極限學習機在車身前縱梁裝配中誤差預(yù)測應(yīng)用

張鑫 王立影 陳樟

摘 要：在智能制造推動下，制造業(yè)對大數(shù)據(jù)的收集與特征分析愈加重視，數(shù)據(jù)分析技術(shù)更是大數(shù)據(jù)應(yīng)用的關(guān)鍵技術(shù)，總結(jié)現(xiàn)有基于數(shù)據(jù)驅(qū)動的裝配偏差控制方法，提出基于極限學習機建模的車身裝配偏差預(yù)測控制方法，通過對檢測數(shù)據(jù)的擬合建模，實現(xiàn)車身產(chǎn)品裝配質(zhì)量預(yù)測，并應(yīng)用于制造生產(chǎn)線指導(dǎo)。文章應(yīng)用極限學習機（Extreme Learning Machine，ELM）基于采集的車身前縱梁制造裝配數(shù)據(jù)預(yù)測裝配過程中的關(guān)鍵特征質(zhì)量誤差狀態(tài)，從結(jié)果分析角度說明ELM準確預(yù)測誤差狀態(tài)。

關(guān)鍵詞：極限學習機;數(shù)據(jù)處理;回歸擬合;質(zhì)量預(yù)測

中圖分類號：U462 ?文獻標識碼：A ?文章編號：1671-7988（2020）20-161-04

Abstract： In intelligent manufacturing， manufacturing characteristics of big data collection and analysis of more and more attention， the data analysis technology is the key technology of big data applications， summarizes the existing problem of assembling deviation control method based on data driven， modeling was proposed based on extreme learning machine body assembling deviation predictive control method， through the fitting modeling of test data， the assembly quality prediction of body products can be realized， and applied to the manufacturing line. This paper applied Extreme Learning Machine （ELM） to predict the mass error state in the assembly process based on the collected manufacturing assembly data， and illustrate the accurate prediction error state of ELM from the perspective of result analysis.

Keywords： ELM; Data processing; Regression fitting; Quality prediction

CLC NO.： U462 ?Document Code： A ?Article ID： 1671-7988（2020）20-161-04

前言

汽車制造業(yè)海量的數(shù)據(jù)源為大數(shù)據(jù)挖掘分析提供了良好的應(yīng)用基礎(chǔ)，基于“數(shù)據(jù)驅(qū)動質(zhì)量”（Data-driven）的思想，車身制造過程中偏差源的及時發(fā)現(xiàn)、故障預(yù)警和快速診斷是汽車質(zhì)量控制中的關(guān)鍵環(huán)節(jié)，開展汽車制造過程中多源數(shù)據(jù)融合與質(zhì)量診斷預(yù)測控制成為智能制造下研究的熱點。

傳統(tǒng)的過程數(shù)據(jù)分析基于統(tǒng)計分析方法，以抽樣技術(shù)為基礎(chǔ)，利用樣本數(shù)據(jù)提取數(shù)據(jù)特征值對質(zhì)量問題進行監(jiān)控、統(tǒng)計推斷和預(yù)測，針對大數(shù)據(jù)的狀態(tài)并不能獲取高價值數(shù)據(jù)分析結(jié)果。在智能制造的大數(shù)據(jù)時代，基于統(tǒng)計技術(shù)的質(zhì)量診斷方法應(yīng)該向基于人工智能的質(zhì)量診斷方法轉(zhuǎn)化，將人工智能方法有效引入到面向大數(shù)據(jù)的質(zhì)量智能預(yù)測方法中。周強在薄壁件多工位裝配偏差控制方法上提出裝配過程的偏差傳遞狀態(tài)空間模型，利用卡爾曼濾波實現(xiàn)對裝配誤差進行最優(yōu)估計[1]。張智勇提出改進的卡爾曼濾波短時客流預(yù)測模型對軌道交通站臺短時客流特性進行預(yù)測分析[2]。劉銀華提出基于潛結(jié)構(gòu)建模的車身多工位裝配偏差預(yù)測控制方法，對多元檢測數(shù)據(jù)主向量的提取與偏最小二乘回歸模型的構(gòu)建，實現(xiàn)車身產(chǎn)品檢測條件下裝配質(zhì)量預(yù)測與控制[3]。劉玉敏提出了大數(shù)據(jù)時代工業(yè)數(shù)據(jù)特征及質(zhì)量診斷方法：人工神經(jīng)網(wǎng)絡(luò)和支持向量機[4]。章毅等介紹了大數(shù)據(jù)的關(guān)鍵技術(shù)，并基于神經(jīng)網(wǎng)絡(luò)方法提出了針對大數(shù)據(jù)分析預(yù)測問題的神經(jīng)網(wǎng)絡(luò)方法[5]。KYUCCHUL SONG等運用統(tǒng)計學習理論對預(yù)測模型的性能評估和不確定性進行量化研究[6]。

