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

发布时间：2023-02-18 20:57

　　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...

【文章页数】：94 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景、意义及课题来源
        1.1.1 研究背景与意义
        1.1.2 课题来源
    1.2 国内外研究现状
        1.2.1 在线检测发展及现状介绍
        1.2.2 制造过程稳定性监测方法
        1.2.3 控制图偏差模式识别方法
        1.2.4 动态模式识别技术方法
        1.2.5 文献综述小结
    1.3 论文结构与研究内容
第二章 基于小波理论的在线检测数据分析与处理
    2.1 引言
    2.2 车身在线检测数据的误差分析
    2.3 小波变换去噪的理论依据
        2.3.1 信号去噪问题的描述
        2.3.2 多尺度分析
        2.3.3 Mallat算法
        2.3.4 Daubechies小波
    2.4 小波去噪在线检测数据
        2.4.1 小波阈值去噪
        2.4.2 Jarque-Bera检验
        2.4.3 分离层数的确定
    2.5 本章小结
第三章 在线检测数据异常偏差模式识别模型
    3.1 引言
    3.2 车身尺寸异常偏差模式与数据描述
        3.2.1 渐变异常模式
        3.2.2 阶跃异常模式
        3.2.3 周期异常模式
        3.2.4 偏差模式的数据描述
    3.3 在线检测数据特征提取方法
        3.3.1 统计特征
        3.3.2 形状特征
    3.4 基于神经网络的异常偏差识别模型
        3.4.1 反向传播神经网络BP
        3.4.2 长短期记忆神经网络LSTM
        3.4.3 基于BP和 LSTM神经网络的异常偏差识别模型
    3.5 本章小结
第四章 基于BP和 LSTM的异常偏差识别模型实验分析
    4.1 引言
    4.2 实验环境搭建
    4.3 数据集的组成和预处理
        4.3.1 数据集的产生
        4.3.2 数据集的预处理
    4.4 基于BP和LSTM的异常偏差识别模型对比实验
        4.4.1 异常模式的多特征提取
        4.4.2 神经网络识别模型初始化
        4.4.3 不同特征提取方法的比较研究
        4.4.4 BP神经网络与LSTM神经网络的比较研究
    4.5 本章小结
第五章 白车身焊装质量在线智能监控的工程应用
    5.1 引言
    5.2 在线智能监控框架的工作流程
    5.3 白车身在线监控工程应用案例
        5.3.1 尾灯区域Y向尺寸—辅助机构磨损
        5.3.2 侧围前部Y向尺寸—供应商管控
    5.4 本章小结
第六章 全文总结与展望
    6.1 主要研究工作及结论
    6.2 研究展望
参考文献
附录
    特征融合的BP神经网络模型的MATLAB程序
        主程序
        特征提取
        模式混淆矩阵
    LSTM神经网络模型的Keras程序(部分)
致谢
攻读硕士学位期间学术成果



本文编号：3745517