CN116258088A - 轮胎拧紧控制参数优化方法、电子设备及存储介质 - Google Patents

轮胎拧紧控制参数优化方法、电子设备及存储介质 Download PDF

Info

Publication number
CN116258088A
CN116258088A CN202310539108.7A CN202310539108A CN116258088A CN 116258088 A CN116258088 A CN 116258088A CN 202310539108 A CN202310539108 A CN 202310539108A CN 116258088 A CN116258088 A CN 116258088A
Authority
CN
China
Prior art keywords
tightening
process capability
capability index
model
control parameters
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
CN202310539108.7A
Other languages
English (en)
Other versions
CN116258088B (zh
Inventor
尤嘉勋
杨杰
王文斌
王伟
田程
张康达
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.)
China Automobile Information Technology Tianjin Co ltd
Original Assignee
China Automobile Information Technology Tianjin 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 China Automobile Information Technology Tianjin Co ltd filed Critical China Automobile Information Technology Tianjin Co ltd
Priority to CN202310539108.7A priority Critical patent/CN116258088B/zh
Publication of CN116258088A publication Critical patent/CN116258088A/zh
Application granted granted Critical
Publication of CN116258088B publication Critical patent/CN116258088B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Stored Programmes (AREA)

Abstract

本发明实施例公开了一种轮胎拧紧控制参数优化方法、电子设备及存储介质。方法包括：建立基于神经网络的轮胎拧紧过程能力指数预测模型，模型以轮胎拧紧过程的多个控制参数为输入，以轮胎在所述多个控制参数下的拧紧过程能力指数为输出；分析各控制参数与拧紧过程能力指数的相关性；按照相关性从小到大的顺序，逐步减少输入模型的控制参数数量，直到因参数减少导致的模型误差超出预设范围；根据所述模型输出的拧紧过程能力指数构建适应度函数，采用粒子群优化算法对剩余控制参数的取值进行优化，使优化后的取值对应最优的适应度函数值。本实施例保证了选取优化参数的科学性和效率。

