论文部分内容阅读
车身装配质量直接影响轿车的密封性、风噪声、平稳性等整车性能,如何持续提高车身装配质量一直是各大汽车制造商关注的重点。随着在线检测的逐步推广和应用,产生了海量的制造过程检测数据,精准地识别数据的偏差模式,有利于实现故障的快速定位和诊断。然而焊装车间随机扰动频发、生产环境开放,在线检测数据包含多源噪声的影响,导致有效信息的提取和利用困难。并且,现有的模式识别方法依赖于主观经验进行特征选择,且忽略时间维度参数,导致识别精度低。针对以上问题,本文通过引入深度学习的长短期记忆神经网络LSTM,实时高效的监控白车身焊装生产线运行状态,自动智能地识别焊装过程的异常模式,保证生产线快节拍、低故障率的运行。本文的主要研究内容分为以下三个部分:(1)在线检测的精度分析和去噪处理提出基于小波去噪理论的异常偏差模式分离方法,对焊装车间在线检测数据的标准差进行精确地评估。采用Jarque-Bera方法对不同层数的各波动项进行正态性检验,选择最接近正态分布的波动项作为白车身焊装车间制造系统的噪声,避免了阈值的主观经验选取和估计。为后续的在线检测数据异常偏差模式识别提供了支撑。(2)基于LSTM的偏差模式识别方法引入适合处理时间序列信息的LSTM长短期记忆网络,通过自适应提取特征构建异常偏差识别模型,在Keras开源平台上进行实验。并与基于特征融合的BP神经网络模式识别方法进行对比,证实本文算法在识别能力与泛化能力上具有明显优势。(3)白车身焊装质量在线智能监控的工程应用综合基于小波理论的在线检测数据分析与处理与基于LSTM的异常偏差模式识别方法,提出白车身焊装质量的在线监控框架。并通过两个典型的车身总成件的偏差控制案例验证了本文算法的实用性。综上所述,本文将深度学习的LSTM神经网络引入到车身尺寸在线检测数据的分析处理中,对其动态模式识别和在线质量监控进行了研究,该方法不仅为白车身在线检测数据的分析处理提供新的理论方法和技术指导,对高速列车、航空航天、船舶等制造领域也具有借鉴意义。