CN117309443A - 用于汽车座椅加工质量的监测方法及系统 - Google Patents
用于汽车座椅加工质量的监测方法及系统 Download PDFInfo
- Publication number
- CN117309443A CN117309443A CN202311129113.7A CN202311129113A CN117309443A CN 117309443 A CN117309443 A CN 117309443A CN 202311129113 A CN202311129113 A CN 202311129113A CN 117309443 A CN117309443 A CN 117309443A
- Authority
- CN
- China
- Prior art keywords
- hardness
- seat
- partition
- prediction
- distribution
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 240
- 238000005192 partition Methods 0.000 claims abstract description 206
- 238000001514 detection method Methods 0.000 claims abstract description 198
- 238000005187 foaming Methods 0.000 claims abstract description 120
- 230000005856 abnormality Effects 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims description 33
- 239000006260 foam Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 230000006855 networking Effects 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 17
- 238000010097 foam moulding Methods 0.000 claims description 14
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000003213 activating effect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 4
- 230000002159 abnormal effect Effects 0.000 abstract description 23
- 230000000694 effects Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 238000007542 hardness measurement Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/001—Testing of furniture, e.g. seats or mattresses
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/40—Investigating hardness or rebound hardness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0076—Hardness, compressibility or resistance to crushing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了用于汽车座椅加工质量的监测方法及系统,涉及座椅质量管理领域,其中,所述方法包括:获取发泡气压分布序列和发泡时长分布序列;根据发泡气压分布序列和发泡时长分布序列进行硬度分布预测,生成座椅硬度预测分区;生成座椅弹性预测分区;根据座椅硬度特征分区和座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域;根据座椅弹性特征分区和座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域;根据硬度异常预测区域和弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果。解决了现有技术中针对汽车座椅的硬度异常、弹性异常的检测效率低,继而造成汽车座椅的质量检测效率低的技术问题。
Description
技术领域
本发明涉及座椅质量管理领域,具体地,涉及用于汽车座椅加工质量的监测方法及系统。
背景技术
汽车座椅是坐车时乘坐的座椅,汽车座椅分为前排座椅和后排座椅。汽车座椅包括头枕、靠背、坐垫、扶手等。汽车座椅的硬度和弹性的分布有关用户的舒适性和安全性。硬度异常检测、弹性异常检测是汽车座椅的质量检测方向之一。
现有技术中,存在针对汽车座椅的硬度异常、弹性异常的检测效率低,继而造成汽车座椅的质量检测效率低的技术问题。
发明内容
本申请提供了用于汽车座椅加工质量的监测方法及系统。解决了现有技术中针对汽车座椅的硬度异常、弹性异常的检测效率低,继而造成汽车座椅的质量检测效率低的技术问题。达到了提高汽车座椅的硬度异常、弹性异常的检测效率,提高汽车座椅的质量检测效率的技术效果。
鉴于上述问题,本申请提供了用于汽车座椅加工质量的监测方法及系统。
一方面,本申请提供了一种用于汽车座椅加工质量的监测方法,其中,所述方法应用于一种用于汽车座椅加工质量的监测系统,所述系统和汽车座椅发泡成型设备通信连接,所述方法包括:与汽车座椅发泡成型设备交互,获取座椅发泡控制参数,其中,所述座椅发泡控制参数包括发泡气压分布序列和发泡时长分布序列;基于汽车座椅型号对汽车座椅质量监测历史进行正采样,获取座椅硬度特征分区和座椅弹性特征分区;根据所述发泡气压分布序列和所述发泡时长分布序列进行硬度分布预测,生成座椅硬度预测分区;根据所述发泡气压分布序列和所述发泡时长分布序列进行弹性分布预测,生成座椅弹性预测分区;根据所述座椅硬度特征分区和所述座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域;根据所述座椅弹性特征分区和所述座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域;根据所述硬度异常预测区域和所述弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果。
另一方面,本申请还提供了一种用于汽车座椅加工质量的监测系统,其中,所述系统和汽车座椅发泡成型设备通信连接,所述系统包括:设备交互模块,所述设备交互模块用于与汽车座椅发泡成型设备交互,获取座椅发泡控制参数,其中,所述座椅发泡控制参数包括发泡气压分布序列和发泡时长分布序列;正采样模块,所述正采样模块用于基于汽车座椅型号对汽车座椅质量监测历史进行正采样,获取座椅硬度特征分区和座椅弹性特征分区;硬度分布预测模块,所述硬度分布预测模块用于根据所述发泡气压分布序列和所述发泡时长分布序列进行硬度分布预测,生成座椅硬度预测分区;弹性分布预测模块,所述弹性分布预测模块用于根据所述发泡气压分布序列和所述发泡时长分布序列进行弹性分布预测,生成座椅弹性预测分区;硬度偏移系数分析模块,所述硬度偏移系数分析模块用于根据所述座椅硬度特征分区和所述座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域;弹性偏移系数分析模块,所述弹性偏移系数分析模块用于根据所述座椅弹性特征分区和所述座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域;质量监测模块,所述质量监测模块用于根据所述硬度异常预测区域和所述弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过连接汽车座椅发泡成型设备,获得发泡气压分布序列和发泡时长分布序列;通过汽车座椅型号对汽车座椅质量监测历史进行正采样,获取座椅硬度特征分区和座椅弹性特征分区;根据发泡气压分布序列和发泡时长分布序列进行硬度分布预测、弹性分布预测,生成座椅硬度预测分区和座椅弹性预测分区;通过对座椅硬度特征分区和座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域;通过对座椅弹性特征分区和座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域;根据硬度异常预测区域和弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果。达到了提高汽车座椅的硬度异常、弹性异常的检测效率,提高汽车座椅的质量检测效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制。
图1为本申请一种用于汽车座椅加工质量的监测方法的流程示意图;
图2为本申请一种用于汽车座椅加工质量的监测方法中获取座椅硬度特征分区和座椅弹性特征分区的流程示意图;
图3为本申请一种用于汽车座椅加工质量的监测系统的结构示意图。
具体实施方式
本申请通过提供用于汽车座椅加工质量的监测方法及系统。解决了现有技术中针对汽车座椅的硬度异常、弹性异常的检测效率低,继而造成汽车座椅的质量检测效率低的技术问题。达到了提高汽车座椅的硬度异常、弹性异常的检测效率,提高汽车座椅的质量检测效率的技术效果。
实施例一
请参阅附图1,本申请提供一种用于汽车座椅加工质量的监测方法,其中,所述方法应用于一种用于汽车座椅加工质量的监测系统,所述系统和汽车座椅发泡成型设备通信连接,所述方法具体包括如下步骤:
与汽车座椅发泡成型设备交互,获取座椅发泡控制参数,其中,所述座椅发泡控制参数包括发泡气压分布序列和发泡时长分布序列;
连接汽车座椅发泡成型设备,将汽车座椅型号输入汽车座椅发泡成型设备,读取座椅发泡控制参数。其中,汽车座椅发泡成型设备与本申请中的一种用于汽车座椅加工质量的监测系统通信连接。汽车座椅发泡成型设备可以为现有技术中的发泡成型机。汽车座椅型号为汽车座椅对应的型号信息。座椅发泡控制参数包括发泡气压分布序列和发泡时长分布序列。发泡气压分布序列包括汽车座椅型号对应的汽车座椅的多个位置的多个发泡气压。发泡时长分布序列包括汽车座椅型号对应的汽车座椅的多个位置的多个发泡时长。
基于汽车座椅型号对汽车座椅质量监测历史进行正采样,获取座椅硬度特征分区和座椅弹性特征分区;
如附图2所示,获取座椅硬度特征分区和座椅弹性特征分区,包括:
根据所述汽车座椅型号,在本地加工日志匹配具有质量检测合格标识的座椅硬度检测结果和硬度检测位置;
根据所述汽车座椅型号,在本地加工日志匹配具有质量检测合格标识的座椅弹性检测结果和弹性检测区域;
将汽车座椅型号输入本地加工日志,获得具有质量检测合格标识的座椅硬度检测结果和硬度检测位置。本地加工日志是汽车座椅的生产厂家对应的汽车座椅加工数据库。本地加工日志包括汽车座椅的生产厂家的多个历史汽车座椅型号对应的历史加工参数、历史硬度检测结果、历史弹性检测结果等数据信息。质量检测合格标识是用于对质量检测合格的历史汽车座椅进行标识的信息。座椅硬度检测结果包括本地加工日志中,汽车座椅型号对应的具有质量检测合格标识的历史汽车座椅的多个历史硬度检测位置对应的多个历史硬度检测参数。同理,将汽车座椅型号输入本地加工日志,获得座椅弹性检测结果。座椅弹性检测结果包括本地加工日志中,汽车座椅型号对应的具有质量检测合格标识的历史汽车座椅的多个历史弹性检测区域对应的多个历史弹性检测参数。
对所述座椅硬度检测结果和所述硬度检测位置进行邻域分级聚类分析,生成所述座椅硬度特征分区;
从所述座椅硬度检测结果和所述硬度检测位置中提取第一位置座椅硬度和第二位置座椅硬度,其中,第一位置和第二位置互为邻域;
对所述座椅硬度检测结果和所述硬度检测位置进行像素级分割,生成第一硬度分布点云;
根据所述汽车座椅型号,在联网加工日志匹配质量检测合格标识的多组联网座椅硬度检测结果和多组联网硬度检测位置;
遍历所述多组联网硬度检测位置和所述多组联网座椅硬度检测结果进行像素级分割,生成第二硬度分布点云直到第N硬度分布点云;
根据所述第二硬度分布点云直到所述第N硬度分布点云进行像素级硬度集中分析,生成点云集中硬度分布特征;
