曲轴装配扭矩质量检测系统的构建方法及质量评价方法与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及发动机冷试测试技术领域，具体涉及一种曲轴装配扭矩质量检测系统的构建方法及质量评价方法。背景技术：2.伴随着人类工作生活的需要以及汽车制造业的发展，对作为汽车核心部件的发动机的加工制造要求越来越高，因此发动机装配质量的检测就成为十分重要的环节。相较于传统的热试检测，冷试检测技术由于具有自动化程度高、污染小、故障定位准确、成本低等众多优势，逐渐成为各大厂商发动机装配检测的关键手段。3.在冷试检测过程中，装配完成的发动机需要采用冷试设备装配测试，曲轴装配的扭矩适中最好，数值过大或者过小表明发动机的装配质量较差。而曲轴装配扭矩数值受进气压力值、进气早开角、排气晚关角、曲轴公差、连杆小头公差、连杆大头公差等参数影响。4.因此，如何利用现有参数判断出哪些参数对装配质量有主要关联影响，并进行相对控制，以提高发动机装配质量及一致性是十分重要的。技术实现要素：5.针对现有技术中存在的不足，本发明的主要目的在于提供一种曲轴装配扭矩质量检测系统的构建方法及质量评价方法，该构建方法获得的曲轴装配扭矩质量检测系统采用融合萤火虫算法与蚁群算法的智能算法对建立的数据库进行聚类分析，设定阈值对相关参数进行布尔处理，然后对曲轴装配扭矩进行大数据分析，设定阈值进行布尔处理，综合得到相应的布尔数据库，利用关联规则算法对布尔数据库进行关联分析，得到其它异常参数与曲轴装配扭矩异常参数之间的关联规则，从而对相应参数的装配质量进行相对控制，有效提高发动机装配质量及一致性。6.为了实现上述目的，根据本发明的第一方面，提供了一种曲轴装配扭矩质量检测系统的构建方法。7.该曲轴装配扭矩质量检测系统的构建方法包括以下步骤：从冷试测试设备获取相关参数数据和曲轴装配扭矩最大值数据，构建影响曲轴装配扭矩变化的参数的数据库；采用融合萤火虫算法与蚁群算法的智能算法对所述数据库进行聚类分析，设定阈值对相关参数进行布尔处理；然后对曲轴装配扭矩最大值进行大数据分析，设定阈值进行布尔处理，综合得到相应的布尔数据库；采用关联规则算法对所述布尔数据库进行关联分析，得到装配质量异常参数与曲轴装配扭矩异常值之间的关联规则，形成曲轴装配扭矩质量检测系统。8.进一步的，所述融合萤火虫算法与蚁群算法的智能算法的构建过程包括：将蚁群算法的信息素引入到萤火虫算法中改进其性能：萤火虫种群在一个维空间内，由个萤火虫组成的种群，表示为：；式中，表示萤火虫在解空间的位置；表示萤火虫在维空间的值；每个萤火虫对其视野范围的另一个萤火虫的相对亮度为：；式中，为萤火虫的绝对亮度；为光吸收系数，可设为常数；为萤火虫到萤火虫的笛卡尔距离：；每个萤火虫更新的位置为：；式中，为算法的迭代次数；为在光源（）处萤火虫的吸引力；将蚁群算法信息素融入萤火虫算法中，得到公式为：；式中，和为两个权重参数；为蚁群算法寻优过程，式中为选择的下一节点；表示蚂蚁从向移动的距离；和分别表示信息素和启发信息在构建候选解时的相对重要程度；为蚁群算法信息素更新过程，式中，是全局信息素挥发系数；表示路段上的路径适应度；q为常量，表示信息素增加量；为对萤火虫处相对亮度的最大值。9.进一步的，所述融合萤火虫算法与蚁群算法的智能算法的构建过程包括：通过对适应度寻优自适应改变萤火虫算法的决策阈范围：第步融合萤火虫与蚁群的智能算法的适应度函数为，决策阈半径为，算法决策阈前后的差值与原值之比为=；如果，则减小萤火虫决策阈半径为，增强局部寻优能力；当连续进行5次寻优过程，的值始终小于5‰，则利用蚁群算法对萤火虫算法进行随机扰动，增大萤火虫决策阈半径为；再次计算决策阈半径，当前的决策阈半径如果优于原决策阈半径，更新萤火虫位置，反之则不更新萤火虫位置；如果，增大萤火虫决策阈半径为，增强全局寻优能力。10.进一步的，采用融合萤火虫算法与蚁群算法的智能算法进行聚类分析包括：采用融合萤火虫算法与蚁群算法的智能算法计算个体的参数，每个个体代表一种聚类方式，每个个体的行动的目标代表此聚类中心的位置，适应度函数为所有数据到最近聚类中心的欧几里得距离，计算公式为：；式中，为聚类个数，是数据个数，是数据维度，是数据，是聚类的中心；萤火虫通过寻找从初始位置到最终位置的最短路径，找到使适应度函数最小的聚类中心，对所述数据库进行了n种不同的聚类划分。11.进一步的，采集冷试测试设备中的进气压力值、进气早开角、排气晚关角、曲轴公差、连杆小头公差、连杆大头公差、曲轴装配扭矩最大值数据，对其进行归一化处理，形成所述数据库。