公开/公告号CN113177311A
专利类型发明专利
公开/公告日2021-07-27
原文格式PDF
申请/专利权人 南京航空航天大学;
申请/专利号CN202110446008.0
申请日2021-04-25
分类号G06F30/20(20200101);G06Q10/04(20120101);G06Q10/06(20120101);G06Q50/04(20120101);G06F111/08(20200101);
代理机构32218 南京天华专利代理有限责任公司;
代理人瞿网兰
地址 210016 江苏省南京市秦淮区御道街29号
入库时间 2023-06-19 12:00:51
技术领域
本发明涉及的一种装配质量预测方法,尤其是一种压装质量预测方法,具体地说是一种基于灰色马尔可夫模型的压装质量预测方法。
背景技术
伺服机构是型号产品姿态控制的执行机构,决定了产品的执行精度。但其工作环境恶劣,且时常出现装配质量问题。借助对压装质量预测可避免质量问题的发生。传统的伺服压装过程缺乏对压装质量的预测,而伺服机构装配生产过程中产生的大量质量数据可以作为预测依据。本发明利用上述质量数据,提出一种基于灰色马尔可夫模型的压装质量预测方法,从而达到对伺服机构智能化管控的目的。
伺服机构装配单元的压装过程是动态时变的,压装力数据呈非平稳随机状态特征,因此针对上述伺服机构装配单元压装过程及质量数据的特点,结合压装力与质量之间的内在关系,提出了一种基于灰色马尔可夫模型的压装质量预测方法,可以及时暴露装配缺陷,减少故障发生,最终提高企业运行效益,增强企业竞争力,具有很高的应用价值。
发明内容
本发明的目的是针对传统的伺服压装质量缺乏预测性,影响装配质量的问题,结合压装力与质量之间的内在关系,提出了一种基于灰色马尔可夫模型的压装质量预测方法。
本发明的技术方案是:
一种基于灰色马尔可夫模型的压装质量预测方法,其特征是:结合压装力与质量之间的内在关系首先利用系统云灰色预测SCGM(1,1)c模型对压装力数据进行拟合,计算拟合精度;然后基于拟合精度对压装力数据进行状态划分,并求得各阶状态转移概率矩阵;最后利用马尔可夫链模型对预测结果进行修正,以提高预测精度,得到更为精确的压装质量预测结果。具体包括以下步骤:
步骤1:读取智能压装质量时间序列数据Q
步骤2:对数据序列进行预处理,得到新的数据序列
步骤3:建立一次响应函数
设原始时间序列数据经过积分产生的序列
步骤4:还原生成原始序列预测模型
还原
步骤5:计算拟合精度A(x);
拟合精度指标反映的是拟合值与原始时间序列数据之间的偏离程度,记作:
步骤6:对拟合精度进行状态划分;将SCGM(1,1)c预测模型的拟合精度指标A(x)按规律划分为x个状态,每一个状态的区间表示为S
步骤7:计算各阶自相关系数r
各阶自相关系数r
步骤8:建立状态转移概率矩阵T
设x为步长,p
步骤9:确定预测范围;
选取距离预测数据最近的x个数据对应的状态作为初始状态,结合相应的转移概率矩阵的行向量,将相同状态的各项预测概率进行加权求和得到马尔科夫修正的预测概率
步骤10:计算预测值
步骤10.1:对SCGM(1,1)c预测模型的拟合精度指标A(x)采用状态概率线性插值来计算预测精度指标值:
步骤10.2:计算x+1时间数据序列的预测值
本发明的有益效果是:
(1)本发明通过对伺服机构装配单元压装过程及质量数据的分析,并结合压装力与质量之间的内在关系,可以为压装质量预测开辟一个新的切点。
(2)本发明提出一种基于灰色马尔可夫模型的压装质量预测方法,克服了传统伺服装配质量缺乏预测性的问题。通过对伺服装配生产过程中产生的大量质量数据进行分析和预测,可以及时发现质量问题,减少装配故障发生,最终提高企业运行效益。
(3)本发明中所提到的加权马尔可夫SCGM(1,1)c模型预测方法,在SCGM(1,1)c的基础上进行了预测精度修正。相比于传统的GM(1,1)、SCGM(1,1)c,预测效果最好,更加适用于智能压装质量的预测。
