一种基于深度学习的产品尺寸偏差关联分析方法及系统与流程

摘要: 本发明涉及质量检测,特别是指一种基于深度学习的产品尺寸偏差关联分析方法及系统。背景技术:1、在精密制造(如光学镜头、航空零件)中,产品表面的尺寸偏差会直接影响最...
一种基于深度学习的产品尺寸偏差关联分析方法及系统与流程

本发明涉及质量检测,特别是指一种基于深度学习的产品尺寸偏差关联分析方法及系统。

背景技术:

1、在精密制造(如光学镜头、航空零件)中,产品表面的尺寸偏差会直接影响最终质量。目前,评估尺寸偏差常用的方法是计算峰谷值或平均偏差大小,用单一数值来代表整体的偏差程度。

2、然而,这种单一数值表征方式在面对复杂偏差形态时存在一定局限。在实际生产中,具有相同平均偏差数值的产品,其表面的空间分布形态往往存在差异,可能表现为整体均匀起伏或局部集中凸起。这种空间分布形态的差异会直接导致产品的装配精度或光学性能产生截然不同的结果。

3、由于传统方法侧重于整体数值统计,较难有效捕捉和区分偏差的空间方向与拓扑分布特征,使得提取的偏差数据与最终产品质量之间的关联不够紧密,在指导复杂产品的工艺优化方面仍有提升空间。

技术实现思路

1、本发明提供了一种基于深度学习的产品尺寸偏差关联分析方法及系统,通过构建空间邻近关系图并提取几何主分布方向,将偏差的空间分布形态与离散程度编码为多维特征,利用深度学习模型学习偏差特征与质量指标之间的非线性映射关系,实现了从产品尺寸偏差数据到多质量指标关联强度排序的自动化分析。

2、为解决上述技术问题,本发明的技术方案如下:

3、第一方面,基于深度学习的产品尺寸偏差关联分析方法,所述方法包括:

4、获取待分析产品的尺寸偏差数据;所述尺寸偏差数据包括产品结构上各测量点的偏差向量,以及各测量点的三维空间坐标;所述偏差向量为各测量点的实测三维坐标与名义三维坐标之差;

5、根据各测量点的三维空间坐标构建空间邻近关系图;基于空间邻近关系图构建拉普拉斯矩阵,对拉普拉斯矩阵进行特征分解,得到多个按特征值降序排列的特征向量,并将排序靠前的预设数量个特征向量确定为几何主分布方向;

6、将各测量点相对于设计基准的偏差向量分别投影至各几何主分布方向上,获得各几何主分布方向上的偏差分量及对应的偏差离散度;将各几何主分布方向及对应的偏差离散度组合形成多维偏差特征表征;

7、将多维偏差特征表征输入预先训练的深度学习关联分析模型,获得尺寸偏差与质量指标之间的关联分析结果;其中,所述深度学习关联分析模型基于训练样本集训练得到,用于学习多维偏差特征表征与质量指标之间的非线性映射关系。

8、第二方面,基于深度学习的产品尺寸偏差关联分析系统,包括:

9、获取模块,用于获取待分析产品的尺寸偏差数据;所述尺寸偏差数据包括产品结构上各测量点的偏差向量,以及各测量点的三维空间坐标;所述偏差向量为各测量点的实测三维坐标与名义三维坐标之差;

10、分解模块,用于根据各测量点的三维空间坐标构建空间邻近关系图;基于空间邻近关系图构建拉普拉斯矩阵,对拉普拉斯矩阵进行特征分解,得到多个按特征值降序排列的特征向量,并将排序靠前的预设数量个特征向量确定为几何主分布方向;

11、组合模块,用于将各测量点相对于设计基准的偏差向量分别投影至各几何主分布方向上,获得各几何主分布方向上的偏差分量及对应的偏差离散度;将各几何主分布方向及对应的偏差离散度组合形成多维偏差特征表征;

12、分析模块,用于将多维偏差特征表征输入预先训练的深度学习关联分析模型,获得尺寸偏差与质量指标之间的关联分析结果;其中,所述深度学习关联分析模型基于训练样本集训练得到,用于学习多维偏差特征表征与质量指标之间的非线性映射关系。

13、本发明的上述方案至少包括以下有益效果:

14、通过根据测量点三维坐标构建空间邻近关系图并进行拉普拉斯矩阵特征分解,将排序靠前的特征向量确定为主分布方向,从而将高维空间中的偏差数据投影至低维主方向空间,克服了传统方法对各测量点独立分析、忽略空间邻近点之间偏差耦合关系的技术问题,实现了对产品结构上偏差主要分布模式的准确识别与降维表征;通过将各测量点偏差向量投影至各主方向获得偏差分量及对应的偏差离散度,并组合形成多维偏差特征表征,克服了传统单点偏差统计无法反映偏差在不同方向上的分布离散程度的技术问题,进而实现了偏差方向和离散度的多维度联合量化表征;通过将多维偏差特征表征输入深度学习关联分析模型,学习其与质量指标之间的非线性映射关系,克服了传统线性回归或经验公式难以捕捉偏差模式与质量指标之间复杂非线性关联的技术问题,实现了产品尺寸偏差与质量指标之间关联关系的智能化分析与预测。

1.基于深度学习的产品尺寸偏差关联分析方法,其特征在于,所述方法包括:

2.根据权利要求1所述的基于深度学习的产品尺寸偏差关联分析方法,其特征在于,根据各测量点的三维空间坐标构建空间邻近关系图;基于空间邻近关系图构建拉普拉斯矩阵,对拉普拉斯矩阵进行特征分解,得到多个按特征值降序排列的特征向量,并将排序靠前的预设数量个特征向量确定为几何主分布方向,包括:

3.根据权利要求2所述的基于深度学习的产品尺寸偏差关联分析方法,其特征在于,将空间距离小于预设距离阈值的两个测量点之间建立连接边,并以对应的空间距离确定连接边的权重,获得空间邻近关系图,包括:

4.根据权利要求3所述的基于深度学习的产品尺寸偏差关联分析方法,其特征在于,根据邻接矩阵中各测量点的连接边权重之和构建度矩阵,计算度矩阵和邻接矩阵的差值,作为拉普拉斯矩阵,包括:

5.根据权利要求4所述的基于深度学习的产品尺寸偏差关联分析方法,其特征在于,将排序靠前的预设数量个特征向量确定为几何主分布方向,包括:

6.根据权利要求5所述的基于深度学习的产品尺寸偏差关联分析方法,其特征在于,将各测量点相对于设计基准的偏差向量分别投影至各几何主分布方向上,获得各几何主分布方向上的偏差分量及对应的偏差离散度,包括:

7.根据权利要求6所述的基于深度学习的产品尺寸偏差关联分析方法,其特征在于,将各几何主分布方向及对应的偏差离散度组合形成多维偏差特征表征,包括:

8.根据权利要求7所述的基于深度学习的产品尺寸偏差关联分析方法,其特征在于,基于空间邻近关系图中各连接边的权重构建邻接矩阵,得到空间邻近关系图的邻接矩阵,包括:

9.根据权利要求8所述的基于深度学习的产品尺寸偏差关联分析方法,其特征在于,将各方向-离散度组合特征按预设顺序拼接,形成多维偏差特征表征,包括:

10.基于深度学习的产品尺寸偏差关联分析系统,该系统实现如权利要求1至9中任一项所述的方法,其特征在于,包括: