CN113343361A - 车身尺寸智能监控方法、装置、设备及存储介质 - Google Patents
车身尺寸智能监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113343361A CN113343361A CN202110739132.6A CN202110739132A CN113343361A CN 113343361 A CN113343361 A CN 113343361A CN 202110739132 A CN202110739132 A CN 202110739132A CN 113343361 A CN113343361 A CN 113343361A
- Authority
- CN
- China
- Prior art keywords
- vehicle body
- monitoring
- data
- size
- quality
- 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 250
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 78
- 230000007547 defect Effects 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 54
- 230000002159 abnormal effect Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 19
- 238000000926 separation method Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000013075 data extraction Methods 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 5
- 230000008676 import Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 238000003466 welding Methods 0.000 abstract description 7
- 230000005856 abnormality Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种车身尺寸智能监控方法、装置、设备及存储介质,所述方法通过获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷,能够对车身的实时偏差数据进行在线评价,实现了对车身尺寸的高效监控,智能地识别车辆是否存在车身焊装过程的质量缺陷,能够在多种状态下进行车身尺寸监控预警,提高对车身尺寸的智能诊断监控效率,从而保证整车生产线的正常运行,降低了生产过程中的故障率。
Description
技术领域
本发明涉及车辆质量管理技术领域,尤其涉及一种车身尺寸智能监控方法、装置、设备及存储介质。
背景技术
车身尺寸监控管理是基于对车身关键监控点评价数据的变化,进一步分析车身质量的变化,并进行相应质量管理报警的机制;该机制可提前识别车身尺寸变化,提前对策或规避可能造成的质量缺陷。
目前在车身尺寸监控管理领域被普遍使用的方法是:方法一、通过对所有车身监控点设置尺寸监控上、下限,当监控点测量偏差超出监控上、下限后,对该监控点进行相应尺寸监控预警;方法二、通过对监控点数据趋势的判定和分析,识别、判断出均值偏移点、异常波动点、异常超差点,从而实现车身尺寸监控预警;但是以上方法仅能对特定的过程异常波动进行监控预警,难以提供异常的实际原因和异常排除方法等相关信息,即缺乏对过程异常的智能诊断监控能力。
发明内容
本发明的主要目的在于提供一种车身尺寸智能监控方法、装置、设备及存储介质,旨在解决现有技术中仅能对特定的过程异常波动进行监控预警,缺乏对过程异常的智能诊断监控能力的技术问题。
第一方面,本发明提供一种车身尺寸智能监控方法,所述车身尺寸智能监控方法包括以下步骤:
获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;
将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;
根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷。
可选地,所述获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据,包括:
通过监控窗口实时提取车身尺寸偏差在线测量数据库,获得车身实时测量数据;
从所述车身实时测量数据中提取待评价数据。
可选地,所述从所述车身实时测量数据中提取待评价数据,包括:
根据预设数据抽取条件从所述车身实时测量数据中提取对应的测量数据作为待评价数据。
可选地,所述将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果,包括:
