极限学习机在车身前纵梁装配中误差预测应用

张鑫 王立影 陈樟

摘 要：在智能制造推动下，制造业对大数据的收集与特征分析愈加重视，数据分析技术更是大数据应用的关键技术，总结现有基于数据驱动的装配偏差控制方法，提出基于极限学习机建模的车身装配偏差预测控制方法，通过对检测数据的拟合建模，实现车身产品装配质量预测，并应用于制造生产线指导。文章应用极限学习机（Extreme Learning Machine，ELM）基于采集的车身前纵梁制造装配数据预测装配过程中的关键特征质量误差状态，从结果分析角度说明ELM准确预测误差状态。

关键词：极限学习机;数据处理;回归拟合;质量预测

中图分类号：U462  文献标识码：A  文章编号：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

汽车制造业海量的数据源为大数据挖掘分析提供了良好的应用基础，基于“数据驱动质量”（Data-driven）的思想，車身制造过程中偏差源的及时发现、故障预警和快速诊断是汽车质量控制中的关键环节，开展汽车制造过程中多源数据融合与质量诊断预测控制成为智能制造下研究的热点。

传统的过程数据分析基于统计分析方法，以抽样技术为基础，利用样本数据提取数据特征值对质量问题进行监控、统计推断和预测，针对大数据的状态并不能获取高价值数据分析结果。在智能制造的大数据时代，基于统计技术的质量诊断方法应该向基于人工智能的质量诊断方法转化，将人工智能方法有效引入到面向大数据的质量智能预测方法中。周强在薄壁件多工位装配偏差控制方法上提出装配过程的偏差传递状态空间模型，利用卡尔曼滤波实现对装配误差进行最优估计[1]。张智勇提出改进的卡尔曼滤波短时客流预测模型对轨道交通站台短时客流特性进行预测分析[2]。刘银华提出基于潜结构建模的车身多工位装配偏差预测控制方法，对多元检测数据主向量的提取与偏最小二乘回归模型的构建，实现车身产品检测条件下装配质量预测与控制[3]。刘玉敏提出了大数据时代工业数据特征及质量诊断方法：人工神经网络和支持向量机[4]。章毅等介绍了大数据的关键技术，并基于神经网络方法提出了针对大数据分析预测问题的神经网络方法[5]。KYUCCHUL SONG等运用统计学习理论对预测模型的性能评估和不确定性进行量化研究[6]。

本文分析了制造质量的数据特性，应用极限学习机基于采集的制造装配尺寸数据进行装配特征分析，用海量数据分析获取高价值特征值来预测装配过程中的产品质量误差状态，并以纵梁零件为例，从结果分析角度说明ELM预测误差状态的准确性，为汽车制造质量分析控制提供指导。

1 汽车制造质量数据流特征分析

车身由300-500个结构复杂的薄板件经过焊接、铆接、粘接等方法联接而成，完整的车身结构包含装夹定位点个数约为1500-2500个，焊点个数约为4000-5000个。众多零件经由多层级、多工位大批量联接而成，且制造过程工序繁多、工艺复杂、生产节奏快，容易造成各种制造质量偏差[7]。

1.1 海量性

车身装配自动化节奏快、多层级、多工位导致数据总量巨大，且数据包含多种噪声因素的影响，异常数据较多。在车身装配的众多工位下，制造车间收集到的数据包含重要测点偏差值、尺寸的间隙面差测量值、照片等等不同格式形态结构，车身设置评估装配质量的测点数据来源广泛且数据量巨大，噪声因素影响下获得的制造异常数据多，提取价值高的质量分析数据相对较少，造成数据分析困难[3]。

1.2 周期性

制造质量预测是基于获得的实际制造数据，通过构造模型和提出算法来预测未来某段时间内的制造质量状况，由于汽车制造装配过程中总成件和分总成件批量制造的周期性，车间制造质量数据呈现非线性周期特征变化。

1.3 随机性

车身制造过程中受人、机、料、法、环、测等诸多因素的影响，同时受到车身制造工艺多层级、多工位装配的影响，车身质量的影响因素来源广泛并且相互关联，模态繁杂。影响因素中的偶然因素和异常因素是造成车身制造质量误差不可忽视的因素。

2 极限学习机预测模型

2.1 基于ELM的装配质量数据预测模型

应用极限学习机（Extreme Learning Machine，ELM）模型是针对前馈神经网络的新算法，由输入层、隐含层和输出层组成典型的单隐含层前馈神经网络结构[8]。如图1所示，该结构中输入层有n个神经元，即有n个输入变量;隱含层有l个神经元;输出层有m个神经元，对应m个输出变量。

3 极限学习机在车身前纵梁装配过程中误差状态预测应用

3.1 案例描述

依据某车型前纵梁装配制造状况检测数据进行总成件制造质量数据预测，评价总成制造质量状况。如图2所示，前纵梁总成上设置关键测点，累积测点测量数据，基于历史检测数据集建立偏差传递关系的预测模型，并对模型拟合精度以及样本量大小、测量噪声等因素对预测模型精度进行分析，以此产品分析结果对制造工艺参数进行指导优化。针对问题分析描述，实现ELM的创建、训练及仿真测试，可以分为图3所示几个步骤：

3.2 模型分析

根据上述建立的预测模型结果分析，ELM的决定系数为R2=0.9386，说明模型拟合效果较好，可以显示质量变化状况，如图4对比所示，ELM预测模型的预测输出与期望输出拟合率高，且预测误差较小，预测模型的稳定性较好，在可接受范围内，针对分析数据进行实际制造工艺状况的优化指导，可实现对装配质量的预测性控制。

4 结论

本文基于数据驱动的制造精度控制分析方法，针对车身制造过程中存在数据多源异构、体量浩大且多重相关等特点，通过对多元检测数据特征分析，建立装配质量数据极限学习机模型。以某车型前纵梁装配案例为研究对象，显示预测模型在给定测量误差和样本量数目下，传统的非线性函数拟合受隐含层节点限制，ELM相对于BP神经网络在数据拟合性能方面预测准确度更高，对数据拟合处理的速度更快，可以有效提高预测精度及其预测稳定性。针对预测模型分析结果在车间实际制造工艺基础上对制造过程进行指导，以获得最优的工艺参数方案，实现对装配质量的预测控制。

参考文献

[1] 周强，刘志刚，洪军等.卡尔曼滤波在精密机床装配过程误差状态估计中的应用[J].西安交通大学学报，2015（12），49（12）.

[2] 张智勇，张丹丹，贾建林等.基于改进卡尔曼滤波的轨道交通站台短时客流预测[J].武汉理工大学学报（交通科学与工程版），2017 （12），41（6）.

[3] 刘银华，孙芮，吴欢.基于车身尺寸数据流潜结构建模的装配质量预测控制[J].中国机械工程，2019（1），2（30）.

[4] 刘玉敏.大数据时代质量诊断方法的变革[J].中国质量，2016（8）， 422.

[5] 章毅，郭泉，王建勇.大数据分析的神经网络方法[J].工程科学与技术，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] 林忠钦.汽车车身制造质量控制技术[M].北京：机械工业出版社， 2005.

[8] 郁磊，史峰，王辉等. Matlab智能算法30个案例分析（第二版）[M].北京：北京航空航天大学出版社，2015.