[发明专利]轮胎产品质量在线检测与控制方法

权利要求书

1.一种轮胎产品质量在线检测与控制方法，其特征是，包括数据预处理、统计量初判、基于知识指导的二次判断和基于神经网络的判断，具体如下步骤：

(1)数据预处理：删除无用指标及缺失数据的整条记录；对于有周期性的指标，删除非完整周期的轮胎记录数据；

(2)统计量初判：利用均值方差方法中的3σ原则及极差判断轮胎实时数据中的异常数据；

(3)基于知识指导的二次判断：在统计量初判的基础上，根据时间序列基本的特点，通过分析隐藏在数据背后的特征，提取新的时间序列特征进行分析，进行二次检测；将采样数据与标准样本库的数据进行趋势比对，若趋势变化超过给定阈值，则判断该轮胎可能为异常轮胎；

(4)基于神经网络的判断：基于在线学习机的实时和在线学习能力，利用获得的历史轮胎压力和温度数据对神经网络模型的参数进行训练，定期更新标准数据库；

所述步骤(1)中的无用指标是指除了左内温度、右内温度、左内压、右内压、左热板温度、右热板温度、左模套温度和右模套温度八个指标以外的其余指标；

所述步骤(1)中缺失数据是指无轮胎编号对应的数据；

所述步骤(2)的具体过程是：计算各指标的均值和方差，利用3σ原则，找出一列数据的均值μ和方差σ，则(μ-3σ,μ+3σ)之外的数据即为异常数据；同时计算每列数据的极差，训练每个指标的极差范围，对于数据超出指标范围的轮胎，提示轮胎存在异常；

所述步骤(3)中的趋势比对是计算待检验轮胎与数据库中各个样本的动态时间弯曲距离，当动态时间弯曲距离超过给定阈值，那么该轮胎可能为异常轮胎，否则为正常轮胎；

所述步骤(3)中两个时间序列分别用X和Y表示，长度分别为|X|和|Y|；归整路径形式为W＝w₁,w₂,…,w_k，其中w_k的形式为(i',j')；归整路径距离定义为D(|X|,|Y|)，其中：

D(i',j')＝Dist(i',j')+min[D(i'-1,j'),D(i',j'-1),D(i',j'-1),D(i'-1,j'-1)]；

每个轮胎采样点个数为n_i，n_i＝1,…，j,…，n，T表示采样时间，R表示左内温，B存储右轮胎编号，K存放斜率，第i轮胎在j个采样点的斜率记为其中r_i,j表示第i轮胎在j个采样点的左内温，t_i,j表示第i轮胎在j个采样点的时间，j＝1,…,n_i。

2.根据权利要求1所述的轮胎产品质量在线检测与控制方法，其特征是，所述步骤(4)的具体过程是：将测量的单个轮胎每个采样点的左内温度、右内温度、左内压、右内压、左热板温度、右热板温度、左模套温度和右模套温度8个值作为一个样本的属性特征值，正常的轮胎输出为1，不合格的轮胎输出为0，得到相应的特征结果集合，然后将样本分为训练样本和测试样本；给定一个激活函数G(x)和隐层神经元个数训练样本数据，判断实时轮胎采样数据是否存在异常；

首先对神经网络模型的参数进行初始化，选定的参数初始化训练集记为：

其中N₀表示参数初始化所需的样本个数，即初始化样本个数大于神经网络中隐层神经元个数；x_i表示维数为8的输入样本；o_i表示期望输出，此处，1表示正常轮胎，0表示异常轮胎；

然后，计算初始隐层输出矩阵初始隐层输出矩阵的行向量记为：

其中w，b分别表示神经网络中输入层与隐层的连接权值和隐层偏差；

估计初始输出权值为：

其中其中k表示迭代次数；

对于每个输入的样本(x_i,o_i)，i＝N₀+1,N₀+2，执行如下在线学习过程：

计算隐层输出向量为：

基于OLS算法的Givens QR分解：Λ^1/2(N)H(N)＝Q(N)R(N)，其中Q(N)是一个各列正交的矩阵，R(N)是一个上三角矩阵，q(N)＝[Q^T(N)Q(N)]^-1/2Q^T(N)Λ^1/2(N)Y(N)，Ω(N)＝[Q^T(N)Q(N)]^1/2R(N)，q(N)是一个向量，Ω(N)是一个上三角方阵，计算最新的输出权值为β(k)＝R(k)^-1p(k)，其中β(k)，R(k)和p(k)表示第k次迭代时相应的β，R和p的取值；

设k＝k+1，继续执行在线学习过程。