CN115371907A - 一种油封压装质量检测方法、装置、电子设备及存储介质 - Google Patents
一种油封压装质量检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115371907A CN115371907A CN202210967486.0A CN202210967486A CN115371907A CN 115371907 A CN115371907 A CN 115371907A CN 202210967486 A CN202210967486 A CN 202210967486A CN 115371907 A CN115371907 A CN 115371907A
- Authority
- CN
- China
- Prior art keywords
- quality detection
- oil seal
- sample set
- displacement
- model
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 34
- 238000006073 displacement reaction Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 85
- 238000010586 diagram Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012797 qualification Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000010705 motor oil Substances 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明实施例公开了一种油封压装质量检测方法、装置、电子设备及存储介质,所述油封压装质量检测方法包括:获取待检测油封在压装过程中的位移‑压力曲线;使用具有预设长度的时窗对所述位移‑压力曲线进行预处理,以获取初始压力点集合;基于目标规则模型对初始压力点集合进行第一质量检测,以得到第一合格样本集合和第一不合格样本集合;基于目标集成树分类模型对第一不合格样本集合进行第二质量检测,以得到第二合格样本集合和第二不合格样本集合;根据第一合格样本集合、第二合格样本集合和第二不合格样本集合确定所述待检测油封的质量检测结果。通过目标规则模型和目标集成树分类模型的两轮筛选,能够实现高检出率的自动化油封压装质量检测。
Description
技术领域
本发明涉及发动机装配技术领域,尤其涉及一种油封压装质量检测方法、装置、电子设备及存储介质。
背景技术
气门油封是汽车发动机缸盖上的一个重要元件,所述气门油封用于发动机气门导杆的密封,气门油封压装的质量直接影响着发动机的使用寿命,油封压装合格才能在后续工序的总成件气密性检测及汽车使用过程中,不会因为油封压装不良而引起泄漏故障。
目前,气门油封压装质量的判断主要依赖人工检测的方法,即在每个装配工位配备1~2名工人,在流水线上对产品质量进行识别和判断。生产过程中,人工检测劳动强度大,效率低且易出错,无法满足大批量生产时稳定性和可靠性的要求。同时,人工目测方法所获检测结果、存储和查询,无法满足现代工业生产检测自动化、智能化的要求。
发明内容
为了解决上述技术问题,本申请实施例提供了一种油封压装质量检测方法、装置、电子设备及存储介质,具体方案如下:
第一方面,本申请实施例提供了一种油封压装质量检测方法,所述油封压装质量检测方法包括:
获取全部待检测油封在压装过程中的位移-压力曲线;
使用具有预设长度的时窗对各所述位移-压力曲线进行预处理,以获取对应每一待检测油封的初始压力点集合;
基于目标规则模型对各所述初始压力点集合进行第一质量检测,以得到第一合格样本集合和第一不合格样本集合;
基于目标集成树分类模型对所述第一不合格样本集合进行第二质量检测,以得到第二合格样本集合和第二不合格样本集合;
根据所述第一合格样本集合、所述第二合格样本集合和所述第二不合格样本集合确定全部所述待检测油封的质量检测结果。
根据本申请实施例的一种具体实施方式,根据具有预设长度的时窗对各所述位移-压力曲线进行预处理,以获取对应每一待检测油封的初始压力点集合的步骤,包括:
根据所述位移-压力曲线的位移范围确定所述时窗在所述位移-压力曲线中进行滑动的起始位移和截止位移;
控制所述时窗在所述起始位移与所述截止位移之间执行预设次数的滑动操作,并在每次滑动操作停止时计算所述时窗覆盖的全部压力数据的平均值,作为对应滑动操作的每一时窗位置的初始压力点;