本发明通过对伺服装配质量数据进行分析和预测,可以及时掌握压装情况,防止装配故障发生,从而为智能压装过程质量的管控奠定基础。
附图说明
图1是本发明的预测算法流程图。
图2是从伺服机构装配单元中获取的某型号产品连续14次压装力统计数据。
图3是根据本发明的算法,对图2中的前12次数据的拟合情况。
图4是结合本发明的算法,形成的实例数据拟合精度状态划分标准。
图5是根据本发明的算法,得到的实例数据自相关系数及权重。
图6是根据本发明的算法,得到的第13号拟合精度预测情况。
图7是本发明的算法与另外三种算法在同一压装质量实例数据集上的预测结果对比图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细的说明。
本发明针对传统的伺服压装质量缺乏预测性的问题,利用装配生产过程中的压装力数据作为质量预测依据,采取科学的方式进行装配质量预测,并保证预测精度。首先利用系统云灰色预测SCGM(1,1)c模型对压装力数据进行拟合,计算拟合精度;然后基于拟合精度对压装力数据进行状态划分,并求得各阶状态转移概率矩阵;最后利用马尔可夫链模型对预测结果进行修正,预测压装质量。
下面结合伺服压装实例数据对基于灰色马尔可夫模型的压装质量预测方法的具体实施过程进行详细的阐述,包括:
步骤1:读取智能压装质量时间序列数据Q
图2为某企业伺服机构装配单元中获取的同一质量数据采集点采集的14组压装数据,按照数据采集的先后顺序进行编号,其中相邻两组数据采集时间间隔为一个装配周期。
步骤2:对数据序列进行预处理,得到新的数据序列
步骤3:建立一次响应函数
针对压装过程中测量的压装力非平稳且随机性较强等特点,采用系统云灰色预测SCGM(1,1)c模型拟合压装力的变化趋势。对图2中的1-12号压装力数据进行求解得到a=0.0034,b=25711.633。
步骤4:还原生成原始序列预测模型
步骤5:计算拟合精度A(x);
通过计算得到压装力数据的拟合值和拟合精度,如图3所示。
步骤6:对拟合精度进行状态划分;
对压装力数据拟合精度的实际情况进行状态划分,具体划分如图4所示,分为三种状态。根据这一划分在图3中进行了状态标识。
步骤7:计算各阶自相关系数r
结合图3中的拟合精度A(x),计算各阶自相关系数,进而获得马尔可夫链权重,计算结果如图5所示。
步骤8:建立状态转移概率矩阵T
根据图3中拟合精度A(x)的不同状态,得到步长分别为1,2和3的状态转移概率矩阵,如下所示:
步骤9:确定预测范围;
根据已知的状态转移概率矩阵、自相关系数和权重等参数来预测13号压装力的大小,预测情况如图6所示。
步骤10:计算预测值
从图6的最后一行数据可知,当i=2时,T
接着,还原数据得到加权马尔可夫SCGM(1,1)c模型的最终预测结果为:
为了进一步验证基于灰色马尔可夫预测模型的有效性,在同一实例数据集上对GM(1,1)、SCGM(1,1)c和灰色马尔可夫SCGM(1,1)c三种预测模型进行实验。将预测结果和实际值绘制在同一坐标系中,得到如图7所示的对比结果,其中预测针对的是13-16号数据。由图7可知,本文提到的灰色马尔可夫SCGM(1,1)c模型的预测效果明显优于GM(1,1)和SCGM(1,1)c模型,不仅预测结果更接近真实值,且模型预测误差波动较小,相对稳定。对于波动较大的实际值,只有灰色马尔可夫SCGM(1,1)c模型可以及时响应,进一步说明了该预测模型的有效性和可靠性。
本发明主要是对压装质量数据进行分析和预测并将结果反馈给实际操作人员,从而辅助其更有针对性地对压装过程进行管控,尽量避免质量缺陷,为压装质量管控开辟一条崭新的道路。
本发明未涉及部分与现有技术相同或可采用现有技术加以实现。
机译: 基于隐马尔可夫模型和转移学习的轴承使用寿命预测方法
机译: 一种基于隐马尔可夫模型的部分可靠传输方法
机译: 基于模型的协同Web隐私保护服务质量预测方法