Description

轮胎拧紧控制参数优化方法、电子设备及存储介质
技术领域
本发明实施例涉及人工智能领域，尤其涉及一种轮胎拧紧控制参数优化方法、电子设备及存储介质。
背景技术
在汽车制造工艺中，拧紧工艺是总装的核心装配工艺之一，作为整车生产最后一道工序，如何将各个零件以最恰当、最经济的方式组合在一起显得尤为重要，这不仅仅关系着制造成本、也关系着汽车制造质量。
轮胎拧紧是拧紧工艺最重要的工序之一，在轮胎拧紧过程中，虽然控制参数都已预先设定好，但是由于自动化生产过程仍存在误差，参数取值并不一定是最佳值，实际生产过程中控制参数往往在取值附近波动，最佳参数值蕴含在某一波动范围中。
现有技术中，控制参数的最佳值是通过人工检验再拧紧的方式确定的，不仅费时费力，还可能由于人工判断的失误反而增大了拧紧误差。
发明内容
本发明实施例提供一种轮胎拧紧控制参数优化方法、电子设备及存储介质，合理选取部分参数进行优化取值。
第一方面，本发明实施例提供了一种轮胎拧紧控制参数优化方法，包括：
建立基于神经网络的轮胎拧紧过程能力指数预测模型，模型以轮胎拧紧过程的多个控制参数为输入，以轮胎在所述多个控制参数下的拧紧过程能力指数为输出；
分析各控制参数与拧紧过程能力指数的相关性；
按照相关性从小到大的顺序，逐步减少输入模型的控制参数数量，直到因参数减少导致的模型误差超出预设范围；
根据所述模型输出的拧紧过程能力指数构建适应度函数，采用粒子群优化算法对剩余控制参数的取值进行优化，使优化后的取值对应最优的适应度函数值；
其中，所述多个控制参数包括轮胎多个拧紧位置的设定最终拧紧扭矩和设定最终拧紧角度。
第二方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的轮胎拧紧控制参数优化方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的轮胎拧紧控制参数优化方法。
本发明实施例在模型训练阶段将全量控制参数作为输入，学习其与过程拧紧指数之间的关系，以免遗漏重要控制参数造成过程拧紧指数预测不准。训练完毕后，对各控制参数与拧紧过程能力指数做相关性分析，将分析结果作为各控制参数重要程度的初步体现，从相关性最小的参数开始，依次减少模型的输入参数，验证所减少的控制参数对过程拧紧指数的实际影响程度，最终选取影响最大的部分参数进行优化控制，以保持最优的拧紧质量。本方法一方面通过全量控制参数保证预测结果的准确性，另一方面通过模型验证保证参数减少过程中预测准确性不变，同时无需针对每一次参数减少重新训练新的模型，保证了选取优化参数的科学性和效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。
图1是本发明实施例提供的一种轮胎拧紧控制参数优化方法的流程图。
图2为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1是本发明实施例提供的一种轮胎拧紧控制参数优化方法的流程图。该方法适用于对轮胎拧紧控制参数取值进行优化的情况，以优化后的取值控制拧紧过程的执行，将得到最优的拧紧效果。该方法由电子设备执行。如图1所示，该方法具体包括：
S110、建立基于神经网络的轮胎拧紧过程能力指数预测模型，模型以轮胎拧紧过程的多个控制参数为输入，以轮胎在所述多个控制参数下的拧紧过程能力指数为输出。
具体的，控制参数指拧紧过程中能够控制的工艺参数，包括轮胎多个拧紧位置的设定最终拧紧扭矩和设定最终拧紧角度。对于同款轮胎而言，拧紧位置的位置是固定的，可以采用特定ID予以区分，每个位置对应一个设定的最终拧紧扭矩和一个设定的最终拧紧角度，拧紧过程中将以这两个设定参数控制对应位置的拧紧过程，使参数的实际值尽量接近设定值。但尽量接近不代表等同，在相同设定参数下，不同的拧紧过程仍会产生不同的实际参数，由此产生所述拧紧过程的扭矩过程能力指数和角度过程能力指数，统称为拧紧过程能力指数。
可选的，模型可以采用BP神经网络结构，训练好的神经网络将作为各控制参数取值优化的基础。具体的，模型构建过程包括如下步骤：