将全部滑动操作的初始压力点按照时序排列后的点集,作为所述初始压力点集合。
根据本申请实施例的一种具体实施方式,基于目标规则模型对各所述初始压力点集合进行第一质量检测的步骤之前,所述方法还包括:
获取预设数量的判异规则;
初始化各判异规则对应的判断参数,其中,所述判断参数包括压力基准坐标、基准宽度、上包络位置和下包络位置中的至少一种参数;
根据预设的规则化方法和判异规则形态对所有判断参数进行规则化处理,以得到所述目标规则模型。
根据本申请实施例的一种具体实施方式,根据预设的规则化方法和判异规则形态对所述判断参数进行规则化处理,以得到所述目标规则模型的步骤,包括:
基于网格搜索法对各判异规则以及各判异规则对应的判断参数进行搜索,以构建对应各判异规则的初始规则模型;
基于贝叶斯优化算法对所述初始规则模型进行优化,以得到所述目标规则模型。
根据本申请实施例的一种具体实施方式,所述目标集成树分类模型为随机度量近似森林分类模型,所述随机度量近似森林分类模型的构建步骤,包括:
重复执行分类树构建步骤,以获取预设数量的分类树;
基于预设数量的分类树构建所述随机度量近似森林分类模型;
所述分类树构建步骤,包括:
获取模型训练集,所述模型训练集包括预设数量的压力合格类样本和压力不合格类样本;
计算所述模型训练集中每一个节点的基尼指数,并基于节点的基尼指数训练合适的分类策略,其中,所述分类策略为基于预设函数训练的KNN分类器,所述预设函数为在预设距离度量函数集中随机选择的一种距离度量函数;
根据所述分类策略划分出模型训练集中的叶节点和待分裂节点;
根据分裂后的全部节点构建分类树。
根据本申请实施例的一种具体实施方式,根据所述分类策略划分出模型训练集中的叶节点和待分裂节点的步骤,包括:
若节点的基尼指数为0,将所述节点划分为叶节点;
若节点的基尼指数不为0,将所述节点划分为待分裂节点。
根据本申请实施例的一种具体实施方式,所述预设距离度量函数集中的距离度量函数包括欧氏距离、动态时间规整、具有受限扭曲窗口的动态时间扭曲、加权动态时间扭曲、导数动态时间扭曲、具有受限扭曲窗口的导数动态时间扭曲、加权导数动态时间扭曲、最长公共子序列、实际惩罚编辑距离、时间扭曲编辑距离、弹性系综。
第二方面,本申请实施例提供了一种油封压装质量检测装置,所述油封压装质量检测装置包括:
获取模块,用于获取全部待检测油封在压装过程中的位移-压力曲线数据;
预处理模块,用于使用具有预设长度的时窗对各所述位移-压力曲线数据进行预处理,以获取对应每一待检测油封的初始压力点集合;
第一检测模块,用于基于目标规则模型对各所述初始压力点集合进行第一质量检测,以得到第一合格样本集合和第一不合格样本集合;
第二检测模块,用于根据目标集成树分类模型对所述第一不合格样本集合进行第二质量检测,以得到第二合格样本集合和第二不合格样本集合;
质量评估模块,用于根据所述第一合格样本集合、所述第二合格样本集合和所述第二不合格样本集合确定全部所述待检测油封的质量检测结果。
第三方面,本申请实施例提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行前述第一方面及第一方面任一实施方式中的油封压装质量检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序在处理器上运行时执行前述第一方面及第一方面任一实施方式中的油封压装质量检测方法。
本申请实施例提供了一种油封压装质量检测方法、装置、电子设备及存储介质,所述油封压装质量检测方法包括:获取待检测油封在压装过程中的位移-压力曲线;使用具有预设长度的时窗对所述位移-压力曲线进行预处理,以获取初始压力点集合;基于目标规则模型对所述初始压力点集合进行第一质量检测,以得到第一合格样本集合和第一不合格样本集合;基于目标集成树分类模型对所述第一不合格样本集合进行第二质量检测,以得到第二合格样本集合和第二不合格样本集合;根据所述第一合格样本集合、所述第二合格样本集合和所述第二不合格样本集合确定所述待检测油封的质量检测结果。通过目标规则模型和目标集成树分类模型的两轮筛选,能够实现高检出率的自动化油封压装质量检测。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的一种油封压装质量检测方法的方法流程示意图;
图2示出了本申请实施例提供的一种油封压装质量检测方法的应用交互示意图;
图3示出了本申请实施例提供的一种油封压装质量检测方法的目标规则化模型的示意图;
图4示出了本申请实施例提供的一种油封压装质量检测方法的目标集成树分类模型的应用示意图;
图5示出了本申请实施例提供的一种油封压装质量检测装置的装置模块示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
