一种大数据分析发动机冷试检测数据与工位相关性的方法技术

本发明专利技术公开了一种大数据分析发动机冷试检测数据与工位相关性的方法,主要步骤为：1)获取工位检测数据和冷试检测数据。2)补全工位检测数据集和冷试检测数据集的缺失数据。3)对补全后的工位检测数据集进行预处理，得到工位检测数据矩阵M。4)从工位检测数据矩阵M中提取数据样本集X1，…，Xη。5)对数据样本集X1，…，Xη进行稀疏处理。6)计算数据样本集X1，…，Xη和冷试检测数据集B1，...，Bβ的相关性。7)根据数据样本集X1，…，Xη和冷试检测数据集B1，...，Bβ的相关性，分析得到发动机冷试检测数据和发电机工位的相关性。本发明专利技术可以提高发动机出厂时性能的一致性，并节约生产成本。

【技术实现步骤摘要】
一种大数据分析发动机冷试检测数据与工位相关性的方法
本专利技术涉及发电机数据处理领域，具体是一种大数据分析发动机冷试检测数据与工位相关性的方法。
技术介绍
目前，发动机冷试技术被各大汽车厂商引入到发动机的装配检测中。但由于大部分公司生产线存在出厂性能不稳定、发动机性能不可控以及工艺经验不清晰的问题，工程师无法对理想结果做出解释。随着汽车工业的快速发展，为了满足更高的性能需求，发动机系统亦日趋复杂化，在生产过程中对发动机进行快速全面的诊断越来越受到人们的重视。因此，迫切的需要提高发动机出厂时性能的一致性，并解决如何降低生产成本的问题。
技术实现思路
本专利技术的目的是解决现有技术中存在的问题。为实现本专利技术目的而采用的技术方案是这样的，一种大数据分析发动机冷试检测数据与工位相关性的方法，主要包括以下步骤：1)获取同一型号发动机α个工位的工位检测数据和β条冷试检测数据。所述同一型号的发动机α个工位的工位检测数据集分别记为A1、A2、...、Aα。所述同一型号发动机的β条冷试检测数据集分别记为B1、B2、...、Bβ。2)补全工位检测数据集和冷试检测数据集的缺失数据，主要步骤如下：2.1)删除数据集A1，...，Aα和数据集B1，...，Bβ中空项大于70％的列或行。2.2)利用均值插值法补齐数据集A1，...，Aα和数据集B1，...，Bβ中空项小于70％的列或行。3)对补全后的工位检测数据集进行预处理，得到工位检测数据矩阵M，主要步骤如下：3.1)将补全后的工位检测数据集按照工位号和时间的顺序排列数据。排列的优先序列为时间。3.2)按照时间排序后，保留最后发生的工位检测数据，删除其之前的同项工位检测数据，得到初步处理后的数据。3.3)将得到的初步处理后的数据列为数据矩阵M。式中，m为发动机个数，n为工位检测数据和冷试检测数据的个数。4)从工位检测数据矩阵M中随机提取数据样本集X1，…，Xη。α、β和η均为正整数。5)对数据样本集X1，…，Xη进行稀疏处理，主要步骤如下：5.1)计算参数θ，即：式中，||θ||1为向量θ＝(θ1,...,θb)T的L1范数，是向量θ的各元素绝对值和。n为工位检测数据和冷试检测数据的个数。xi为模型输入的工位检测数据。yi为经过学习后的输出集。fθ(xi)为输入函数。范数||θ||1如下所示：式中，b为向量集θ中的个数。θj为向量集θ中的任意元素。5.2)计算参数θ的训练平方误差，即：5.3)根据训练平方误差JLS(θ)和参数θ建立稀疏处理模型。5.4)将数据集A1，...，Aα中2/3的数据变为0。6)计算数据样本集X1，…，Xη和冷试检测数据集B1，B2，...，Bβ的相关性，主要步骤如下：6.1)初步判断工位检测数据和冷试检测数据是否相关，主要步骤如下：6.1.1)计算工位检测数据和冷试检测数据偏差的平方，即式中，x为数据集A1，...，Aα中的元素。为数据集B1，...，Bβ中的元素。6.1.2)根据偏差的平方，计算得到两组偏差SX和SB。6.1.3)计算差异参数F，即：式中，S大为max(SX,SB)。S小为min(SX,SB)。差异参数F表示工位检测数据和冷试检测数据的差异性。6.1.4)根据差异参数F，判断工位检测数据和冷试检测数据是否相关，若是，则转入步骤6.2。若否，则输出工位检测数据和冷试检测数据不相关的结果。6.2)检验工位检测数据和冷试检测数据的偏离程度χ2，即：式中，j＝1，2，3，...，k。k表示数据集X中工位的总数。G为任意工位检测数据的观察频数。E为基于计算出的期望频数。P为概率。偏离程度χ2和工位检测数据和冷试检测数据的差异性正相关。6.3)利用Wilks'slambda值分析工位检测数据的组间差异，主要步骤如下：6.3.1)设X为一个n*p的矩阵，且每行均满足正态分布，即每行的均值为0。矩阵V为X的协方差矩阵。l和d均表示维度。6.3.2)设定散布矩阵矩阵S中每个元素是各个向量元素之间的协方差，即S～Wp(n,V)6.3.3)确定发动机工位检测数据集A和冷试检测数据集B的分布，即：式中，g≥p。p为维度。g为自由度的错误程度。h为自由度。6.3.4)计算组内差异参数λ，即：6.4)结合步骤1至步骤3，建立相关性判断模型。6.5)计算相关性判断模型的决定系数R，即：R2＝1-SSE/SST。(10)式中，SSE为冷试检测数据的总平方和。SST是冷试检测数据残差平方和。6.6)计算相关性判断模型的错误方差Error，即：Error＝Bias+Variance。(11)式中，Bias为工位检测数据和冷试检测数据的误差。Variance为模型每一次输出结果与模型输出期望之间的误差。6.7)根据差异参数F、偏离程度χ2和相关性判断模型判断工位检测数据和冷试检测数据的相关程度。7)根据数据样本集X1，…，Xη和冷试检测数据集B1、B2、...、Bβ的相关性，分析得到发动机冷试检测数据和发电机工位的相关性。本专利技术的技术效果是毋庸置疑的。本专利技术将大数据分析算法及模型应用于生产现场，通过对大数据分析发动机工位检测数据与冷试检测数据之间的关系，得出影响冷试检测数据的具体工位，对影响冷试检测数据较大的工位的工艺参数进行更为严格地控制，从而提高发动机出厂时性能的一致性，同时，对影响冷试检测数据较小的工位设备降低档次，可以节约生产成本。附图说明图1为方法流程图；图2为满足||θ||1≤R的θ取值示意图。具体实施方式下面结合实施例对本专利技术作进一步说明，但不应该理解为本专利技术上述主题范围仅限于下述实施例。在不脱离本专利技术上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本专利技术的保护范围内。实施例1：参见图1至图2，一种大数据分析发动机冷试检测数据与工位相关性的方法，包括以下步骤：1)获取同一型号发动机37个工位的工位检测数据和17条冷试检测数据。所述同一型号的发动机37个工位的工位检测数据集分别记为A1、A2、...、A37。所述同一型号发动机的17条冷试检测数据集分别记为B1、B2、...、B17。37个工位具体名称如表1所示。冷试检测数据如表2所示。每个工位完成以后均有一组工位检测数据，工位检测数据是对该工位完成后的检测数据，每个工位的检测项均具有一千条左右，每个工位的检测项数据也具有一千条左右，每个工位的检测项也不相同，数据可以直接通过传感器检测获得，检测获得的数据能够直接导出。发动机的工位检测数据和冷试检测数据均通过传感器取得。表1发动机加工工位对应工艺A1拧紧主油道堵塞，拆卸下缸体A2安装主轴上瓦A3安装张紧器滤网并拧紧油道堵塞A4安装拧紧机油喷嘴A5安装并润滑曲轴、止推片A6装主轴下瓦并安装下缸体并插入1颗螺栓，插入适配板定位销A7安装主轴下瓦A8下缸体螺栓拧紧A9拧紧连杆盖A10涂胶并拧紧R3/8油堵，安装链轮，安装机油泵定位销A11安装机油泵、链条，安装张紧器A12涂胶并拧紧R3/8油道堵塞2个A13拧紧缸盖螺栓A14拧紧火花塞A15安装VVT驱动轮A16安装润滑凸轮轴，安装正时链轮A17拧紧凸轮轴盖，测量凸轮轴间隙A18拧紧动定导轨，安装张紧器A19拧紧机油阀和张紧器A20拿取活塞，装衬环A21安装两瓜片A22装刮环本文档来自技高网...

