主成分分析方法在轿车装配尺寸偏差中的应用研究

在分析轿车车体装配过程误差的基础上，根据车体制造从零件到白车身的装配过程知识，建立了白车身装配过程的树结构，并应用主成分分析方法从大量的CMM测量数据中将零件偏差分离为相互独立的几何偏差模式。针对整车总装过程中出现后桥装配干涉的实际案例，利用CMM测量和传统样架检测，运用主成分分析方法对与案例相关零部件的CMM测量数据进行了统计分析与处理，最终实现了对后桥装配干涉案例的误差源诊断，结果表明在冲压过程形成的零件偏差将保留于下游的装配过程中。     

模式相关性分析在车身多偏差源诊断中的研究

针对车身装配过程中多偏差源诊断难题,提出了基于工位间多源检测数据融合分析的多偏差源诊断方法。通过对不同工位、不同设备及检测频次的偏差数据的综合利用与主成分分析的基础上,研究了零部件与总成之间偏差模式的映射方法,实现了上游车身零部件尺寸质量的诊断;根据工装CAD信息等提取夹具失效模式向量,构建各夹具失效模式对车身总偏差的贡献度评价指标,获得了各夹具元件的失效系数,实现了工位内夹具失效的诊断。经案例验证,所提出的诊断方法具有较高的准确性和实用性。     

基于模式识别的车身在线检测尺寸偏差诊断

车身在线检测的应用成为越来越普遍的趋势,同时也带来了如何有效应用在线检测的100%测量数据的问题。传统的尺寸偏差诊断方法的数据存在依赖工程经验进行诊断报警,费时费力且准确度低的缺点;提出了用时间序列模式识别和主成分分析(PCA)相结合的方法来进行白车身尺寸偏差诊断,实现误差源模式识别和自动报警诊断,并开发相应工具软件在轿车车身实际生产中得到成功验证。     

车身冲压件匹配间隙评价过程中主成分方法应用

以主成分分析理论为基础 ,对车身冲压件的匹配状况进行计算、评价。在工程中应用此方法对某轿车前轮罩总成中前轮罩和前纵梁的匹配曲面进行分析 ,结果表明 ,该方法可以对前轮罩总成匹配状况做出合理的评价 ,为车身装配工艺的调整、改进提出理论根据。     

基于时序全局主成分分析的白车身检测数据分析方法

白车身制造质量对整车的美观和性能都有着很大的影响,急需一种合理的指标来评价白车身的制造质量。本文介绍了如何利用基于时序全局主成分分析的检测数据分析方法来构造白车身制造质量的综合评价指标。本文还给出一个具体的实例来说明该评价指标的合理性和综合性。     

轿车车身制造质量总体波动水平评价研究

对现有的CII指数在评价轿车车身制造质量总体波动水平方面的不足进行了分析，进而在其基础上进行建模，提出了一个更全面、更准确的用来评价轿车车身制造质量总体波动水平的新指数——OVLI，并给出了计算实例。实例征明该方法优于CII，在工程上有较大的可用性。     

轿车白车身车门偏差控制的研究

针对车门存在的偏差问题，比较系统地分析了轿车车门的偏差的影响因素；利用主分量原理对车门数据进行处理，同时利用计算机进行虚拟匹配；提出车门偏差一般的诊断和控制方法。给出几种三坐标测量数据代表偏差源的不同形式，以及车门偏差控制的方法。     

车身外观间隙、面差及其公差验证

在轿车车身的装配过程中，车体零件的几何准确度是最重要的质量因素之一。车体零件的几何准确度偏差来自车身设计、车身制造和车身装配过程。事实上，在将设计的产品投入到制造过程中时，几乎在制造的每一个阶段都会存在尺寸偏差，所以在产品的制造过程中，找出零件的尺寸偏差源以及识别这些偏差的根本原因是十分重要的。     

车身焊装质量控制中的数据融合模型

在轿车白车身质量控制过程中,检测设备主要有样架、三坐标测量机和光学测量机.针对不同检测设备的多源数据,提出车身质量控制的数据融合模型.在融合计算中,将三坐标测量机采集的数据作为偏差候选集进行相关分析,用最小二乘法对强相关测点进行回归分析,实现对未知参数的更准确估计,从而提高车身制造质量评价的准确程度.     

基于实验设计和神经网络的冲压信号特征提取与诊断

制造过程中的各变量因素交互作用复杂,对其进行在线质量控制的前提是考虑交互影响,并获得足够的实时噪声因素信息来支持相应的控制策略。随着传感技术的发展,在计算能力和信号处理技术的强力支持下,可以实现对噪声因素的实时估计,进而对加工参数进行相应调整。基于此,本文提出了一种方法,在实验设计基础上,结合主成分分析(PCA)用于信号生成和预处理,并使用神经网络分类器对冲压信号进行特征提取与诊断,以获取更多的实时信息。论文还以一个实例证明方法有效且实用。     