本文分析了制造質(zhì)量的數(shù)據(jù)特性，應(yīng)用極限學習機基于采集的制造裝配尺寸數(shù)據(jù)進行裝配特征分析，用海量數(shù)據(jù)分析獲取高價值特征值來預(yù)測裝配過程中的產(chǎn)品質(zhì)量誤差狀態(tài)，并以縱梁零件為例，從結(jié)果分析角度說明ELM預(yù)測誤差狀態(tài)的準確性，為汽車制造質(zhì)量分析控制提供指導(dǎo)。

1 汽車制造質(zhì)量數(shù)據(jù)流特征分析

車身由300-500個結(jié)構(gòu)復(fù)雜的薄板件經(jīng)過焊接、鉚接、粘接等方法聯(lián)接而成，完整的車身結(jié)構(gòu)包含裝夾定位點個數(shù)約為1500-2500個，焊點個數(shù)約為4000-5000個。眾多零件經(jīng)由多層級、多工位大批量聯(lián)接而成，且制造過程工序繁多、工藝復(fù)雜、生產(chǎn)節(jié)奏快，容易造成各種制造質(zhì)量偏差[7]。

1.1 海量性

車身裝配自動化節(jié)奏快、多層級、多工位導(dǎo)致數(shù)據(jù)總量巨大，且數(shù)據(jù)包含多種噪聲因素的影響，異常數(shù)據(jù)較多。在車身裝配的眾多工位下，制造車間收集到的數(shù)據(jù)包含重要測點偏差值、尺寸的間隙面差測量值、照片等等不同格式形態(tài)結(jié)構(gòu)，車身設(shè)置評估裝配質(zhì)量的測點數(shù)據(jù)來源廣泛且數(shù)據(jù)量巨大，噪聲因素影響下獲得的制造異常數(shù)據(jù)多，提取價值高的質(zhì)量分析數(shù)據(jù)相對較少，造成數(shù)據(jù)分析困難[3]。

1.2 周期性

制造質(zhì)量預(yù)測是基于獲得的實際制造數(shù)據(jù)，通過構(gòu)造模型和提出算法來預(yù)測未來某段時間內(nèi)的制造質(zhì)量狀況，由于汽車制造裝配過程中總成件和分總成件批量制造的周期性，車間制造質(zhì)量數(shù)據(jù)呈現(xiàn)非線性周期特征變化。

1.3 隨機性

車身制造過程中受人、機、料、法、環(huán)、測等諸多因素的影響，同時受到車身制造工藝多層級、多工位裝配的影響，車身質(zhì)量的影響因素來源廣泛并且相互關(guān)聯(lián)，模態(tài)繁雜。影響因素中的偶然因素和異常因素是造成車身制造質(zhì)量誤差不可忽視的因素。

2 極限學習機預(yù)測模型

2.1 基于ELM的裝配質(zhì)量數(shù)據(jù)預(yù)測模型

應(yīng)用極限學習機（Extreme Learning Machine，ELM）模型是針對前饋神經(jīng)網(wǎng)絡(luò)的新算法，由輸入層、隱含層和輸出層組成典型的單隱含層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[8]。如圖1所示，該結(jié)構(gòu)中輸入層有n個神經(jīng)元，即有n個輸入變量;隱含層有l(wèi)個神經(jīng)元;輸出層有m個神經(jīng)元，對應(yīng)m個輸出變量。