参考图1,为本申请实施例提供的一种油封压装质量检测方法的方法流程示意图,本申请实施例提供的油封压装质量检测方法,如图1所示,所述油封压装质量检测方法包括:
步骤S101,获取全部待检测油封在压装过程中的位移-压力曲线;
在具体实施方式中,待检测油封为一种用于封油脂的机械元件,油封的装配品质和状态直接影响设备零部件的产品寿命。
发动机在进行装配工序的过程中,需要对全部的气门油封的压装质量进行检测。目前气门组件的压装大多采取半自动化流水线作业方式,在压装生产线配备有多台设备,按照压装工艺流程,完成对于气门油封的压装工作。
利用现有的压装设备对油封进行压装工艺时,可以直接获取油封在压装过程中的位移数据和压力数据,并得到对应每一油封的位移-压力曲线。
本实施例中的全部待检测油封为在工艺生产线上经过压装工艺的全部油封。
步骤S102,使用具有预设长度的时窗对各所述位移-压力曲线进行预处理,以获取对应每一待检测油封的初始压力点集合;
在具体实施方式中,通过滑动时窗法将所有的位移-压力曲线处理成长度相等的序列。
在实际应用过程中,可以通过设定初始位移为X1和截止位移为X2,并通过不断滑动时窗,将位移范围在时窗内的点求平均值,作为当前时窗对应的初始压力点,从而得到对应每一待检测油封的初始压力点结合。
需知的,若移动时窗过程中,所述时窗内并不包括任一压力数据,则标记当前时窗内的初始压力点值为缺失值。对于所述缺失值,可以进行自适应插值填补处理。
根据本申请实施例的一种具体实施方式,根据具有预设长度的时窗对各所述位移-压力曲线进行预处理,以获取对应每一待检测油封的初始压力点集合的步骤,包括:
根据所述位移-压力曲线的位移范围确定所述时窗在所述位移-压力曲线中进行滑动的起始位移和截止位移;
控制所述时窗在所述起始位移与所述截止位移之间执行预设次数的滑动操作,并在每次滑动操作停止时计算所述时窗覆盖的全部压力数据的平均值,作为对应滑动操作的每一时窗位置的初始压力点;
将全部滑动操作的初始压力点按照时序排列后的点集,作为所述初始压力点集合。
在具体实施例中,在获取对应每一待检测油封在压装过程中生成的位移-压力曲线时,即生成了一个以位移为横坐标,以压力为纵坐标的位移压力数据坐标系。
对所述位移压力数据坐标系中所有的压力点数据进行遍历,就可以确定预设的时窗在所述位移-压力曲线中滑动的起始位移和截止位移。
其中,所述时窗为用户根据实际应用场景进行设置的,具有预设窗口长度的时间窗。所述起始位移为所述时间窗在所述位移-压力曲线中开始进行滑动的位置。所述截止位移为所述时间窗在所述位移-压力曲线中进行预设次数滑动后,停止滑动动作的位置。
控制所述时间窗在所述起始位移与所述截止位移之间滑动预设次数,其中,所述时间窗每一次滑动的距离相等,均小于所述截止位移与所述起始位移的差值,具体的,所述时间窗每一次滑动的距离由所述预设次数决定,均由用户根据实际应用场景进行适应性设置,此处不对预设次数以及时间窗每一次滑动的距离作限定。
时间窗每一次滑动后,获取所述时间窗内包括的所有压力数据,并计算对应时间窗内所有压力数据的平均值,作为对应位移位置时间窗的初始压力点数据。
统计时间窗在全部位移位置的初始压力点数据,并按照所述时间窗运行的时序进行排列,以得到对应所述待检测油封的初始压力点集合。
对所述初始压力点集合进行预设的质量分析即能够得到所述待检测油封的压装质量的检测结果。
如图2所示,本实施例提供的油封压装质量检测方法,在获取各所述待监测油封的初始压力点集合后,通过所述目标规则模型和所述目标集成树分类模型分别进行两次质量合格检测,以得到对于全部待检测油封的压装质量的检测结果。
步骤S103,基于目标规则模型对各所述初始压力点集合进行第一质量检测,以得到第一合格样本集合和第一不合格样本集合;
在具体实施方式中,所述目标规则模型中包括用户定义的预设数量个标准判异规则。
获取所述初始压力点集合后,即可以生成一条对应初始压力点集合的压力曲线。将所述压力曲线导入所述目标规则模型后,所述目标规则模型自动在所有标准判异规则中匹配与所述压力曲线对应的标准判异规则,并根据匹配的标准判异规则对各所述初始压力点集合进行合格与不合格的判断。
通过所述在所述目标规则模型中的匹配分析过程,即完成对全部所述初始压力点集合的第一质量检测,从而能够得到全部待检测油封中的第一合格样本集合和第一不合格样本集合。
根据本申请实施例的一种具体实施方式,基于目标规则模型对所述初始压力点集合进行第一质量检测的步骤之前,所述方法还包括:
获取预设数量的判异规则;
初始化各判异规则对应的判断参数,其中,所述判断参数包括压力基准坐标、基准宽度、上包络位置和下包络位置中的至少一种参数;
根据预设的规则化方法和判异规则形态对所有判断参数进行规则化处理,以得到所述目标规则模型。
