【技术实现步骤摘要】
本专利技术涉及一种基于混合高斯-隐马尔可夫模型的冠带条实时张力检测方法，属于张力在线检测领域。
技术介绍
1、轮胎作为汽车工业中的重要部件，其质量直接影响车辆的性能、安全性和使用寿命。轮胎的生产过程复杂且高度依赖于精细化控制，其中成型过程是关键环节之一。成型过程涉及将橡胶、钢丝、纤维等多种原材料通过机械手段进行精确组合和叠加，最终形成具有特定结构的轮胎。这一过程的稳定性和精确控制对于确保轮胎的最终质量至关重要。成型过程中，工艺参数的微小变化可能导致材料排列或粘结性能的显著波动，进而影响到轮胎的整体性能。因此，如何在成型过程中进行有效的质量预测，成为提升轮胎制造质量的核心问题。
2、轮胎成型过程的主要目标是通过将胎体帘布、胎侧橡胶、钢丝层等多个部件精确组合，生成具有特定物理机械性能的半成品轮胎。这一过程通常由多个阶段组成，包括胎体帘布层的铺设、胎面和胎侧的粘合以及钢丝圈的成型。每个阶段都涉及复杂的机械操作和物理化学反应，如粘合、拉伸、定型等，而这些过程又受到工艺条件(如温度、压力、时间、张力等)的强烈影响。由于各部件材料和工艺参数之间存在高度非线性的关系，成型过程的结果往往表现出较大的不确定性。任何工艺参数的微小偏差都可能导致成型轮胎的性能变化，从而影响其耐磨性、抓地力和使用寿命等关键质量指标。
3、在传统产线中，轮胎成型过程的质量控制主要依赖于操作员的经验和事后检测。这种方式虽然在一定程度上能确保产品质量，但也存在明显的不足。首先，事后检测属于滞后控制，无法在生产过程中实时调整工艺参数，容易导致批量不合格
4、常用的冠带条实时张力检测算法，在进行hmm(隐马尔科夫)模型训练时，混合高斯模型个数和状态个数的确定具有较强的主观性，通常都是根据经验设定混合高斯模型个数和状态个数，同时该两个参数对模型的识别准确率有较大的影响。
技术实现思路
1、本专利技术的目的是针对冠带条实时张力检测中基于隐马尔科夫模型(hmm)的算法存在的结构参数设定问题，提出了一种基于混合高斯-隐马尔可夫模型的冠带条实时张力检测方法，克服在传统的hmm算法中，模型的结构参数通常依赖于经验进行设定，然而经验性的设定往往难以准确反映实际情况，导致模型的最终结构不能充分优化，影响了张力检测的效果和准确性等问题。
2、为实现上述目的，本专利技术采取的技术方案是：一种基于混合高斯-隐马尔可夫模型的冠带条实时张力检测方法，其包括如下步骤：
3、步骤1、获取冠带条张力数据并分析和处理：通过分析缠绕鼓的旋转速度vr和缠绕头的平移速度vt在轮胎成型阶段的特征与规律，作为观测状态参数，并选取冠带条张力状态作为隐含的状态参数；
4、步骤2、建立混合高斯-隐马尔可夫模型：基于由生产现场提供的数据，并利用期望最大算法对混合高斯-隐马尔科夫模型进行训练，进而学习训练得到的冠带条实时张力检测模型参数其中，为高斯分布均值向量，为高斯分布协方差矩阵，m为相邻时刻离散隐变量的转移概率矩阵，满足k为当前隐状态，k′为非当前隐状态；π为隐变量状态的初始化向量，满足
5、步骤3、用冠带条张力数据对混合高斯-隐马尔科夫模型进行验证。
6、进一步的，所述步骤1包括：
7、1.1)设定观测状态参数：缠绕鼓的旋转速度vr和缠绕头的平移速度vt共2个量作为观测状态参数；
8、1.2)冠带条张力的提取及处理：从轮胎生产过程中的成型阶段采集数据，将其分为两组，一组用于训练，一组用于验证。
9、进一步的，所述步骤2包括：
10、2.1)混合高斯-隐马尔可夫模型及参数：给定输入数据输出数据观测数据记作t为样本个数，dx为输入数据样本维度，dy为输出数据样本维度；假设有k个类别，离散隐变量为指示变量满足混合高斯-隐马尔可夫模型包含四个模型参数，记作为高斯分布均值向量；为高斯分布协方差矩阵；m为相邻时刻离散隐变量的转移概率矩阵，满足k为当前隐变量状态，k′为非当前隐变量状态；π为隐变量状态的初始化向量，满足
11、参数说明：
12、冠带条实时张力有偏高、偏低与合格三种，k＝3；
13、通过观测信息来预测冠带条实时张力状态，用参数表示可观察状态的数目，dx＝2；
14、m表示偏高、偏低与合格这3个隐状态相互间的转移概率组成的矩阵，即状态转移概率矩阵；
15、由缠绕鼓的旋转速度vr和缠绕头的平移速度vt组成观测值的概率分布通过高斯分布建模，该分布由均值向量和协方差矩阵来表征，最终构成观测值的输出概率矩阵；
16、π为初始冠带条张力的概率矩阵，在满足马尔可夫链的条件下采用随机或均匀取值对其始化，通过采用均值法得到π＝[1/2 1/2]；
17、2.2)混合高斯-隐马尔可夫模型采用期望最大算法迭代求解的方法来进行模型的训练：编写期望最大算法，批量导入学习训练样本进行混合高斯-隐马尔可夫模型的训练，进而学习训练得到的冠带条实时张力检测模型参数
18、进一步的，所述步骤3中，对训练后的混合高斯-隐马尔可夫模型，利用viterbi算法进行隐藏状态的解码识别，解码三种冠带条张力状态对应的概率值中最大值代表此时预测出来的实时张力，并得到训练后混合高斯-隐马尔可夫模型的冠带条实时张力数据识别正确率。
19、本专利技术的有益效果是：本专利技术的方法通过深入分析缠绕鼓的旋转速度和缠绕头的平移速度的相互关系，构建了一个以此为基础的冠带条实时张力检测模型。在该方法中，利用可观测的缠绕鼓的旋转速度vr和缠绕头的平移速度vt作为关键参数，通过混合高斯-隐马尔科夫模型推测冠带条的张力。该模型能够捕捉缠绕速度的动态变化实现更加精确的张力预测。该方法有效提升了实时张力检测的精度，并在实际生产中展现出较好的适用性，能够适应不同的缠绕速度的设置，为轮胎制造的质量控制提供了重要的技术支持。这不仅解决了传统方法依赖经验设定模型参数的局限性，还实现了通过数据驱动的自动化张力检测方案，大幅度提高了检测的实时性和准确性。
本文档来自技高网...【技术保护点】
1.一种基于混合高斯-隐马尔可夫模型的冠带条实时张力检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于混合高斯-隐马尔可夫模型的冠带条实时张力检测方法，其特征在于，所述步骤1包括：
3.根据权利要求1所述的一种基于混合高斯-隐马尔可夫模型的冠带条实时张力检测方法，其特征在于，所述步骤2包括：
4.根据权利要求1所述的一种基于混合高斯-隐马尔可夫模型的冠带条实时张力检测方法，其特征在于，所述步骤3中，对训练后的混合高斯-隐马尔可夫模型，利用Viterbi算法进行隐藏状态的解码识别，解码三种冠带条张力状态对应的概率值中最大值代表此时预测出来的实时张力，并得到训练后混合高斯-隐马尔可夫模型的冠带条实时张力数据识别正确率。
【技术特征摘要】
1.一种基于混合高斯-隐马尔可夫模型的冠带条实时张力检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于混合高斯-隐马尔可夫模型的冠带条实时张力检测方法，其特征在于，所述步骤1包括：
3.根据权利要求1所述的一种基于混合高斯-隐马尔可夫模型的冠带条实时张力检测方法，其特征在于，所述步骤2包括：
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。