步骤一、构建多个控制参数的N组取值，并将多个轮胎划分为N组，各组的轮胎数量大于1，N为大于1的自然数。
步骤二、以所述多个控制参数的各组取值为目标，控制各组轮胎的拧紧过程，得到各组轮胎的实际最终拧紧扭矩和实际最终拧紧角度。具体的，在轮胎包括M个拧紧位置（M为自然数）的情况下，轮胎实际参数的数量为2×M。
步骤三、根据各组轮胎的实际最终拧紧扭矩和实际最终拧紧角度，分别计算各组轮胎的实际扭矩过程能力指数和实际角度过程能力指数。具体的，过程能力指数Cpk的定义如下：
Figure SMS_1
（1）
其中，USL代表参数上限，LSL代表参数下限，
Figure SMS_2
代表稳定状态下参数均值，/>
Figure SMS_3
代表稳定状态下参数标准差。
基于以上公式，将最终拧紧扭矩作为待求解参数，最终拧紧扭矩的上限USL和下限LSL是固定已知的；对于每组轮胎而言，求解M×N个实际最终拧紧扭矩的均值
Figure SMS_4
和标准差
Figure SMS_5
，代入上述公式可以得到一个扭矩过程能力指数。
同理，将将最终拧紧角度作为待求解参数，最终拧紧角度的上限USL和下限LSL也是固定已知的；对于每组轮胎而言，求解M×N个实际最终拧紧角度的均值
Figure SMS_6
和标准差/>
Figure SMS_7
，代入上述公式可以得到一个角度过程能力指数。
步骤四、将所述多个控制参数的各组取值依次输入神经网络模型进行训练，使模型输出不断逼近各组轮胎的实际扭矩过程能力指数和实际角度过程能力指数，由训练好的神经网络模型作为轮胎拧紧过程能力指数预测模型。
可选的，得到各样本的输入输出数据后，为了加快神经网络模型收敛速度及消除数据量纲对模型的影响，在将数据输入网络模型前，对数据进行归一化处理，这里选择Z-score数据归一化方法：
Figure SMS_8
（2）
其中，y i表示第i个样本归一化后的值，a i表示第
Figure SMS_9
个样本归一化前的值，/>
Figure SMS_10
表示归一化前的样本均值，/>
Figure SMS_11
表示归一化前的样本标准差。
可选的，BP神经网络的层数及各层通道数设置如下：
1）输入层为1层。输入层的通道数目为2×M，对应2×M个控制参数；
2）输出层为1层。输出层样通道数目为2，对应两个过程能力指数；
3）隐藏层数3层。根据Kolmogorov定理，由如下公式确定隐藏层数：
Figure SMS_12
（3）
其中，h代表隐藏层数量，m代表输入层数量，n代表输出层数量，c代表1-10之间的调节常数，可选的，c取值为2。
进一步的，BP神经网络的均方误差作为损失函数，采用非线性ReLU函数作为激活函数。由于该网络模型总层数为5层，层数较深，使用残差网络（Residual network）充分训练BP神经网络模型。
S120、分析各控制参数与拧紧过程能力指数的相关性。
具体的，以各组轮胎为样本，将各组轮胎的实际扭矩过程能力指数和实际角度过程能力指数，根据扭矩和角度的重要程度加权平均；采用皮尔逊相关系数法计算各控制参数与加权平均后的过程能力指数的相关性。皮尔逊相关系数是协方差与标准差的比值，公式为：
Figure SMS_13
（4）
其中，
Figure SMS_14
表示某控制参数a与加权平均后的过程能力指数b的皮尔逊相关系数值，该值介于[-1~+1]之间；p i代表第i组轮胎中某个控制参数的平均值，/>
Figure SMS_15
代表所有轮胎中某个控制参数的平均值，b i代表第i组轮胎加权平均后的过程能力指数，/>
Figure SMS_16
代表所有轮胎加权平均后的过程能力指数的平均值。权重值可以根据需要具体设置，本实施例不再赘述。
S130、按照相关性从小到大的顺序，逐步减少输入模型的控制参数数量，直到因参数减少导致的模型误差超出预设范围。
