【技术实现步骤摘要】
本专利技术涉及柔性盘的检测，尤其是涉及一种应用于柔性盘组装的自动检测方法。
技术介绍
1、随着主机厂对品质管控的不断加严，我们在现场生产中要不断探索和改进相应品质检测的手段和方法。
2、在柔性盘组装生产线上，组装后的产品需检测其垫片是否附着完好及齿圈焊接正反方向是否正确，采用的检测为人工目测。
3、该方式需要作业员目视观测工件，通过目视来确定齿圈焊接方向正确及垫片附着完好。缺点是无法保证目视得到100％实施，以及在长期目视检查过程中视觉疲劳导致忽视不良而流出。
技术实现思路
1、鉴于以上问题，本专利技术提供了一种应用于柔性盘组装的自动检测方法，不仅减少操作人员目视检查时间，降低了劳动强度，而且无需操作人员目视判断结果，由传感器自动测量并输出结果，提高了检测的可靠性。
2、为了实现上述目的及其他相关目的，本专利技术提供的技术方案如下：
3、一种应用于柔性盘组装的自动检测方法，所述方法包括：
4、m1.将待测柔性盘总成放置于检测平台上，基于台载摄像头实时获取柔性盘总成的图像数据信息，基于台载激光位移传感器实时获取柔性盘总成的距离数据信息；
5、m2.基于所述柔性盘总成的距离数据信息和所述柔性盘总成的图像数据信息，采用基于sin混沌序列的多模态融合算法对柔性盘总成的距离和图像进行融合，得到柔性盘总成的距离和图像的融合数据信息；
6、m3.基于所述柔性盘总成的距离和图像的融合数据信息，构建柔性盘总成异常点检
7、m4.基于所述柔性盘总成的异常超参数数据信息，建立柔性盘总成的异常值函数f，对柔性盘总成的异常值进行推算，输出柔性盘总成的异常值数据信息。
8、进一步的，所述方法还包括：
9、m5.基于所述柔性盘总成的异常值数据信息，设置预设阈值，若柔性盘总成的异常值大于预设阈值则柔性盘总成不合格，进行剔除，若柔性盘总成的异常值小于预设阈值则柔性盘总成合格，满足生产标准。
10、进一步的，在步骤m2中，所述采用基于sin混沌序列的多模态融合算法对柔性盘总成的距离和图像进行融合包括：
11、m21.基于所述柔性盘总成的距离数据信息和所述柔性盘总成的图像数据信息，建立柔性盘总成的图像和距离的sin混沌映射函数g，
12、
13、其中，x为柔性盘总成的距离数据信息，y为柔性盘总成的图像数据信息，f为柔性盘总成的图像和距离的关系函数，g为柔性盘总成的图像和距离的sin函数，α1、α2和α3为柔性盘总成的图像和距离sin混沌因子；
14、m22.基于所述柔性盘总成的图像和距离的sin混沌映射函数g，对柔性盘总成的图像和距离的sin混沌序列进行表征，得到柔性盘总成的图像和距离的sin混沌序列的数据信息；
15、m23基于所述柔性盘总成的图像和距离的sin混沌序列的数据信息，建立柔性盘总成的多模态融合函数h，
16、
17、其中，z为柔性盘总成的图像和距离的sin混沌序列的数据信息，β1、β2和β3为柔性盘总成的多模态融合因子，对柔性盘总成的距离和图像进行融合，得到柔性盘总成的距离和图像的融合数据信息。
18、进一步的，所述柔性盘总成的图像和距离的关系函数f为，
19、
20、所述柔性盘总成的图像和距离的sin函数g为，
21、
22、其中，x为柔性盘总成的距离数据信息，y为柔性盘总成的图像数据信息。
23、进一步的，所述柔性盘总成的图像和距离sin混沌因子α1、α2和α3的约束条件为，
24、
25、所述柔性盘总成的多模态融合因子β1、β2和β3的约束函数h为，
26、
27、其中，约束函数h的取值范围为(1,2)。
28、进一步的，在步骤m3中，所述构建柔性盘总成异常点检测的神经网络模型包括：
29、m31.基于所述柔性盘总成的距离和图像的融合数据信息，构建柔性盘总成的特征提取函数w，
30、
31、其中，r为柔性盘总成的距离和图像的融合数据信息，λ1、λ2和λ3为柔性盘总成的特征提取因子，对柔性盘总成的融合数据进行特征提取，得到柔性盘总成的距离和图像的融合特征矩阵数据信息；
32、m32.将所述柔性盘总成的距离和图像的融合特征数据信息输入柔性盘总成异常点检测的神经网络模型进行训练和学习，确定柔性盘神经网络模型的异常超参数函数s，
33、
34、其中，a为柔性盘总成的距离和图像的融合特征数据信息，η1和η2为柔性盘异常超参数的预测因子，得到训练好的柔性盘总成异常点检测的神经网络模型；