根据所述点云集中硬度分布特征,对所述第一硬度分布点云进行硬度补偿,生成硬度补偿结果和硬度分布位置;
从所述硬度补偿结果和所述硬度分布位置中提取所述第一位置座椅硬度和所述第二位置座椅硬度。
对座椅硬度检测结果和硬度检测位置进行像素级分割,即,将座椅硬度检测结果标识至座椅硬度检测结果对应的历史汽车座椅的图像信息中,获得第一硬度分布点云。第一硬度分布点云包括座椅硬度检测结果对应的历史汽车座椅的图像信息,且,该图像信息具有对应的标识的多个历史硬度检测位置对应的多个历史硬度检测参数。
进一步,将汽车座椅型号输入联网加工日志,获得具有质量检测合格标识的多组联网座椅硬度检测结果和多组联网硬度检测位置,并对多组联网硬度检测位置和多组联网座椅硬度检测结果进行像素级分割,生成第二硬度分布点云……第N硬度分布点云。其中,联网加工日志包括多个汽车座椅生产厂家对应的多个座椅生产日志库。每个座椅生产日志库包括每个汽车座椅生产厂家对应的多个历史汽车座椅型号的历史加工参数、历史硬度检测结果、历史弹性检测结果等数据信息。每组联网座椅硬度检测结果包括每个座椅生产日志库中,汽车座椅型号对应的具有质量检测合格标识的历史汽车座椅的多个历史硬度检测位置信息对应的多个历史硬度检测信息。每组联网硬度检测位置包括每组联网座椅硬度检测结果中的多个历史硬度检测位置信息。且,第二硬度分布点云……第N硬度分布点云与第一硬度分布点云的获得方式相同。
进一步,对第二硬度分布点云……第N硬度分布点云进行像素级硬度集中分析,即,首先,按照历史硬度检测位置信息对第二硬度分布点云……第N硬度分布点云中的多个历史硬度检测信息进行聚类,获得多个位置硬度数据集。每个位置硬度数据集包括第二硬度分布点云……第N硬度分布点云中,同一历史硬度检测位置信息对应的多个历史硬度检测信息。继而,分别对每个位置硬度数据集进行层次聚类分析,获得多个位置硬度数据集对应的多个位置硬度聚类结果。每个位置硬度聚类结果包括每个位置硬度数据集对应的多个聚类硬度数据组。继而,分别对每个位置硬度聚类结果进行加权均值计算,获得点云集中硬度分布特征。点云集中硬度分布特征包括多个历史硬度检测位置信息对应的多个硬度检测集中值。
示例性地,在分别对每个位置硬度数据集进行层次聚类分析时,分别对每个位置硬度数据集中任意两个历史硬度检测信息进行差值计算,获得任意两个历史硬度检测信息对应的硬度差值。如果任意两个历史硬度检测信息对应的硬度差值小于或等于由所述一种用于汽车座椅加工质量的监测系统预先设置确定的硬度差阈值,则,将该硬度差值对应的两个历史硬度检测信息聚集为一个聚类硬度数据组,并将这两个历史硬度检测信息的平均值作为该聚类硬度数据组的聚类硬度集中点。如果任意两个历史硬度检测信息对应的硬度差值大于硬度差阈值,则,将该硬度差值对应的两个历史硬度检测信息视为两个聚类硬度数据组,并分别将这两个历史硬度检测信息记为这两个聚类硬度数据组对应的聚类硬度集中点。重复聚类直到任意两个聚类硬度集中点的差值大于硬度差阈值,获得每个位置硬度数据集对应的多个聚类硬度数据组。
示例性地,在分别对每个位置硬度聚类结果进行加权均值计算时,从多个位置硬度聚类结果中提取出第一位置硬度聚类结果。第一位置硬度聚类结果可以为多个位置硬度聚类结果中的任意一个位置硬度聚类结果。进而,分别对第一位置硬度聚类结果内多个聚类硬度数据组进行历史硬度检测信息的数量统计,获得多个聚类硬度数量。每个聚类硬度数量包括第一位置硬度聚类结果对应的每个聚类硬度数据组内的历史硬度检测信息的数量。继而,根据由所述一种用于汽车座椅加工质量的监测系统预先设置确定的聚类硬度数量阈值对第一位置硬度聚类结果内多个聚类硬度数据组进行筛选,即,分别判断每个聚类硬度数量是否小于聚类硬度数量阈值。如果聚类硬度数量小于聚类硬度数量阈值,则将该聚类硬度数量对应的聚类硬度数据组进行删除。如果聚类硬度数量大于/等于聚类硬度数量阈值,则将该聚类硬度数量对应的聚类硬度数据组记为置信聚类硬度数据组。由此,获得第一位置硬度聚类结果对应的多个置信聚类硬度数据组。且,多个置信聚类硬度数据组具有对应的标识的多个置信聚类硬度数量。每个置信聚类硬度数量包括每个置信聚类硬度数据组对应的聚类硬度数量。继而,将多个置信聚类硬度数量之和设置为总置信聚类硬度数量。将多个置信聚类硬度数量与总置信聚类硬度数量之间的多个比值设置为多个置信聚类硬度数据组对应的多个聚类加权系数。同时,分别对每个置信聚类硬度数据组内多个历史硬度检测信息进行均值计算,获得多个置信聚类硬度数据组对应的多个硬度聚类均值。继而,分别将多个硬度聚类均值与对应的多个聚类加权系数进行乘法计算,获得多个加权硬度聚类值。将多个加权硬度聚类值的平均值设置为第一位置硬度聚类结果对应的历史硬度检测位置信息的硬度检测集中值。
进一步,根据点云集中硬度分布特征对第一硬度分布点云进行硬度补偿,即,分别将第一硬度分布点云中的每个历史硬度检测位置对应的历史硬度检测参数与点云集中硬度分布特征中对应的历史硬度检测位置信息的硬度检测集中值进行差值计算,获得多个集中硬度差值。将多个集中硬度差值对应的绝对值设置为多个集中硬度偏差。继而,分别判断每个集中硬度偏差是否小于由所述一种用于汽车座椅加工质量的监测系统预先设置确定的集中硬度偏差阈值。如果集中硬度偏差小于集中硬度偏差阈值,则,将该集中硬度偏差对应的第一硬度分布点云中的历史硬度检测参数记为优选硬度检测参数,并将第一硬度分布点云中该优选硬度检测参数对应的历史硬度检测位置记为优选硬度检测位置。如果集中硬度偏差大于/等于集中硬度偏差阈值,则,将点云集中硬度分布特征中该集中硬度偏差对应的硬度检测集中值记为优选硬度检测参数,并将点云集中硬度分布特征中该优选硬度检测参数对应的历史硬度检测位置信息记为优选硬度检测位置。由此,获得多个优选硬度检测参数,以及多个优选硬度检测参数对应的多个优选硬度检测位置。
进一步,将多个优选硬度检测参数输出为硬度补偿结果,并将多个优选硬度检测位置输出为硬度分布位置。继而,对硬度分布位置内的多个优选硬度检测位置进行随机选择,获得第一位置。第一位置可以为硬度分布位置内的任意一个优选硬度检测位置。第二位置为硬度分布位置中,第一位置的相邻的优选硬度检测位置。即,第一位置和第二位置互为邻域。第一位置座椅硬度为硬度补偿结果中,第一位置对应的优选硬度检测参数。第二位置座椅硬度为硬度补偿结果中,第二位置对应的优选硬度检测参数。
