基于模糊綜合評價的車身曲面品質分析

王正如 梁 晉 王立忠 梁新合

西安交通大學,西安,710049

基于模糊綜合評價的車身曲面品質分析

王正如 梁 晉 王立忠 梁新合

西安交通大學,西安,710049

為了精確評價車身曲面品質,在綜合考慮曲面精度和光順性的基礎上,確定了汽車車身曲面品質的評價因素集。采用層次分析法確定各個評價因素的權值,利用模糊分析與人工神經網絡相結合的方法建立了汽車車身曲面品質分析模型。經訓練測試,驗證了該評價模型的準確性。

車身曲面;光順性;模糊綜合評價;人工神經網絡

0 引言

在汽車外部模型的構造中,精度和光順性是一對相互影響、相互制約的因素:提高了構造曲面與點云數據的一致性往往導致光順性不理想;追求曲面的高光順性時又會帶來精度的降低。如何在曲面精度和光順性之間尋找一個平衡點成為逆向工程中的關鍵技術,而這需要對曲面模型進行定量的曲面品質評價。

汽車車身曲面品質評價包含模型的精度評價和曲面光順性評價兩方面內容。模型的精度作為一個定量指標,可以通過最大誤差、平均誤差、標準差等量化數據進行定量分析;光順即光滑和順暢,是指曲面的光滑性和無波動性[1],目前大部分三維設計軟件都帶有對曲面進行光順分析的工具,反射線圖、斑馬條紋圖、高光線圖、曲率分布圖等也廣泛應用于曲面光順性評價[2-4],但是光順性評價是帶有主觀色彩的定性分析,沒有具體的數值為依據,多數場合下還是以人的眼光來判斷曲面是否光順[5],對分析師的經驗水平要求很高。

本文利用模糊分析方法,結合Imagew are的曲面分析功能,對定性的光順指標進行解析和量化:采用層次分析法(AHP),根據各評價因素對光順性評價影響的大小和判斷難易程度,確定各因素權值,采用加權平均模型對精度和光順性進行綜合評判;采用點云與所建曲面的平均誤差來對精度進行評價;對于評價光順性的定性指標,利用模糊理論中的模糊數進行定義,用自然語言變量詞集 J={很好,好,中,差,很差}表示不同的光順等級,并對不同的光順等級建立評價標準。對于一個新的評判對象只需按照各評價因素的評價標準打分,得到模糊評判結果后輸入到監督式學習網絡,該網絡就能根據以前訓練得到的網絡權值對該對象進行品質分析,并得到最終得分。

1 汽車曲面綜合評價模型

高品質的汽車車身曲面要求具有良好的精度、光順性以及符合基本美學要求。本文根據車身曲面精度分析、光順性評價中的連續性分析、斑馬條紋圖、反射線圖、高光線圖、曲面曲率分析、真實感圖形分析等建立曲面評價模型,表1所示為各評價因素。

1.1 確定各因素權重

層次分析法[6]作為一種高效簡捷的多目標決策分析方法,非常適合量化定性判斷。本文利用層次分析法建立影響光順性的各因素權重集,將各種評價因素劃分為互關聯的有序層次,根據各因素的判斷準確性及難易程度進行分析:對于容易進行判斷分析、對光順性影響大的因素給予大的權重,反之,權重小;引用1～9比率標度方法構造判斷矩陣,得到相對權重。

表1 車身曲面品質評價因素

1.1.1 建立判斷矩陣

判斷矩陣可以表達各因素相比重要性的大小。構造判斷矩陣的方法是,兩個元素兩兩比較哪個重要,重要多少,對重要性程度按1～9賦值:

1.1.2 層次單排及檢驗

在層層排序中要對判斷矩陣進行一致性檢驗。只有通過檢驗才能說明判斷矩陣在邏輯上是否合理,才能繼續對結果進行分析。

(2)確定相應的平均隨機一致性指標(RI)。根據判斷矩陣階數得到平均隨機一致性指標RI。平均隨機一致性指標是指多次(500次以上)重復進行隨機判斷矩陣特征根計算之后取算術平均得到的數值。本文選取文獻[7]中1～15階判斷矩陣重復計算1000次得到的平均隨機一致性指標。

(3)計算一致性比例(CR)并進行判斷:

當CR＜0.1時,認為判斷矩陣的一致性可以接受,反之則需要對該判斷矩陣重新進行修正。

經上述分析計算,最終確定的各評價因素權值如表2所示。

表2 各評價因素權值

1.2 確定模糊綜合評定模型

綜合評價就是對受到多個因素影響的事物或對象作出一個總的評價。采用模糊綜合評價方法有效地克服了多因素評價時的模糊性和主觀性,其結果可靠性高、效果好。以一級模型為例,一般可歸納為以下幾個步驟[8]:

(1)建立評價對象因素集:

因素也稱為參數指標或質量指標,它們能綜合反映出對象的質量,因而可由這些因素來評價對象。

(2)建立評判集:

本文對車身曲面品質進行評價,評判集是車身曲面品質等級的集合。

(3)建立單因素評判,即建立一個從U到F(V)的模糊映射:

由此模糊映射 f可以導出模糊關系,得到模糊矩陣R:稱R為單因素評價矩陣。(U,V,R)構成了一個綜合評價模型。

1.2.1 專家評價

汽車曲面等級的確定極其重要,沃爾沃汽車公司將汽車曲面等級劃分為十個等級,至少達到七級才算是合格品[9]。本文選取一系列采用逆向設計方法所作的車身曲面為分析樣本,由三人組成的評估專家組通過綜合考慮曲面的精度和光順性對模型各個評價因素和最終等級評定打分,五個等級的分數分別為{100,80,50,30,10},然后取平均值。最終曲面等級分數為很好(90～100)、好(65～89)、中(40～ 64)、差(20～ 39)、很差(0～19),如表3所示。

表3 車身曲面品質分析樣本

1.2.2 確定隸屬函數

隸屬函數的確定沒有嚴格的方法,通常靠經驗確定。本文構造隸屬函數時充分考慮了曲面不同等級間的中間過渡狀態。采用嶺形函數構造影響汽車車身曲面品質的精度隸屬函數和光順性隸屬函數。精度隸屬函數曲線如圖1所示。

圖1 精度隸屬函數曲線

1.2.3 模糊綜合評價結果

得到各評價因素權值及隸屬函數后,對評價樣本進行綜合評價,最終得到車身曲面品質分析模糊評價結果(表4)。

表4 車身曲面品質分析模糊評價結果

2 模糊神經網絡訓練

表4中車身曲面品質分析模糊評價結果共計42組,其中35組作為模糊神經網絡訓練樣本,7組作為檢驗樣本,利用MATLAB中的神經網絡模塊對樣本進行訓練檢驗,訓練誤差如圖2所示。

通過檢驗樣本訓練值與實際值之間的誤差來判斷樣本訓練是否達到要求。訓練結果如表5所示。從訓練結果可以看出,對于測試樣本的等級判斷正確率達到100%,對于分數判斷的誤差最大為6.99%,在可以接受的范圍內。

圖2 MATLAB神經網絡訓練誤差圖

表5 模糊神經網絡訓練結果

3 結論

(1)提出的基于模糊綜合評價的汽車車身曲面品質分析方法考慮了判斷汽車車身曲面精度和光順性的各個指標,對曲面品質進行定量評價,檢驗結果驗證了本方法的精度在可接受范圍內。

(2)采用監督式學習網絡,通過不斷學習積累經驗提高網絡精度,減少了對人的依賴性。在實際應用中,可降低人的主觀判斷產生的誤差,為汽車車身曲面品質分析提供了新的思路。

[1] 夏衛群.車身曲面質量的評價指標研究[J].汽車科技,2005,9(5):9-11.

[2] 徐萬紅,李書生,張國忠.車身曲面的光順品質分析與應用[J].組合機床與自動化加工技術,2005(2):48-52.

[3] Poesch l T.Detecting Surface Irregu larities Using Isophotes[J].Computer Aided Geometric Design,1984,1(2):63-168.

[4] 孫科峰.基于高光線法的曲面品質分析[D].西安:西北工業大學,2005.

[5] 樂斌旺,王磊,邢淵.曲面重構中曲面品質分析評價方法及應用[J].機床與液壓,2006(11):59-61.

[6] 張志勇,劉心報.關于AHP中比率標度的選擇問題[C]//中國系統工程學會決策科學專業委員會第六屆學術年會論文集.北京:中國系統工程學會,2005:37-41.

[7] 許樹柏.層次分析法原理[M].天津:天津大學出版社,1988.

[8] 黃克中,毛善培.隨機方法與模糊數學應用[M].上海:同濟大學出版社,1987.

[9] Andersson A.Evaluation and V isualization of Surface Defects on Auto-body Panels[J].Journal of M ateria ls Processing Techno logy,2009,209(2):821-837.

Study on Quality Evaluation of Autom obile Sur faces Based on Fuzzy Comp rehensive Evaluation

Wang Zhengru Liang Jin W ang Lizhong Liang Xinhe
Xi'an Jiaotong University,Xi'an,710049

Toevaluate the quality of automobile surfaces p recisely,on the basis of considering both of precision and smoothness,a factor set of evaluation was determined.Using analytic hierarchy process(AHP)to determ ineweights of the evaluation factors,combining w ith fuzzy analysisand artificial neural network,the quality evaluation model of automobile surfaces was estab lished.A fter training and testing,the results prove that the model is accurate.

body surface;smoothness;fuzzy comprehensive evaluation;artificialneural network

U461.4;TP391.9

1004—132X(2011)06—0748—04

2010—03—11

(編輯 蘇衛國)

王正如,男,1985年生。西安交通大學機械工程學院碩士研究生。主要研究方向為逆向工程。發表論文2篇。梁 晉,男,1967年生。西安交通大學機械工程學院副教授。王立忠,男,1968年生。西安交通大學機械工程學院副教授。梁新合,男,1966年生。西安交通大學機械工程學院博士研究生。