本项目通过对汽车白车身加工中冲孔制造过程所产生的数据进行分析，运用深度学习神经网络，建立起偏差模式模型并对数据的偏差模式进行识别匹配，并且进行误差的溯源分析。本项目预期提出对汽车白车身冲孔在线检测数据的偏差模式识别方法，构建偏差溯源网络结构，提供一套冲孔加工尺寸偏差溯源方法，并开发基于汽车白车身冲孔在线检测历史数据和偏差模式，偏差溯源分析的可视化展示系统。

本项目主要目标可分为白车身冲孔偏差模式识别和偏差溯源两大部分。偏差模式识别基于企业偏差数据特征制作仿真数据集，采用基于小波理论的方法，对数据进行去噪处理。之后引入机器学习算法，分别针对一维和多维数据，对车身在线检测数据异常偏差模式进行精准自动化识别。偏差溯源使用ClaSP时间序列分割算法以及K-Means聚类算法对在线检测数据进行数据挖掘，并结合冲孔加工人、机、料、法、环方面的影响因素，对数据挖掘所得偏差特征进行溯源分析。

本项目成果为设计白车身冲孔在线检测偏差数据展示、偏差模式识别以及偏差原因判断展示界面。在偏差模式识别方面，本项目使用小波去噪实现了数据降噪，运用机器学习算法，分别针对一维和多维数据搭建了白车身偏差模式识别模型。在偏差溯源方面，本项目分析得到了冲孔加工人、机、料、法、环方面的影响因素，并对在线检测偏差数据中存在的偏差特征进行了溯源分析。展示界面将模式识别和偏差溯源的成果进行了汇总与展示，实现了白车身冲孔在线检测数据中偏差模式的识别以及偏差原因的可视化展示。