将所述待评价数据运用异常模式数学仿真公式,随机生成模型的训练或测试样本数据集;
对所述训练或测试样本数据集进行小波变换分离,获得对应的趋势项数据集和波动项数据集;
对所述趋势项数据集进行归一化处理,将处理后的数据导入车身尺寸智能监控模型,获得车身监控质量结果。
可选地,所述对所述训练或测试样本数据集进行小波变换分离,获得对应的趋势项数据集和波动项数据集,包括:
根据预设小波基函数对所述训练或测试样本数据集进行小波变换分离,获得所述训练或测试样本数据集对应的趋势项数据集和波动项数据集。
可选地,所述对所述趋势项数据集进行归一化处理,将处理后的数据导入车身尺寸智能监控模型,获得车身监控质量结果,包括:
对所述趋势项数据集进行归一化处理,将所述趋势项数据集中的数据变换到[0,1];
根据预设参数搭建基于长短期记忆网络的车身尺寸智能监控模型;
将处理后的数据导入车身尺寸智能监控模型,获得各车身监控点的质量监控数据,根据所述质量监控数据生成车身监控质量结果。
可选地,所述根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷,包括:
在所述车身监控质量结果为各车身监控点均质量正常时,判定所述待检测车辆不存在质量缺陷;
在所述车身监控质量结果为存在车身监控点质量异常时,判定所述待检测车辆存在质量缺陷,记录异常数据并获取所述异常数据对应的修正策略。
第二方面,为实现上述目的,本发明还提出一种车身尺寸智能监控装置,所述车身尺寸智能监控装置包括:
获取模块,用于获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;
导入模块,用于将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;
判断模块,用于根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷。
第三方面,为实现上述目的,本发明还提出一种车身尺寸智能监控设备,所述车身尺寸智能监控设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车身尺寸智能监控程序,所述车身尺寸智能监控程序配置为实现如上文所述的车身尺寸智能监控方法的步骤。
第四方面,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有车身尺寸智能监控程序,所述车身尺寸智能监控程序被处理器执行时实现如上文所述的车身尺寸智能监控方法的步骤。
本发明提出的车身尺寸智能监控方法,通过获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷,能够对车身的实时偏差数据进行在线评价,实现了对车身尺寸的高效监控,智能地识别车辆是否存在车身焊装过程的质量缺陷,能够在多种状态下进行车身尺寸监控预警,提高对车身尺寸的智能诊断监控效率,从而保证整车生产线的正常运行,降低了生产过程中的故障率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明车身尺寸智能监控方法第一实施例的流程示意图;
图3为本发明车身尺寸智能监控方法第二实施例的流程示意图;
图4为本发明车身尺寸智能监控方法第三实施例的流程示意图;
图5为本发明车身尺寸智能监控方法第四实施例的流程示意图;
图6为本发明车身尺寸智能监控方法第五实施例的流程示意图;
图7为本发明车身尺寸智能监控方法第六实施例的流程示意图;
图8为本发明车身尺寸智能监控装置第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的解决方案主要是:通过获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷,能够对车身的实时偏差数据进行在线评价,实现了对车身尺寸的高效监控,智能地识别车辆是否存在车身焊装过程的质量缺陷,能够在多种状态下进行车身尺寸监控预警,提高对车身尺寸的智能诊断监控效率,从而保证整车生产线的正常运行,降低了生产过程中的故障率,解决了现有技术中仅能对特定的过程异常波动进行监控预警,缺乏对过程异常的智能诊断监控能力的技术问题。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示,该设备可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(Non-Volatile Memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对该设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及车身尺寸智能监控程序。
本发明设备通过处理器1001调用存储器1005中存储的车身尺寸智能监控程序,并执行以下操作:
获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;
