CN107562696A - 轮胎产品质量在线检测与控制方法 - Google Patents
轮胎产品质量在线检测与控制方法 Download PDFInfo
- Publication number
- CN107562696A CN107562696A CN201710817985.0A CN201710817985A CN107562696A CN 107562696 A CN107562696 A CN 107562696A CN 201710817985 A CN201710817985 A CN 201710817985A CN 107562696 A CN107562696 A CN 107562696A
- Authority
- CN
- China
- Prior art keywords
- tire
- msub
- data
- mrow
- temperature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 230000007774 longterm Effects 0.000 claims abstract description 5
- 230000000737 periodic effect Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 14
- 230000007935 neutral effect Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000007596 consolidation process Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 14
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 238000004073 vulcanization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003490 calendering Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
Landscapes
- Tires In General (AREA)
Abstract
一种轮胎产品质量在线检测与控制方法,包括如下步骤:(1)删除无用指标及缺失数据的整条记录;对于有周期性的指标,删除非完整周期的轮胎记录数据;(2)利用均值方差方法中的3σ原则及极差判断轮胎实时数据中的异常数据;(3)在统计量初判的基础上,根据时间序列基本的特点,通过分析隐藏在数据背后的特征,提取新的时间序列特征进行分析,进行二次检测;将采样数据与标准样本库的数据进行趋势比对,若趋势变化超过给定阈值,则判断该轮胎可能为异常轮胎;(4)基于在线学习机的实时和在线学习能力,利用获得的历史轮胎压力和温度数据对神经网络模型的参数进行训练,定期更新标准数据库。该方法提高了判断的时间效率和准确率。
Description
技术领域
本发明涉及一种用于轮胎产品质量在线检测与控制的方法,属于轮胎质量控制技术领域。
背景技术
随着我国经济的迅速发展,居民的汽车拥有量不断增加,致使汽车制造业对轮胎的需求量也不断加大。因此,关于轮胎生产的质量安全问题也越来越受到业界关注,尤其是轮胎出厂前的质量安全检测问题。如何能够准确有效的对轮胎缺陷进行检测,保证轮胎的出厂质量,是当前必须重视的问题。
目前,国内外关于轮胎质量的检测都是事后进行,对不合格产品要么报废要么低价处理,带来巨大经济损失。轮胎质量一般是利用图像处理的方式进行相应的质量检测,利用X射线照射成品轮胎,然后将轮胎图像通过电脑显示出来,最后再通过轮胎缺陷检测设备进行检测,但采用上述方法的设备十分昂贵,国内大部分依靠人工方法进行检测,效率较低,人为干扰因素较多。
在轮胎的质量控制中,除了利用上述方法进行成品轮胎的检测,也可以根据轮胎的生产工艺过程进行质量检测和控制,以提高产品的合格率,提高产品的生产效率。轮胎生产的工艺分为密炼、压延、成型、硫化四道主要工序,其中硫化工序关系到轮胎的内在质量,直接影响到轮胎的产品质量和使用寿命。为了较好的进行轮胎硫化工序,需要依靠锅炉提供的蒸汽作为热源,实现硫化速度,硫化温度和压力的最优匹配。国内大部分轮胎厂,主要利用人工复检的方式,对每条生产线的每条轮胎生产过程中的周期温度、压力曲线进行人工抽查的方式,来排除不合格轮胎,耗时大、准确性不高且人为干扰因素较多。
发明内容
本发明为了弥补现有轮胎质量检测技术的不足,提供了一种压缩数据快、可靠性高、实用性强的轮胎产品质量在线检测与控制方法,可根据实时数据自适应调整预测模型参数,提高产品异常预报准确率,避免事后检测出现次品带来的经济损失。
本发明的轮胎产品质量在线检测与控制方法,包括数据预处理、统计量初判、基于知识指导的二次判断和基于神经网络的判断,具体如下步骤:
(1)数据预处理:删除无用指标及缺失数据的整条记录;对于有周期性的指标,删除非完整周期的轮胎记录数据。
(2)统计量初判:利用均值方差方法中的3σ原则及极差判断轮胎实时数据中的异常数据。
(3)基于知识指导的二次判断:在统计量初判的基础上,根据时间序列基本的特点,通过分析隐藏在数据背后的特征,提取新的时间序列特征进行分析,进行二次检测;将采样数据与标准样本库的数据(标准样本库的数据为正常轮胎的采样数据)进行趋势比对,若趋势变化超过给定阈值,则判断该轮胎可能为异常轮胎。
(4)基于神经网络的判断:基于在线学习机的实时和在线学习能力,利用获得的历史轮胎压力和温度数据(正常样本和异常样本)对神经网络模型的参数进行训练,定期更新标准数据库。
所述步骤(1)中的无用指标是指除了左内温度、右内温度、左内压、右内压、左热板温度、右热板温度、左模套温度和右模套温度八个指标以外的其余指标。
所述步骤(1)中缺失数据是指无轮胎编号对应的数据。
所述步骤(2)的具体过程是:计算各指标的均值和方差,利用3σ原则,找出一列数据的均值μ和方差σ,则(μ-3σ,μ+3σ)之外的数据即为异常数据;同时计算每列数据的极差(最大值和最小值),训练每个指标的极差范围,对于数据超出指标范围的轮胎,提示轮胎存在异常。
所述步骤(3)中的趋势比对是计算待检验轮胎与数据库中各个样本的动态时间弯曲距离,当动态时间弯曲距离超过给定阈值,那么该轮胎可能为异常轮胎,否则为正常轮胎。
所述步骤(3)中两个时间序列分别用X和Y表示,长度分别为|X|和|Y|;归整路径(Warp Path)形式为W=w1,w2,…,wk,其中wk的形式为(i,j)。归整路径距离定义为D(|X|,|Y|),其中
D(i,j)=Dist(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)]。
每个轮胎采样点个数为ni,i=1,…,n,T表示采样时间、R表示左内温,B存储右轮胎编号,K存放斜率,第i轮胎在j个采样点的斜率记为其中ri,j表示第i轮胎在j个采样点的左内温,ti,j表示第i轮胎在j个采样点的时间。
所述步骤(4)的具体过程是,将测量的单个轮胎每个采样点的左内温度、右内温度、左内压、右内压、左热板温度、右热板温度、左模套温度和右模套温度8个值作为一个样本的属性特征值,正常的轮胎输出为1,不合格的轮胎输出为0,得到相应的特征结果集合,然后将样本分为训练样本和测试样本;给定一个激活函数G(x)和隐层神经元个数训练样本数据,判断实时轮胎采样数据是否存在异常;
首先对神经网络模型的参数进行初始化,选定的参数初始化训练集记为:
其中N0表示参数初始化所需的样本个数,一般要求既初始化样本个数大于神经网络中隐层神经元个数;xi表示输入样本,ti表示期望输出,此处,1表示正常轮胎,0表示异常轮胎;Rn,Rm分别表示输入样本和期望输出样本维数;
初始隐层输出矩阵的行向量记为:
其中w,b分别表示神经网络中输入层与隐层的连接权值和隐层偏差,为神经网络中隐层神经元个数,N0表示神经网络参数初始化所需的样本个数;
初始输出权值为:
其中
隐层输出向量为:
基于OLS算法的Givens QR分解:Λ1/2(N)H(N)=Q(N)R(N),其中Q(N)是一个各列正交的矩阵,R(N)是一个上三角矩阵,q(N)=[QT(N)Q(N)]-1/2QT(N)Λ1/2(N)Y(N),Ω(N)=[QT(N)Q(N)]1/2R(N),q(N)是一个向量,Ω(N)是一个上三角方阵,(相对于Gram-Schmidt变换和Householder变换,Givens变换在解最小二乘问题时有明显的节省内存、计算效率高、序贯平差方便的优点)计算最新的输出权值为β(k)=R(k)-1p(k)。
本发明基于轮胎实际生产线温度和压力数据,分别采用均值方差方法、基于知识指导的方法和基于在线神经网络的预测方法,实现轮胎压力和温度数据的异常在线监测,实现不合格轮胎曲线的异常报警;通过压缩数据,提高了判断的时间效率,通过与标准样本库比对及定期更新数据库,自适应调整参数,提高了判断的准确率;适用于所有影响产品质量因素可量化可测量的自动生产线,具有较大的推广应用价值。
附图说明
图1为通过3σ原则得到的正常轮胎左内温度取值区间的示意图。
图2为部分轮胎左内温压缩前趋势图。
图3为部分轮胎左内温压缩后趋势图。
图4为随机挑选的轮胎检验运行结果图。
图5为三条异常轮胎与一条正常轮胎左内温度趋势图。
图6为在线轮胎质量检测***操作界面。
具体实施方式
本发明的轮胎产品质量在线检测与控制方法涉及数据处理,包括统计量初判、基于知识指导的二次判断和基于神经网络的判断,并形成在线检测***。利用统计量进行初判,对于初判结果再通过指标蕴含的规律进行二次判断,计算相邻记录数据的斜率,寻找关键点,压缩数据;然后通过修改的DTW算法比对待识别轮胎曲线与数据库中轮胎曲线的变化趋势,通过海量数据训练,给出判断阈值,并定期更新数据库。具体包括以下步骤。
一.数据预处理
目前用来判断轮胎质量的指标主要包括左内温度、右内温度、左内压、右内压、左热板温度、右热板温度、左模套温度和右模套温度八个指标,删除其余指标的测量数据;由于相邻两个轮胎在生产过程中存在时间差,该时段***仍然记录生产线的温度、压力等数据,这些数据与轮胎判断无关,删除无轮胎编号对应的数据;对于有周期性的指标,比如左(右)内温,删除非完整周期的轮胎数据。
(1)对于数据库已给数据,左内温度和右内温度完全一致,左模套温度与右模套温度完全一致,删除右内温度和右模套温度的数据。
(2)左轮胎条码和右轮胎条码对应同一时刻采样数据,用一个轮胎编码即可识别轮胎,删除左轮胎编码(删除右轮胎编码亦可)。
(3)轮胎在生产线上,开模和合模之间的数据为轮胎的采样数据,两个轮胎之间会有间隔,即一个轮胎采样完成,下一个轮胎未开始采样,这段时间***仍在记录一些数据,这些数据没有轮胎编号,对于轮胎检测无用,因此删除编码缺失的数据。
(4)删除非完整周期轮胎数据。
(5)时间转换:记录时间格式为hh:mm:ss,将时间按照先后顺序转化为以“秒”为单位。
二.统计量初判
利用均值方差方法中的3σ原则及极差判断轮胎实时数据中的异常数据。
计算各指标的均值和方差,利用3σ原则,找出一列数据的均值μ和方差μ,则(μ-3σ,μ+3σ)之外的数据即为异常数据;同时计算每列数据的极差(最大值、最小值),训练每个指标的极差范围,对于数据超出指标范围的轮胎,***报警,提示轮胎可能存在异常。其中,极差判断中除了通过指标范围进行控制以外,还考虑了轮胎左右温度或者压力的差。从样本数据看到,左右温度和压力差都非常小,一旦某一时刻轮胎左右某个指标左右观测数据偏差较大,则可能造成产品质量异常。
(1)3σ原则:找出一列数据的均值μ和方差μ,则(μ-3σ,μ+3σ)之外的数据即为异常数据。
(2)符号说明:
假设测试一个轮胎的周期上限为n秒。将时间分为L份。相邻的时间点间隔为ε,所有需要测试的指标有M个,所有的轮胎个数为m个。
设第i个轮胎的第j列数据在t∈[tk,tk+1)范围内的数据为x(i,j,t),其中0=t0<t1=t0+ε<t2=t1+ε<…<tk<tk+1=tk+ε<…<tL=tL-1+ε=n。ε=ls,i=1,2,…,m,j=1,2,…,M。
(3)具体算法说明
①固定j,提取t∈[tk,tk+1)中的所有数据为一列,统计数据个数,计算其均值μ和方差σ,分别记为μk和σk。
②若列数据个数为0,则均值μ和方差σ与上一个区间[tk-1,tk)的均值μ和方差σ相同。
③若列数据个数为1,只计算均值μ,方差σ与上一个区间[tk-1,tk)的方差σ相同。
④如果列数据个数大于1,计算其均值μ和方差σ。
判断:若方差σ与上一个区间[tk-1,tk)的方差σ变化比较大,需要按照较小的σ为标准。根据上述步骤计算出的均值μk和方差σk,计算出当t∈[tk,tk+1)时,数值的合理区间为(μk-3σk,μk+3σk)。
图1以左内温度为例,展示了通过3σ原则得到的正常轮胎左内温度取值区间。
三.基于知识指导的二次判断
针对具有周期性和明显趋势变化规律的指标曲线,通过压缩数据,计算待识别轮胎曲线与数据库中轮胎曲线的趋势距离,从历史数据训练阈值,作为判断轮胎异常的参考数据。
在统计量初判的基础上,根据时间序列基本的特点,通过分析隐藏在海量数据背后的特征,提取新的时间序列特征进行分析,进行二次检测;将采样数据与标准样本库的数据(标准样本库的数据为正常轮胎的采样数据)进行趋势比对,若趋势变化超过给定阈值,则判断该轮胎可能为异常轮胎。
两个时间序列分别用X和Y表示,长度分别为|X|和|Y|;归整路径形式为W=w1,w2,…,wk,其中wk的形式为(i,j);归整路径距离定义为D(|X|,|Y|),其中:
D(i,j)=Dist(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)]。
每个轮胎采样点个数为ni,i=1,…,n,T表示采样时间,R表示左内温,B存储右轮胎编号,K存放斜率,第i轮胎在j个采样点的斜率记为其中ri,j表示第i轮胎在j个采样点的左内温,ti,j表示第i轮胎在j个采样点的时间。
由于轮胎部分指标,例如左右内温度、左右内压具有明显的周期性,趋势变化明显。因此该步骤主要是通过一个待检验的完整的轮胎某个数据曲线(通过开模和合模可采集一个轮胎的完整记录数据)与数据库中标准轮胎数据曲线进行趋势对比,当趋势发生明显变化,则可能造成轮胎异常。由于轮胎采样时间间隔不等,采样数据点个数亦不相同,直接利用经典的欧式距离无法对比两组采样数据的差异,因此本发明方案主要利用修改的动态时间规整(DTW)算法,计算待检验轮胎与数据库中各个样本的动态时间弯曲距离。当动态时间弯曲距离超过给定阈值,***报警,提示该轮胎可能为异常轮胎,否则为正常轮胎。
(1)寻找关键点,压缩数据
DTW算法很好地解决了不等长序列的相似性问题,但是在对比两个采样数据的差异时,采取的是序列中的每个点与另一序列的所有点逐一计算距离,效率较低,运算时间较长。对于大规模数据,无法实现瞬时完成判断。由于序列中很多采样点对于整体趋势变化并无太大影响,因此可以寻找关键点,既保证原有数据的变化趋势,又减少数据点个数,提高运算效率。
①计算斜率
斜率的变化将作为寻找关键点的重要指标。设有N个轮胎,每个轮胎采样点个数为ni,i=1,…,N,分别用T表示采样时间,R表示左内温,B存储右轮胎编号,K存放斜率。第i轮胎在j个采样点的斜率记为其中ri,j表示第i轮胎在j个采样点的左内温,ti,j表示第i轮胎在j个采样点的时间。
②时间阈值确定及关键点选取
根据温度变化曲线,计算现有轮胎所有时刻对应采样点的斜率,统计斜率的众数为0.1,因此选取该值作为阈值ε1。若ki,j≤ε1,则删除第i个轮胎在j个时刻采样点数据;否则保留第i个轮胎在j个时刻采样点数据,该点即为一个关键点。
③压缩前后对比
a.数据点个数比较
表1给出了部分轮胎压缩前后采样点个数,其中双数行对应上一单数行,为其压缩后的个数。可以看到,通过斜率寻找关键点,删除斜率变化不明显的点,采样数据大幅降低,一般为原来采样点个数的1/3。
表1压缩前后采样点个数对比
524 | 528 | 527 | 527 | 532 | 527 | 523 | 524 | 523 | 490 | 517 |
183 | 151 | 151 | 149 | 142 | 146 | 162 | 154 | 168 | 151 | 157 |
527 | 530 | 521 | 525 | 524 | 525 | 531 | 525 | 529 | 486 | 517 |
150 | 151 | 146 | 148 | 139 | 154 | 155 | 168 | 149 | 143 | 156 |
524 | 521 | 523 | 525 | 513 | 520 | 519 | 518 | 515 | 491 | 521 |
158 | 143 | 143 | 139 | 166 | 151 | 160 | 152 | 159 | 135 | 156 |
519 | 519 | 521 | 520 | 519 | 518 | 511 | 518 | 517 | 524 | 486 |
148 | 163 | 138 | 148 | 172 | 152 | 139 | 138 | 169 | 181 | 130 |
520 | 494 | 489 | 490 | 495 | 492 | 492 | 489 | 483 | 521 | 487 |
157 | 154 | 162 | 144 | 150 | 139 | 151 | 145 | 150 | 149 | 137 |
525 | 525 | 530 | 527 | 525 | 528 | 527 | 523 | 516 | 523 | 521 |
143 | 156 | 138 | 144 | 145 | 166 | 160 | 136 | 147 | 153 | 169 |
525 | 372 | 508 | 512 | 504 | 487 | 518 | 515 | 518 | 510 | 509 |
140 | 107 | 160 | 152 | 143 | 165 | 137 | 164 | 170 | 166 | 163 |
520 | 516 | 519 | 521 | 519 | 514 | 491 | 501 | 513 | 516 | 516 |
166 | 171 | 162 | 163 | 163 | 151 | 160 | 172 | 155 | 7 | 147 |
b.趋势比较
本发明选择斜率作为指标,并选取了合适的阈值,在大幅降低数据个数的同时,也保证了原有数据的变化趋势。表2为随机选取的10个轮胎,压缩前任意两个轮胎之间的弯曲距离,表3为压缩后的弯曲距离,可以看到,弯曲距离变化很小。图2和图3分别为压缩前后采样点趋势图。
表2压缩前动态弯曲距离
0 | 0.04806 | 0.078621 | 0.076654 | 0.050763 | 0.079083 | 0.08251 | 0.050888 | 0.077544 | 0.096605 |
0.04806 | 0 | 0.091549 | 0.090281 | 0.0778 | 0.088734 | 0.075019 | 0.06725 | 0.081791 | 0.085117 |
0.078621 | 0.091549 | 0 | 0.072104 | 0.089201 | 0.054579 | 0.054608 | 0.080595 | 0.055682 | 0.105247 |
0.076654 | 0.090281 | 0.072104 | 0 | 0.060511 | 0.057739 | 0.0532 | 0.073845 | 0.081348 | 0.134884 |
0.050763 | 0.0778 | 0.089201 | 0.060511 | 0 | 0.08356 | 0.072871 | 0.067606 | 0.095372 | 0.141965 |
0.079083 | 0.088734 | 0.054579 | 0.057739 | 0.08356 | 0 | 0.040236 | 0.08054 | 0.044813 | 0.108039 |
0.08251 | 0.075019 | 0.054608 | 0.0532 | 0.072871 | 0.040236 | 0 | 0.085784 | 0.043272 | 0.108695 |
0.050888 | 0.06725 | 0.080595 | 0.073845 | 0.067606 | 0.08054 | 0.085784 | 0 | 0.08718 | 0.096095 |
0.077544 | 0.081791 | 0.055682 | 0.081348 | 0.095372 | 0.044813 | 0.043272 | 0.08718 | 0 | 0.100932 |
0.096605 | 0.085117 | 0.105247 | 0.134884 | 0.141965 | 0.108039 | 0.108695 | 0.096095 | 0.100932 | 0 |
表3压缩后动态弯曲距离
c.在线识别
在线采集轮胎数据,开模和合模之间的数据为一个轮胎完整的采样数据。第i个待识别的轮胎与数据库中的第j个轮胎的弯曲距离为D(i,j)。D(i,j)越小,说明两个序列的弯曲程度越接近,由于数据库中的样本数据均为正常轮胎的采样数据,所有序列趋势几乎一致。计算若M超过给定的阈值,说明该轮胎采样数据与数据库中样本弯曲程度差异较大,即有可能在加工过程中温度变化与正常变化规律之间有较大波动,从而影响轮胎质量。根据数据库中序列之间的弯曲距离,通过定期训练,得到作为阈值参数ε2。若M>ε2,则***报警,提示此轮胎为异常轮胎,并记录可能为异常的轮胎的右轮胎编码,若M≤ε2,则为正常。图4给出了待检测的轮胎中异常轮胎的编号。图5给出了异常轮胎的左内温与正常轮胎左内温的趋势对照。
