本发明涉及车辆，尤其涉及一种车身间隙面差品质预测方法、系统、存储介质及车辆。
背景技术：
1、在汽车制造业的品质检测中，车身间隙面差品质是衡量车辆外观质量的关键指标。由于汽车生产流程的复杂性和多环节性，车体在焊接后仍需经历喷涂、装配等多重工序，这使得焊接完成后的初始匹配状态(即车身各配合面之间的间隙面差)难以在后续的工艺环节保持稳定。同时，工序间的变异不可预测也常常导致车辆在生产线前期检测合格，但在后续工序中却出现大量精度问题。
2、通常为了保证车身的间隙面差品质，各汽车制造企业普遍采用的方式是增加工序间检查，传统的品质检查手段主要包括：手动测量和机器人测量两种方式。以上两种检查手段，手动测量的方式存在效率低下、操作复杂、人力和时间成本高的问题，机器人测量的方式存在测量分析结果对间隙面差问题的反馈滞后，不能尽早发现问题，指导生产端改进，避免出现大批量的间隙面差尺寸问题。这制约了汽车制造业质量体系的进一步提升和优化。故而，在车身间隙面差预测领域，虽然众多知名车企及供应商积极探索利用生产数据挖掘与数字化技术优化现行的品质检查流程，但是在预测准确性、普遍适用性等方面依然存在着改进的空间。
3、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本发明的主要目的在于提供一种车身间隙面差品质预测方法、存储介质及车辆，旨在解决现有技术中车身的间隙面差品质预测准确性较低的技术问题。
2、为实现上述目的，本发明提出了一种车身间隙面差品质预测方法，所述车身间隙面差品质预测方法包括：
3、获取车身间隙面的原始样本数据，所述原始样本数据包括：要因系数据和结果系数据；
4、对所述结果系数据进行聚类分析，并对聚类分析后的所述结果系数据中的噪声数据进行移除得到结果系训练数据；
5、根据所述结果系数据从所述要因系数据中选取对间隙面差品质造成影响的要因系训练数据；
6、根据所述结果系训练数据和所述要因系训练数据基于随机森林方法构建差品质预测模型；
7、根据所述差品质预测模型预测车身间隙面差品质。
8、可选地，所述对所述结果系数据进行聚类分析，并对聚类分析后的所述结果系数据中的噪声数据进行移除得到结果系训练数据，包括：
9、整合所述结果系数据中的异常问题数据；
10、根据所述异常问题数据中的末次发生时间、返修消耗时间以及累计发生频次构建匹配性异常问题的聚类分析模型；
11、通过聚类分析模型对异常问题数据进行数据聚类，获得结果系数据的聚类结果；
12、根据帕累托原理从所述聚类结果中确定结果系数据中的噪声数据；
13、所述结果系数据中的噪声数据进行移除得到结果系训练数据。
14、可选地，根据所述结果系数据从所述要因系数据中选取对间隙面差品质造成影响的要因系训练数据，包括：
15、基于所述结果系数据确定间隙面差品质异常的异常概率；
16、对所述结果系数据进行分析确定间隙面差品质问题的最大似然估计以及间隙面差品质问题对应的点位数据的后验概率；
17、根据所述异常概率、所述最大似然估计以及所述后验概率通过贝叶斯概率公式确定点位数据的先验概率；
18、根据所述点位数据的先验概率从所述要因系数据中选取对间隙面差品质造成影响的要因系训练数据。
19、可选地，所述根据所述结果系训练数据和所述要因系训练数据基于随机森林方法构建差品质预测模型，包括：
20、对所述结果系训练数据和所述要因系训练数据按照预设拆分标准进行数据拆分，得到样本训练集数据以及样本验证集数据；
21、根据所述样本训练集数据基于随机森林方法构建初始差品质预测模型；
22、利用所述样本验证集数据对所述初始差品质预测模型进行稳定性和准确性验证；
23、在所述稳定性和准确性验证通过时，获得差品质预测模型。
24、可选地，所述根据所述结果系训练数据和所述要因系训练数据基于随机森林方法构建差品质预测模型之后，还包括：
25、获取所述差品质预测模型构建过程中各决策节点的信息增益；
26、根据各所述决策节点的信息增益确定所述要因系数据中的各点位数据的数据权重；
27、根据所述数据权重对各点位数据进行排序并输出。
28、可选地，所述获取车身间隙面的原始样本数据之后，还包括：
29、通过孤立森林算法或聚类算法识别所述原始样本数据中的异常数据；
30、移除所述原始样本数据中的异常数据；
31、将异常数据移除后的原始样本数据认定为新的原始样本数据。
32、可选地，所述根据所述结果系训练数据和所述要因系训练数据基于随机森林方法构建差品质预测模型之前，还包括：
33、将所述结果系训练数据和所述要因系训练数据中的所有特征值转换至同一维度；
34、相应的，所述根据所述结果系训练数据和所述要因系训练数据基于随机森林方法构建差品质预测模型，包括
35、根据所有特征值处于同一维度的所述结果系训练数据和所述要因系训练数据基于随机森林方法构建差品质预测模型。
36、此外为实现上述目的，本发明还提供了一种车身间隙面差品质预测系统，所述车身间隙面差品质预测系统用于执行所述车身间隙面差品质预测方法。
37、此外为实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有车身间隙面差品质预测程序，所述车身间隙面差品质预测程序被处理器执行时实现所述的车身间隙面差品质预测方法的步骤。
38、此外为实现上述目的，本发明还提供了一种车辆，所述车辆包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车身间隙面差品质预测程序，所述车身间隙面差品质预测程序被所述处理器执行时实现如所述的车身间隙面差品质预测方法的步骤。
39、本发明提供了一种车身间隙面差品质预测方法、系统、存储介质及车辆，该车身间隙面差品质预测方法包括：获取车身间隙面的原始样本数据，所述原始样本数据包括：要因系数据和结果系数据；对所述结果系数据进行聚类分析，并对聚类分析后的所述结果系数据中的噪声数据进行移除得到结果系训练数据；根据所述结果系数据从所述要因系数据中选取对间隙面差品质造成影响的要因系训练数据；根据所述结果系训练数据和所述要因系训练数据基于随机森林方法构建差品质预测模型；根据所述差品质预测模型预测车身间隙面差品质。通过对原始样本数据进行筛选移除结果系数据中的噪声数据以及提取对间隙面差品质造成影响的要因系训练数据，然后利用筛选后的原始样本数据构建准确性很高的差品质预测模型，然后利用该差品质预测模型实现对车身间隙面差品质的精确预测。
1.一种车身间隙面差品质预测方法，其特征在于，所述车身间隙面差品质预测方法包括：
2.如权利要求1所述的车身间隙面差品质预测方法，其特征在于，所述对所述结果系数据进行聚类分析，并对聚类分析后的所述结果系数据中的噪声数据进行移除得到结果系训练数据，包括：
3.如权利要求1所述的车身间隙面差品质预测方法，其特征在于，根据所述结果系数据从所述要因系数据中选取对间隙面差品质造成影响的要因系训练数据，包括：
4.如权利要求1所述的车身间隙面差品质预测方法，其特征在于，所述根据所述结果系训练数据和所述要因系训练数据基于随机森林方法构建差品质预测模型，包括：
5.如权利要求1所述的车身间隙面差品质预测方法，其特征在于，所述根据所述结果系训练数据和所述要因系训练数据基于随机森林方法构建差品质预测模型之后，还包括：
6.如权利要求1所述的车身间隙面差品质预测方法，其特征在于，所述获取车身间隙面的原始样本数据之后，还包括：
7.如权利要求6所述的车身间隙面差品质预测方法，其特征在于，所述根据所述结果系训练数据和所述要因系训练数据基于随机森林方法构建差品质预测模型之前，还包括：
8.一种车身间隙面差品质预测系统，其特征在于，所述车身间隙面差品质预测系统用于执行权利要求1-7任一项所述车身间隙面差品质预测方法。
9.一种存储介质，其特征在于，所述存储介质上存储有车身间隙面差品质预测程序，所述车身间隙面差品质预测程序被处理器执行时实现如权利要求1至7中任一项所述的车身间隙面差品质预测方法的步骤。
10.一种车辆，其特征在于，所述车辆包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车身间隙面差品质预测程序，所述车身间隙面差品质预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的车身间隙面差品质预测方法的步骤。