通过对点云集中硬度分布特征对第一硬度分布点云进行硬度补偿,生成准确的硬度补偿结果和硬度分布位置,提高了第一位置座椅硬度和第二位置座椅硬度的可靠性,降低了第一位置座椅硬度和第二位置座椅硬度的偶然性,提高了对座椅硬度检测结果和硬度检测位置进行邻域分级聚类分析的精确度。
当所述第一位置座椅硬度和所述第二位置座椅硬度的硬度偏差小于硬度一致性阈值,将所述第一位置和所述第二位置融合相同分区;
当所述第一位置座椅硬度和所述第二位置座椅硬度的硬度偏差大于或等于硬度一致性阈值,将所述第一位置和所述第二位置标识为不同分区;
遍历所述硬度检测位置,生成所述座椅硬度特征分区。
对所述座椅弹性检测结果和所述弹性检测区域进行邻域分级聚类分析,生成所述座椅弹性特征分区。
将第一位置座椅硬度和第二位置座椅硬度之间的差值的绝对值设置为第一位置座椅硬度和第二位置座椅硬度的硬度偏差。对第一位置座椅硬度和第二位置座椅硬度的硬度偏差是否小于硬度一致性阈值进行判断。如果第一位置座椅硬度和第二位置座椅硬度的硬度偏差小于硬度一致性阈值,则,将第一位置座椅硬度对应的第一位置、第二位置座椅硬度对应的第二位置记为同一个座椅硬度分区。如果第一位置座椅硬度和第二位置座椅硬度的硬度偏差大于或等于硬度一致性阈值,则,将第一位置和第二位置标识为不同的座椅硬度分区。根据硬度一致性阈值和硬度补偿结果继续对硬度分布位置进行分类,获得座椅硬度特征分区。同理,对座椅弹性检测结果和弹性检测区域进行邻域分级聚类分析,生成座椅弹性特征分区。其中,硬度一致性阈值包括由所述一种用于汽车座椅加工质量的监测系统预先设置确定的相邻位置座椅硬度的硬度偏差阈值参数。座椅硬度特征分区包括多个座椅硬度分区。座椅弹性特征分区包括多个座椅弹性分区。且,“对座椅弹性检测结果和弹性检测区域进行邻域分级聚类分析”与“对座椅硬度检测结果和硬度检测位置进行邻域分级聚类分析”的流程相同,这两次邻域分级聚类分析仅存在数据差异,为了说明书的简洁,在此不再赘述。
根据所述发泡气压分布序列和所述发泡时长分布序列进行硬度分布预测,生成座椅硬度预测分区;
根据所述汽车座椅型号,激活内嵌于汽车座椅加工质量的监测系统的硬度分布预测边缘盒子,对所述发泡气压分布序列和所述发泡时长分布序列进行处理,生成所述座椅硬度预测分区;
其中,所述硬度分布预测边缘盒子构建流程如下:
采集硬度分布预测构建数据集,其中,任意一组所述硬度分布预测构建数据集包括汽车座椅型号记录数据、发泡气压分布记录序列、发泡时长分布记录序列和硬度分区记录值;
根据分布位置和发泡时长对所述发泡气压分布记录序列和所述发泡时长分布记录序列进行融合聚类,生成发泡气压分布时序信息,其中,所述发泡气压分布时序信息表征任意一个位置的发泡气压的时序变化特征;
构建第一损失函数:
其中,LOSS1表征m次训练后的均方平均误差,xij表征第i次训练的第j个区域的预测硬度,xij0表征第i次训练的第j个区域的检测硬度,m表征激活均方误差函数的训练次数,q表征硬度检测的区域总数;
构建第二损失函数:
其中,LOSS2表征m次训练后的均方最大误差;
根据所述第一损失函数和所述第二损失函数,结合所述汽车座椅型号记录数据、所述发泡气压分布时序信息和所述硬度分区记录值,对长短时记忆神经网络进行训练,当所述第一损失函数小于或等于第一损失阈值,且所述第二损失函数小于或等于第二损失阈值,视为所述长短时记忆神经网络为拟合完成状态,生成所述硬度分布预测边缘盒子。
根据所述发泡气压分布序列和所述发泡时长分布序列进行弹性分布预测,生成座椅弹性预测分区;
激活内嵌于所述一种用于汽车座椅加工质量的监测系统的硬度分布预测边缘盒子。将发泡气压分布序列和发泡时长分布序列输入硬度分布预测边缘盒子,获得座椅硬度预测分区。座椅硬度预测分区包括发泡气压分布序列和发泡时长分布序列对应的汽车座椅的多个预测座椅硬度分区。
硬度分布预测边缘盒子的构建流程包括:连接所述一种用于汽车座椅加工质量的监测系统,采集多组硬度分布预测构建数据集。任意一组硬度分布预测构建数据集包括汽车座椅型号记录数据、发泡气压分布记录序列、发泡时长分布记录序列和硬度分区记录值。汽车座椅型号记录数据包括历史汽车座椅型号信息。发泡气压分布记录序列包括汽车座椅型号记录数据对应的汽车座椅的多个位置的多个历史发泡气压。发泡时长分布记录序列包括汽车座椅型号记录数据对应的汽车座椅的多个位置的多个历史发泡时长。硬度分区记录值包括汽车座椅型号记录数据对应的汽车座椅的多个历史座椅硬度分区。继而,根据分布位置和发泡时长,分别对任意一组硬度分布预测构建数据集内的发泡气压分布记录序列和发泡时长分布记录序列进行融合聚类,即,分别将多个历史发泡气压和多个历史发泡时长标识至对应的汽车座椅的位置,获得任意一组硬度分布预测构建数据集对应的多个发泡气压分布时序信息。每个发泡气压分布时序信息表征任意一个位置的发泡气压的时序变化特征,即,每个发泡气压分布时序信息包括汽车座椅型号记录数据对应的汽车座椅的每个位置对应的历史发泡气压、历史发泡时长。
进一步,通过多组硬度分布预测构建数据集对应的汽车座椅型号记录数据、多个发泡气压分布时序信息、硬度分区记录值对长短时记忆神经网络进行训练。每训练m次时,生成第一损失函数和第二损失函数。当第一损失函数小于或等于第一损失阈值,且第二损失函数小于或等于第二损失阈值时,视为长短时记忆神经网络达到拟合完成状态,获得硬度分布预测边缘盒子,并将硬度分布预测边缘盒子嵌入至所述一种用于汽车座椅加工质量的监测系统中。其中,长短时记忆神经网络是一种能够捕捉长时依赖的特殊循环神经网络。第一损失阈值、第二损失阈值分别为由所述一种用于汽车座椅加工质量的监测系统预先设置确定的均方平均误差阈值、均方最大误差阈值。拟合完成状态是指长短时记忆神经网络处于收敛状态。硬度分布预测边缘盒子为一个根据多组硬度分布预测构建数据集对应的汽车座椅型号记录数据、多个发泡气压分布时序信息、硬度分区记录值进行训练,且,处于拟合完成状态的长短时记忆神经网络。硬度分布预测边缘盒子具有对输入的发泡气压分布序列和发泡时长分布序列进行硬度分区预测的功能。
第一损失函数为:
其中,LOSS1表征m次训练后的均方平均误差,xij表征第i次训练的第j个区域的预测硬度,xij0表征第i次训练的第j个区域的检测硬度,m表征激活均方误差函数的训练次数,均方误差函数包括第一损失函数、第二损失函数,q表征硬度检测的区域总数。
第二损失函数为:
其中,LOSS2表征m次训练后的均方最大误差。
同理,激活内嵌于所述一种用于汽车座椅加工质量的监测系统的弹性分布预测边缘盒子。将发泡气压分布序列和发泡时长分布序列输入弹性分布预测边缘盒子,获得座椅弹性预测分区。座椅弹性预测分区包括发泡气压分布序列和发泡时长分布序列对应的汽车座椅的多个预测座椅弹性分区。且,弹性分布预测边缘盒子与硬度分布预测边缘盒子的构建流程相同,为了说明书的简洁,在此不再赘述。
通过硬度分布预测边缘盒子和弹性分布预测边缘盒子分别对发泡气压分布序列、发泡时长分布序列进行准确而高效地硬度分布预测、弹性预测分区,提高了对汽车座椅进行硬度异常检测、弹性异常检测的可靠性及效率。
根据所述座椅硬度特征分区和所述座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域;
对所述座椅硬度特征分区和所述座椅硬度预测分区进行分区偏移系数分析,生成分区偏移系数;
从所述座椅硬度特征分区提取第一基准分区,从所述座椅硬度预测分区中提取与所述第一基准分区交集面积最大的第一比对分区;
统计所述第一基准分区和所述第一比对分区非交集区域面积,在所述第一基准分区和所述第一比对分区的面积和中的占比,设为第一分区偏移系数,添加进所述分区偏移系数。
分别将座椅硬度特征分区内的每个座椅硬度分区设置为第一基准分区。继而,分别求取座椅硬度预测分区内的每个预测座椅硬度分区与第一基准分区之间的交集面积,获得多个预测分区交集面积。每个预测分区交集面积包括座椅硬度预测分区内的每个预测座椅硬度分区与第一基准分区之间的交集面积。继而,对多个预测分区交集面积进行最大值筛选,确定最大预测分区交集面积,并将座椅硬度预测分区内,最大预测分区交集面积对应的预测座椅硬度分区输出为第一比对分区。
进一步,将第一基准分区和第一比对分区之间的非交集区域面积设置为第一分区非交集面积。将第一基准分区的面积与第一比对分区的面积进行加和计算,获得第一面积和。继而,将第一分区非交集面积与第一面积和之间的比值输出为第一分区偏移系数,并将第一分区偏移系数添加至分区偏移系数。分区偏移系数包括座椅硬度预测分区内的多个预测座椅硬度分区对应的多个分区硬度偏移系数。且,多个分区硬度偏移系数与第一分区偏移系数的计算方式相同。
当所述分区偏移系数大于或等于分区偏移系数阈值时,标识所述硬度异常预测区域;
当所述分区偏移系数小于所述分区偏移系数阈值时进行硬度偏移系数分析,生成硬度偏移系数;
当所述硬度偏移系数大于或等于硬度偏移系数阈值时,标识所述硬度异常预测区域。
根据所述座椅弹性特征分区和所述座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域;
根据所述硬度异常预测区域和所述弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果。
分别判断分区偏移系数内的每个分区硬度偏移系数是否小于分区偏移系数阈值。如果分区偏移系数大于或等于分区偏移系数阈值,则,将汽车座椅中该分区偏移系数对应的预测座椅硬度分区的位置标识为硬度异常预测区域。如果分区偏移系数小于分区偏移系数阈值,则,将分区偏移系数阈值与该分区偏移系数之间的差值记为硬度偏移系数,并判断硬度偏移系数是否小于硬度偏移系数阈值。当硬度偏移系数大于或等于硬度偏移系数阈值时,将汽车座椅中该硬度偏移系数对应的预测座椅硬度分区的位置标识为硬度异常预测区域。分区偏移系数阈值、硬度偏移系数阈值由所述一种用于汽车座椅加工质量的监测系统预先设置确定。
同理,根据座椅弹性特征分区和座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域。继而,根据硬度异常预测区域和弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果,从而提高了汽车座椅的质量检测效率。其中,“根据座椅弹性特征分区和座椅弹性预测分区进行偏移系数分析”与“根据座椅硬度特征分区和座椅硬度预测分区进行偏移系数分析”的方式相同,为了说明书的简洁,在此不再赘述。第一质量检测结果包括汽车座椅中,硬度异常预测区域是否存在硬度异常,以及弹性异常预测区域是否存在弹性异常。
示例性地,在根据硬度异常预测区域和弹性异常预测区域对汽车座椅进行质量监测时,按照硬度异常预测区域对汽车座椅进行硬度检测,获得硬度异常预测区域对应的实际硬度检测值。继而,判断实际硬度检测值是否满足由所述一种用于汽车座椅加工质量的监测系统预先设置确定的该硬度异常预测区域对应的标准硬度范围。如果实际硬度检测值满足对应的标准硬度范围,则,获得的第一质量检测结果包括该硬度异常预测区域不存在硬度异常。如果实际硬度检测值不满足对应的标准硬度范围,则,获得的第一质量检测结果包括该硬度异常预测区域存在硬度异常。
综上所述,本申请所提供的一种用于汽车座椅加工质量的监测方法具有如下技术效果:
通过连接汽车座椅发泡成型设备,获得发泡气压分布序列和发泡时长分布序列;通过汽车座椅型号对汽车座椅质量监测历史进行正采样,获取座椅硬度特征分区和座椅弹性特征分区;根据发泡气压分布序列和发泡时长分布序列进行硬度分布预测、弹性分布预测,生成座椅硬度预测分区和座椅弹性预测分区;通过对座椅硬度特征分区和座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域;通过对座椅弹性特征分区和座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域;根据硬度异常预测区域和弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果。达到了提高汽车座椅的硬度异常、弹性异常的检测效率,提高汽车座椅的质量检测效率的技术效果。
2.通过硬度分布预测边缘盒子和弹性分布预测边缘盒子分别对发泡气压分布序列、发泡时长分布序列进行准确而高效地硬度分布预测、弹性预测分区,提高了对汽车座椅进行硬度异常检测、弹性异常检测的可靠性及效率。
实施例二
基于与前述实施例中一种用于汽车座椅加工质量的监测方法,同样发明构思,本发明还提供了一种用于汽车座椅加工质量的监测系统,所述系统和汽车座椅发泡成型设备通信连接,请参阅附图3,所述系统包括:
