CN119047510B 一种汽车装配自学习方法、系统、存储介质和电子设备 （上海申众捷科技有限公司）

利用递归神经网络模型对历史数据集合进行训利用更新后的质量预测模型生成装配工序优化用更新后的质量预测模型生成装配工序优化方2将所述多维度数据输入分布式云计算平台中，以利用多层神经网络算将处理后的多维度数据及对应的质量评估指标存储于分布式数据库所述将所述多维度数据输入分布式云计算平台中，以利用多层神经网将所述多维度数据根据来源和类型进行分片，通过哈希函数对每一份在分布式云计算平台上动态分配计算资源，为每个计算节点初在每个计算节点上，将该计算节点中的分片数据输入对应分配的多层神经网络模型，将各计算节点输出的局部质量评估指标进行加权平均，以生成全对历史数据集合中的每个时间序列数据进行标准化与归一化处理，将根据新的质量评估指标，利用优化算法对装配工序进行优化，得3量步骤为局部质量评估指标高于第二预设阈处理模块，用于将所述多维度数据输入分布式云计算平台中，以利存储模块，用于将处理后的多维度数据及对应的质量评估指标存储于分布式数据库更新模块，用于利用基于时间序列的递归神经网络模型，对历史数将所述多维度数据根据来源和类型进行分片，通过哈希函数对每一份在分布式云计算平台上动态分配计算资源，为每个计算节点初在每个计算节点上，将该计算节点中的分片数据输入对应分配的多层神经网络模型，将各计算节点输出的局部质量评估指标进行加权平均，以生成全对历史数据集合中的每个时间序列数据进行标准化与归一化处理，将根据当前装配过程中的多维度数据，利用更新后的质量预测模根据新的质量评估指标，利用优化算法对装配工序进行优化，得4量步骤为局部质量评估指标高于第二预设阈程序被设置为运行时执行权利要求1_3中任8.一种电子设备，包括存储器和处理器，其56[0019]将所述时间序列数据按时间窗口逐步加入模型中，通过高质量步骤为局部质量评估指标高于第二预设阈[0030]本申请的又一实施例提供了一种存储介质，所述存储介7[0033]图1为本发明实施例提供的一种汽车装配自学习方法的计算机终端的硬件结构框[0037]本发明实施例首先提供了一种汽车装配自学习方法，该方法可以应用于电子设[0038]下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的[0039]存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的汽车装配自学习方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程[0040]传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括89历史分片数据对模型进行并行训练，确保每个节点的模型使用的是其专属的分片数据集，[0057]Q-(weighted,i}=wi-Q.i将所有计算节点的加权指标累加，形成全局质量评估的数值。将所有节点的加权质量评估值进行汇总，以生成全局统一的质量评估指标Q_习模型的训练提供了更多的样本，使得模型能够更准确地捕捉到装配过程中的复杂关系；数据清洗模块去除冗余和错误数据，确保传入数据的高质量。针对采集的数据和生成的质信息。将不同类型的数据分散存储到多个分布式数据库节点上。通过选择特定的哈希函数地被读取和管理。Zstandard对历史数据集合中的时间序列数据进行压缩存储。通过索引建立时间序列数[0066]利用基于时间序列的递归神经网络（RNN）模型对历史数据集合进行训练和自学累的历史数据不断为模型提供新的训练样本，推动质量预测模型随着时间发展而持续优[0072]具体的，可以对历史数据集合中的每个时间序列数据进[0078]将所述时间序列数据按时间窗口逐步加入模型中，通过[0079]此步骤涉及逐步将处理后的时间序列数据输入到网络中进行训练。通过逐批训高质量步骤为局部质量评估指标高于第二预设阈[0097]目标函数=alpha·(低质量步骤数量)-beta·(高质量步骤数量)其中，alpha和beta际情况调整目标函数的参数及优化策略，以便在下一轮优化中进一步提升装配工序的质而能够通过实时数据积累形成闭环，利用更新后的质量预测模型生成装配工序优化方案，[0104]存储模块303，用于将处理后的多维度数据及对应的质量评估指标存储于分布式而能够通过实时数据积累形成闭环，利用更新后的质量预测模型生成装配工序优化方案，所述计算机程序被设置为运行时执行上述任一项方法实施例而能够通过实时数据积累形成闭环，利用更新后的质量预测模型生成装配工序优化方案，而能够通过实时数据积累形