基于SMOTE和CART决策树的螺栓打紧质量异常检测

提出了一种基于SMOTE算法和CART决策树的螺栓打紧质量异常检测模型。该方法采用SMOTE过抽样算法处理螺栓打紧工艺数据类间不均衡问题,在此基础上建立CART决策树模型对打紧工艺的特征信息进行数据挖掘,诊断螺栓打紧质量状态。结合网格搜索和模型交叉验证的参数寻优方法对树深和基尼不纯度的阈值进行参数优化验证。最后,利用参数最优训练模型学习曲线和测试集上ROC曲线下面积AUC值对模型性能进行评价。实验结果表明,该组合模型具有优异的异常检测精度,研究成果可为螺栓打紧质量状态的诊断提供有力支撑。

基于数据挖掘的汽车生产线螺栓打紧异常识别

针对汽车装配螺栓打紧过程,提出了一种可以准确识别打紧异常的模型。首先对原始数据进行处理,包括去除噪声和集中主体数据,并根据过程扭矩提取特征。对异常样本过少问题,提出了适合的SMOTE改进算法,通过对异常样本过采样平衡了数据集,挖掘并利用更多的样本信息。最后基于加权随机森林算法构建分类器,完成整个识别模型的建立。通过真实数据验证,模型可准确识别出打紧异常螺栓。

铝挤压汽车拖曳臂安装支架设计

基于轻量化钢铝混合车身的研究,以拖曳臂安装支架为例,根据强度、可靠性、装配性与运动空间要求,以CAE仿真分析为辅助工具,采用拓扑优化方法,结合螺栓打紧力分析,进行受复杂工况的铝挤压件的零件设计。经实车路试耐久试验,无任何开裂、力矩衰减等异常情况发生。在采用铝合金材料进行关键零部件结构设计的方面进行了成功实践。