本步骤根据相关性依次减少输入模型的控制参数数量，最终保留的参数将作为取值优化的对象。实际应用中控制参数的数量是很大的，对所有参数都进行优化控制是不现实的，因此本步骤选取对拧紧质量（通过过程控制参数表征）影响较大的部分参数作为优化控制的对象。S120所计算的相关性从一个角度反映了各控制参数的重要程度，但其仅能反映参数重要程度的排序，相关性相对较小的控制参数是否真的能够忽略、忽略多少个控制参数还需要通过模型进一步验证。
可选的，验证过程如下：将数量齐全的控制参数输入模型，得到一预测结果，然后去除现有的、相关性最小的控制参数，将其余参数输入模型得到另一预测结果。如果所述另一预测结果与一预测结果的差异未达到设定条件，返回所述去除控制参数的操作，并继续验证去除参数后的预测结果，直到最新的两次预测结果的差异达到设定条件。示例性的，各预测结果包括两个过程能力指数，所述设定条件可以为两个过程能力指数加权平均后的差异小于设定值，也可以为各过程能力指数的差异均小于设定值，可以根据需要具体设置。此外，去除参数的方法可以为，将该控制参数取值设置为0，构成控制参数的稀疏矩阵。
经过模型验证后，去除一部分可忽略的参数，剩余控制参数包括部分拧紧位置的最终拧紧扭矩，和/或另一部分拧紧位置的最终拧紧角度，其中，所述部分拧紧位置与所述另一部分拧紧位置不完全相同。也就是说，同一拧紧位置的两个控制参数，其重要程度并非完全同步的。
S140、根据所述模型输出的拧紧过程能力指数构建适应度函数，采用粒子群优化算法对剩余控制参数的取值进行优化，使优化后的取值对应最优的适应度函数值。
具体的，将剩余控制参数的一组取值输入所述模型，得到拧紧过程能力指数的当前值；根据所述拧紧过程能力指数的当前值，计算适应度函数的当前值；以适应度函数值最大化为目标，更新所述剩余控制参数的取值；将新一组的取值输入所述模型，得到拧紧过程能力指数的新值；根据所述拧紧过程能力指数的新值，计算适应度函数的新值；如此循环往复，直到适应度函数的值最高且稳定在一定范围内。
本实施例在模型训练阶段将全量控制参数作为输入，学习其与过程拧紧指数之间的关系，以免遗漏重要控制参数造成过程拧紧指数预测不准。训练完毕后，对各控制参数与拧紧过程能力指数做相关性分析，将分析结果作为各控制参数重要程度的初步体现，从相关性最小的参数开始，依次减少模型的输入参数，验证所减少的控制参数对过程拧紧指数的实际影响程度，最终选取影响最大的部分参数进行优化控制，以保持最优的拧紧质量。本方法一方面通过全量控制参数保证预测结果的准确性，另一方面通过模型验证保证参数减少过程中预测准确性不变，同时无需针对每一次参数减少重新训练新的模型，保证了选取优化参数的科学性和效率。
此外，本实施例将轮胎各拧紧位置的扭矩参数和角度参数作为输入，将扭矩过程能力指数和角度过程能力指数作为输出，进行整体混合训练，有利于学习扭矩与角度之间的相互关联的关系，以及同一拧紧位置的扭矩与角度之间相互独立的关系，进一步保证预测的准确性。
图2为本发明实施例提供的一种电子设备的结构示意图，如图2所示，该设备包括处理器60、存储器61、输入装置62和输出装置63；设备中处理器60的数量可以是一个或多个，图2中以一个处理器60为例；设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接，图2中以通过总线连接为例。
存储器61作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的轮胎拧紧控制参数优化方法对应的程序指令/模块。处理器60通过运行存储在存储器61中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的轮胎拧紧控制参数优化方法。
存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器61可进一步包括相对于处理器60远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的轮胎拧紧控制参数优化方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (10)