35、m33.基于所述训练好的柔性盘总成异常点检测的神经网络模型，输入所述柔性盘总成的距离和图像的融合特征数据信息，对柔性盘总成的异常超参数进行推测，得到柔性盘总成的异常超参数数据信息。
36、进一步的，所述柔性盘总成的特征提取因子λ1为，
37、
38、所述柔性盘总成的特征提取因子λ2为，
39、
40、所述柔性盘总成的特征提取因子λ3为，
41、
42、其中，r为柔性盘总成的距离和图像的融合数据信息。
43、进一步的，所述柔性盘总成的特征提取因子λ1、λ2和λ3的约束函数v为，
44、
45、其中，v的取值范围为(2,3)。
46、进一步的，所述柔性盘总成的异常值函数f为，
47、
48、其中，c为柔性盘总成的异常超参数数据信息，ω1、ω2和ω3为柔性盘总成的异常值预估因子。
49、进一步的，所述柔性盘总成的异常值预估因子ω1、ω2和ω3的约束条件为，
50、
51、本专利技术具有以下积极效果：
52、1.本专利技术通过采用基于sin混沌序列的多模态融合算法对柔性盘总成的距离和图像进行融合，并结合构建柔性盘总成异常点检测的神经网络模型，对柔性盘总成的异常超参数进行推测，不仅能够对柔性盘总成的每个异常点进行精确的检测，而且减少操作人员目视检查时间，降低了劳动强度，无需操作人员目视判断结果，由传感器自动测量并输出结果，提高了检测的可靠性。
53、2.本专利技术通过建立柔性盘总成的异常值函数f，对柔性盘总成的异常值进行推算，不仅能够对柔性盘总成的异常值进行整体性的判断，而且减少计算复杂度，提高系统整体的计算效率和可拓展性。
本文档来自技高网...【技术保护点】
1.一种应用于柔性盘组装的自动检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的应用于柔性盘组装的自动检测方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的应用于柔性盘组装的自动检测方法，其特征在于，在步骤M2中，所述采用基于SIN混沌序列的多模态融合算法对柔性盘总成的距离和图像进行融合包括：
4.根据权利要求3所述的应用于柔性盘组装的自动检测方法，其特征在于：所述柔性盘总成的图像和距离的关系函数f为，
5.根据权利要求3所述的应用于柔性盘组装的自动检测方法，其特征在于：所述柔性盘总成的图像和距离SIN混沌因子α1、α2和α3的约束条件为，
6.根据权利要求1所述的应用于柔性盘组装的自动检测方法，其特征在于，在步骤M3中，所述构建柔性盘总成异常点检测的神经网络模型包括：
7.根据权利要求6所述的应用于柔性盘组装的自动检测方法，其特征在于：所述柔性盘总成的特征提取因子λ1为，
8.根据权利要求7所述的应用于柔性盘组装的自动检测方法，其特征在于：所述柔性盘总成的特征提取因子λ1、
9.根据权利要求1所述的应用于柔性盘组装的自动检测方法，其特征在于：所述柔性盘总成的异常值函数F为，
10.根据权利要求9所述的应用于柔性盘组装的自动检测方法，其特征在于：所述柔性盘总成的异常值预估因子ω1、ω2和ω3的约束条件为，
...【技术特征摘要】
1.一种应用于柔性盘组装的自动检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的应用于柔性盘组装的自动检测方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的应用于柔性盘组装的自动检测方法，其特征在于，在步骤m2中，所述采用基于sin混沌序列的多模态融合算法对柔性盘总成的距离和图像进行融合包括：
4.根据权利要求3所述的应用于柔性盘组装的自动检测方法，其特征在于：所述柔性盘总成的图像和距离的关系函数f为，
5.根据权利要求3所述的应用于柔性盘组装的自动检测方法，其特征在于：所述柔性盘总成的图像和距离sin混沌因子α1、α2和α3的约束条件为，
6.根据权...
【专利技术属性】
技术研发人员：艾勇，阎国强，伍为，陈宏杰，王志先，陈刚，曾祥超，
申请(专利权)人：湖北六和天轮机械有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。