设备交互模块,所述设备交互模块用于与汽车座椅发泡成型设备交互,获取座椅发泡控制参数,其中,所述座椅发泡控制参数包括发泡气压分布序列和发泡时长分布序列;
正采样模块,所述正采样模块用于基于汽车座椅型号对汽车座椅质量监测历史进行正采样,获取座椅硬度特征分区和座椅弹性特征分区;
硬度分布预测模块,所述硬度分布预测模块用于根据所述发泡气压分布序列和所述发泡时长分布序列进行硬度分布预测,生成座椅硬度预测分区;
弹性分布预测模块,所述弹性分布预测模块用于根据所述发泡气压分布序列和所述发泡时长分布序列进行弹性分布预测,生成座椅弹性预测分区;
硬度偏移系数分析模块,所述硬度偏移系数分析模块用于根据所述座椅硬度特征分区和所述座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域;
弹性偏移系数分析模块,所述弹性偏移系数分析模块用于根据所述座椅弹性特征分区和所述座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域;
质量监测模块,所述质量监测模块用于根据所述硬度异常预测区域和所述弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果。
进一步的,所述系统还包括:
日志匹配模块,所述日志匹配模块用于根据所述汽车座椅型号,在本地加工日志匹配具有质量检测合格标识的座椅硬度检测结果和硬度检测位置;
检测结果匹配模块,所述检测结果匹配模块用于根据所述汽车座椅型号,在本地加工日志匹配具有质量检测合格标识的座椅弹性检测结果和弹性检测区域;
座椅硬度特征分区生成模块,所述座椅硬度特征分区生成模块用于对所述座椅硬度检测结果和所述硬度检测位置进行邻域分级聚类分析,生成所述座椅硬度特征分区;
座椅弹性特征分区生成模块,所述座椅弹性特征分区生成模块用于对所述座椅弹性检测结果和所述弹性检测区域进行邻域分级聚类分析,生成所述座椅弹性特征分区。
进一步的,所述系统还包括:
位置座椅硬度提取模块,所述位置座椅硬度提取模块用于从所述座椅硬度检测结果和所述硬度检测位置中提取第一位置座椅硬度和第二位置座椅硬度,其中,第一位置和第二位置互为邻域;
分区融合模块,所述分区融合模块用于当所述第一位置座椅硬度和所述第二位置座椅硬度的硬度偏差小于硬度一致性阈值,将所述第一位置和所述第二位置融合相同分区;
分区标识模块,所述分区标识模块用于当所述第一位置座椅硬度和所述第二位置座椅硬度的硬度偏差大于或等于硬度一致性阈值,将所述第一位置和所述第二位置标识为不同分区;
第一执行模块,所述第一执行模块用于遍历所述硬度检测位置,生成所述座椅硬度特征分区。
进一步的,所述系统还包括:
硬度分布点云生成模块,所述硬度分布点云生成模块用于对所述座椅硬度检测结果和所述硬度检测位置进行像素级分割,生成第一硬度分布点云;
检测结果标识模块,所述检测结果标识模块用于根据所述汽车座椅型号,在联网加工日志匹配质量检测合格标识的多组联网座椅硬度检测结果和多组联网硬度检测位置;
第二执行模块,所述第二执行模块用于遍历所述多组联网硬度检测位置和所述多组联网座椅硬度检测结果进行像素级分割,生成第二硬度分布点云直到第N硬度分布点云;
像素级硬度集中分析模块,所述像素级硬度集中分析模块用于根据所述第二硬度分布点云直到所述第N硬度分布点云进行像素级硬度集中分析,生成点云集中硬度分布特征;
硬度补偿模块,所述硬度补偿模块用于根据所述点云集中硬度分布特征,对所述第一硬度分布点云进行硬度补偿,生成硬度补偿结果和硬度分布位置;
第三执行模块,所述第三执行模块用于从所述硬度补偿结果和所述硬度分布位置中提取所述第一位置座椅硬度和所述第二位置座椅硬度。
进一步的,所述系统还包括:
第四执行模块,所述第四执行模块用于根据所述汽车座椅型号,激活内嵌于汽车座椅加工质量的监测系统的硬度分布预测边缘盒子,对所述发泡气压分布序列和所述发泡时长分布序列进行处理,生成所述座椅硬度预测分区;
其中,所述硬度分布预测边缘盒子构建流程如下:
采集硬度分布预测构建数据集,其中,任意一组所述硬度分布预测构建数据集包括汽车座椅型号记录数据、发泡气压分布记录序列、发泡时长分布记录序列和硬度分区记录值;
根据分布位置和发泡时长对所述发泡气压分布记录序列和所述发泡时长分布记录序列进行融合聚类,生成发泡气压分布时序信息,其中,所述发泡气压分布时序信息表征任意一个位置的发泡气压的时序变化特征;
构建第一损失函数:
其中,LOSS1表征m次训练后的均方平均误差,xij表征第i次训练的第j个区域的预测硬度,xij0表征第i次训练的第j个区域的检测硬度,m表征激活均方误差函数的训练次数,q表征硬度检测的区域总数;
构建第二损失函数:
其中,LOSS2表征m次训练后的均方最大误差;
根据所述第一损失函数和所述第二损失函数,结合所述汽车座椅型号记录数据、所述发泡气压分布时序信息和所述硬度分区记录值,对长短时记忆神经网络进行训练,当所述第一损失函数小于或等于第一损失阈值,且所述第二损失函数小于或等于第二损失阈值,视为所述长短时记忆神经网络为拟合完成状态,生成所述硬度分布预测边缘盒子。
进一步的,所述系统还包括:
分区偏移系数生成模块,所述分区偏移系数生成模块用于对所述座椅硬度特征分区和所述座椅硬度预测分区进行分区偏移系数分析,生成分区偏移系数;
第五执行模块,所述第五执行模块用于当所述分区偏移系数大于或等于分区偏移系数阈值时,标识所述硬度异常预测区域;
硬度偏移系数确定模块,所述硬度偏移系数确定模块用于当所述分区偏移系数小于所述分区偏移系数阈值时进行硬度偏移系数分析,生成硬度偏移系数;
第六执行模块,所述第六执行模块用于当所述硬度偏移系数大于或等于硬度偏移系数阈值时,标识所述硬度异常预测区域。
进一步的,所述系统还包括:
分区提取模块,所述分区提取模块用于从所述座椅硬度特征分区提取第一基准分区,从所述座椅硬度预测分区中提取与所述第一基准分区交集面积最大的第一比对分区;
第七执行模块,所述第七执行模块用于统计所述第一基准分区和所述第一比对分区非交集区域面积,在所述第一基准分区和所述第一比对分区的面积和中的占比,设为第一分区偏移系数,添加进所述分区偏移系数。