3 極限學習機在車身前縱梁裝配過程中誤差狀態(tài)預(yù)測應(yīng)用

3.1 案例描述

依據(jù)某車型前縱梁裝配制造狀況檢測數(shù)據(jù)進行總成件制造質(zhì)量數(shù)據(jù)預(yù)測，評價總成制造質(zhì)量狀況。如圖2所示，前縱梁總成上設(shè)置關(guān)鍵測點，累積測點測量數(shù)據(jù)，基于歷史檢測數(shù)據(jù)集建立偏差傳遞關(guān)系的預(yù)測模型，并對模型擬合精度以及樣本量大小、測量噪聲等因素對預(yù)測模型精度進行分析，以此產(chǎn)品分析結(jié)果對制造工藝參數(shù)進行指導(dǎo)優(yōu)化。針對問題分析描述，實現(xiàn)ELM的創(chuàng)建、訓(xùn)練及仿真測試，可以分為圖3所示幾個步驟：

3.2 模型分析

根據(jù)上述建立的預(yù)測模型結(jié)果分析，ELM的決定系數(shù)為R2=0.9386，說明模型擬合效果較好，可以顯示質(zhì)量變化狀況，如圖4對比所示，ELM預(yù)測模型的預(yù)測輸出與期望輸出擬合率高，且預(yù)測誤差較小，預(yù)測模型的穩(wěn)定性較好，在可接受范圍內(nèi)，針對分析數(shù)據(jù)進行實際制造工藝狀況的優(yōu)化指導(dǎo)，可實現(xiàn)對裝配質(zhì)量的預(yù)測性控制。

4 結(jié)論

本文基于數(shù)據(jù)驅(qū)動的制造精度控制分析方法，針對車身制造過程中存在數(shù)據(jù)多源異構(gòu)、體量浩大且多重相關(guān)等特點，通過對多元檢測數(shù)據(jù)特征分析，建立裝配質(zhì)量數(shù)據(jù)極限學習機模型。以某車型前縱梁裝配案例為研究對象，顯示預(yù)測模型在給定測量誤差和樣本量數(shù)目下，傳統(tǒng)的非線性函數(shù)擬合受隱含層節(jié)點限制，ELM相對于BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)擬合性能方面預(yù)測準確度更高，對數(shù)據(jù)擬合處理的速度更快，可以有效提高預(yù)測精度及其預(yù)測穩(wěn)定性。針對預(yù)測模型分析結(jié)果在車間實際制造工藝基礎(chǔ)上對制造過程進行指導(dǎo)，以獲得最優(yōu)的工藝參數(shù)方案，實現(xiàn)對裝配質(zhì)量的預(yù)測控制。

參考文獻

[1] 周強，劉志剛，洪軍等.卡爾曼濾波在精密機床裝配過程誤差狀態(tài)估計中的應(yīng)用[J].西安交通大學學報，2015（12），49（12）.

[2] 張智勇，張丹丹，賈建林等.基于改進卡爾曼濾波的軌道交通站臺短時客流預(yù)測[J].武漢理工大學學報（交通科學與工程版），2017 （12），41（6）.

[3] 劉銀華，孫芮，吳歡.基于車身尺寸數(shù)據(jù)流潛結(jié)構(gòu)建模的裝配質(zhì)量預(yù)測控制[J].中國機械工程，2019（1），2（30）.

[4] 劉玉敏.大數(shù)據(jù)時代質(zhì)量診斷方法的變革[J].中國質(zhì)量，2016（8）， 422.

[5] 章毅，郭泉，王建勇.大數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)方法[J].工程科學與技術(shù)，2017（1），1（49）.

[6] KYUCHUL SONG， PYOUNG YOL JANG， HYUNBO CHO and CHI-HYUCK JUN.Partial least square-based model predictive control for large-scale manufacturing processes[J]. IIE Transactions， 2002（10）.

[7] 林忠欽.汽車車身制造質(zhì)量控制技術(shù)[M].北京：機械工業(yè)出版社， 2005.

[8] 郁磊，史峰，王輝等. Matlab智能算法30個案例分析（第二版）[M].北京：北京航空航天大學出版社，2015.