在具体实施例中,在利用所述目标规则模型对初始压力点集合进行第一质量检测前,需要首先获取预设数量的判异规则,并根据各判异规则生成一个包括标准判异规则的目标规则模型。
在本实施例中,用户可以预先定义预设数量具有不同形态的判异规则。具体的,具有不同形态的判异规则可以参考现有技术中油封压装工位进行质量检测常用的规则。
如图3所示,所述判异规则包括包络线型、NO-PASS型、LINE-X型和AVERAGE型等等。
其中,所述包络线型的判异规则为定义一个具有上包络位置、下包络位置、压力基准宽度以及预设轨迹的包络线。将获取的初始压力点集合导入所述包络线型的判异规则后,若所述初始压力点集合对应的曲线在所述包络线的基准坐标内,且曲线轨迹与所述包络线的轨迹一致,则判断所述初始压力点集合为合格点集合。若所述初始压力点集合对应的曲线不再所述包络线的基准坐标内,或曲线轨迹与所述包络线的轨迹不一致,则判断所述初始压力点集合为不合格点集合。
所述NO-PASS型的判异规则为定义一条具有压力基准坐标的直线。将获取的初始压力点集合导入所述NO-PASS型的判异规则后,若所述初始压力点集合对应的曲线与所述具有压力基准坐标的直线不交叉,则判断所述初始压力点集合为合格点集合。若所述初始压力点集合对应的曲线与所述具有压力基准坐标的直线交叉,则判断所述初始压力点集合为不合格点集合。
所述LINE-X型的判异规则为定义一条具有压力基准坐标的直线。将获取的初始压力点集合导入所述LINE-X型的判异规则后,若所述初始压力点集合对应的曲线与所述具有压力点基准坐标的直线交叉,则判断所述初始压力点结合为合格点集合。若所述初始压力点结合对应的曲线与所述具有压力基准坐标的直线不交叉,则判断所述初始压力点集合为不合格点集合。
所述AVERAGE型的判异规则为定义一个具有上包络线、下包络线、压力基准宽度的方块型包络线。将获取的初始压力点集合导入所述AVERAGE型的判异规则后,若所述初始压力点集合对应的曲线的最大压力点坐标与最小压力点坐标在所述方块型包络线内时,判断所述初始压力点集合为合格点集合。若所述初始压力点集合对应的曲线的最大压力点坐标大于所述方块型包络线的上包络线坐标,或曲线的最小压力点坐标小于所述方块型包络线的最下包络线坐标时,判断所述初始压力点集合为不合格点集合。
在具体实施例中,用户在定义并获取了全部的判异规则后,会对各判异规则进行初始化,初始化每一判异规则对应的参数以及优化范围,例如NO-PASS型判异规则中的线段端点、压力基准坐标、包络线的宽度、上包络位置和下包络位置等。
在初始化各判异规则后,利用预设的规则化方法处理每一判异规则的参数后,即可以根据预设的方法处理各判异规则的参数,以实现初始标准判异规则的构建。在对初始标准判异规则进行优化处理后,就可以得到全部标准判异规则。根据全部标准判异规则进行整合,即得到了所述目标规则模型。
根据本申请实施例的一种具体实施方式,根据预设的规则化方法和判异规则形态对所述判断参数进行规则化处理,以得到所述目标规则模型的步骤,包括:
基于网格搜索法对各判异规则以及各判异规则对应的判断参数进行搜索,以构建对应各判异规则的初始规则模型;
基于贝叶斯优化算法对所述初始规则模型进行优化,以得到所述目标规则模型。
在具体实施方式中,所述规则化方法包括网格搜索法和贝叶斯优化算法。
穷举搜索(Grid Search)法为一种调参手段,在所有候选的参数选择中,通过循环遍历的方式,尝试各种参数的组合,效果最好的参数组合即为最终的搜索结果。
在初始化各类判异规则的参数后,可以通过网格搜索法针对每一类判异规则进行处理,搜索出最符合对应类型的判异规则形态的参数值,从而得到所述初始标准判异规则。
通过所述网格搜索法处理判异规则的参数的方式,可以保持当前工位上判异检测对待检测油封的误检率白班,并极小化对待检测油封的漏检率。
其中,误检率=合格品识别为不合格品的数目/总的合格品数目;
漏检率=不合格品识别为合格品的数目/总的不合格品数目。
在获取全部初始标准判异规则后,基于贝叶斯优化算法(BayesianOptimization)在一个相对于网格搜索法来说更小范围的优化空间内进行优化,从而能够最优的标准判异规则。
通过所述贝叶斯优化算法的优化处理,可以使得使用所述目标规则模型进行搜索时,使搜索过程快速收敛,从而能够快速、准确的找到对应的标准判异规则,并能够更加准确的区分合格类样本和不合格类样本。
步骤S104,基于目标集成树分类模型对所述第一不合格样本集合进行第二质量检测,以得到第二合格样本集合和第二不合格样本集合;
在具体实施方式中,在对全部待检测油封的初始压力点集合进行了第一次质量检测后,还需要基于目标集成树分类模型对所述第一不合格样本集合做第二次质量检测,以进一步提升对待检测油封的质量检测的效率和准确率,避免出现漏检和误检的情况。
