張?chǎng)? 王立影 陳樟

摘 要：在智能制造推動(dòng)下，制造業(yè)對(duì)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(dòng)的裝配偏差控制方法，提出基于極限學(xué)習(xí)機(jī)建模的車(chē)身裝配偏差預(yù)測(cè)控制方法，通過(guò)對(duì)檢測(cè)數(shù)據(jù)的擬合建模，實(shí)現(xiàn)車(chē)身產(chǎn)品裝配質(zhì)量預(yù)測(cè)，并應(yīng)用于制造生產(chǎn)線指導(dǎo)。文章應(yīng)用極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）基于采集的車(chē)身前縱梁制造裝配數(shù)據(jù)預(yù)測(cè)裝配過(guò)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(shuō)明ELM準(zhǔn)確預(yù)測(cè)誤差狀態(tài)。

關(guān)鍵詞：極限學(xué)習(xí)機(jī);數(shù)據(jù)處理;回歸擬合;質(zhì)量預(yù)測(cè)

中圖分類(lèi)號(hào)：U462 ?文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號(hào)：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(chē)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(dòng)質(zhì)量”（Data-driven）的思想，車(chē)身制造過(guò)程中偏差源的及時(shí)發(fā)現(xiàn)、故障預(yù)警和快速診斷是汽車(chē)質(zhì)量控制中的關(guān)鍵環(huán)節(jié)，開(kāi)展汽車(chē)制造過(guò)程中多源數(shù)據(jù)融合與質(zhì)量診斷預(yù)測(cè)控制成為智能制造下研究的熱點(diǎn)。

傳統(tǒng)的過(guò)程數(shù)據(jù)分析基于統(tǒng)計(jì)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(duì)質(zhì)量問(wèn)題進(jìn)行監(jiān)控、統(tǒng)計(jì)推斷和預(yù)測(cè)，針對(duì)大數(shù)據(jù)的狀態(tài)并不能獲取高價(jià)值數(shù)據(jù)分析結(jié)果。在智能制造的大數(shù)據(jù)時(shí)代，基于統(tǒng)計(jì)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(cè)方法中。周強(qiáng)在薄壁件多工位裝配偏差控制方法上提出裝配過(guò)程的偏差傳遞狀態(tài)空間模型，利用卡爾曼濾波實(shí)現(xiàn)對(duì)裝配誤差進(jìn)行最優(yōu)估計(jì)[1]。張智勇提出改進(jìn)的卡爾曼濾波短時(shí)客流預(yù)測(cè)模型對(duì)軌道交通站臺(tái)短時(shí)客流特性進(jìn)行預(yù)測(cè)分析[2]。劉銀華提出基于潛結(jié)構(gòu)建模的車(chē)身多工位裝配偏差預(yù)測(cè)控制方法，對(duì)多元檢測(cè)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(shí)現(xiàn)車(chē)身產(chǎn)品檢測(cè)條件下裝配質(zhì)量預(yù)測(cè)與控制[3]。劉玉敏提出了大數(shù)據(jù)時(shí)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(jī)[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(duì)大數(shù)據(jù)分析預(yù)測(cè)問(wèn)題的神經(jīng)網(wǎng)絡(luò)方法[5]。KYUCCHUL SONG等運(yùn)用統(tǒng)計(jì)學(xué)習(xí)理論對(duì)預(yù)測(cè)模型的性能評(píng)估和不確定性進(jìn)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(xué)習(xí)機(jī)基于采集的制造裝配尺寸數(shù)據(jù)進(jìn)行裝配特征分析，用海量數(shù)據(jù)分析獲取高價(jià)值特征值來(lái)預(yù)測(cè)裝配過(guò)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(shuō)明ELM預(yù)測(cè)誤差狀態(tài)的準(zhǔn)確性，為汽車(chē)制造質(zhì)量分析控制提供指導(dǎo)。