四.基于神经网络的判断
基于在线学习机的实时和在线学习能力,利用获得的历史轮胎压力和温度数据(正常样本和异常样本)对神经网络模型的参数进行训练,定期更新标准数据库。
将测量的单个轮胎每个采样点的左内温度、右内温度、左内压、右内压、左热板温度、右热板温度、左模套温度和右模套温度8个值作为一个样本的属性特征值,正常的轮胎输出为1,不合格的轮胎输出为0,得到相应的特征结果集合,然后将样本分为训练样本和测试样本;给定一个激活函数G(x)和隐层神经元个数,训练样本数据,判断实时轮胎采样数据是否存在异常。
(1)初始化阶段:给定一个初始训练集
首先通过以下初始化过程初始化学习算法:
①给输入权值wi和偏差bi赋值(对于加性隐层神经元),或者中心wi和宽度bi(相对于RBF隐层神经元)。
②计算初始隐层输出矩阵其中
③估计初始输出权值其中
(2)序列学习阶段:对于后续的输入(Xi,ti)。设k=0。
①计算隐层输出向量hk+1。
②用基于OLS算法的Givens QR分解计算最新的输出权值β(k)=R(k)-1p(k)。
③k=k+1,返回第二步。
算法的迭代主要为两个主要阶段:初始化阶段是用原始ELM方法来训练单隐层前向神经网络,且初始化阶段一旦完成,这些训练数据就被丢弃,降低了计算机存储空间。网络中数据初始化后,算法将逐一学习训练数据,并且一旦训练数据的学习过程完成,则删除该训练数据,从而可以相应的提高算法的学习速度。
五.在线检测***
利用JAVA将上述三种模型(统计量初判(3σ原则)、基于知识指导的二次判断、基于神经网络的判断)的处理方法封装成一个实时轮胎生产质量在线监测***。该***,包括①导入采样数据;②模型选择;③输入在线采样实时数据;④输出预测结果;⑤进行生产控制;⑥循环。
图6给出了在线轮胎质量检测***操作界面,利用菜单按钮式的操作进行生产线质量的实时监控,具有操作简单,功能丰富,容易上手的特点。
Claims (7)
1.一种轮胎产品质量在线检测与控制方法,其特征是,包括数据预处理、统计量初判、基于知识指导的二次判断和基于神经网络的判断,具体如下步骤:
(1)数据预处理:删除无用指标及缺失数据的整条记录;对于有周期性的指标,删除非完整周期的轮胎记录数据。
(2)统计量初判:利用均值方差方法中的3σ原则及极差判断轮胎实时数据中的异常数据。
(3)基于知识指导的二次判断:在统计量初判的基础上,根据时间序列基本的特点,通过分析隐藏在数据背后的特征,提取新的时间序列特征进行分析,进行二次检测;将采样数据与标准样本库的数据进行趋势比对,若趋势变化超过给定阈值,则判断该轮胎可能为异常轮胎。
(4)基于神经网络的判断:基于在线学习机的实时和在线学习能力,利用获得的历史轮胎压力和温度数据对神经网络模型的参数进行训练,定期更新标准数据库。
2.根据权利要求1所述的轮胎产品质量在线检测与控制方法,其特征是,所述步骤(1)中的无用指标是指除了左内温度、右内温度、左内压、右内压、左热板温度、右热板温度、左模套温度和右模套温度八个指标以外的其余指标。
3.根据权利要求1所述的轮胎产品质量在线检测与控制方法,其特征是,所述步骤(1)中缺失数据是指无轮胎编号对应的数据。
4.根据权利要求1所述的轮胎产品质量在线检测与控制方法,其特征是,所述步骤(2)的具体过程是:计算各指标的均值和方差,利用3σ原则,找出一列数据的均值μ和方差σ,则(μ-3σ,μ+3σ)之外的数据即为异常数据;同时计算每列数据的极差,训练每个指标的极差范围,对于数据超出指标范围的轮胎,提示轮胎存在异常。
5.根据权利要求1所述的轮胎产品质量在线检测与控制方法,其特征是,所述步骤(3)中的趋势比对是计算待检验轮胎与数据库中各个样本的动态时间弯曲距离,当动态时间弯曲距离超过给定阈值,那么该轮胎可能为异常轮胎,否则为正常轮胎。
6.根据权利要求1所述的轮胎产品质量在线检测与控制方法,其特征是,所述步骤(3)中两个时间序列分别用X和Y表示,长度分别为|X|和|Y|;归整路径形式为W=w1,w2,…,wk,其中wk的形式为(i,j);归整路径距离定义为D(|X|,|Y|),其中:
D(i,j)=Dist(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)]。
每个轮胎采样点个数为ni,i=1,…,n,T表示采样时间,R表示左内温,B存储右轮胎编号,K存放斜率,第i轮胎在j个采样点的斜率记为其中ri,j表示第i轮胎在j个采样点的左内温,ti,j表示第i轮胎在j个采样点的时间。
7.根据权利要求1所述的轮胎产品质量在线检测与控制方法,其特征是,所述步骤(4)的具体过程是:将测量的单个轮胎每个采样点的左内温度、右内温度、左内压、右内压、左热板温度、右热板温度、左模套温度和右模套温度8个值作为一个样本的属性特征值,正常的轮胎输出为1,不合格的轮胎输出为0,得到相应的特征结果集合,然后将样本分为训练样本和测试样本;给定一个激活函数G(x)和隐层神经元个数训练样本数据,判断实时轮胎采样数据是否存在异常;
首先对神经网络模型的参数进行初始化,选定的参数初始化训练集记为:
<mrow>
<msub>
<mi>N</mi>
<mn>0</mn>
</msub>
<mo>:</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msup>
<mi>R</mi>
<mi>n</mi>