Evaluation of methods for reduction of surface texture features

The diagnosis of worn and damaged surfaces is an important issue in machine failure analysis and condition monitoring. Of many approaches used, image classification based on feature parameters has often proven to be particularly useful. However, large image databases can be computationally costly to analyse, and the datasets are susceptible to noise. Hence, it is essential to determine which feature parameters hold the most useful information, in order to improve the classification rate and computation time. This paper presents a performance evaluation of dimension reduction techniques currently used in pattern recognition. A comparison of three methods is conducted, in order to determine which is able to produce the best results over a large range of image datasets. The methods analysed are: Non-Linear Fisher, Principal Component Analysis and kernel Principal Component Analysis. These are then tested against four different classifiers to obtain the best combination. These classifiers are: Linear Discriminant Classifier, Quadratic Discriminant Classifier, k-Nearest Neighbour and Support Vector Machine Classifiers. For further analysis, two combined dimension reduction and classification methods are tested: Minimum Classification Error and reduced feature space Support Vectors. For the comparison, four datasets of images with different scales and rotations are used, i.e. Brodatz textures, artificially generated isotropic fractal images and Talysurf images of sandblasted and abraded steel surfaces. The results showed that a combination of the Non-Linear Fisher dimension reduction technique and a Linear Support Vector Machine Classifier gave the best performance overall and are the most promising for the application in automated machine condition monitoring and expert free failure analysis. Further improvement can be achieved by performing a step-wise dimension reduction by first reducing the features using the Principal Component Analysis method, then further reduction with the Non-Linear Fisher technique.     

Research on real time feature extraction method for complex manufacturing big data

Big data related to manufacturing applications has the traits such as great quantity, multi-sources, low value density, high complexity, and dynamic state. Traditional feature extraction methods are incapable of meeting real-time demands. Therefore, a robust incremental on-line feature extraction method based on PCA (Principal Component Analysis), RIPCA (Robust Incremental Principal Component Analysis), is proposed. RIPCA adopts a sliding window to update new coming data stream and to filter outliers. The proposed method could ensure the accuracy of data analysis and meet real-time demands of big data processing for manufacturing applications. A test data set based on a semiconductor manufacturing process containing 1567 records with 590 features is used to demonstrate the availability of the proposed method. Experimental results show that the method can effectively extract features of the data stream in real time with high accuracy.     

高速动车组空心车轴的缺陷预测方法研究

结合了主成分分析和人工神经网络的优点,提出一种基于PCA算法的人工神经网络模型(PCA-ANN模型)来分析高速动车组空心车轴的缺陷。通过算例验证了方法的可行性。     

基于小波变换和波形特征分析的峰电位分类

峰电位分类是细胞外记录中一个重要的技术。提出了一个基于离散小波变换和波形特征分析的新的峰电位分类方法（DWT-SFA）,同时定义了3个不同的波形特征。首先,对信号进行小波消噪处理,然后,使用这3个不同的波形特征进行信号分类。通过对大壁虎嗅觉神经信号的分类处理,证明该方法明显优于主成分分析方法。此外,通过对该方法与Offline Sorter软件的分类对比,也验证了它的正确性和精确性。     

KPCA法在风电机组齿轮箱故障诊断中的应用

将核主成分分析法应用于风电机组齿轮箱的故障诊断中,通过计算齿轮箱振动信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射。利用某风场齿轮箱的正常工作状态、初期磨损状态以及断齿状态下的振动数据进行测试,对主成分分析法和核主成分分析法的分类结果进行了分析比较。实验结果表明,核主成分分析法能够有效地对齿轮故障信号进行特征提取和模式分类,更适合于故障信号非线性特征的提取。     

基于近红外光谱的老陈醋不同品牌的鉴别分析

应用近红外透射光谱技术,结合化学计量学方法,开展老陈醋不同品牌的定性检测的研究,并对可行性加以分析.在800 nm到2500 nm内对老陈醋进行光谱采集,并通过主成分分析(PCA)和判别分析(DA)建立定性分析模型,对不同波长所建立模型的优劣加以分析.结果表明,在波长800~2500 nm的范围内建立的模型最为稳定,正确率为96.3%.近红外光谱技术可以快速地对陈醋的不同品牌作出分析     

基于主分量分析的柴油机振动信号特征提取

针对柴油机振动信号非线性非平稳性的特点，提出一种相空间重构理论、局域波法与主分量分析相结合的信号特征提取模型，该模型首先应用相空间重构理论从已知时间序列中抽取动力系统，然后通过主分量提取以降低空间维数、突出故障信息，最后使用局域波时频分析方法对提取的主分量进行分析。通过对6BB1型柴油机实测信号进行的特征提取与分析表明，该方法能去除柴油机振动信号局域波时频图中的冗余信息，突出故障信息，从而证明了方法的有效性。     

Feature extraction for identification of drug and explosive concealed by body packing based on positive matrix factorization

In the analysis towards the energy dispersive X-ray diffraction (EDXRD) spectra of drug and explosive concealed by body packing, positive matrix factorization (PMF) was introduced to extract features from EDXRD spectra of samples in a set of drugs and explosive concealed in the anthropomorphic phantom, because PMF prevents the negative factors from occurring, avoids contradicting physical reality, and makes factors more easily interpretable. In order to compare with the features extracted by PMF, Principal Component Analysis (PCA) and robust PCA were investigated. Then, K-nearest neighbour (KNN) and support vector machine (SVM) were introduced to classify the samples according to the features extracted by PMF, PCA and robust PCA. It is shown that the recognition rates obtained by PMF are highest (above 99.5%) and insensitive to classifiers. This work demonstrates that PMF is effective in feature extraction for identification of drug and explosive concealed by body packing.