車身裝配質(zhì)量直接影響轎車的密封性、風(fēng)噪聲、平穩(wěn)性等整車性能,如何持續(xù)提高車身裝配質(zhì)量一直是各大汽車制造商關(guān)注的重點(diǎn)。隨著在線檢測(cè)的逐步推廣和應(yīng)用,產(chǎn)生了海量的制造過(guò)程檢測(cè)數(shù)據(jù),精準(zhǔn)地識(shí)別數(shù)據(jù)的偏差模式,有利于實(shí)現(xiàn)故障的快速定位和診斷。然而焊裝車間隨機(jī)擾動(dòng)頻發(fā)、生產(chǎn)環(huán)境開(kāi)放,在線檢測(cè)數(shù)據(jù)包含多源噪聲的影響,導(dǎo)致有效信息的提取和利用困難。并且,現(xiàn)有的模式識(shí)別方法依賴于主觀經(jīng)驗(yàn)進(jìn)行特征選擇,且忽略時(shí)間維度參數(shù),導(dǎo)致識(shí)別精度低。針對(duì)以上問(wèn)題,本文通過(guò)引入深度學(xué)習(xí)的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM,實(shí)時(shí)高效的監(jiān)控白車身焊裝生產(chǎn)線運(yùn)行狀態(tài),自動(dòng)智能地識(shí)別焊裝過(guò)程的異常模式,保證生產(chǎn)線快節(jié)拍、低故障率的運(yùn)行。本文的主要研究?jī)?nèi)容分為以下三個(gè)部分:(1)在線檢測(cè)的精度分析和去噪處理提出基于小波去噪理論的異常偏差模式分離方法,對(duì)焊裝車間在線檢測(cè)數(shù)據(jù)的標(biāo)準(zhǔn)差進(jìn)行精確地評(píng)估。采用Jarque-Bera方法對(duì)不同層數(shù)的各波動(dòng)項(xiàng)進(jìn)行正態(tài)性檢驗(yàn),選擇最接近正態(tài)分布的波動(dòng)項(xiàng)作為白車身焊裝車間制造系統(tǒng)的噪聲,避免了閾值的主觀經(jīng)驗(yàn)選取和估計(jì)。為后續(xù)的在線檢測(cè)數(shù)據(jù)異常偏差模式識(shí)別提供了支撐。(2)基于LSTM的偏差模式識(shí)別方法引...

【文章頁(yè)數(shù)】：94 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景、意義及課題來(lái)源
        1.1.1 研究背景與意義
        1.1.2 課題來(lái)源
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 在線檢測(cè)發(fā)展及現(xiàn)狀介紹
        1.2.2 制造過(guò)程穩(wěn)定性監(jiān)測(cè)方法
        1.2.3 控制圖偏差模式識(shí)別方法
        1.2.4 動(dòng)態(tài)模式識(shí)別技術(shù)方法
        1.2.5 文獻(xiàn)綜述小結(jié)
    1.3 論文結(jié)構(gòu)與研究?jī)?nèi)容
第二章 基于小波理論的在線檢測(cè)數(shù)據(jù)分析與處理
    2.1 引言
    2.2 車身在線檢測(cè)數(shù)據(jù)的誤差分析
    2.3 小波變換去噪的理論依據(jù)
        2.3.1 信號(hào)去噪問(wèn)題的描述
        2.3.2 多尺度分析
        2.3.3 Mallat算法
        2.3.4 Daubechies小波
    2.4 小波去噪在線檢測(cè)數(shù)據(jù)
        2.4.1 小波閾值去噪
        2.4.2 Jarque-Bera檢驗(yàn)
        2.4.3 分離層數(shù)的確定
    2.5 本章小結(jié)
第三章 在線檢測(cè)數(shù)據(jù)異常偏差模式識(shí)別模型
    3.1 引言
    3.2 車身尺寸異常偏差模式與數(shù)據(jù)描述
        3.2.1 漸變異常模式
        3.2.2 階躍異常模式
        3.2.3 周期異常模式
        3.2.4 偏差模式的數(shù)據(jù)描述
    3.3 在線檢測(cè)數(shù)據(jù)特征提取方法
        3.3.1 統(tǒng)計(jì)特征
        3.3.2 形狀特征
    3.4 基于神經(jīng)網(wǎng)絡(luò)的異常偏差識(shí)別模型
        3.4.1 反向傳播神經(jīng)網(wǎng)絡(luò)BP
        3.4.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM
        3.4.3 基于BP和 LSTM神經(jīng)網(wǎng)絡(luò)的異常偏差識(shí)別模型
    3.5 本章小結(jié)
第四章 基于BP和 LSTM的異常偏差識(shí)別模型實(shí)驗(yàn)分析
    4.1 引言
    4.2 實(shí)驗(yàn)環(huán)境搭建
    4.3 數(shù)據(jù)集的組成和預(yù)處理
        4.3.1 數(shù)據(jù)集的產(chǎn)生
        4.3.2 數(shù)據(jù)集的預(yù)處理
    4.4 基于BP和LSTM的異常偏差識(shí)別模型對(duì)比實(shí)驗(yàn)
        4.4.1 異常模式的多特征提取
        4.4.2 神經(jīng)網(wǎng)絡(luò)識(shí)別模型初始化
        4.4.3 不同特征提取方法的比較研究
        4.4.4 BP神經(jīng)網(wǎng)絡(luò)與LSTM神經(jīng)網(wǎng)絡(luò)的比較研究
    4.5 本章小結(jié)
第五章 白車身焊裝質(zhì)量在線智能監(jiān)控的工程應(yīng)用
    5.1 引言
    5.2 在線智能監(jiān)控框架的工作流程
    5.3 白車身在線監(jiān)控工程應(yīng)用案例
        5.3.1 尾燈區(qū)域Y向尺寸—輔助機(jī)構(gòu)磨損
        5.3.2 側(cè)圍前部Y向尺寸—供應(yīng)商管控
    5.4 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 主要研究工作及結(jié)論
    6.2 研究展望
參考文獻(xiàn)
附錄
    特征融合的BP神經(jīng)網(wǎng)絡(luò)模型的MATLAB程序
        主程序
        特征提取
        模式混淆矩陣
    LSTM神經(jīng)網(wǎng)絡(luò)模型的Keras程序(部分)
致謝
攻讀碩士學(xué)位期間學(xué)術(shù)成果



本文編號(hào)：3745517