12.进一步的，采用融合萤火虫算法与蚁群算法的智能算法对所述数据库进行聚类分析的过程中，其中心划分为3个，得到包括进气压力值、进气早开角、排气晚关角、曲轴公差、连杆小头公差、连杆大头公差数据的3个聚类簇团；设置每一个簇团从簇团中心沿半径统计参数点，包含97.2%个数的参数区域作为正常区域参数，其它作为异常区域参数；设定正常区域参数的布尔值为0，异常区域参数的布尔值为1。13.进一步的，采用大数据对冷试测试获得的曲轴装配扭矩最大值进行分析，确定其分布特征，并设定正常区域参数的布尔值为0，异常区域参数的布尔值为1；当采用正态分布时，取正负3σ内的参数作为正常区域参数，其它作为异常区域参数；当采用韦伯分布时，取前后限内各2%的参数作为异常区域参数，其它作为正常区域参数；当采用其它分布时，取前后限内3%的参数作为异常区域参数，其它作为正常区域参数。14.进一步的，采用关联规则中的apriori算法对所述布尔数据库进行分析，计算进气压力值、进气早开角、排气晚关角、曲轴公差、连杆小头公差、连杆大头公差的装配质量异常参数与曲轴装配扭矩异常值的支持度、提升度和兴趣度，生成规则库。15.为了实现上述目的，根据本发明的第二方面，提供了一种质量评价方法。16.该质量评价方法是基于上述方法构建的曲轴装配扭矩质量检测系统，其中：将实时采集的冷试测试数据作为输入数据，利用构建得到的曲轴装配扭矩质量检测系统对发动机曲轴装配质量进行评价。17.本发明中采用蚁群算法改进萤火虫算法的寻优过程，将萤火虫算法的每个点同时看成蚂蚁进行寻优，计算适应度函数前后的差值与原值之比，根据此数值来决定萤火虫算法的决策阈范围，同时每个萤火虫的决策阈范围的变化受到蚂蚁算法信息素的影响，由此得到新的融合萤火虫算法与蚁群算法的智能算法，并将此智能算法用于改进聚类分析的性能，获得改进的聚类方法。18.本发明中从冷试测试设备获取相关参数和曲轴装配扭矩最大值数据，构建影响曲轴装配扭矩变化的参数的数据库，利用融合萤火虫算法与蚁群算法的智能算法对此数据库进行聚类分析，设定阈值对相关参数进行布尔处理；然后对曲轴装配扭矩最大值进行大数据分析，设定阈值进行布尔处理，综合得到相应的布尔数据库。之后利用关联规则算法对布尔数据库进行关联分析，得到其它异常参数与曲轴装配扭矩异常参数之间的关联规则，由此获得曲轴装配扭矩质量检测系统，可有效提高发动机的装配质量及产品质量。附图说明19.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为本发明提供的实施例中发动机曲轴装配扭矩质量检测系统的构建方法流程图。具体实施方式20.下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。21.本发明中采用蚁群算法改进萤火虫算法的寻优过程，将萤火虫算法的每个点同时看成蚂蚁进行寻优，计算适应度函数前后的差值与原值之比，根据此数值来决定萤火虫算法的决策阈范围，同时每个萤火虫的决策阈范围的变化受到蚂蚁算法信息素的影响，由此得到新的融合萤火虫算法与蚁群算法的智能算法，并将此算法用于改进聚类分析的性能，获得改进的聚类方法。22.本发明中首先从冷试测试设备获取相关参数和曲轴装配扭矩最大值数据，构建影响曲轴装配扭矩变化的参数的数据库，利用融合萤火虫算法与蚁群算法的智能算法对该数据库中的相关参数进行聚类分析，设定阈值对相关参数进行布尔处理；然后对曲轴装配扭矩最大值进行大数据分析，设定阈值进行布尔处理，综合得到布尔数据库。之后采用关联规则算法对布尔数据库进行关联分析，得到其它异常参数与曲轴装配扭矩异常值之间的关联规则，由此得到一种曲轴装配扭矩质量检测专家系统。23.值得一提的是，本发明中的相关参数仅包含进气压力值、进气早开角、排气晚关角、曲轴公差、连杆小头公差、连杆大头公差6个参数。24.图1示出了本发明实施例中发动机曲轴装配扭矩质量检测系统的构建方法流程图。25.如图1所示，采用蚁群算法改进萤火虫算法，得到新的融合萤火虫算法与蚁群算法的智能算法。26.将蚁群算法的信息素引入到萤火虫算法中改进其性能：萤火虫种群在一个维空间内，由个萤火虫组成的种群，可表示为：。27.式中，表示萤火虫在解空间的位置，表示萤火虫在维空间的值。28.每个萤火虫对其视野范围的另一个萤火虫的相对亮度为：。29.式中，为萤火虫的绝对亮度；为光吸收系数，可设为常数；为萤火虫到萤火虫的笛卡尔距离为：。30.