所述目标集成树分类模型采用的是利用随机度量近似森林(Proximity Forest)算法训练的分类模型,也可以称为随机度量近似森林分类模型。
所述Proximity Forest模型是一种针对时序分类的集成树模型,是一系列邻近树(Proximity Tree)的bagging集成,但不同于机器学习分类问题中决策树(Decision Tree)依据特征值划分节点建树过程,Proximity Tree是以时间序列间的距离度量为节点分裂依据的,相比于特征值节点划分方法,距离度量更能反映不同类时间序列之间整体上的差异,并且相比于其他的时间序列分析算法,如Shapelets,Elastic Ensemble等方法,ProximityForest模型具有更高的计算效率,能够快速地处理数百万个时间序列的分类问题。
根据本申请实施例的一种具体实施方式,所述目标集成树分类模型为随机度量近似森林分类模型,所述随机度量近似森林分类模型的构建步骤,包括:
重复执行分类树构建步骤,以获取预设数量的分类树;
基于预设数量的分类树构建所述随机度量近似森林分类模型;
所述分类树构建步骤,包括:
获取模型训练集,所述模型训练集包括预设数量的压力合格类样本和压力不合格类样本;
计算所述模型训练集中每一个节点的基尼指数,并基于所述基尼指数确定对应节点的分类策略,其中,所述分类策略为基于预设函数训练的KNN分类器,所述预设函数为在预设距离度量函数集中随机选择的一种距离度量函数;
根据所述分类策略划分出模型训练集中的叶节点和待分裂节点;
根据分裂后的全部节点构建分类树。
在具体实施方式中,要构建所述随机度量近似森林分类模型,首先要构建多个分类树。
具体的,随机度量近似森林分类模型的训练过程包括:
步骤1,初始化根节点,随机选取若干压力合格类样本和压力不合格样本作为模型训练集,并对于一个分类树的根节点,选择统一的距离度量函数集合。具体的,一个压力样本为一个时间序列。
步骤2,从所述根节点开始,计算所述模型训练集中每一个节点的基尼(Gini)指数,并根据各节点的Gini指数判断每一节点内的时间序列集合是否完全纯净。若所述节点为纯净节点,则所述节点为叶子节点。若所述节点为不纯净节点,则所述节点为中间节点。
步骤3,利用预设函数训练一个KNN分类器,并基于所述KNN分类器处理各不纯净节点,需知的,所述不纯净节点中包括合格类节点和不合格类节点,所述不纯净节点的性质根据实际应用场景决定。
在利用KNN分类器处理完所述不纯净节点后,即可以确认所述不纯净节点是否合格的结果,将所述结果附给不纯净节点分裂后的两个子节点的时间序列集合。
步骤4,重复步骤1-3,训练出预设数量的分类树。
根据本申请实施例的一种具体实施方式,根据所述分类策略划分出模型训练集中的叶节点和待分裂节点的步骤,包括:
若节点的基尼指数为0,将所述节点划分为叶节点;
若节点的基尼指数不为0,将所述节点划分为待分裂节点。
在具体实施方式中,当Gini指数为0时,表示所述节点完全纯净,Gini指数越小,所述节点越纯净。
根据本申请实施例的一种具体实施方式,所述距离度量函数集中的距离度量函数包括欧氏距离(Euclidean Distance,简称ED)、动态时间规整(Dynamic Time Warping,简称DTW)、具有受限扭曲窗口的动态时间扭曲(Dynamic Time Warping with restrictedwarping window,简称DTW-R)、加权动态时间扭曲(Weighted Dynamic Time Warping,简称WDTW)、导数动态时间扭曲(Derivative Dynamic Time Warping,简称DDTW)、具有受限扭曲窗口的导数动态时间扭曲(Derivative Dynamic Time Warping with restrictedwarping window,简称DDTW-R)、加权导数动态时间扭曲(Weighted Derivative DynamicTime Warping,简称WDDTW)、最长公共子序列(Longest Common Subsequence,简称LCSS)、实际惩罚编辑距离(Edit Distance with Real Penalty,简称ERP)、时间扭曲编辑距离(Time Warp Edit Distance,简称TWE)、弹性系综(Elastic Ensemble,简称EE)。
在具体实施方式中,所述距离度量函数集包括上述11种距离度量函数,每一次调用预设函数时,从所述距离度量函数集中随机选取任意一种函数。
如图4所示,将第一不合格样本集合D输入至所述随机度量近似森林分类模型模型后,所述Proximity Forest模型会随机选择一个距离度量函数对所述第一不合格样本集合D中的待监测油封的初始压力点集合进行计算,并基于KNN分类器进行合格与不合格的分类,并得到纯净节点和不纯净节点。
对于不纯净节点,所述Proximity Forest模型会继续随机选择一个距离度量函数对所述不纯净节点进行分类计算,以不断进行分类划分。
最后,将全部叶节点中的合格类样本统计为第二合格类样本,将全部叶节点中的不合格类样本统计为第二不合格类样本,以实现利用Proximity Forest的分类划分动作。
需知的,每一次分类计算过程中选取的距离度量函数可以为一样的距离度量函数,也可以为不同的距离度量函数,根据实际应用场景进行自适应替换。
通过上述Proximity Forest模型的使用,将判异问题转化为合格与不合格的二分类问题,在不影响发动机油封压装工位的误检率的前提下,能够有效提升发动机油封压装不合格样本检出率。
步骤S105,根据所述第一合格样本集合、所述第二合格样本集合和所述第二不合格样本集合确定全部所述待检测油封的质量检测结果。
在具体实施方式中,通过所述目标规则模型和目标集成树分类模型的分类筛选步骤后,获取了所述第一合格样本集合、所述第二合格样本集合和所述第二不合格点结合,将所述第一合格样本集合和所述第二合格样本集合作为全部待检测油封的合格数据,将所述第二不合格样本集合作为全部检测油封的不合格数据,即可以根据所述合格数据与全部数据计算所述待检测油封的合格率,根据所述不合格数与全部数据计算所述待检测油封的不合格率,最终得到对应所述待检测油封的质量检测结果。
将所述油封质量检测方法应用于油封压装生产线,能够实现对油封的压装质量进行全自动检测。
本实施例提供的一种油封压装质量检测方法,针对发动机装配过程中的油封压装质量检测问题,基于经过网格搜索法和贝叶斯优化算法处理后的目标规则模型以及基于距离度量的Proximity Forest模型建立了一套油封压装质量判异分类模型,对待检测油封在压装过程中的压力位移曲线进行质量判异,有效提高装配工位不合格品的检出率。
参考图5,为本申请实施例提供的一种油封压装质量检测装置500的装置模块示意图,本申请实施例提供的油封压装质量检测装置500,如图1所示,所述油封压装质量检测装置500包括:
获取模块501,用于获取全部待检测油封在压装过程中的位移-压力曲线数据;
预处理模块502,用于使用具有预设长度的时窗对各所述位移-压力曲线数据进行预处理,以获取对应每一待检测油封的初始压力点集合;
第一检测模块503,用于基于目标规则模型对各所述初始压力点集合进行第一质量检测,以得到第一合格样本集合和第一不合格样本集合;
第二检测模块504,用于根据目标集成树分类模型对所述第一不合格样本集合进行第二质量检测,以得到第二合格样本集合和第二不合格样本集合;
质量评估模块505,用于根据所述第一合格样本集合、所述第二合格样本集合和所述第二不合格样本集合确定全部所述待检测油封的质量检测结果。
另外,本申请实施例还提供的一种电子设备,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行前述方法实施例中的油封压装质量检测方法。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序在处理器上运行时执行前述方法实施例中的油封压装质量检测方法。
综上所述,本申请实施例提供了一种油封压装质量检测方法、装置、电子设备及存储介质,本申请实施例提供的油封压装质量检测方法,在不对压装工位进行改造,不影响正常装配工序,不降低现有误检率的前提下,利用机器学习算法技术建立质量判异模型,相比于人工检测的方法,提高了油封压装工位不合格压装过程中的检出率,为发动机工艺改善及良品率提高提供了很好的参考。另外,上述实施例中提到的油封压装质量检测装置、电子设备及计算机可读存储介质的具体实施过程,可以参见上述方法实施例的具体实施过程,在此不再一一赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种油封压装质量检测方法,其特征在于,所述油封压装质量检测方法包括:
获取全部待检测油封在压装过程中的位移-压力曲线;
使用具有预设长度的时窗对各所述位移-压力曲线进行预处理,以获取对应每一待检测油封的初始压力点集合;
基于目标规则模型对各所述初始压力点集合进行第一质量检测,以得到第一合格样本集合和第一不合格样本集合;
基于目标集成树分类模型对所述第一不合格样本集合进行第二质量检测,以得到第二合格样本集合和第二不合格样本集合;
根据所述第一合格样本集合、所述第二合格样本集合和所述第二不合格样本集合确定全部所述待检测油封的质量检测结果。
