一种摩托车发动机缸体的尺寸高精度检测方法及系统与流程

本技术涉及智能检测，具体是一种摩托车发动机缸体的尺寸高精度检测方法及系统。

背景技术：

1、目前，摩托车发动机缸体精加工后的尺寸检测主要存在以下技术痛点：

2、（1）固定比例抽检导致资源错配：无论产线状态稳定与否，均按恒定比例抽检。产线稳定时浪费昂贵的圆柱度仪/三坐标检测资源；产线波动时抽检不足，导致批量尺寸超差（圆度、锥度）逃逸至装配线，造成批量返工或整机报废。

3、（2）传统spc阈值预警缺乏物理可解释性：基于全局均值与3σ标准差的统计过程控制（spc）方法，仅能发出“超限”信号，无法区分缺陷的具体物理成因（如无法辨别“珩磨条磨损”与“毛坯硬度过高”）。该方式误报率极高，且报警后无法为现场人员提供精准的故障排查指向。

4、（3）基于历史废品聚类的机器学习方案存在冷启动困境：现有方案依赖大量历史高瑕疵批次数据进行聚类建模，但新产线或新车型投产时此类数据严重匮乏。同时，当工艺发生永久性变更（如更换刀具材质）后，旧模板库全部失效，需重新积累数月数据，实用性差。

技术实现思路

1、有鉴于此，本技术的目的是提供一种摩托车发动机缸体的尺寸高精度检测方法及系统，以解决背景技术中的问题。

2、为了实现上述目的，本技术采用了如下技术方案：

3、本技术的一种摩托车发动机缸体的尺寸高精度检测方法，包括步骤：

4、s1，获取摩托车发动机缸体生产线在最近时间窗口内的多个历史批次的历史生产过程数据和检测结果，并获取摩托车发动机缸体生产线的实时生产批次的生产数据；

5、s2，基于所述检测结果从多个历史批次中提取瑕疵批次和正常批次，从所述正常批次的历史生产过程数据中提取多种生产参数的参考基线；从瑕疵批次的历史生产过程数据中提取与瑕疵率上升存在关联的关联参数以及关联参数的权重；

6、s3，基于所述生产数据、所述关联参数的参考基线以及所述关联参数的权重计算综合风险指数；

7、s4，在所述综合风险指数大于或者等于预设的风险阈值时，基于预设抽样比例对实时生产批次的缸体进行缸体尺寸的高精度抽样检测，得到高精度检测结果；

8、s5，在所述高精度检测结果表征存在瑕疵时，基于多个实时生产批次的高精度检测结果以及生产数据构建多种瑕疵类型的生产数据特征模板；在所述高精度检测结果表征不存在瑕疵时，对所述预设抽样比例和/或风险阈值进行反馈调节；

9、s6，在完成多种瑕疵类型的生产数据特征模板的构建时，将实时采集的生产数据与多种瑕疵类型的生产数据特征模板进行匹配，当生产数据与任意一个瑕疵类型的生产数据特征模板匹配时，对缸体进行抽样并执行对应瑕疵类型的尺寸高精度检测；否则，执行步骤s3-s4。

10、在本技术一实施例中，从所述正常批次的历史生产过程数据中提取多种生产参数的参考基线，包括：

11、从所述正常批次的历史生产过程数据中提取多种生产参数的原始取值序列，并对所述多种生产参数的原始取值序列进行数据清洗，得到取值序列，其中，数据清洗包括稳态时间点数据截取和物理边界滤波；

12、计算多种生产参数的取值序列均值和标准差，得到多种生产参数的参考基线。

13、在本技术一实施例中，从瑕疵批次的历史生产过程数据中提取与瑕疵率上升存在关联的关联参数以及关联参数的权重，包括：

14、从所述瑕疵批次的历史生产过程数据中提取瑕疵缸体对应的生产加工时间段对应的目标数据片段；

15、提取所述目标数据片段的时间特征以及环境温度特征，并从所述正常批次的历史生产过程数据中提取与所述时间特征以及环境温度特征一致的参考数据片段；

16、对所述目标数据片段中每种参数的取值序列和所述参考数据片段中对应参数的取值序列进行曼-惠特尼秩和检验，得到显著性水平；并将显著性水平低于预设显著性阈值的参数作为初始关联参数；

