極限學習機在車身前縱梁裝配中誤差預測應用

張鑫 王立影 陳樟

摘 要：在智能制造推動下，制造業對大數據的收集與特征分析愈加重視，數據分析技術更是大數據應用的關鍵技術，總結現有基于數據驅動的裝配偏差控制方法，提出基于極限學習機建模的車身裝配偏差預測控制方法，通過對檢測數據的擬合建模，實現車身產品裝配質量預測，并應用于制造生產線指導。文章應用極限學習機（Extreme Learning Machine，ELM）基于采集的車身前縱梁制造裝配數據預測裝配過程中的關鍵特征質量誤差狀態，從結果分析角度說明ELM準確預測誤差狀態。

關鍵詞：極限學習機;數據處理;回歸擬合;質量預測

中圖分類號：U462 ?文獻標識碼：A ?文章編號：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

汽車制造業海量的數據源為大數據挖掘分析提供了良好的應用基礎，基于“數據驅動質量”（Data-driven）的思想，車身制造過程中偏差源的及時發現、故障預警和快速診斷是汽車質量控制中的關鍵環節，開展汽車制造過程中多源數據融合與質量診斷預測控制成為智能制造下研究的熱點。

傳統的過程數據分析基于統計分析方法，以抽樣技術為基礎，利用樣本數據提取數據特征值對質量問題進行監控、統計推斷和預測，針對大數據的狀態并不能獲取高價值數據分析結果。在智能制造的大數據時代，基于統計技術的質量診斷方法應該向基于人工智能的質量診斷方法轉化，將人工智能方法有效引入到面向大數據的質量智能預測方法中。周強在薄壁件多工位裝配偏差控制方法上提出裝配過程的偏差傳遞狀態空間模型，利用卡爾曼濾波實現對裝配誤差進行最優估計[1]。張智勇提出改進的卡爾曼濾波短時客流預測模型對軌道交通站臺短時客流特性進行預測分析[2]。劉銀華提出基于潛結構建模的車身多工位裝配偏差預測控制方法，對多元檢測數據主向量的提取與偏最小二乘回歸模型的構建，實現車身產品檢測條件下裝配質量預測與控制[3]。劉玉敏提出了大數據時代工業數據特征及質量診斷方法：人工神經網絡和支持向量機[4]。章毅等介紹了大數據的關鍵技術，并基于神經網絡方法提出了針對大數據分析預測問題的神經網絡方法[5]。KYUCCHUL SONG等運用統計學習理論對預測模型的性能評估和不確定性進行量化研究[6]。

本文分析了制造質量的數據特性，應用極限學習機基于采集的制造裝配尺寸數據進行裝配特征分析，用海量數據分析獲取高價值特征值來預測裝配過程中的產品質量誤差狀態，并以縱梁零件為例，從結果分析角度說明ELM預測誤差狀態的準確性，為汽車制造質量分析控制提供指導。

1 汽車制造質量數據流特征分析

車身由300-500個結構復雜的薄板件經過焊接、鉚接、粘接等方法聯接而成，完整的車身結構包含裝夾定位點個數約為1500-2500個，焊點個數約為4000-5000個。眾多零件經由多層級、多工位大批量聯接而成，且制造過程工序繁多、工藝復雜、生產節奏快，容易造成各種制造質量偏差[7]。

1.1 海量性

車身裝配自動化節奏快、多層級、多工位導致數據總量巨大，且數據包含多種噪聲因素的影響，異常數據較多。在車身裝配的眾多工位下，制造車間收集到的數據包含重要測點偏差值、尺寸的間隙面差測量值、照片等等不同格式形態結構，車身設置評估裝配質量的測點數據來源廣泛且數據量巨大，噪聲因素影響下獲得的制造異常數據多，提取價值高的質量分析數據相對較少，造成數據分析困難[3]。

1.2 周期性

制造質量預測是基于獲得的實際制造數據，通過構造模型和提出算法來預測未來某段時間內的制造質量狀況，由于汽車制造裝配過程中總成件和分總成件批量制造的周期性，車間制造質量數據呈現非線性周期特征變化。

1.3 隨機性

車身制造過程中受人、機、料、法、環、測等諸多因素的影響，同時受到車身制造工藝多層級、多工位裝配的影響，車身質量的影響因素來源廣泛并且相互關聯，模態繁雜。影響因素中的偶然因素和異常因素是造成車身制造質量誤差不可忽視的因素。

2 極限學習機預測模型

2.1 基于ELM的裝配質量數據預測模型

應用極限學習機（Extreme Learning Machine，ELM）模型是針對前饋神經網絡的新算法，由輸入層、隱含層和輸出層組成典型的單隱含層前饋神經網絡結構[8]。如圖1所示，該結構中輸入層有n個神經元，即有n個輸入變量;隱含層有l個神經元;輸出層有m個神經元，對應m個輸出變量。

3 極限學習機在車身前縱梁裝配過程中誤差狀態預測應用

3.1 案例描述

依據某車型前縱梁裝配制造狀況檢測數據進行總成件制造質量數據預測，評價總成制造質量狀況。如圖2所示，前縱梁總成上設置關鍵測點，累積測點測量數據，基于歷史檢測數據集建立偏差傳遞關系的預測模型，并對模型擬合精度以及樣本量大小、測量噪聲等因素對預測模型精度進行分析，以此產品分析結果對制造工藝參數進行指導優化。針對問題分析描述，實現ELM的創建、訓練及仿真測試，可以分為圖3所示幾個步驟：

3.2 模型分析

根據上述建立的預測模型結果分析，ELM的決定系數為R2=0.9386，說明模型擬合效果較好，可以顯示質量變化狀況，如圖4對比所示，ELM預測模型的預測輸出與期望輸出擬合率高，且預測誤差較小，預測模型的穩定性較好，在可接受范圍內，針對分析數據進行實際制造工藝狀況的優化指導，可實現對裝配質量的預測性控制。

4 結論

本文基于數據驅動的制造精度控制分析方法，針對車身制造過程中存在數據多源異構、體量浩大且多重相關等特點，通過對多元檢測數據特征分析，建立裝配質量數據極限學習機模型。以某車型前縱梁裝配案例為研究對象，顯示預測模型在給定測量誤差和樣本量數目下，傳統的非線性函數擬合受隱含層節點限制，ELM相對于BP神經網絡在數據擬合性能方面預測準確度更高，對數據擬合處理的速度更快，可以有效提高預測精度及其預測穩定性。針對預測模型分析結果在車間實際制造工藝基礎上對制造過程進行指導，以獲得最優的工藝參數方案，實現對裝配質量的預測控制。

參考文獻

[1] 周強，劉志剛，洪軍等.卡爾曼濾波在精密機床裝配過程誤差狀態估計中的應用[J].西安交通大學學報，2015（12），49（12）.

[2] 張智勇，張丹丹，賈建林等.基于改進卡爾曼濾波的軌道交通站臺短時客流預測[J].武漢理工大學學報（交通科學與工程版），2017 （12），41（6）.

[3] 劉銀華，孫芮，吳歡.基于車身尺寸數據流潛結構建模的裝配質量預測控制[J].中國機械工程，2019（1），2（30）.

[4] 劉玉敏.大數據時代質量診斷方法的變革[J].中國質量，2016（8）， 422.

[5] 章毅，郭泉，王建勇.大數據分析的神經網絡方法[J].工程科學與技術，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.汽車車身制造質量控制技術[M].北京：機械工業出版社， 2005.

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