随着汽车工业进程的快速发展，市场竞争日趋激烈，提高车身质量、缩短开发周期、提高零件装配效率以及降低成本成为了汽车厂商赢得市场竞争的关键，质量控制贯穿制造过程始终。汽车尺寸工程传统的方法是通过有限个测点进行量化，对于匹配的不可见区域和狭小而无法测量的区域，很难进行尺寸评估。各种新型制造工艺迅速发展，由于材料特征的差异，不同制造工艺对零件尺寸偏差的影响，及零件自身定位系统的结构设计因素，使得零件在装配后的匹配控制区域复杂化。

汽车驾驶座舱系统（Cockpit）作为汽车模块化的一个重要组成部分，高度集成了驾驶人所需操作的所有功能。Cockpit 在与车身拼合时，踏板定位螺栓与车身前围孔的配合度作为一个重要因素，决定着整个拼合的效率及一次合格率，所以在前期技术评估（VA）阶段尽早识别此项风险的意义重大。基于以上的问题，本文提出了一种数据驱动建模的方法，利用检具的数据进行测量，对产品尺寸进行评估，指导产品修改，可以用在不同公差设计中。

由于汽车匹配的过程中，零件种类繁多，内饰件采用柔性零件的装配，这些零部件所涉及的结构特征、定位方式、装配顺序和加工工艺都不尽相同，虽然尺寸链的构建原理相同，但是传统的计算方法不能被沿用。因此我们采用数据驱动的统计方法，对这些变量进行建模，用于校验各个零件之间的匹配程度和匹配质量，达到在产品设计开发阶段优化装配质量的目的。

近些年来，各个汽车厂商及国内外的研究人员围绕着质量控制展开了大量的工作，但是涉及车身零件匹配的研究较少。对汽车零部件匹配问题的研究仅仅停留在定性研究、探索性研究和总结的阶段，并没有进行测量实验和实证性的研究。本文引入了机器学习中的Logistic 模型，通过实验收集数据，利用数据驱动的方法对零件的匹配问题进行研究。

1.Logistic 模型及实验结果

（1）Logistic 回归模型

评估汽车零件是否匹配是一个典型的二值分类问题，通常利用分类模型进行研究，常用的分类模型有Bayes 分类器、Logistic 回归和支持向量基等方法。这里我们选取Logistic 回归分类器进行研究，分类器模型是利用已有的数据集合去优化模型，即从数据中学习到相关的经验，再利用优化好的模型进行新数据类别的预测。设观测到的特征记为

为影响分类的因素，Y 表示分类信息，Logistic 模型的构造可表示为：

式中，特征为X 时的预测值；，表示特征向量的系数。需要利用数据驱动的方法优化这些参数。这里使用极大似

然方法计算对应特征向量的系数，即：

构造极大似然目标函数：

极大化目标函数式（2），可以得到对应特征系数的解向量。

（2）特征提取

由于踏板与前围挡的匹配问题，受到很多因素的影响，其中踏板与汽车驾驶座舱系统匹配及汽车驾驶座舱系统与整车的匹配，都会影响集成在座舱系统中踏板与前围挡的匹配问题，因此，基于专家经验使用机器视觉技术，对几个可能影响匹配的特征进行测量，把观测到的特征记为，

若踏板与前围挡匹配，则标签变量Y =1，否则Y =0。实际建模的过程中，影响零件匹配的因素可能是观测到特征的子集，因此需要利用数据驱动的特征提取方法，对现有的因素进行筛选。采用传统的独立特征筛选的方法，对收集到的特征进行提取。

在实验中， 对汽车驾驶座舱系统中踏板的关键特征点进行测量（图1），

图1

由于踏板和前围挡的匹配问题还涉及座舱系统和整车的匹配，因此对座舱系统的特征点进行测量（图2），

图2

共有14 个特征点坐标。利用这些特征点的坐标，我们计算出所有特征点之间的距离，因此共有个特征距离，利用传统的独立特征筛选的方法，计算每个特征距离与分类变量Y 的相关系数，二值变量和数值变量之间的相关性我们使用η 值量化。记表示第i 个距离所有样本的平均值，记总偏差平方和为：

残差平方和为：

式中，

n 1 表示样本中Y =1 的个数；n 2

表示Y =0 的个数。我们可以定

义如下的η 值：

选取一个阈值为0.4，可以得到9 个影响因素对匹配有显著性影响，记p =9，利用R 软件使用观测到的数据对模型进行优化，估计结果见表1。

表1

在表1 中列出了Logistic模型中未知参数的估计，其中P-value 中有一个*，表示在显著性水平0.05 下该系数不为零，**表示在显著性水平0.01 下该系数不为零，因此通过实际建模，又筛选一部分因素，最终我们选取显著性水平0.01，有7 个变量进入模型中，可以利用该模型进行座舱系统和踏板匹配的虚拟安装，预测踏板匹配成功的概率。再收集40 组数据作为验证集，利用上述的模型预测匹配的结果，预测准确率为97.5%。

通过对踏板与车身匹配问题的研究，并设计实验方案，把观测到的关键点之间的距离与踏板与车身匹配问题建模，利用实验数据对模型中的参数进行优化，使之可以利用模型进行虚拟安装，预测匹配的概率。