本发明实施例所提供的一种用于汽车座椅加工质量的监测系统可执行本发明任意实施例所提供的一种用于汽车座椅加工质量的监测方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种用于汽车座椅加工质量的监测方法,其中,所述方法应用于一种用于汽车座椅加工质量的监测系统,所述方法包括:通过连接汽车座椅发泡成型设备,获得发泡气压分布序列和发泡时长分布序列;通过汽车座椅型号对汽车座椅质量监测历史进行正采样,获取座椅硬度特征分区和座椅弹性特征分区;根据发泡气压分布序列和发泡时长分布序列进行硬度分布预测、弹性分布预测,生成座椅硬度预测分区和座椅弹性预测分区;通过对座椅硬度特征分区和座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域;通过对座椅弹性特征分区和座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域;根据硬度异常预测区域和弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果。解决了现有技术中针对汽车座椅的硬度异常、弹性异常的检测效率低,继而造成汽车座椅的质量检测效率低的技术问题。达到了提高汽车座椅的硬度异常、弹性异常的检测效率,提高汽车座椅的质量检测效率的技术效果。
虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.用于汽车座椅加工质量的监测方法,其特征在于,应用于汽车座椅加工质量的监测系统,所述系统和汽车座椅发泡成型设备通信连接,包括:
与汽车座椅发泡成型设备交互,获取座椅发泡控制参数,其中,所述座椅发泡控制参数包括发泡气压分布序列和发泡时长分布序列;
基于汽车座椅型号对汽车座椅质量监测历史进行正采样,获取座椅硬度特征分区和座椅弹性特征分区;
根据所述发泡气压分布序列和所述发泡时长分布序列进行硬度分布预测,生成座椅硬度预测分区;
根据所述发泡气压分布序列和所述发泡时长分布序列进行弹性分布预测,生成座椅弹性预测分区;
根据所述座椅硬度特征分区和所述座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域;
根据所述座椅弹性特征分区和所述座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域;
根据所述硬度异常预测区域和所述弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果。
2.如权利要求1所述的方法,其特征在于,基于汽车座椅型号对汽车座椅质量监测历史进行正采样,获取座椅硬度特征分区和座椅弹性特征分区,包括:
根据所述汽车座椅型号,在本地加工日志匹配具有质量检测合格标识的座椅硬度检测结果和硬度检测位置;
根据所述汽车座椅型号,在本地加工日志匹配具有质量检测合格标识的座椅弹性检测结果和弹性检测区域;
对所述座椅硬度检测结果和所述硬度检测位置进行邻域分级聚类分析,生成所述座椅硬度特征分区;
对所述座椅弹性检测结果和所述弹性检测区域进行邻域分级聚类分析,生成所述座椅弹性特征分区。
3.如权利要求2所述的方法,其特征在于,对所述座椅硬度检测结果和所述硬度检测位置进行邻域分级聚类分析,生成所述座椅硬度特征分区,包括:
从所述座椅硬度检测结果和所述硬度检测位置中提取第一位置座椅硬度和第二位置座椅硬度,其中,第一位置和第二位置互为邻域;
当所述第一位置座椅硬度和所述第二位置座椅硬度的硬度偏差小于硬度一致性阈值,将所述第一位置和所述第二位置融合相同分区;
当所述第一位置座椅硬度和所述第二位置座椅硬度的硬度偏差大于或等于硬度一致性阈值,将所述第一位置和所述第二位置标识为不同分区;
遍历所述硬度检测位置,生成所述座椅硬度特征分区。
4.如权利要求3所述的方法,其特征在于,从所述座椅硬度检测结果和所述硬度检测位置中提取第一位置座椅硬度和第二位置座椅硬度,之前还包括:
对所述座椅硬度检测结果和所述硬度检测位置进行像素级分割,生成第一硬度分布点云;
根据所述汽车座椅型号,在联网加工日志匹配质量检测合格标识的多组联网座椅硬度检测结果和多组联网硬度检测位置;
遍历所述多组联网硬度检测位置和所述多组联网座椅硬度检测结果进行像素级分割,生成第二硬度分布点云直到第N硬度分布点云;
根据所述第二硬度分布点云直到所述第N硬度分布点云进行像素级硬度集中分析,生成点云集中硬度分布特征;
根据所述点云集中硬度分布特征,对所述第一硬度分布点云进行硬度补偿,生成硬度补偿结果和硬度分布位置;
从所述硬度补偿结果和所述硬度分布位置中提取所述第一位置座椅硬度和所述第二位置座椅硬度。
5.如权利要求1所述的方法,其特征在于,根据所述发泡气压分布序列和所述发泡时长分布序列进行硬度分布预测,生成座椅硬度预测分区,包括:
根据所述汽车座椅型号,激活内嵌于汽车座椅加工质量的监测系统的硬度分布预测边缘盒子,对所述发泡气压分布序列和所述发泡时长分布序列进行处理,生成所述座椅硬度预测分区;
其中,所述硬度分布预测边缘盒子构建流程如下:
采集硬度分布预测构建数据集,其中,任意一组所述硬度分布预测构建数据集包括汽车座椅型号记录数据、发泡气压分布记录序列、发泡时长分布记录序列和硬度分区记录值;
根据分布位置和发泡时长对所述发泡气压分布记录序列和所述发泡时长分布记录序列进行融合聚类,生成发泡气压分布时序信息,其中,所述发泡气压分布时序信息表征任意一个位置的发泡气压的时序变化特征;
构建第一损失函数:
其中,LOSS1表征m次训练后的均方平均误差,xij表征第i次训练的第j个区域的预测硬度,xij0表征第i次训练的第j个区域的检测硬度,m表征激活均方误差函数的训练次数,q表征硬度检测的区域总数;
构建第二损失函数:
其中,LOSS2表征m次训练后的均方最大误差;
根据所述第一损失函数和所述第二损失函数,结合所述汽车座椅型号记录数据、所述发泡气压分布时序信息和所述硬度分区记录值,对长短时记忆神经网络进行训练,当所述第一损失函数小于或等于第一损失阈值,且所述第二损失函数小于或等于第二损失阈值,视为所述长短时记忆神经网络为拟合完成状态,生成所述硬度分布预测边缘盒子。
6.如权利要求1所述的方法,其特征在于,根据所述座椅硬度特征分区和所述座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域,包括:
对所述座椅硬度特征分区和所述座椅硬度预测分区进行分区偏移系数分析,生成分区偏移系数;
当所述分区偏移系数大于或等于分区偏移系数阈值时,标识所述硬度异常预测区域;