17、从所述目标数据片段中提取初始关联参数的目标片段序列，并从所述参考数据片段中提取初始关联参数的参考片段序列；

18、基于所述初始关联参数的目标片段序列和参考片段序列计算所述初始关联参数与产生瑕疵事件的互信息；

19、对多种初始关联参数进行共线分析，得到多个存在共线关系的初始关联参数组；并将每个初始关联参数组中互信息最大的初始关联参数作为关联参数；

20、对多个关联参数的互信息进行归一化处理，得到每种关联参数的权重。

21、在本技术一实施例中，对多种初始关联参数进行共线分析，得到多个存在共线关系的初始关联参数组，包括：

22、基于所述目标片段序列和所述参考片段序列计算任意两个初始关联参数的皮尔逊相关系数；

23、将皮尔逊相关系数大于或者等于预设相关度阈值的两个初始关联参数组合为一个存在共线关系的初始关联参数组。

24、在本技术一实施例中，基于所述生产数据、所述关联参数的参考基线以及所述关联参数的权重计算综合风险指数，包括：

25、基于所述生产数据和所述关联参数的参考基线计算关联参数的单参数偏差得分，其中，所述单参数偏差得分的计算式为：

26、

27、式中，为生产数据中关联参数的当前取值，为参考基线中的均值，为参考基线中的标准差；

28、基于所述关联参数的权重对关联参数的单参数偏差得分进行加权求和，得到综合风险。

29、在本技术一实施例中，基于多个实时生产批次的高精度检测结果以及生产数据构建多种瑕疵类型的生产数据特征模板，包括：

30、从所述高精度检测结果中提取瑕疵类型，并从所述生产数据中提取瑕疵类型缸体对应的目标生产数据片段，以及从所述生产数据中提取与所述瑕疵类型缸体最近时间的正常缸体的多个参考生产数据片段；

31、对所述目标生产数据片段中多种参数的取值序列进行标准化处理，得到目标向量；并对所述参考生产数据片段中多种参数的取值序列进行标准化处理，得到参考向量；

32、对多个参考向量进行求平均值，得到平均参考向量；并计算所述目标向量与所述平均参考向量的差值，得到模板特征向量；

33、在所述模板特征向量的提取时间无异常事件时，将所述模板特征向量存放至预先构建的所述瑕疵类型的模板特征向量集合中；

34、当任意一个瑕疵类型的模板特征向量集合中的模板特征向量的数量大于或者等于预设的更新触发阈值时，对所述瑕疵类型的模板特征向量集合中的模板特征向量进行无监督聚类，得到多个特征向量簇；

35、将簇内样本数量大于或者等于预设的数量阈值的特征向量簇作为有效簇，并计算所述有效簇中所有模板特征向量的欧几里得标准差；

36、在所述欧几里得标准差大于预设的标准差阈值时，在调整范围约束下调整无监督聚类参数并回到对所述瑕疵类型的模板特征向量集合中的模板特征向量进行无监督聚类，直至存在欧几里得标准差小于或者等于预设标准差阈值的有效簇或者循环次数超过设定值；在所述欧几里得标准差小于或者等于预设的标准差阈值时，提取所述有效簇的中心向量，得到瑕疵类型的生产数据特征模板；

37、当每个瑕疵类型都存在至少一种生产数据特征模板时，完成多种瑕疵类型的生产数据特征模板的构建。

38、在本技术一实施例中，对所述预设抽样比例和/或风险阈值进行反馈调节，包括：

39、统计最近时间窗口内的误报率、漏报率和模板匹配命中率；并获取当前时刻的高精度检测负载率；

40、在所述漏报率大于预设的百分比阈值时，对所述风险阈值以及预设抽样比例进行更新，得到更新后的抽样比例以及更新后的风险阈值，其中，更新后的抽样比例以及更新后的风险阈值的计算式为：

41、

42、

43、式中，为所述预设抽样比例，为比例更新单位值，为最大抽样比例，为所述风险阈值，为取值小于1的第一调节系数；

44、在所述漏报率小于或者等于预设的百分比阈值时，基于所述误报率和所述高精度检测负载率对所述预设抽样比例进行反馈调节；

45、在完成多种瑕疵类型的生产数据特征模板的构建，且在连续时间段内所述模板匹配命中率均高于预设的命中率阈值时，对所述预设抽样比例进行更新，得到更新后的抽样比例，其中，更新后的抽样比例的计算式为：