将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;
根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷。
本发明设备通过处理器1001调用存储器1005中存储的车身尺寸智能监控程序,还执行以下操作:
通过监控窗口实时提取车身尺寸偏差在线测量数据库,获得车身实时测量数据;
从所述车身实时测量数据中提取待评价数据。
本发明设备通过处理器1001调用存储器1005中存储的车身尺寸智能监控程序,还执行以下操作:
根据预设数据抽取条件从所述车身实时测量数据中提取对应的测量数据作为待评价数据。
本发明设备通过处理器1001调用存储器1005中存储的车身尺寸智能监控程序,还执行以下操作:
将所述待评价数据运用异常模式数学仿真公式,随机生成模型的训练或测试样本数据集;
对所述训练或测试样本数据集进行小波变换分离,获得对应的趋势项数据集和波动项数据集;
对所述趋势项数据集进行归一化处理,将处理后的数据导入车身尺寸智能监控模型,获得车身监控质量结果。
本发明设备通过处理器1001调用存储器1005中存储的车身尺寸智能监控程序,还执行以下操作:
根据预设小波基函数对所述训练或测试样本数据集进行小波变换分离,获得所述训练或测试样本数据集对应的趋势项数据集和波动项数据集。
本发明设备通过处理器1001调用存储器1005中存储的车身尺寸智能监控程序,还执行以下操作:
对所述趋势项数据集进行归一化处理,将所述趋势项数据集中的数据变换到[0,1];
根据预设参数搭建基于长短期记忆网络的车身尺寸智能监控模型;
将处理后的数据导入车身尺寸智能监控模型,获得各车身监控点的质量监控数据,根据所述质量监控数据生成车身监控质量结果。
本发明设备通过处理器1001调用存储器1005中存储的车身尺寸智能监控程序,还执行以下操作:
在所述车身监控质量结果为各车身监控点均质量正常时,判定所述待检测车辆不存在质量缺陷;
在所述车身监控质量结果为存在车身监控点质量异常时,判定所述待检测车辆存在质量缺陷,记录异常数据并获取所述异常数据对应的修正策略。
本实施例通过上述方案,通过获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷,能够对车身的实时偏差数据进行在线评价,实现了对车身尺寸的高效监控,智能地识别车辆是否存在车身焊装过程的质量缺陷,能够在多种状态下进行车身尺寸监控预警,提高对车身尺寸的智能诊断监控效率,从而保证整车生产线的正常运行,降低了生产过程中的故障率。
基于上述硬件结构,提出本发明车身尺寸智能监控方法实施例。
参照图2,图2为本发明车身尺寸智能监控方法第一实施例的流程示意图。
在第一实施例中,所述车身尺寸智能监控方法包括以下步骤:
步骤S10、获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据。
需要说明的是,可以通过测量工具或测量装置对车身尺寸进行测量,也可以直接调用其他设备采集的车身数据,获得当前待检测车辆的车身实时数据,所述待评价数据为后续进行车辆车身质量评定的数据,所述待评价数据可以从所述车身实时测量数据中通过预先设置的筛选条件筛选出来。
步骤S20、将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果。
可以理解的是,所述车身尺寸智能监控模型为预先设置的车身尺寸监控模型,通过将待评价数据导入车身尺寸智能监控模型中,可以进行相应的质量分析与评价。
步骤S30、根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷。
应当理解的是,根据所述车身监控质量结果可以确定车身尺寸数据是否正常,进而可以判断所述待检测车辆是否存在质量缺陷。
本实施例通过上述方案,通过获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷,能够对车身的实时偏差数据进行在线评价,实现了对车身尺寸的高效监控,智能地识别车辆是否存在车身焊装过程的质量缺陷,能够在多种状态下进行车身尺寸监控预警,提高对车身尺寸的智能诊断监控效率,从而保证整车生产线的正常运行,降低了生产过程中的故障率。
进一步地,图3为本发明车身尺寸智能监控方法第二实施例的流程示意图,如图3所示,基于第一实施例提出本发明车身尺寸智能监控方法第二实施例,在本实施例中,所述步骤S10具体包括以下步骤:
步骤S11、通过监控窗口实时提取车身尺寸偏差在线测量数据库,获得车身实时测量数据。
需要说明的是,通过监控窗口可以实时提取白车身尺寸偏差在线测量数据库中的数据,所述车身尺寸偏差在线测量数据库一般是各主机厂预先设置的用于存储实时的车身尺寸偏差数据的数据库,该数据库实时更新,通过监控窗口可以提取数据库中的车身实时测量数据。
步骤S12、从所述车身实时测量数据中提取待评价数据。
可以理解的是,监控窗口截取的不同的车身监控测量点测量数据量为N份,N的值可以根据实际需要确定,本实施例对此不加以限制,所述待评价数据可以从所述车身实时测量数据中通过预先设置的筛选条件筛选出来。
进一步的,所述步骤S12包括以下步骤:
