一种基于LAOPW和线性插值的智能压装质量预警方法

技术领域

本发明涉及一种智能压装质量预警方法，具体地说是一种基于LAOPW和线性插值的智能压装质量预警方法。

背景技术

智能压装单元因存在环境、设备、原材料等客观因素的影响，装配质量控制难度较大，严重影响产品最终质量，且导致不能按时交付。因此，全面、准确地挖掘出装配质量问题并对装配质量进行预警，具有现实意义。

传统压装质量控制范围的确定主要依赖个人经验，主观性较大，缺乏科学依据。而智能压装质量大数据中蕴含了大量规律，可作为确定压装质量控制范围的科学依据。通过利用精密位移和力传感器采集压装过程“位移-力”数据，借助线性插值方法分析产品装配性能与压装过程之间的关系，建立起压装的“位移-力”数学模型，并通过信息互联将其实时反馈到压装设备，可以实现压装力精确闭环控制。同时，智能压装过程中的“位移-力”数据中存在一些离群数据，将离群挖掘算法和线性插值分析结合起来，可以实现得到更加合理的质量控制范围，以实现对压装过程的有效预警。

发明内容

本发明的目的在于现有的智能压装质量控制难度大，难以准确提供智能压装过程中故障预警的问题，提供一种能提高装配质量的基于LAOPW和线性插值的智能压装质量预警方法。

本发明利用改进的离群挖掘算法对智能压装过程中的“位移-力”数据集进行预处理，并借助线性插值法可以得到更加合理的质量控制范围，为智能压装过程预警和控制提供一条新途径。首先引入基于信息熵的加权距离进行距离度量，并用P权值代替可达距离，重新定义离群因子LAOPW；然后使用LAOPW离群挖掘算法剔除原始“位移-力”数据集的离群点，得到初步数据集；最后利用线性插值法建立压装过程质量控制模型，为压装质量预警提供依据。该方法一方面通过重新定义的局部离群因子，有效地提高了离群挖掘算法的检测性能。另一方面，利用LAOPW挖掘算法处理后的数据集来构建“位移-力”质量控制模型，使得对压装过程的预警和控制更加准确。实验结果证明，本文设计的LAOPW算法和质量控制模型具有有效性和实用性。

本发明的技术方案是：

一种基于LAOPW算法和线性插值的智能压装质量预警方法，其特征是：它包括以下步骤：1、采集智能压装过程中的“位移-力”数据，形成原始压装质量数据集；2、分析压装质量数据集的特点，设计基于LAOPW的离群挖掘预处理算法；3、对离群处理后的智能压装质量数据集，建立压装过程质量控制模型；4、结合压装过程质量控制模型，对压装过程进行预警。

所述步骤2具体为：

2.1、读取智能压装质量“位移-力”原始数据集和参数q；

2.2、计算数据集中所有属性的去一化信息熵增量Δ(E

2.3、计算数据集中所有对象的q距离和q距离邻域；

2.4、计算基于P权值的可达密度和局部离群因子；

2.5、降序输出局部离群因子，获取离群点；

2.6、算法结束；

具体的，所述步骤2.2中：

通过熵值的变化定义数据对象相关属性的权重，以提高离群挖掘性能。信息熵用于随机变量的不确定性度量，因此可以根据熵值来判断某个数据对象的离群程度。设随机变量x的取值集合为X(x)，p(x)表示概率，则信息熵S(x)定义为：

去一化操作突出离群属性，即属性的权重定义为去掉一个属性后熵值的变化。设E＝(E

Δ(E

其中Δ(E

对属性求加权距离，以提高离群属性在距离度量中的影响。若给定两个数据对象u＝{u

具体的，所述步骤2.3中：

对象u的P权值W

具体的，所述步骤2.4中：

对象u的局部密度定义为：以数据对象u为圆心，k(u,v)为半径的圆，单位面积含有数据点的个数即为u的局部密度，记作式：

对象u的局部离群因子定义为式：

所述步骤3具体为:

首先利用提出的离群挖掘算法LAOPW对“位移-力”原始数据集剔除离群点，得到新的压装质量数据集。然后采用线性插值分析法建立压装过程质量控制模型。

所述步骤4具体为:

利用压装过程质量控制模型对压装过程进行预警的原理为：μ±2σ对应上下警告线线，μ±3σ对应上下控制线，其中μ和σ分别为均值和标准差。对于压装过程中的某位移S，如果其对应的压装力F在上下警告线之间的区域内，则说明当前压装正常进行；若在上警告线和上控制线、下警告线和下控制线这两个区域范围内，表明压装质量开始出现问题，需进行初步检查；一旦超出上控制线或低于下控制线，表示装配过程完全“失控”，装配得到的是废品，立即预警。

本发明的有益效果是：

(1)本发明将离群挖掘算法和线性插值分析法结合起来，可以得到更加合理的质量控制范围，可以为智能压装过程预警和控制提供一条新途径，具有实际应用价值。

(2)本发明提出一种LAOPW的智能压装质量离群挖掘预处理方法，能够有效剔除压装“位移-力”数据集中的离群点，获得更精确的质量控制范围，为智能压装质量的有效预警奠定基础。

(3)本发明提出的离群挖掘算法LAOPW在度量距离时引入去一化信息熵，用P权值代替可达距离，并用其作为区域半径求得区域面积代替距离和，时间复杂度为O(n*q)，并重新定义局部离群因子，在保证效率的同时有效提高了离群挖掘的准确性。

本发明通过挖掘并剔除智能压装质量“位移-力”数据集中的离群点，可以得到更加有效的压装质量控制范围；借助线性插值法得到质量控制模型，从而为智能压装过程的预警和管控提供依据。

附图说明

图1是本发明的离群挖掘算法流程图。

图2是本发明的质量控制原理图。

图3是本发明的算法与另外两种算法基于Iris数据集挖掘出离群点的混淆矩阵对比图。

图4是本发明的算法与另外两种算法基于Aggregation数据集挖掘出离群点的混淆矩阵对比图。

图5是本发明的算法与另外两种算法运行时间对比图。

图6是从伺服机构装配单元中获取的某型号产品压装的“位移-力”数据集。

图7是根据本发明的算法，对图6中的数据集进行离群挖掘后的相关统计数据。

图8是本发明使用前后压装质量控制模型的对比图,其中图8(a)表示根据原始位移力数据集获取的质量控制图，图8(b)代表通过LAOPW算法去除离群值后的质量控制图。

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。

如图1-8所示。

一种基于LAOPW算法和线性插值法的智能压装质量预警方法，包括以下步骤：1、采集智能压装过程中的“位移-力”数据，形成压装质量数据集；2、分析压装质量数据集的特点，设计基于LAOPW的离群挖掘预处理算法；3、对离群处理后的智能压装质量数据集，建立压装过程质量控制模型；4、结合压装过程质量控制模型，对压装过程进行预警。

具体如下：

1、根据压装过程中的“位移-力”数据集特点，进行离群挖掘算法LAOPW对其进行预处理，图1为本发明的流程图，具体的实施过程如下：

步骤1.1：读取智能压装质量“位移-力”原始数据集和参数q；

步骤1.2：计算数据集中所有属性的去一化信息熵增量Δ(Ei)；

步骤1.3：计算数据集中所有对象的q距离和q距离邻域；

步骤1.4：计算基于P权值的可达密度和局部离群因子；

步骤1.5：降序输出局部离群因子，获取离群点；

步骤1.6：算法结束；

该算法在度量距离时引入去一化信息熵，用P权值代替可达距离，并用其作为区域半径求得区域面积代替距离和，最后重新定义局部离群因子LAOPW来计算数据集中对象的离群程度。图3至图5为LAOPW算法与LOF、LAOF算法从离群挖掘性能和挖掘时间两方面的对比图，可以看出本文使用的LAOPW算法不仅挖掘效果稳定，而且运行效率较高。

2、智能压装控制贯穿整个装配生产过程，“压装力-位移”数据可以反映产品的装配性能，采用线性插值分析方法可以建立“压装力-位移”数学模型，实现对压装过程的有效控制。

经研究发现，若同一位移下的压装力满足正态分布N(μ,σ

3、以如图6智能压装过程中的压装数据为例，利用上述LAOPW算法剔除挖掘出的离群点后，得到如图7所示的统计数据。

4、根据图7的数据，建立如图8所示的压装过程质量控制模型。其中图8(a)表示根据原始位移力数据集获取的质量控制图，图8(b)代表通过LAOPW算法去除离群值后的质量控制图。图中“×”标识不同位移下的最大和最小力。将图8(a)、图8(b)两图进行对比，很明显后者具有较小的质量控制范围，并基本覆盖了所有数据点。定义了更准确的质量控制范围，可以为伺服压装过程提供更合理的质量控制。

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。