</msup>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msup>
<mi>R</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>N</mi>
<mn>0</mn>
</msub>
<mo>&GreaterEqual;</mo>
<mover>
<mi>N</mi>
<mo>~</mo>
</mover>
<mo>}</mo>
<mo>,</mo>
</mrow>
其中N0表示参数初始化所需的样本个数,一般要求既初始化样本个数大于神经网络中隐层神经元个数,xi表示输入样本,ti表示期望输出,此处,1表示正常轮胎,0表示异常轮胎;Rn,Rm分别表示输入样本和期望输出样本维数;
初始隐层输出矩阵的行向量记为:
<mrow>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mover>
<mi>N</mi>
<mo>~</mo>
</mover>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mover>
<mi>N</mi>
<mo>~</mo>
</mover>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mn>0</mn>
</msub>
<mo>;</mo>
</mrow>
其中w,b分别表示神经网络中输入层与隐层的连接权值和隐层偏差,为神经网络中隐层神经元个数,N0表示神经网络参数初始化所需的样本个数。
初始输出权值为:
<mrow>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>H</mi>
<mn>0</mn>
<mi>T</mi>
</msubsup>
<msub>
<mi>H</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msubsup>
<mi>H</mi>
<mn>0</mn>
<mi>T</mi>
</msubsup>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>;</mo>
</mrow>
其中
隐层输出向量为:
<mrow>
<msub>
<mi>h</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mover>
<mi>N</mi>
<mo>~</mo>
</mover>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mover>
<mi>N</mi>
<mo>~</mo>
</mover>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>;</mo>
</mrow>
基于OLS算法的Givens QR分解:Λ1/2(N)H(N)=Q(N)R(N),其中Q(N)是一个各列正交的矩阵,R(N)是一个上三角矩阵,q(N)=[QT(N)Q(N)]-1/2QT(N)Λ1/2(N)Y(N),Ω(N)=[QT(N)Q(N)]1/2R(N),q(N)是一个向量,Ω(N)是一个上三角方阵;计算最新的输出权值为β(k)=R(k)-1p(k)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710817985.0A CN107562696B (zh) | 2017-09-12 | 2017-09-12 | 轮胎产品质量在线检测与控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710817985.0A CN107562696B (zh) | 2017-09-12 | 2017-09-12 | 轮胎产品质量在线检测与控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107562696A true CN107562696A (zh) | 2018-01-09 |
CN107562696B CN107562696B (zh) | 2020-06-05 |
Family
ID=60980599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710817985.0A Expired - Fee Related CN107562696B (zh) | 2017-09-12 | 2017-09-12 | 轮胎产品质量在线检测与控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107562696B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268901A (zh) * | 2018-01-25 | 2018-07-10 | 中国环境监测总站 | 一种基于动态时间弯曲距离发现环境监测异常数据的算法 |
CN108415393A (zh) * | 2018-04-19 | 2018-08-17 | 中江联合(北京)科技有限公司 | 一种砷化镓产品质量一致性控制方法及*** |