根据预设数据抽取条件从所述车身实时测量数据中提取对应的测量数据作为待评价数据。
应当理解的是,所述预设数据抽取条件为预先设置的评价数据抽取条件,可以是设置为将干扰数据进行过滤,还可以是设置为将离散数据进行过滤,保留有效的可以用于后续车身尺寸智能监控模型进行分析和评价的待评价数据。
本实施例通过上述方案,通过监控窗口实时提取车身尺寸偏差在线测量数据库,获得车身实时测量数据;从所述车身实时测量数据中提取待评价数据,保证了测量数据的实时性和有效性,进一步提高了车身尺寸智能监控的速度和效率。
进一步地,图4为本发明车身尺寸智能监控方法第三实施例的流程示意图,如图4所示,基于第一实施例提出本发明车身尺寸智能监控方法第三实施例,在本实施例中,所述步骤S20具体包括以下步骤:
步骤S21、将所述待评价数据运用异常模式数学仿真公式,随机生成模型的训练或测试样本数据集。
需要说明的是,运用异常模式数学仿真公式可以将所述待评价数据随机生成模型的训练样本数据集或测试样本数据集。
在具体实现中,异常模式数学仿真公式见下表:
需要说明的是,运用Numpy(Numerical Python是Python语言的一个扩展程序库)中random随机模块基于上述六种模式仿真公式分别随机生成100000组,每组含N个数据点的特征值数据集X1(正常模式)、X2(趋势向上异常模式)、X3(趋势向下异常模式)、X4(向上阶跃异常模式)、X5(向下阶跃异常模式)、X6(周期异常模式);同时运用one-hot编码生成特征值数据集对应的目标值数据集Y1(正常模式)、Y2(趋势向上异常模式)、Y3(趋势向下异常模式)、Y4(向上阶跃异常模式)、Y5(向下阶跃异常模式)、Y6(周期异常模式)。
具体地,分别独立随机抽取特征值数据集(X1、X2、X3、X4、X5、X6)以及对应目标数据集(Y1、Y2、Y3、Y4、Y5、Y6)中80%的数据作为训练数据集(X1train、X2train、X3train、X4train、X5train、X6train通过numpy.concatenate()函数合并为(None,N)维数据集Xtrain)和(Y1train、Y2train、Y3train、Y4train、Y5train、Y6train通过numpy.concatenate()函数合并为(None,)维数据集Ytrain),剩下20%的数据作为测试数据集(X1test、X2test、X3test、X4test、X5test、X6test通过numpy.concatenate()函数合并为(None,N)维数据集Xtest)和(Y1test、Y2test、Y3test、Y4test、Y5test、Y6test通过numpy.concatenate()函数合并为(None,)维数据集Ytest)。
步骤S22、对所述训练或测试样本数据集进行小波变换分离,获得对应的趋势项数据集和波动项数据集。
可以理解的是,运用小波变换分离能够将所述训练或测试样本数据集分离为对应的趋势项数据集和波动项数据集,所述趋势项数据集中的趋势项反映的是***误差,所述波动项数据集中的波动项反映的是随机误差。
步骤S23、对所述趋势项数据集进行归一化处理,将处理后的数据导入车身尺寸智能监控模型,获得车身监控质量结果。
应当理解的是,对所述趋势项数据集进行统一的归一化预处理后,能够方便数据的运算和归纳,将处理后的数据导入车身尺寸智能监控模型,获得对应的车身监控质量结果。
本实施例通过上述方案,通过将所述待评价数据运用异常模式数学仿真公式,随机生成模型的训练或测试样本数据集;对所述训练或测试样本数据集进行小波变换分离,获得对应的趋势项数据集和波动项数据集;对所述趋势项数据集进行归一化处理,将处理后的数据导入车身尺寸智能监控模型,获得车身监控质量结果,能够提高车身尺寸测量数据的准确性和有效性,对车身的实时偏差数据进行在线测量,实现了对车身尺寸的高效监控。
进一步地,图5为本发明车身尺寸智能监控方法第四实施例的流程示意图,如图5所示,基于第三实施例提出本发明车身尺寸智能监控方法第四实施例,在本实施例中,所述步骤S22具体包括以下步骤:
步骤S221、根据预设小波基函数对所述训练或测试样本数据集进行小波变换分离,获得所述训练或测试样本数据集对应的趋势项数据集和波动项数据集。
需要说明的是,所述预设小波基函数为预先设置的小波变换分离函数,运用小波变换分离出Xtrain与Xtest数据集对应的趋势项Xa train和Xa test,波动项Xd train和Xd test,通过小波变换选取的小波基函数为db4,波动项反映的是随机误差,趋势项反映***误差;车身日常监控主要对***误差进行识别,因此趋势项Xa train和Xa test作为后续模型训练\测试样本数据集。
本实施例通过上述方案,通过根据预设小波基函数对所述训练或测试样本数据集进行小波变换分离,获得所述训练或测试样本数据集对应的趋势项数据集和波动项数据集,能够进一步提高测量数据的实时性和有效性,提升了车身尺寸智能监控的速度和效率。
进一步地,图6为本发明车身尺寸智能监控方法第五实施例的流程示意图,如图6所示,基于第三实施例提出本发明车身尺寸智能监控方法第五实施例,在本实施例中,所述步骤S23具体包括以下步骤:
