[发明专利]基于RNN序列模型的转向管柱螺母调节角度预测方法

说明书

本发明公开了一种基于RNN序列模型的转向管柱螺母调节角度预测方法，通过获取并构建样本数据，清洗和过滤样本数据，数据格式化预处理，特征的提取与选择，序列化和归一化数据，根据模型预测调节角度和真实调节角度计算损失函数值，优化网络参数，最后基于优化后的网络对测试数据进行调节角度预测，并给出精确度和效率相对更优的样本数据结构和特征输入方案。本发明实现了将RNN序列模型应用于工业数据，有效地预测出转向管柱螺母的调节角度，提高了转向管柱螺母调节角度的精确度，从而提高工作效率。

技术领域

本发明涉及计算机信息处理技术领域，特别涉及一种基于RNN序列模型的转向管柱螺母调节角度预测方法。

背景技术

汽车转向管柱是汽车转向系统的重要组成部分，通常安装在汽车方向盘与转向器之间的连接部件，管柱成品在出厂前，必须对扳动管柱上手柄的力大小进行测试，如果力的大小不满足要求，则需要调节，调节扳动手柄所需力的大小是通过调节手柄上螺母的松紧来实现的，当螺母过紧时，扳动手柄所需的力会过大，用户难以实现轻松调节，影响用户体验；反之如果螺母过松，扳动手柄所需的力会过小，使得管柱不够稳固，容易松动，造成安全事故。

目前，用于计算螺母调节角度的传统模型算法存在一些不足，比如成品从有偏差到无偏差的调节次数过多，对偏差的把控能力不足，调节依据不够系统及功能局限性大，从而忽略了产品差异性；同时，产品日均生产量庞大，生产数据也数以万计，凭借专家经验很难快速从大量的数据中提取相关规律，因此导致调节过程精确度低，效率低，由鉴于此，需要提供一种效果好、精确度高、可以提高效率的螺母调节角度预测的方法。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种基于RNN序列模型的转向管柱螺母调节角度预测方法，所述技术方案如下：

首先，步骤1：从数据库中提取并构建汽车转向管柱螺母调节测试数据的样本集合S；

步骤2：根据所述样本集合S中的每个样本集进行异常值和冗余值的清洗和过滤，得到清洗后的新样本集合S_n；

步骤3：对所述新样本集合S_n进行格式化预处理，得到不同结构的样本数据集合S_n1，S_n2，S_n3；

步骤4：从所述样本数据集合S_n1，S_n2，S_n3中进行特征的提取与选择，得到两种特征方案，将所述两种特征方案输入方案input₁，input₂；

步骤5：设定序列化窗口值，利用所述窗口值对所述样本数据集合S_n1，S_n2，S_n3的数据进行序列化处理，得到序列化后的样本数据集合SS_n1，SS_n2，SS_n3；

步骤6：对所述样本数据集合SS_n1，SS_n2，SS_n3分别进行训练集与测试集的拆分，利用最大最小值归一化方法对拆分后的训练集与测试集进行处理；

步骤7：将所述方案input₁与所述方案input₂应用到基于RNN序列模型的神经网络模型；

步骤8：根据所述训练集的螺母真实调节角度与模型预测的调节角度计算损失函数值，根据所述损失函数值的结果更新所述神经网络模型的参数；

步骤9：重复步骤8，直到满足训练结束条件，得到优化后的神经网络模型参数；

步骤10：将预测的测试集，应用于优化后的神经网络模型，预测螺母调节角度；