46、

47、式中，为取值小于1的第二调节系数，为设定的安全下限。

48、在本技术一实施例中，在所述漏报率小于或者等于预设的百分比阈值时，基于所述误报率和所述高精度检测负载率对所述预设抽样比例进行反馈调节，包括：

49、在所述误报率大于第一百分比，且所述高精度检测负载率小于第二百分比时，基于预设的第一比例系数下调所述预设抽样比例；

50、在所述误报率小于第三百分比，且所述高精度检测负载率大于第四百分比时，基于预设的第二比例系数下调所述预设抽样比例；

51、在所述误报率大于第一百分比，且所述高精度检测负载率大于第四百分比时，更新所述预设抽样比例，更新后的抽样比例的计算式为：

52、

53、式中，为比例更新系数，为最小抽样比例；

54、其中，各百分比按照降序排列为：第四百分比、第二百分比、第一百分比、第三百分比。

55、在本技术一实施例中，将实时采集的生产数据与多种瑕疵类型的生产数据特征模板进行匹配，包括：

56、从所述生产数据中提取单个缸体的数据片段，并对所述数据片段中各关联参数的取值序列进行标准化处理，得到当前特征向量；

57、计算所述当前特征向量与预先维护的基准特征向量的差值，得到待匹配特征；

58、计算所述待匹配特征与多种瑕疵类型的生产数据特征模板的余弦相似度和归一化距离，并在任意一个生产数据特征模板与待匹配特征的余弦相似度大于或者等于预设的相似度阈值且归一化距离小于或者等于预设的距离阈值时，判定所述生产数据与生产数据特征模板匹配且存在对应类型的瑕疵风险，否则，判定不存在瑕疵风险。

59、本技术还提供一种摩托车发动机缸体的尺寸高精度检测系统，包括：

60、获取模块，用于获取摩托车发动机缸体生产线在最近时间窗口内的多个历史批次的历史生产过程数据和检测结果，并获取摩托车发动机缸体生产线的实时生产批次的生产数据；

61、特征提取模块，用于基于所述检测结果从多个历史批次中提取瑕疵批次和正常批次，从所述正常批次的历史生产过程数据中提取多种生产参数的参考基线；从瑕疵批次的历史生产过程数据中提取与瑕疵率上升存在关联的关联参数以及关联参数的权重；

62、风险计算模块，用于基于所述生产数据、所述关联参数的参考基线以及所述关联参数的权重计算综合风险指数；

63、抽样检测模块，用于在所述综合风险指数大于或者等于预设的风险阈值时，基于预设抽样比例对实时生产批次的缸体进行缸体尺寸的高精度抽样检测，得到高精度检测结果；

64、模板构建模块，用于在所述高精度检测结果表征存在瑕疵时，基于多个实时生产批次的高精度检测结果以及生产数据构建多种瑕疵类型的生产数据特征模板；在所述高精度检测结果表征不存在瑕疵时，对所述预设抽样比例进行反馈调节；

65、双路检测模块，用于在完成多种瑕疵类型的生产数据特征模板的构建时，将实时采集的生产数据与多种瑕疵类型的生产数据特征模板进行匹配，当生产数据与任意一个瑕疵类型的生产数据特征模板匹配时，对缸体进行抽样并执行对应瑕疵类型的尺寸高精度检测；否则，回到所述风险计算模块。

66、本技术的有益效果是：本技术的一种摩托车发动机缸体的尺寸高精度检测方法及系统，通过构建综合风险指数，实现了产线状态的精准量化。仅在风险指数超限时才触发高精度全检，在产线稳态时维持低比例常规抽检，从而将昂贵的三坐标/圆柱度仪检测资源集中配置于高风险时段，在保证检出率的同时显著降低了检测资源的无效占用。通过基于高精度检测结果反向构建多种瑕疵类型的生产数据特征模板，使系统不仅能够判断存在异常，更能通过模板匹配精准识别异常所属的具体瑕疵类型（如椭圆度超差、锥度超差等），为现场维修人员提供了明确的故障排查指向，大幅缩短了停机排查时间。本技术无需依赖大量历史废品数据即可通过正常批次建立参考基线并启动通用哨兵；同时，模板构建机制使得系统在工艺发生变更后，能够随新批次数据的积累自动重建新模板，无需人工干预或重新积累数月数据，具备良好的工艺变更自适应性。