步骤S231、对所述趋势项数据集进行归一化处理,将所述趋势项数据集中的数据变换到[0,1]。
需要说明的是,对所述趋势项数据集Xa train和Xa test数据集统一进行归一化预处理,将数据变换到[0,1]。
步骤S232、根据预设参数搭建基于长短期记忆网络的车身尺寸智能监控模型。
可以理解的是,所述预设参数为预先设置的神经网络参数,通过预设参数可以搭建基于长短期记忆网络的车身尺寸智能监控模型。
在具体实现中,可以设置参数,搭建基于LSTM的车身尺寸智能监控模型,将归一化预处理的数据用该模型进行训练与测试,在训练过程中可以不断调整优化超参数;可以运用LSTM网络进行开发,LSTM的层数以及每层的神经元数量本发明不做唯一性限定,但最后的“Dense”输出层为6,激活函数为“softmax”,具体:model.add(Dense(6,activation=’softmax’))。
具体地,模型编译学习的优化器选用’adam’;目标损失函数选用’categorical_crossentropy’即交叉熵损失函数;评价函数使用['accuracy']函数,model.compile(optimizer=’adam’,loss='categorical_crossentropy',metrics=['acc']),其中的超参数设置本发明不做唯一性限定。
步骤S233、将处理后的数据导入车身尺寸智能监控模型,获得各车身监控点的质量监控数据,根据所述质量监控数据生成车身监控质量结果。
应当理解的是,将处理后的数据导入车身尺寸智能监控模型,能够获得不同车身监控点的质量监控数据,根据所述质量监控数据能够生成车身监控质量结果。
本实施例通过上述方案,通过对所述趋势项数据集进行归一化处理,将所述趋势项数据集中的数据变换到[0,1];根据预设参数搭建基于长短期记忆网络的车身尺寸智能监控模型;将处理后的数据导入车身尺寸智能监控模型,获得各车身监控点的质量监控数据,根据所述质量监控数据生成车身监控质量结果;能够基于神经网络智能地识别车辆是否存在车身焊装过程的质量缺陷,实现在多种状态下进行车身尺寸监控预警。
进一步地,图7为本发明车身尺寸智能监控方法第六实施例的流程示意图,如图7所示,基于第一实施例提出本发明车身尺寸智能监控方法第六实施例,在本实施例中,所述步骤S30具体包括以下步骤:
步骤S31、在所述车身监控质量结果为各车身监控点均质量正常时,判定所述待检测车辆不存在质量缺陷。
需要说明的是,在所述车身监控质量结果为各车身监控点均质量正常时,即可判定所述待检测车辆的车身尺寸数据正常,不存在质量缺陷。
在具体实现中,若所述车身监控质量结果为各车身监控点均质量正常,则可以移动监控窗口,同时设定步长为1(即:读入一个新的数据,同时舍弃掉最早的旧数据,使数据量保持在N辆份),重新获取车身在线实时测量数据。
步骤S32、在所述车身监控质量结果为存在车身监控点质量异常时,判定所述待检测车辆存在质量缺陷,记录异常数据并获取所述异常数据对应的修正策略。
可以理解的是,在所述车身监控质量结果为存在车身监控点质量异常时,能够判定所述待检测车辆存在质量缺陷,此时可以进行相关的研判,从而确定修正策略。
在具体实现中,在车身监控质量结果判定异常时,可以确定修正策略,从修正策略中获得对应的修正数据,并且可以将修正数据作为车身尺寸智能监控模型的训练\测试样本数据,用于持续优化完善模型。
本实施例通过上述方案,通过在所述车身监控质量结果为各车身监控点均质量正常时,判定所述待检测车辆不存在质量缺陷;在所述车身监控质量结果为存在车身监控点质量异常时,判定所述待检测车辆存在质量缺陷,记录异常数据并获取所述异常数据对应的修正策略;能够提高对车身尺寸的智能诊断监控效率,从而保证整车生产线的正常运行。
相应地,本发明进一步提供一种车身尺寸智能监控装置。
参照图8,图8为本发明车身尺寸智能监控装置第一实施例的功能模块图。
本发明车身尺寸智能监控装置第一实施例中,该车身尺寸智能监控装置包括:
获取模块10,用于获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据。
导入模块20,用于将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果。
判断模块30,用于根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷。
所述获取模块10,还用于通过监控窗口实时提取车身尺寸偏差在线测量数据库,获得车身实时测量数据;从所述车身实时测量数据中提取待评价数据。
所述获取模块10,还用于根据预设数据抽取条件从所述车身实时测量数据中提取对应的测量数据作为待评价数据。
所述导入模块20,还用于将所述待评价数据运用异常模式数学仿真公式,随机生成模型的训练或测试样本数据集;对所述训练或测试样本数据集进行小波变换分离,获得对应的趋势项数据集和波动项数据集;对所述趋势项数据集进行归一化处理,将处理后的数据导入车身尺寸智能监控模型,获得车身监控质量结果。
所述导入模块20,还用于根据预设小波基函数对所述训练或测试样本数据集进行小波变换分离,获得所述训练或测试样本数据集对应的趋势项数据集和波动项数据集。