1.一种轮胎拧紧控制参数优化方法，其特征在于，包括：
建立基于神经网络的轮胎拧紧过程能力指数预测模型，模型以轮胎拧紧过程的多个控制参数为输入，以轮胎在所述多个控制参数下的拧紧过程能力指数为输出；
分析各控制参数与拧紧过程能力指数的相关性；
按照相关性从小到大的顺序，逐步减少输入模型的控制参数数量，直到因参数减少导致的模型误差超出预设范围；
根据所述模型输出的拧紧过程能力指数构建适应度函数，采用粒子群优化算法对剩余控制参数的取值进行优化，使优化后的取值对应最优的适应度函数值；
其中，所述多个控制参数包括轮胎多个拧紧位置的设定最终拧紧扭矩和设定最终拧紧角度。
2.根据权利要求1所述的方法，其特征在于，所述按照相关性从小到大的顺序，逐步减少模型的控制参数数量，直到因参数减少导致的模型误差超出预设范围，包括：
将数量齐全的控制参数输入模型，得到一预测结果；
去除现有的、相关性最小的控制参数，将其余参数输入模型得到另一预测结果；
如果所述另一预测结果与一预测结果的差异未达到设定条件，返回所述去除现有的、相关性最小的控制参数的步骤，直到两预测结果的差异达到设定条件。
3.根据权利要求2所述的方法，其特征在于，所述去除现有的、相关性最小的控制参数，包括：
将现有的、相关性最小的控制参数取值设置为0，构成控制参数的稀疏矩阵。
4.根据权利要求1所述的方法，其特征在于，所述拧紧过程能力指数包括扭矩过程能力指数和角度过程能力指数；
所述剩余控制参数包括部分拧紧位置的最终拧紧扭矩，和/或另一部分拧紧位置的最终拧紧角度，其中，所述部分拧紧位置与所述另一部分拧紧位置不完全相同。
5.根据权利要求1所述的方法，其特征在于，所述拧紧过程能力指数包括扭矩过程能力指数和角度过程能力指数；
所述根据所述模型输出的拧紧过程能力指数构建适应度函数，包括：
根据重要程度，将所述模型输出的扭矩过程能力指数与角度过程能力指数进行加权平均，得到适应度函数。
6.根据权利要求1所述的方法，其特征在于，所述拧紧过程能力指数包括扭矩过程能力指数和角度过程能力指数；
所述建立基于神经网络的轮胎拧紧过程能力指数预测模型，包括：
构建多个控制参数的N组取值，并将多个轮胎划分为N组，各组的轮胎数量大于1；
以所述多个控制参数的各组取值为目标，控制各组轮胎的拧紧过程，得到各组轮胎的实际最终拧紧扭矩和实际最终拧紧角度；
根据各组轮胎的实际最终拧紧扭矩和实际最终拧紧角度，分别计算各组轮胎的实际扭矩过程能力指数和实际角度过程能力指数；
将所述多个控制参数的各组取值依次输入神经网络模型进行训练，使模型输出不断逼近各组轮胎的实际扭矩过程能力指数和实际角度过程能力指数，由训练好的神经网络模型作为轮胎拧紧过程能力指数预测模型。
7.根据权利要求6所述的方法，其特征在于，所述分析各控制参数与拧紧过程能力指数的相关性，包括：
以各组轮胎为样本，根据重要程度将实际扭矩过程能力指数和实际角度过程能力指数加权平均；
采用皮尔逊相关系数法计算各控制参数与加权平均后的过程能力指数的相关性。
8.根据权利要求1所述的方法，所述根据所述模型输出的拧紧过程能力指数构建适应度函数，采用粒子群优化算法对剩余控制参数的取值进行优化，使优化后的取值对应最优的适应度函数值，包括：
将剩余控制参数的一组取值输入所述模型，得到拧紧过程能力指数的当前值；
根据所述拧紧过程能力指数的当前值，计算适应度函数的当前值；
以适应度函数值最大化为目标，更新所述剩余控制参数的取值；
将新一组的取值输入所述模型，得到拧紧过程能力指数的新值；
根据所述拧紧过程能力指数的新值，计算适应度函数的新值；
如此循环往复，直到适应度函数的值最高且稳定在一定范围内。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-8任一所述的轮胎拧紧控制参数优化方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8任一所述的轮胎拧紧控制参数优化方法。
CN202310539108.7A 2023-05-15 2023-05-15 轮胎拧紧控制参数优化方法、电子设备及存储介质 Active CN116258088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310539108.7A CN116258088B (zh) 2023-05-15 2023-05-15 轮胎拧紧控制参数优化方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310539108.7A CN116258088B (zh) 2023-05-15 2023-05-15 轮胎拧紧控制参数优化方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116258088A true CN116258088A (zh) 2023-06-13
CN116258088B CN116258088B (zh) 2023-07-28

