应用于轮胎动平衡控制的强耦合因素量化方法技术

本发明专利技术提出应用于轮胎动平衡控制的强耦合因素量化方法，包括S1，数据采集记录：设定采样周期，针对每一条轮胎和轮辋分别记录影响因素的测量值，针对每一个车轮总成记录动平衡重块的用量；S2，数据集的划分：将S1中的采集数据形成数据集，从中随机抽取一部分作为训练集；S3，显著性分析：对于训练集数据采用多因素方差分析方法得到影响因素的显著性排序；S4，回归拟合建模：对重新排列的训练集数据进行非线性回归拟合建模；S5，影响因素量化：根据S4的模型函数计算各影响因素与动平衡重块之间的协方差，进而得到各影响因素与动平衡重块之间的相关系数，将相关系数的占比作为各影响因素的量化值并进行排序。量化值并进行排序。量化值并进行排序。

【技术实现步骤摘要】
应用于轮胎动平衡控制的强耦合因素量化方法


[0001]本专利技术属于强耦合因素量化控制领域，具体涉及一种应用于轮胎动平衡控制的强耦合影响因素量化方法。

技术介绍

[0002]轮胎总成在生产装配过程中需要进行动平衡检测，并采用平衡重块进行最终的动平衡量调整，该项指标会直接影响整车NVH性能，整机厂的控制目标是通过较少的平衡重块实现较小的动平衡量。
[0003]影响该目标达成的因素较多，主要包括轮胎动不平衡量、轮胎径跳、轮胎端跳、轮辋静平衡量、轮辋止口定位精度、轮辋径跳等8个技术条件，为了能够以较低代价实现动平衡量的精准控制，就需要对这些技术条件的贡献度进行量化排序，但是在生产过程中，这些影响因素往往是同时或者某几个同时变化的，即影响因素存在着较强的耦合关系，这就为控制目标的实现提出了较大的挑战。
[0004]为了解决这一问题，在实际生产过程中往往采用控制单一变量的方法实现影响因素的量化。例如，某一批次轮胎要求除了径跳以外的所有技术参数均保持一致，并采集轮胎径跳和车轮总成的动不平衡量，通过对两者相关性进行分析来进行径跳的量化分析，但这种方法存在着以下问题：
[0005]1.周期较长，成本较高。无论对于轮胎还是轮辋，在生产过程中都很难在保障一个因素的同时，不对其他因素产生影响，为了实现单一变量控制，需要在大批量的产品里进行测量，并筛选出符合要求的产品，这个筛选比例一般为5％
‑
10％，这就导致整个过程周期长且成本高；
[0006]2.影响生产节拍。由于单一变量的筛选比例较低，会导致车轮总成的供货量急剧减小，这就使得生产节拍受到影响，往往会导致该项量化工作无法进行。

技术实现思路

[0007]本专利技术提出一种应用于轮胎动平衡控制的强耦合因素量化方法，采用该方法不需要对影响因素进行单一控制，可以在不影响生产节拍的前提下，以较低的成本在较短时间内进行影响因素的量化工作。为实现上述目的，本专利技术采取的技术方案为：
[0008]应用于轮胎动平衡控制的强耦合因素量化方法，包括如下步骤：
[0009]步骤S1，数据采集记录：设定采样周期，针对每一条轮胎和轮辋分别记录影响因素的测量值，针对每一个车轮总成记录动平衡重块的用量；
[0010]步骤S2，数据集的划分：将步骤S1中的采集数据形成数据集，从中随机抽取一部分作为训练集，剩余部分作为测试集；
[0011]步骤S3，显著性分析：对于训练集数据采用多因素方差分析方法得到影响因素的显著性排序，正相关因素按照升序排列，负相关因素按照降序排列；
[0012]步骤S4，回归拟合建模：对重新排列的训练集数据进行非线性回归拟合建模；
[0013]步骤S5，影响因素量化：根据步骤S4的模型函数计算各影响因素与动平衡重块之间的协方差，进而得到各影响因素与动平衡重块之间的相关系数，将相关系数的占比作为各影响因素的量化值并进行排序。
[0014]优选的，所述步骤S4中，进行非线性回归拟合建模的模型函数为各影响因素与动平衡重块的多项式，具体为：
[0015][0016]其中：为第j个样本的动平衡重块估计值，x
ij
为第i个因素、第j个样本的影响因素值，m代表影响因素个数，n为训练集影响因素的样本量，A
i
代表每一个影响因素的系数；
[0017]将测试集中各影响因素作为自变量输入到多项式中，计算得到动平衡重块的理论值分布，并将其与测试集中相应的实际值分布进行拟合度对比分析，如满足精度要求则可进行模型应用，如不满足精度要求则重复步骤S2
‑
S4，直至满足精度要求。
[0018]进一步的，所述步骤S5中，根据模型函数计算各影响因素与动平衡重块之间协方差的计算公式如下：
[0019][0020]各影响因素与动平衡重块之间的相关系数为：
[0021]其中：x
i
为第i个影响因素值，为动平衡重块值，为第i个因素的平均值，为动平衡重块估计值的平均值，为第i个因素的标准差，为动平衡重块估计值的标准差。
[0022]优选的，所述步骤S1中，影响因素至少包括轮胎动不平衡量、轮胎径跳、轮胎端跳、轮辋静平衡量、轮辋止口定位精度、轮辋径跳。
[0023]优选的，所述步骤S1中，车轮总成为轮胎与轮辋合装。
[0024]优选的，所述步骤S1中，数据采集过程中，数据采集过程中不要求轮胎、轮辋与车轮总成的对应关系，仅要求生产批次对应即可，采集周期越长精度越高。
[0025]本专利技术本专利技术由于不要求对影响因素进行单一控制，故相较于单一变量控制方法具有周期短，成本低的优势。根据实际测算，该方法平均能够缩短80％的周期，且几乎不产生任何成本，且研究的影响因素越多，其成本和周期的节约优势越明显；本专利技术采用了跟随生产节拍随机测量的方法进行，几乎对于生产节拍不会产生任何影响，故具有较强的可操作性，且其精度可以根据所采集的样本量来进行调整。
附图说明
[0026]图1是本专利技术应用于轮胎动平衡控制的强耦合因素量化方法的工作流程图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于
本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]本专利技术主要包含五个部分：数据集的生成和划分、影响因素的显著性及相关性分析、训练集重排序、贡献度量化模型的搭建及验证和贡献度量化模型的应用。
[0029]如图1所示，应用于轮胎动平衡控制的强耦合因素量化方法，包括如下步骤：
[0030]步骤S1，数据采集记录：设定采样周期，针对每一条轮胎和轮辋分别记录影响因素的测量值，针对每一个车轮总成记录动平衡重块的用量；影响因素至少包括轮胎动不平衡量、轮胎径跳、轮胎端跳、轮辋静平衡量、轮辋止口定位精度、轮辋径跳，车轮总成为轮胎与轮辋合装；数据采集过程中，数据采集过程中不要求轮胎、轮辋与车轮总成的对应关系，仅要求生产批次对应即可，采集周期越长精度越高。
[0031]步骤S2，数据集的划分：将步骤S1中的采集数据形成数据集，从中随机抽取一部分作为训练集，剩余部分作为测试集，两者的抽取比例可根据精度要求设定。
[0032]步骤S3，显著性分析：对于训练集数据采用多因素方差分析方法得到影响因素的显著性排序，正相关因素按照升序排列，负相关因素按照降序排列。
[0033]步骤S4，回归拟合建模：对重新排列的训练集数据进行非线性回归拟合建模；进行非线性回归拟合建模的模型函数为各影响因素与动平衡重块的多项式，具体为：
[0034][0035]其中：为第j个样本的动平衡重块估计值，x
ij
为第i个因素、第j个样本的影响因素值，m代表影响因素个数，n为训练集影响因素的样本量，A
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.应用于轮胎动平衡控制的强耦合因素量化方法，其特征在于，包括如下步骤：步骤S1，数据采集记录：设定采样周期，针对每一条轮胎和轮辋分别记录影响因素的测量值，针对每一个车轮总成记录动平衡重块的用量；步骤S2，数据集的划分：将步骤S1中的采集数据形成数据集，从中随机抽取一部分作为训练集，剩余部分作为测试集；步骤S3，显著性分析：对于训练集数据采用多因素方差分析方法得到影响因素的显著性排序，正相关因素按照升序排列，负相关因素按照降序排列；步骤S4，回归拟合建模：对重新排列的训练集数据进行非线性回归拟合建模；步骤S5，影响因素量化：根据步骤S4的模型函数计算各影响因素与动平衡重块之间的协方差，进而得到各影响因素与动平衡重块之间的相关系数，将相关系数的占比作为各影响因素的量化值并进行排序。2.根据权利要求1所述的应用于轮胎动平衡控制的强耦合因素量化方法，其特征在于，所述步骤S4中，进行非线性回归拟合建模的模型函数为各影响因素与动平衡重块的多项式，具体为：其中：为第j个样本的动平衡重块估计值，x
ij
为第i个因素、第j个样本的影响因素值，m代表影响因素个数，n为训练集影响因素的样本量，A
i
代表每一个影响因素的系数；将测试集中各影响因素作为自变量输入到多项式中...

【专利技术属性】
技术研发人员：宋海生，张文博，董亚慧，王丹，刘凡诚，
申请(专利权)人：陕西重型汽车有限公司，
类型：发明
国别省市：