所述导入模块20,还用于对所述趋势项数据集进行归一化处理,将所述趋势项数据集中的数据变换到[0,1];根据预设参数搭建基于长短期记忆网络的车身尺寸智能监控模型;将处理后的数据导入车身尺寸智能监控模型,获得各车身监控点的质量监控数据,根据所述质量监控数据生成车身监控质量结果。
所述判断模块30,还用于在所述车身监控质量结果为各车身监控点均质量正常时,判定所述待检测车辆不存在质量缺陷;在所述车身监控质量结果为存在车身监控点质量异常时,判定所述待检测车辆存在质量缺陷,记录异常数据并获取所述异常数据对应的修正策略。
其中,车身尺寸智能监控装置的各个功能模块实现的步骤可参照本发明车身尺寸智能监控方法的各个实施例,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有车身尺寸智能监控程序,所述车身尺寸智能监控程序被处理器执行时实现如下操作:
获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;
将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;
根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷。
进一步地,所述车身尺寸智能监控程序被处理器执行时还实现如下操作:
通过监控窗口实时提取车身尺寸偏差在线测量数据库,获得车身实时测量数据;
从所述车身实时测量数据中提取待评价数据。
进一步地,所述车身尺寸智能监控程序被处理器执行时还实现如下操作:
根据预设数据抽取条件从所述车身实时测量数据中提取对应的测量数据作为待评价数据。
进一步地,所述车身尺寸智能监控程序被处理器执行时还实现如下操作:
将所述待评价数据运用异常模式数学仿真公式,随机生成模型的训练或测试样本数据集;
对所述训练或测试样本数据集进行小波变换分离,获得对应的趋势项数据集和波动项数据集;
对所述趋势项数据集进行归一化处理,将处理后的数据导入车身尺寸智能监控模型,获得车身监控质量结果。
进一步地,所述车身尺寸智能监控程序被处理器执行时还实现如下操作:
根据预设小波基函数对所述训练或测试样本数据集进行小波变换分离,获得所述训练或测试样本数据集对应的趋势项数据集和波动项数据集。
进一步地,所述车身尺寸智能监控程序被处理器执行时还实现如下操作:
对所述趋势项数据集进行归一化处理,将所述趋势项数据集中的数据变换到[0,1];
根据预设参数搭建基于长短期记忆网络的车身尺寸智能监控模型;
将处理后的数据导入车身尺寸智能监控模型,获得各车身监控点的质量监控数据,根据所述质量监控数据生成车身监控质量结果。
进一步地,所述车身尺寸智能监控程序被处理器执行时还实现如下操作:
在所述车身监控质量结果为各车身监控点均质量正常时,判定所述待检测车辆不存在质量缺陷;
在所述车身监控质量结果为存在车身监控点质量异常时,判定所述待检测车辆存在质量缺陷,记录异常数据并获取所述异常数据对应的修正策略。
本实施例通过上述方案,通过获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷,能够对车身的实时偏差数据进行在线评价,实现了对车身尺寸的高效监控,智能地识别车辆是否存在车身焊装过程的质量缺陷,能够在多种状态下进行车身尺寸监控预警,提高对车身尺寸的智能诊断监控效率,从而保证整车生产线的正常运行,降低了生产过程中的故障率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车身尺寸智能监控方法,其特征在于,所述车身尺寸智能监控方法,包括:
获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;
将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;
根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷。
2.如权利要求1所述的车身尺寸智能监控方法,其特征在于,所述获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据,包括:
通过监控窗口实时提取车身尺寸偏差在线测量数据库,获得车身实时测量数据;
从所述车身实时测量数据中提取待评价数据。
3.如权利要求2所述的车身尺寸智能监控方法,其特征在于,所述从所述车身实时测量数据中提取待评价数据,包括:
根据预设数据抽取条件从所述车身实时测量数据中提取对应的测量数据作为待评价数据。
4.如权利要求1所述的车身尺寸智能监控方法,其特征在于,所述将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果,包括:
将所述待评价数据运用异常模式数学仿真公式,随机生成模型的训练或测试样本数据集;
对所述训练或测试样本数据集进行小波变换分离,获得对应的趋势项数据集和波动项数据集;
对所述趋势项数据集进行归一化处理,将处理后的数据导入车身尺寸智能监控模型,获得车身监控质量结果。
