区包含若干可能导致零部件装配不合格的测量点位；

步骤2，基于分区内汽车零部件成功装配的历史测量数据，根据相关性分析，从分区内各点位测量值中筛选出与衡量零部件装配合格的指标值线性相关的点位测量值；

步骤3，根据步骤2的筛选结果，采用逐步回归法计算筛选出的点位测量值与指标值之间的相关显著性，确定与指标值相关性显著的点位测量值；

步骤4，将指标值作为因变量，将逐步回归法筛选出的点位测量值作为自变量，建立多元回归模型，利用所述多元回归模型对汽车零部件装配指标值的预测。

2.根据权利要求1所述的汽车零部件装配指标值预测方法，其特征在于，还包括：

步骤5，比较预测出的指标值和要求的指标值，若不满足要求，则发出报警指令。

3.根据权利要求1所述的汽车零部件装配指标值预测方法，其特征在于，还包括：步骤5，比较预测出的指标值和要求的指标值，若不满足要求，则通过互联网平台及时将对应分区的信息、预测的指标值以及要求的指标值反馈给用户。

4.根据权利要求1所述的汽车零部件装配指标值预测方法，其特征在于，步骤1中，分区R表示为：R＝{N,Y,X₁,X₂,X₃,…,X_i}，其中N表示分区名称，Y＝{y₁,y₂,…,y_n}，X_m＝{id,x_m1,x_m2,…,x_mn}，y_n表示第n次装配的指标值，id是当前测量点位的编号，x_mn表示第m个测量点位第n次装配的测量值。

5.根据权利要求1所述的汽车零部件装配指标值预测方法，其特征在于，步骤2的具体实现过程包括：从装配成功的历史测量数据中提取q组测量值以及对应的指标值，第i组数据表示为{y_i,x_1i,x_2i,…,x_mi}，m个点位测量值x_1i,x_2i,…,x_mi即为m个预测因子，y_i为第i组指标值；基于皮尔逊相关系数从对应分区m个点位测量值中筛选出与指标值相关的预测因子，皮尔逊相关系数大于设定阈值则说明预测因子与指标值之间的相关关系至少为弱相关，皮尔逊相关系数的公式如下：

其中r_m表示第m个点位测量值与指标值的皮尔逊相关系数，其值在-1-1之间，q表示有q组数据，x_mi表示第i组数据的第m个点位测量值、y_i表示第i组数据的指标值。

6.根据权利要求1所述的汽车零部件装配指标值预测方法，其特征在于，步骤3中的具体实现过程包括：

步骤3-1，将筛选出的z个预测因子分别对因变量y，建立z个一元线性回归方程，再进行F值检验；检验步骤包括：分别计算z个一元线性回归方程的z个F值，记为{F₁ ¹,F₂ ¹,…,F_z ¹}，选z个F值中的最大者，记为F_j ¹＝max{F₁ ¹,F₂ ¹,…,F_z ¹}，给定显著性水平α，若F_j ¹≥F_α(1,n-2)，则引入x_j对因变量影响显著，将x_j引入回归方程；其中，F值的计算公式为：

SSR为回归平方和，SSE为残差平方和，n为样本数据个数，p为自变量个数，n-p-1表示自由度；其中

F_α(1,n-2)表示在给定显著性水平α下，分子自由度和分母自由度分别为1和n-2时的F临界值。

步骤3-2，在已建立的一元线性回归方程中，分别引入其余未引入回归模型的预测因子，得到z-1个二元回归模型，计算z-1个二元回归模型的F值，取其中F值最大者，若在给定显著性水平α的情况下，符合要求则将对应变量引入回归模型，再对已引入回归模型的每一个自变量进行F值检验，剔除使回归方程显著性降低的自变量；

步骤3-3，重复步骤3-2，引入和剔除相应的预测因子，直至回归模型不再变化，此时回归模型中的自变量就是与指标值关联性大的预测因子，即得到与指标值相关性显著的点位测量值。

7.根据权利要求1所述的汽车零部件装配指标值预测方法，其特征在于，步骤4中，所述多元回归模型表达式为：

其中，

表示多元回归模型中第k个自变量的系数；y为因变量，即预测值；x_k为第k个因变量；

表示多元回归模型中第k个自变量的系数；

采用最小二乘法估计得到。

8.一种终端设备，其特征在于，包括处理器和存储器；所述存储器存储有计算机程序/指令；所述处理器执行所述存储器存储的计算机程序/指令；所述计算机程序/指令被配置为实现权利要求1～7之一所述方法的步骤。

9.一种计算机存储介质，其上存储有计算机程序/指令；其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1～7之一所述方法的步骤。

Images