CN108536777A (zh) * | 2018-03-28 | 2018-09-14 | 联想(北京)有限公司 | 一种数据处理方法、服务器集群及数据处理装置 |
CN108921335A (zh) * | 2018-06-15 | 2018-11-30 | 山东大学 | 基于短期负荷预测的智能箱式变电站运行组合优化方法 |
CN110321366A (zh) * | 2019-06-27 | 2019-10-11 | 中国科学院自动化研究所 | 基于在线学习的统计量确定方法及*** |
CN111123837A (zh) * | 2019-12-31 | 2020-05-08 | 江苏南高智能装备创新中心有限公司 | 锻压机故障预测装置及其方法 |
CN111221810A (zh) * | 2020-01-13 | 2020-06-02 | 苏宁云计算有限公司 | 商品主数据异常识别方法、***、计算机设备和存储介质 |
CN112470446A (zh) * | 2018-05-31 | 2021-03-09 | 法国大陆汽车公司 | 用于重新配置机动车辆轮胎监测装置的方法 |
CN114877760A (zh) * | 2022-07-12 | 2022-08-09 | 东方空间技术(北京)有限公司 | 一种航天器的极性测试方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103302777A (zh) * | 2013-06-26 | 2013-09-18 | 广东工业大学 | 一种基于神经网络的轮胎硫化机能耗异常检测方法 |
CN103745279A (zh) * | 2014-01-24 | 2014-04-23 | 广东工业大学 | 一种能耗异常监测方法及装置 |
CN103886372A (zh) * | 2014-04-12 | 2014-06-25 | 青岛科技大学 | 基于小波神经网络的轮胎胎体温度软测量方法 |
CN105444856A (zh) * | 2015-11-12 | 2016-03-30 | 云南电网有限责任公司物流服务中心 | 一种基于神经网络的胎压动态称重装置 |
CN106228002A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 一种基于二次筛选的高效率异常时序数据提取方法 |
US20170231519A1 (en) * | 2014-08-19 | 2017-08-17 | The General Hospital Corporation | System and method for annotating and analyzing eeg waveforms |
-
2017
- 2017-09-12 CN CN201710817985.0A patent/CN107562696B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103302777A (zh) * | 2013-06-26 | 2013-09-18 | 广东工业大学 | 一种基于神经网络的轮胎硫化机能耗异常检测方法 |
CN103745279A (zh) * | 2014-01-24 | 2014-04-23 | 广东工业大学 | 一种能耗异常监测方法及装置 |
CN103886372A (zh) * | 2014-04-12 | 2014-06-25 | 青岛科技大学 | 基于小波神经网络的轮胎胎体温度软测量方法 |
US20170231519A1 (en) * | 2014-08-19 | 2017-08-17 | The General Hospital Corporation | System and method for annotating and analyzing eeg waveforms |
CN105444856A (zh) * | 2015-11-12 | 2016-03-30 | 云南电网有限责任公司物流服务中心 | 一种基于神经网络的胎压动态称重装置 |
CN106228002A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 一种基于二次筛选的高效率异常时序数据提取方法 |
Non-Patent Citations (1)
Title |
---|
杨静芳: "轮胎动态平衡在线检测试验机研制及其关键技术研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268901A (zh) * | 2018-01-25 | 2018-07-10 | 中国环境监测总站 | 一种基于动态时间弯曲距离发现环境监测异常数据的算法 |
CN108268901B (zh) * | 2018-01-25 | 2021-05-18 | 中国环境监测总站 | 一种基于动态时间弯曲距离发现环境监测异常数据的方法 |
CN108536777A (zh) * | 2018-03-28 | 2018-09-14 | 联想(北京)有限公司 | 一种数据处理方法、服务器集群及数据处理装置 |
CN108415393A (zh) * | 2018-04-19 | 2018-08-17 | 中江联合(北京)科技有限公司 | 一种砷化镓产品质量一致性控制方法及*** |
CN112470446A (zh) * | 2018-05-31 | 2021-03-09 | 法国大陆汽车公司 | 用于重新配置机动车辆轮胎监测装置的方法 |