5.如权利要求4所述的车身尺寸智能监控方法,其特征在于,所述对所述训练或测试样本数据集进行小波变换分离,获得对应的趋势项数据集和波动项数据集,包括:
根据预设小波基函数对所述训练或测试样本数据集进行小波变换分离,获得所述训练或测试样本数据集对应的趋势项数据集和波动项数据集。
6.如权利要求4所述的车身尺寸智能监控方法,其特征在于,所述对所述趋势项数据集进行归一化处理,将处理后的数据导入车身尺寸智能监控模型,获得车身监控质量结果,包括:
对所述趋势项数据集进行归一化处理,将所述趋势项数据集中的数据变换到[0,1];
根据预设参数搭建基于长短期记忆网络的车身尺寸智能监控模型;
将处理后的数据导入车身尺寸智能监控模型,获得各车身监控点的质量监控数据,根据所述质量监控数据生成车身监控质量结果。
7.如权利要求1-6中任一项所述的车身尺寸智能监控方法,其特征在于,所述根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷,包括:
在所述车身监控质量结果为各车身监控点均质量正常时,判定所述待检测车辆不存在质量缺陷;
在所述车身监控质量结果为存在车身监控点质量异常时,判定所述待检测车辆存在质量缺陷,记录异常数据并获取所述异常数据对应的修正策略。
8.一种车身尺寸智能监控装置,其特征在于,所述车身尺寸智能监控装置包括:
获取模块,用于获取待检测车辆的车身实时测量数据,从所述车身实时测量数据中获得待评价数据;
导入模块,用于将所述待评价数据导入车身尺寸智能监控模型,获得车身监控质量结果;
判断模块,用于根据所述车身监控质量结果判断所述待检测车辆是否存在质量缺陷。
9.一种车身尺寸智能监控设备,其特征在于,所述车身尺寸智能监控设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车身尺寸智能监控程序,所述车身尺寸智能监控程序配置为实现如权利要求1至7中任一项所述的车身尺寸智能监控方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有车身尺寸智能监控程序,所述车身尺寸智能监控程序被处理器执行时实现如权利要求1至7中任一项所述的车身尺寸智能监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110739132.6A CN113343361A (zh) | 2021-06-30 | 2021-06-30 | 车身尺寸智能监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110739132.6A CN113343361A (zh) | 2021-06-30 | 2021-06-30 | 车身尺寸智能监控方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113343361A true CN113343361A (zh) | 2021-09-03 |
Family
ID=77481833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110739132.6A Pending CN113343361A (zh) | 2021-06-30 | 2021-06-30 | 车身尺寸智能监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343361A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331216A (zh) * | 2022-01-21 | 2022-04-12 | 杭州贝嘟科技有限公司 | 服装尺寸评估方法、电子装置和存储介质 |
CN114863083A (zh) * | 2022-04-06 | 2022-08-05 | 包头钢铁(集团)有限责任公司 | 一种车辆定位与尺寸测量的方法与*** |
CN115639217A (zh) * | 2022-10-20 | 2023-01-24 | 浙江中泽精密科技有限公司 | 一种新能源动力电池盖板片的工控全检方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1297146A (zh) * | 2000-12-28 | 2001-05-30 | 上海交通大学 | 车身制造尺寸质量评价的数据处理方法 |
CN101246369A (zh) * | 2008-03-18 | 2008-08-20 | 东华大学 | 一种汽车零部件尺寸质量控制***和方法 |
-
2021
- 2021-06-30 CN CN202110739132.6A patent/CN113343361A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1297146A (zh) * | 2000-12-28 | 2001-05-30 | 上海交通大学 | 车身制造尺寸质量评价的数据处理方法 |