当所述分区偏移系数小于所述分区偏移系数阈值时进行硬度偏移系数分析,生成硬度偏移系数;
当所述硬度偏移系数大于或等于硬度偏移系数阈值时,标识所述硬度异常预测区域。
7.如权利要求6所述的方法,其特征在于,对所述座椅硬度特征分区和所述座椅硬度预测分区进行分区偏移系数分析,生成分区偏移系数,包括:
从所述座椅硬度特征分区提取第一基准分区,从所述座椅硬度预测分区中提取与所述第一基准分区交集面积最大的第一比对分区;
统计所述第一基准分区和所述第一比对分区非交集区域面积,在所述第一基准分区和所述第一比对分区的面积和中的占比,设为第一分区偏移系数,添加进所述分区偏移系数。
8.用于汽车座椅加工质量的监测系统,其特征在于,所述系统用于执行权利要求1至7任一项所述的方法,所述系统和汽车座椅发泡成型设备通信连接,所述系统包括:
设备交互模块,所述设备交互模块用于与汽车座椅发泡成型设备交互,获取座椅发泡控制参数,其中,所述座椅发泡控制参数包括发泡气压分布序列和发泡时长分布序列;
正采样模块,所述正采样模块用于基于汽车座椅型号对汽车座椅质量监测历史进行正采样,获取座椅硬度特征分区和座椅弹性特征分区;
硬度分布预测模块,所述硬度分布预测模块用于根据所述发泡气压分布序列和所述发泡时长分布序列进行硬度分布预测,生成座椅硬度预测分区;
弹性分布预测模块,所述弹性分布预测模块用于根据所述发泡气压分布序列和所述发泡时长分布序列进行弹性分布预测,生成座椅弹性预测分区;
硬度偏移系数分析模块,所述硬度偏移系数分析模块用于根据所述座椅硬度特征分区和所述座椅硬度预测分区进行偏移系数分析,生成硬度异常预测区域;
弹性偏移系数分析模块,所述弹性偏移系数分析模块用于根据所述座椅弹性特征分区和所述座椅弹性预测分区进行偏移系数分析,生成弹性异常预测区域;
质量监测模块,所述质量监测模块用于根据所述硬度异常预测区域和所述弹性异常预测区域对汽车座椅进行质量监测,生成第一质量检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129113.7A CN117309443A (zh) | 2023-09-04 | 2023-09-04 | 用于汽车座椅加工质量的监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129113.7A CN117309443A (zh) | 2023-09-04 | 2023-09-04 | 用于汽车座椅加工质量的监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117309443A true CN117309443A (zh) | 2023-12-29 |
Family
ID=89296182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311129113.7A Pending CN117309443A (zh) | 2023-09-04 | 2023-09-04 | 用于汽车座椅加工质量的监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117309443A (zh) |
-
2023
- 2023-09-04 CN CN202311129113.7A patent/CN117309443A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
US9384603B2 (en) | Failure cause classification apparatus | |
US7930122B2 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
CN112257963B (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
CN110046378A (zh) | 一种基于进化多目标优化的选择性分层集成高斯过程回归软测量建模方法 | |
CN106845526B (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
CN111079836A (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
CN113298297A (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及系统 | |
CN114529067A (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN117309443A (zh) | 用于汽车座椅加工质量的监测方法及系统 | |
CN111124816B (zh) | 一种基于hdp算法的服务器日志分析方法及系统 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN111121946B (zh) | 大动态范围大离散单区域多点精准确定异常值的方法 | |
JP7330754B2 (ja) | 異常診断装置及び方法 | |
CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及系统 | |
US20210397960A1 (en) | Reliability evaluation device and reliability evaluation method | |
CN114936203B (zh) | 基于时序数据和业务数据融合分析的方法 | |
CN117112857B (zh) | 一种适用于工业智能制造的加工路径推荐方法 | |
CN113642198B (zh) | 一种基于可靠性增长的独立运载系统设备可靠性评估方法 | |
CN111833012B (zh) | 一种工业数据处理方法和装置 | |
CN116881640A (zh) | 岩心采出程度的预测方法、系统及计算机可读存储介质 |
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 |