每个萤火虫更新的位置为：；式中，为算法的迭代次数；为最大吸引力，即在光源（）处萤火虫的吸引力。31.将蚁群算法信息素融入萤火虫算法中，由此得到公式为：。32.式中，和为两个权重参数；为蚁群算法寻优过程，式中为选择的下一节点；表示蚂蚁从向移动的距离；和分别表示信息素和启发信息在构建候选解时的相对重要程度；为蚁群算法信息素更新过程，式中，是全局信息素挥发系数；表示路段上的路径适应度；q为常量，表示信息素增加量；为对萤火虫处相对亮度的最大值。33.通过对适应度寻优自适应改变萤火虫算法的决策阈范围，第步融合萤火虫与蚁群的智能算法的适应度函数为，决策阈半径为，算法决策阈前后的差值与原值之比为=；如果，则减小萤火虫决策阈半径为，增强局部寻优能力。34.当连续进行5次的上述寻优过程，的值始终小于5‰，此时利用蚁群算法对萤火虫算法进行随机扰动，增大萤火虫决策阈半径为。35.再次计算决策阈半径，此时的决策阈半径如果优于原决策阈半径，更新萤火虫位置，反之则不更新萤火虫位置。36.如果，增大萤火虫决策阈半径为，增强全局寻优能力。37.如图1所示，将融合萤火虫算法与蚁群算法的智能算法用于改进聚类分析，首先采用融合萤火虫算法与蚁群算法的智能算法计算个体的参数，每个个体代表一种聚类方式，每个个体的行动的目标代表此聚类中心的位置，适应度函数为所有数据到最近聚类中心的欧几里得距离，计算式为：。38.式中，为聚类个数，是数据个数，是数据维度，是数据，是聚类的中心，即萤火虫寻优的最优位置。39.萤火虫通过寻找从初始位置到最终位置的最短路径，找到使适应度函数最小的聚类中心，从而把整个数据集进行了n种不同的聚类划分。40.如图1所示，采集冷试测试数据，建立影响曲轴装配扭矩变化的参数的数据库。41.在本发明的实施例中，采集发动机冷试测试过程中的进气压力值、进气早开角、排气晚关角、曲轴公差、连杆小头公差、连杆大头公差、曲轴装配扭矩最大值数据，对其进行归一化处理，形成冷试测试数据库。42.如图1所示，采用融合萤火虫算法与蚁群算法的智能算法对冷试测试数据库进行聚类分析，聚类分析过程中，其中心划分为个，得到包括进气压力值、进气早开角、排气晚关角、曲轴公差、连杆小头公差、连杆大头公差数据的3个聚类簇团；针对上述3个聚类簇团，设置每一个聚类簇团从簇团中心沿半径统计参数点，包含97.2%个数的参数区域作为正常的阈值，其他区域为异常，设定正常区域的参数的布尔值为0，异常区域的参数的布尔值为1。43.如图1所示，采用大数据对冷试测试设备所测得的曲轴装配扭矩最大值进行分析，确定其分布特征，例如：当采用为正态分布时，选取正负3σ内的区域参数数据作为正常值，其布尔值为0；其他区域的参数数据作为异常值，其布尔值为1；当采用韦伯分布时，选取前后限内各2%的区域参数数据作为异常值，其布尔值为1；其他区域的参数数据作为正常值，其布尔值为0；当采用其他分布形式且为非正态分布以及非韦伯分布时，选取前后限内各3%的区域参数数据作为异常值，其布尔值为1；其他区域的参数数据作为正常值，其布尔值为0。44.如图1所示，综合聚类分析所得的进气压力值、进气早开角、排气晚关角、曲轴公差、连杆小头公差、连杆大头公差布尔值以及大数据分析所得的曲轴装配扭矩布尔值，得到布尔数据库。45.如图1所示，采用关联规则中的apriori算法对所得的布尔数据库进行分析，计算进气压力值、进气早开角、排气晚关角、曲轴公差、连杆小头公差、连杆大头公差的装配质量异常参数与曲轴装配扭矩异常值的支持度、提升度和兴趣度，生成规则库，由此形成一种曲轴装配扭矩质量检测专家系统。46.根据本发明的具体实施方式，还提供了一种发动机曲轴装配扭矩质量评价方法。47.本发明中的发动机曲轴装配扭矩质量评价方法是基于上述方法构建的曲轴装配扭矩质量检测系统，包括以下步骤：从冷试测试设备获取相关参数数据和曲轴装配扭矩最大值数据，构建影响曲轴装配扭矩变化的参数的数据库；采用融合萤火虫算法与蚁群算法的智能算法对数据库进行聚类分析，设定阈值对相关参数进行布尔处理；然后对曲轴装配扭矩最大值进行大数据分析，设定阈值进行布尔处理，综合得到相应的布尔数据库；采用关联规则算法对布尔数据库进行关联分析，得到装配质量异常参数与曲轴装配扭矩异常值之间的关联规则，形成曲轴装配扭矩质量检测系统；将实时采集的冷试测试数据作为输入数据，利用构建得到的曲轴装配扭矩质量检测系统对发动机曲轴装配质量进行评价。48.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!