1 汽車(chē)制造質(zhì)量數(shù)據(jù)流特征分析

車(chē)身由300-500個(gè)結(jié)構(gòu)復(fù)雜的薄板件經(jīng)過(guò)焊接、鉚接、粘接等方法聯(lián)接而成，完整的車(chē)身結(jié)構(gòu)包含裝夾定位點(diǎn)個(gè)數(shù)約為1500-2500個(gè)，焊點(diǎn)個(gè)數(shù)約為4000-5000個(gè)。眾多零件經(jīng)由多層級(jí)、多工位大批量聯(lián)接而成，且制造過(guò)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(chē)身裝配自動(dòng)化節(jié)奏快、多層級(jí)、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(chē)身裝配的眾多工位下，制造車(chē)間收集到的數(shù)據(jù)包含重要測(cè)點(diǎn)偏差值、尺寸的間隙面差測(cè)量值、照片等等不同格式形態(tài)結(jié)構(gòu)，車(chē)身設(shè)置評(píng)估裝配質(zhì)量的測(cè)點(diǎn)數(shù)據(jù)來(lái)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(jià)值高的質(zhì)量分析數(shù)據(jù)相對(duì)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(cè)是基于獲得的實(shí)際制造數(shù)據(jù)，通過(guò)構(gòu)造模型和提出算法來(lái)預(yù)測(cè)未來(lái)某段時(shí)間內(nèi)的制造質(zhì)量狀況，由于汽車(chē)制造裝配過(guò)程中總成件和分總成件批量制造的周期性，車(chē)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(jī)性

車(chē)身制造過(guò)程中受人、機(jī)、料、法、環(huán)、測(cè)等諸多因素的影響，同時(shí)受到車(chē)身制造工藝多層級(jí)、多工位裝配的影響，車(chē)身質(zhì)量的影響因素來(lái)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(chē)身制造質(zhì)量誤差不可忽視的因素。

2 極限學(xué)習(xí)機(jī)預(yù)測(cè)模型

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

應(yīng)用極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）模型是針對(duì)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(gè)神經(jīng)元，即有n個(gè)輸入變量;隱含層有l(wèi)個(gè)神經(jīng)元;輸出層有m個(gè)神經(jīng)元，對(duì)應(yīng)m個(gè)輸出變量。

3 極限學(xué)習(xí)機(jī)在車(chē)身前縱梁裝配過(guò)程中誤差狀態(tài)預(yù)測(cè)應(yīng)用

3.1 案例描述

依據(jù)某車(chē)型前縱梁裝配制造狀況檢測(cè)數(shù)據(jù)進(jìn)行總成件制造質(zhì)量數(shù)據(jù)預(yù)測(cè)，評(píng)價(jià)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(cè)點(diǎn)，累積測(cè)點(diǎn)測(cè)量數(shù)據(jù)，基于歷史檢測(cè)數(shù)據(jù)集建立偏差傳遞關(guān)系的預(yù)測(cè)模型，并對(duì)模型擬合精度以及樣本量大小、測(cè)量噪聲等因素對(duì)預(yù)測(cè)模型精度進(jìn)行分析，以此產(chǎn)品分析結(jié)果對(duì)制造工藝參數(shù)進(jìn)行指導(dǎo)優(yōu)化。針對(duì)問(wèn)題分析描述，實(shí)現(xiàn)ELM的創(chuàng)建、訓(xùn)練及仿真測(cè)試，可以分為圖3所示幾個(gè)步驟：

3.2 模型分析

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

4 結(jié)論

本文基于數(shù)據(jù)驅(qū)動(dòng)的制造精度控制分析方法，針對(duì)車(chē)身制造過(guò)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(diǎn)，通過(guò)對(duì)多元檢測(cè)數(shù)據(jù)特征分析，建立裝配質(zhì)量數(shù)據(jù)極限學(xué)習(xí)機(jī)模型。以某車(chē)型前縱梁裝配案例為研究對(duì)象，顯示預(yù)測(cè)模型在給定測(cè)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(diǎn)限制，ELM相對(duì)于BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)擬合性能方面預(yù)測(cè)準(zhǔn)確度更高，對(duì)數(shù)據(jù)擬合處理的速度更快，可以有效提高預(yù)測(cè)精度及其預(yù)測(cè)穩(wěn)定性。針對(duì)預(yù)測(cè)模型分析結(jié)果在車(chē)間實(shí)際制造工藝基礎(chǔ)上對(duì)制造過(guò)程進(jìn)行指導(dǎo)，以獲得最優(yōu)的工藝參數(shù)方案，實(shí)現(xiàn)對(duì)裝配質(zhì)量的預(yù)測(cè)控制。

參考文獻(xiàn)

[1] 周強(qiáng)，劉志剛，洪軍等.卡爾曼濾波在精密機(jī)床裝配過(guò)程誤差狀態(tài)估計(jì)中的應(yīng)用[J].西安交通大學(xué)學(xué)報(bào)，2015（12），49（12）.

[2] 張智勇，張丹丹，賈建林等.基于改進(jìn)卡爾曼濾波的軌道交通站臺(tái)短時(shí)客流預(yù)測(cè)[J].武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2017 （12），41（6）.

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

[4] 劉玉敏.大數(shù)據(jù)時(shí)代質(zhì)量診斷方法的變革[J].中國(guó)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(xué)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(chē)車(chē)身制造質(zhì)量控制技術(shù)[M].北京：機(jī)械工業(yè)出版社， 2005.

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