买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南京理工大学申请的专利一种机电产品装配误差在线预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114529040B 。

龙图腾网通过国家知识产权局官网在2025-05-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210004705.5，技术领域涉及：G06Q10/04；该发明授权一种机电产品装配误差在线预测方法是由童一飞;周彤;王淼;杨开伟设计研发完成，并于2022-01-05向国家知识产权局提交的专利申请。

本一种机电产品装配误差在线预测方法在说明书摘要公布了：本发明提出了一种基于自编码器与Boosting‑OSKELM算法的机电产品装配误差在线预测方法，首先针对某一道装配工序，结合其装配工艺与装配误差历史装配数据，构建相应样本数据集；其次基于带有Fine‑Tuning技巧的自编码器对每个样本点的输入工艺数据进行降维，降维后的工艺数据与原装配误差数据组成新的降阶表征数据；接着将降维后的工艺数据输入至Boosting‑KELM模型中，结合在测试集上的预测性能，确定核函数的提升顺序以及对应的超参数；最后根据在线贯序核极限学习机的增量学习递推公式，形成Boosting‑OSKELM模型，从而实现装配误差的在线预测。本方法可对机电产品的装配误差进行在线预测。

本发明授权一种机电产品装配误差在线预测方法在权利要求书中公布了：1.一种基于自编码器与Boosting-OSKELM算法的机电产品装配误差在线预测方法，其特征在于，包括以下步骤：步骤1、构建训练样本数据集：确定机电产品装配线中某一工序的装配工艺参数与装配误差；根据历史装配过程数据，组建样本集，每个样本点的输入即为工序的装配工艺参数，输出即为与之对应的装配误差；随后，对该样本集的输入与输出分别做无量纲化处理；最后，将样本数据分为训练集与测试集；步骤2、基于带有Fine-Tuning技巧的自编码器进行样本数据降阶表征：根据样本集输入维度数目，搭建自编码器神经网络结构；该神经网络结构分为编码器与解码器部分，编码器是由神经元数量逐渐减少的网络层堆叠而成，而解码器是由神经元数量逐渐增加的网络层堆叠而成；接着，在编码器的输出层拼接多层感知机，其输出结果为所要预测的装配误差；然后，结合修正后的整体网络损失函数，使用梯度下降法更新整体网络连接权重与偏置；训练完成后，将整体网络前部的自编码器剥离下来，结合自编码器重构损失函数，重新训练；随后，将自编码器前部的编码器部分剥离下来，并将原样本数据中的工艺输入数据输入至该结构中，输出结果即为原样本输入数据的降维结果；最后，将该降维结果与原样本输出数据组建成新的训练数据集，从而实现样本数据的降阶表征；步骤3、基于Boosting-OSKELM的装配误差在线预测：确定可供选择的核函数以及核函数中可供选取的超参数取值；采用Boosting提升策略，确定不同核的提升顺序；在既定超参数与提升顺序下，使用基于第一个核的核极限学习机在降阶后的训练集上进行预测，并将预测结果的残差替换掉样本集中的输出；同样地，使用基于第二个核的核极限学习机在样本集上进行预测，并将预测结果的残差替换掉上一次的残差，依此类推，直至所有的核极限学习机均完成预测；随后，将不同核极限学习机的预测结果进行累加，即可得到Boosting-KELM的预测性能；通过对预测性能的比较，筛选出预测精度最高的Boosting-KELM模型及其对应的核函数超参数与提升顺序；最后，基于最优超参数与最优提升顺序，按照在线贯序极限学习机的增量学习递推公式，实现装配误差的在线预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫街200号南京理工大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。