CN101246369A (zh) * | 2008-03-18 | 2008-08-20 | 东华大学 | 一种汽车零部件尺寸质量控制***和方法 |
Non-Patent Citations (1)
Title |
---|
屈原: "基于 LSTM 的白车身在线检测数据装配偏差模式识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331216A (zh) * | 2022-01-21 | 2022-04-12 | 杭州贝嘟科技有限公司 | 服装尺寸评估方法、电子装置和存储介质 |
CN114331216B (zh) * | 2022-01-21 | 2022-06-17 | 杭州贝嘟科技有限公司 | 服装尺寸评估方法、电子装置和存储介质 |
CN114863083A (zh) * | 2022-04-06 | 2022-08-05 | 包头钢铁(集团)有限责任公司 | 一种车辆定位与尺寸测量的方法与*** |
CN115639217A (zh) * | 2022-10-20 | 2023-01-24 | 浙江中泽精密科技有限公司 | 一种新能源动力电池盖板片的工控全检方法及*** |
CN115639217B (zh) * | 2022-10-20 | 2023-05-16 | 浙江中泽精密科技有限公司 | 一种新能源动力电池盖板片的工控全检方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343361A (zh) | 车身尺寸智能监控方法、装置、设备及存储介质 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及*** | |
Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
CN108053110B (zh) | 一种基于pmu数据的变压器状态在线诊断方法 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN112288021A (zh) | 一种医疗废水监测数据质控方法、装置及*** | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
CN114185760A (zh) | ***风险评估方法及装置、充电设备运维检测方法 | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN112213687B (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及*** | |
CN115184193B (zh) | 线缆的自动化测试方法、装置、设备及存储介质 | |
DE102019114378A1 (de) | Verfahren und system zur vorhersage des systemstatus | |
CN116597939A (zh) | 基于大数据的药品质量控制管理分析***及方法 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
DE112019007899T5 (de) | System und Methode für die Vorhersage von Gerätefehler mittels akustischer Signale im Ultraschallfrequenzband | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
CN117094599A (zh) | 基于机器学习的生产质量管理方法、装置和计算机设备 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 | |
CN116108376A (zh) | 一种反窃电的监测***、方法、电子设备及介质 | |
CN114139932A (zh) | 一种基于计量经济学联动分析理论的负荷特性指标关联性分析方法 | |
Feng et al. | A time-series driven mechanical system state description method and its application in condition monitoring | |
CN117076454B (zh) | 一种工程质量验收表单数据结构化存储方法及*** | |
Agarwal et al. | Assessing observability using supervised autoencoders with application to tennessee eastman process |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |
|
RJ01 | Rejection of invention patent application after publication |