【技术保护点】
1.一种大数据分析发动机冷试检测数据与工位相关性的方法，其特征在于，主要包括以下步骤：1)获取同一型号发动机α个工位的工位检测数据和β条冷试检测数据；所述同一型号的发动机α个工位的工位检测数据集分别记为A1、A2、...、Aα；所述同一型号发动机的β条冷试检测数据集分别记为B1、B2、...、Bβ；2)补全工位检测数据集和冷试检测数据集的缺失数据；3)对补全后的工位检测数据集进行预处理，得到工位检测数据矩阵M；4)从工位检测数据矩阵M中随机提取所述数据样本集X1，…，Xη；5)对数据样本集X1，…，Xη进行稀疏处理。6)计算数据样本集X1，…，Xη和冷试检测数据集B1，B2，...，Bβ的相关性；7)根据数据样本集X1，…，Xη和冷试检测数据集B1、B2、...、Bβ的相关性，分析得到发动机冷试检测数据和发电机工位的相关性。

【技术特征摘要】
1.一种大数据分析发动机冷试检测数据与工位相关性的方法，其特征在于，主要包括以下步骤：1)获取同一型号发动机α个工位的工位检测数据和β条冷试检测数据；所述同一型号的发动机α个工位的工位检测数据集分别记为A1、A2、...、Aα；所述同一型号发动机的β条冷试检测数据集分别记为B1、B2、...、Bβ；2)补全工位检测数据集和冷试检测数据集的缺失数据；3)对补全后的工位检测数据集进行预处理，得到工位检测数据矩阵M；4)从工位检测数据矩阵M中随机提取所述数据样本集X1，…，Xη；5)对数据样本集X1，…，Xη进行稀疏处理。6)计算数据样本集X1，…，Xη和冷试检测数据集B1，B2，...，Bβ的相关性；7)根据数据样本集X1，…，Xη和冷试检测数据集B1、B2、...、Bβ的相关性，分析得到发动机冷试检测数据和发电机工位的相关性。2.根据权利要求1所述的一种大数据分析发动机冷试检测数据与工位相关性的方法，其特征在于，补全工位检测数据集和冷试检测数据集的缺失数据的主要步骤如下：1)删除数据集A1，...，Aα和数据集B1，...，Bβ中空项大于70％的列或行；2)利用均值插值法补齐数据集A1，...，Aα和数据集B1，...，Bβ中空项小于70％的列或行。3.根据权利要求1或2所述的一种大数据分析发动机冷试检测数据与工位相关性的方法，其特征在于：对补全后的工位检测数据集进行预处理的主要步骤如下：1)将补全后的工位检测数据集按照工位号和时间的顺序排列数据；排列的优先序列为时间；2)按照时间排序后，保留最后发生的工位检测数据，删除其之前的同项工位检测数据，得到初步处理后的数据；3)将得到的初步处理后的数据列为数据矩阵M；式中，m为发动机个数，n为工位检测数据和冷试检测数据的个数。4.根据权利要求1或2所述的一种大数据分析发动机冷试检测数据与工位相关性的方法，其特征在于：α、β和η均为正整数。5.根据权利要求1所述的一种大数据分析发动机冷试检测数据与工位相关性的方法，其特征在于，稀疏处理的主要步骤如下：1)计算参数θ，即：式中，||θ||1为向量θ＝(θ1,...,θb)T的L1范数，是向量θ的各元素绝对值和；n为工位检测数据和冷试检测数据的个数；xi为模型输入的工位检测数据，yi为经过学习后的输出集；fθ(xi)为输入函数；范数||θ||1如下所示：式中，b为向量集θ中的个数；θj为向量...

【专利技术属性】
技术研发人员：刘礼，杨宁，王姝，王丹妮，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50