Family

ID=86681061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310539108.7A Active CN116258088B (zh) 2023-05-15 2023-05-15 轮胎拧紧控制参数优化方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116258088B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611272A (zh) * 2023-07-20 2023-08-18 山东豪迈机械科技股份有限公司 轮胎模具零件制造方法、系统、电子设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205563458U (zh) * 2016-03-25 2016-09-07 深圳青橙视界数字科技有限公司 智能头戴设备及智能穿戴系统
CN106371315A (zh) * 2016-10-13 2017-02-01 重庆大学 一种基于密封圈压缩率的螺纹连接件拧紧控制方法
CN217980524U (zh) * 2022-08-12 2022-12-06 青岛振德同兴工贸有限公司 一种轿车车外胎噪声测试用传声装置
CN115470579A (zh) * 2022-08-24 2022-12-13 西北工业大学 一种面向低压转子装配的螺栓拧紧工艺优化方法
CN115465372A (zh) * 2022-09-26 2022-12-13 潍柴雷沃智慧农业科技股份有限公司 一种拖拉机

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN205563458U (zh) * 2016-03-25 2016-09-07 深圳青橙视界数字科技有限公司 智能头戴设备及智能穿戴系统
CN106371315A (zh) * 2016-10-13 2017-02-01 重庆大学 一种基于密封圈压缩率的螺纹连接件拧紧控制方法
CN217980524U (zh) * 2022-08-12 2022-12-06 青岛振德同兴工贸有限公司 一种轿车车外胎噪声测试用传声装置
CN115470579A (zh) * 2022-08-24 2022-12-13 西北工业大学 一种面向低压转子装配的螺栓拧紧工艺优化方法
CN115465372A (zh) * 2022-09-26 2022-12-13 潍柴雷沃智慧农业科技股份有限公司 一种拖拉机

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱辉等: "《基于TRIZ理论的多轴拧紧机结构优化设计》", 《机械设计》, vol. 32, no. 12 *
龙运昆等: "《浅谈扭矩控制过程能力提升的几种方法》", 《企业技术开发》, vol. 35, no. 2 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611272A (zh) * 2023-07-20 2023-08-18 山东豪迈机械科技股份有限公司 轮胎模具零件制造方法、系统、电子设备以及存储介质
CN116611272B (zh) * 2023-07-20 2023-11-03 山东豪迈机械科技股份有限公司 轮胎模具零件制造方法、系统、电子设备以及存储介质

Also Published As

Publication number Publication date
CN116258088B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
EP3362809B1 (en) Battery test system for predicting battery test results
CN116258088B (zh) 轮胎拧紧控制参数优化方法、电子设备及存储介质
CN109990790A (zh) 一种无人机路径规划方法及装置
WO2020192301A1 (zh) 设备参数的配置方法、装置和系统、终端设备和计算机可读存储介质
WO2021129086A1 (zh) 流量预测方法、装置以及存储介质
CN104034050B (zh) 热水器水温自动设置方法、装置及热水器
CN102624865A (zh) 集群负载预测方法及分布式集群管理系统
CN115439019B (zh) 基于约束规划的多目标生产调度方法、设备及存储介质
CN115688600A (zh) 油藏井位优化方法、电子设备及存储介质
CN108107724A (zh) 基于遗传算法的模型预测控制参数在线优化方法
CN112399177B (zh) 一种视频编码方法、装置、计算机设备及存储介质
CN110717315B (zh) 系统数据批量修改方法、装置、存储介质及电子设备
WO2024016586A1 (zh) 机房温度控制方法及装置、电子设备、存储介质
CN116937565A (zh) 一种分布式光伏发电功率预测方法、系统、设备及介质
CN111007731A (zh) 用户操作预测方法、装置、电子设备及可读存储介质
CN115665767A (zh) 无线网络运行态势调控方法、装置、设备及存储介质
CN115338610A (zh) 双轴孔装配方法、装置、电子设备和存储介质
CN115941802A (zh) 远程状态估计传感器调度方法、调度器及信息物理系统
CN112785000A (zh) 面向大规模机器学习系统的机器学习模型训练方法及系统
CN112464395B (zh) 发动机的物理模型参数标定方法和装置
CN114692888A (zh) 系统参数处理方法、装置、设备及存储介质
CN115563549B (zh) 一种焊接缺陷成因诊断方法、系统及电子设备
CN112418359B (zh) 一种基于道路场景的任务处理方法及系统
CN117557870B (zh) 基于联邦学习客户端选择的分类模型训练方法及系统
CN117892463B (zh) 一种基于负荷预测的低压配电网设计系统

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20230613

Assignee: Zhongqi Intellectual Property (Guangzhou) Co.,Ltd.

Assignor: China automobile information technology (Tianjin) Co.,Ltd.

Contract record no.: X2024440000002

Denomination of invention: Optimization method for tire tightening control parameters, electronic devices, and storage media

Granted publication date: 20230728

License type: Common License

Record date: 20240105

EE01 Entry into force of recordation of patent licensing contract