2.根据权利要求1所述的油封压装质量检测方法,其特征在于,根据具有预设长度的时窗对各所述位移-压力曲线进行预处理,以获取对应每一待检测油封的初始压力点集合的步骤,包括:
根据所述位移-压力曲线的位移范围确定所述时窗在所述位移-压力曲线中进行滑动的起始位移和截止位移;
控制所述时窗在所述起始位移与所述截止位移之间执行预设次数的滑动操作,并在每次滑动操作停止时计算所述时窗覆盖的全部压力数据的平均值,作为对应滑动操作的每一时窗位置的初始压力点;
将全部滑动操作的初始压力点按照时序排列后的点集,作为所述初始压力点集合。
3.根据权利要求1所述的油封压装质量检测方法,其特征在于,基于目标规则模型对各所述初始压力点集合进行第一质量检测的步骤之前,所述方法还包括:
获取预设数量的判异规则;
初始化各判异规则对应的判断参数,其中,所述判断参数包括压力基准坐标、基准宽度、上包络位置和下包络位置中的至少一种参数;
根据预设的规则化方法和判异规则形态对所有判断参数进行规则化处理,以得到所述目标规则模型。
4.根据权利要求3所述的油封压装质量检测方法,其特征在于,根据预设的规则化方法和判异规则形态对所述判断参数进行规则化处理,以得到所述目标规则模型的步骤,包括:
基于网格搜索法对各判异规则以及各判异规则对应的判断参数进行搜索,以构建对应各判异规则的初始规则模型;
基于贝叶斯优化算法对所述初始规则模型进行优化,以得到所述目标规则模型。
5.根据权利要求1所述的油封压装质量检测方法,其特征在于,所述目标集成树分类模型为随机度量近似森林分类模型,所述随机度量近似森林分类模型的构建步骤,包括:
重复执行分类树构建步骤,以获取预设数量的分类树;
基于预设数量的分类树构建所述随机度量近似森林分类模型;
所述分类树构建步骤,包括:
获取模型训练集,所述模型训练集包括预设数量的压力合格类样本和压力不合格类样本;
计算所述模型训练集中每一个节点的基尼指数,并基于所述基尼指数确定对应节点的分类策略,其中,所述分类策略为基于预设函数训练的KNN分类器,所述预设函数为在预设距离度量函数集中随机选择的一种距离度量函数;
根据所述分类策略划分出模型训练集中的叶节点和待分裂节点;
根据分裂后的全部节点构建分类树。
6.根据权利要求5所述的油封压装质量检测方法,其特征在于,根据所述分类策略划分出模型训练集中的叶节点和待分裂节点的步骤,包括:
若节点的基尼指数为0,将所述节点划分为叶节点;
若节点的基尼指数不为0,将所述节点划分为待分裂节点。
7.根据权利要求5所述的油封压装质量检测方法,其特征在于,所述预设距离度量函数集中的距离度量函数包括欧氏距离、动态时间规整、具有受限扭曲窗口的动态时间扭曲、加权动态时间扭曲、导数动态时间扭曲、具有受限扭曲窗口的导数动态时间扭曲、加权导数动态时间扭曲、最长公共子序列、实际惩罚编辑距离、时间扭曲编辑距离、弹性系综。
8.一种油封压装质量检测装置,其特征在于,所述油封压装质量检测装置包括:
获取模块,用于获取全部待检测油封在压装过程中的位移-压力曲线数据;
预处理模块,用于使用具有预设长度的时窗对各所述位移-压力曲线数据进行预处理,以获取对应每一待检测油封的初始压力点集合;
第一检测模块,用于基于目标规则模型对各所述初始压力点集合进行第一质量检测,以得到第一合格样本集合和第一不合格样本集合;
第二检测模块,用于根据目标集成树分类模型对所述第一不合格样本集合进行第二质量检测,以得到第二合格样本集合和第二不合格样本集合;
质量评估模块,用于根据所述第一合格样本集合、所述第二合格样本集合和所述第二不合格样本集合确定全部所述待检测油封的质量检测结果。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行权利要求1至7任一项所述的油封压装质量检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的油封压装质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967486.0A CN115371907A (zh) | 2022-08-12 | 2022-08-12 | 一种油封压装质量检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967486.0A CN115371907A (zh) | 2022-08-12 | 2022-08-12 | 一种油封压装质量检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115371907A true CN115371907A (zh) | 2022-11-22 |
Family