CN108921335A (zh) * | 2018-06-15 | 2018-11-30 | 山东大学 | 基于短期负荷预测的智能箱式变电站运行组合优化方法 |
CN110321366B (zh) * | 2019-06-27 | 2021-06-25 | 中国科学院自动化研究所 | 基于在线学习的统计量确定方法及*** |
CN110321366A (zh) * | 2019-06-27 | 2019-10-11 | 中国科学院自动化研究所 | 基于在线学习的统计量确定方法及*** |
CN111123837A (zh) * | 2019-12-31 | 2020-05-08 | 江苏南高智能装备创新中心有限公司 | 锻压机故障预测装置及其方法 |
CN111221810A (zh) * | 2020-01-13 | 2020-06-02 | 苏宁云计算有限公司 | 商品主数据异常识别方法、***、计算机设备和存储介质 |
CN111221810B (zh) * | 2020-01-13 | 2023-01-06 | 苏宁云计算有限公司 | 商品主数据异常识别方法、***、计算机设备和存储介质 |
CN114877760A (zh) * | 2022-07-12 | 2022-08-09 | 东方空间技术(北京)有限公司 | 一种航天器的极性测试方法和*** |
CN114877760B (zh) * | 2022-07-12 | 2022-09-13 | 东方空间技术(北京)有限公司 | 一种航天器的极性测试方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN107562696B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562696A (zh) | 轮胎产品质量在线检测与控制方法 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
US20240184956A1 (en) | Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN106971240A (zh) | 一种变量选择与高斯过程回归的短期负荷预测方法 | |
CN112200433A (zh) | 一种发电厂热力性能分析与优化*** | |
CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及*** | |
CN108027594A (zh) | 用于检测配水***中的异常的方法 | |
AU2020103881A4 (en) | A Diagnosis Method of Train Body Assembly Deviation in the Manufacturing Process of High-Speed Train | |
CN107377634A (zh) | 一种热轧带钢出口凸度预报方法 | |
CN102049420B (zh) | 基于决策树的精轧温控过程关键特征变量提取方法 | |
CN106663086A (zh) | 用于核回归模型的集体的设备和方法 | |
CN112170501B (zh) | 一种轧辊磨损凸度和热凸度的预测方法 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN105975701A (zh) | 一种基于混合模糊模型的并行调度拆卸路径生成方法 | |
CN116362376A (zh) | 基于机器学习的综合能源站建设碳排放预测方法 | |
CN116796275A (zh) | 一种工业设备多模态时序异常检测方法 | |
CN113858566B (zh) | 一种基于机器学习的注塑机能耗预测方法及*** | |
CN112241832B (zh) | 一种产品质量分级评价标准设计方法及*** | |
CN110738403B (zh) | 一种数据处理方法、设备及计算机存储介质 | |
CN110175166A (zh) | 一种烟草卷包车间质量异常的确认方法 | |
CN116304849A (zh) | 一种基于局部切空间排列及门控循环网络的二维活塞泵故障诊断方法 | |
CN112628132B (zh) | 一种基于机器学习的水泵关键指标预测方法 | |
CN113780405A (zh) | 基于深度神经网络的空调机参数回归优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201029 Address after: No.3, Shangzhi Road, Shibei District, Qingdao, Shandong Province Patentee after: Qingdao whirlpool Intelligent Technology Co.,Ltd. Address before: 250353 Ji'nan University, Changqing, Shandong Road, No. 3501 Patentee before: Qilu University of Technology |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200605 |