ID=84065570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210967486.0A Withdrawn CN115371907A (zh) | 2022-08-12 | 2022-08-12 | 一种油封压装质量检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115371907A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117922930A (zh) * | 2024-03-25 | 2024-04-26 | 山西七曜生物科技有限公司 | 适用于包装密封节点的智能生产方法及系统 |
-
2022
- 2022-08-12 CN CN202210967486.0A patent/CN115371907A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117922930A (zh) * | 2024-03-25 | 2024-04-26 | 山西七曜生物科技有限公司 | 适用于包装密封节点的智能生产方法及系统 |
CN117922930B (zh) * | 2024-03-25 | 2024-05-24 | 山西七曜生物科技有限公司 | 适用于包装密封节点的智能生产方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN110889441B (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
CN116306320B (zh) | 非血管腔道导丝生产质量管理方法及系统 | |
US8073652B2 (en) | Method and system for pre-processing data using the mahalanobis distance (MD) | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN115371907A (zh) | 一种油封压装质量检测方法、装置、电子设备及存储介质 | |
CN105468850A (zh) | 基于多残差回归预测算法的电子产品退化趋势预测方法 | |
CN113452018B (zh) | 一种电力系统备用不足风险场景辨识方法 | |
CN111709465A (zh) | 大坝安全监测数据粗差智能识别方法 | |
CN115878603A (zh) | 基于k近邻算法与gan网络的水质缺失数据插补算法 | |
CN114492533A (zh) | 一种变工况轴承故障诊断模型的构建方法及应用 | |
CN113157732A (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
CN113084388A (zh) | 焊接质量的检测方法、系统、装置及存储介质 | |
Hwang et al. | Do you know existing accuracy metrics overrate time-series anomaly detections? | |
CN110196797B (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
CN116365519A (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
CN110956112A (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
CN115934699A (zh) | 异常数据筛选方法、装置、电子设备及存储介质 | |
CN113919225B (zh) | 环境试验箱可靠性评估方法和系统 | |
CN113435106B (zh) | 一种过渡模态操作故障检测方法和系统 | |
CN113554079B (zh) | 一种基于二次检测法的电力负荷异常数据检测方法及系统 | |
CN116188374A (zh) | 插座检测方法、装置、计算机设备及存储介质 | |
CN114781083A (zh) | 一种发动机稳态数据层次分析与稳态数据特征值提取方法 | |
CN114185785A (zh) | 面向深度神经网络的自然语言处理模型测试用例约简方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221122 |
|
WW01 | Invention patent application withdrawn after publication |