机器学习方法在机械产品参数设计缺陷辨识中的应用

发布时间：2017-06-09 02:02

  本文关键词：机器学习方法在机械产品参数设计缺陷辨识中的应用，由笔耕文化传播整理发布。

【摘要】：机械产品设计参数的选择是决定产品质量的关键因素，因产品参数设计不合理引起的设计缺陷是造成产品开发周期延长、影响产品市场竞争力的的主要原因之一。为了在设计阶段初期实现机械产品设计参数缺陷的辨识，本文提出了基于支持向量机(SVM)以及人工神经网络(ANN)的参数设计缺陷辨识模型，对模型构建、参数选择及结果分析等内容进行了较为深入系统的研究。 针对高速机车车轴设计中因参数设计不合理造成的设计缺陷，提出了一种基于改进型支持向量机分类算法的设计缺陷辨识模型。考虑到设计样本间的差异和不同特征参数对设计结果的影响，采用了样本加权和特征加权相结合的方法改善模型。针对支持向量机参数选择难的问题，提出了基于支持向量回归(SVR)算法确定该模型的参数，可快速找到理想的模型参数以提高支持向量机的分类精度和泛化能力。考虑机车车轴轮座区参数设计不合理造成的几类设计缺陷，采用支持向量机分类算法对设计样本进行学习训练，建立了SVM模型，实现了对新车轴设计参数的缺陷辨识。 产品的设计缺陷不仅仅因为几何设计参数的设置不合理，还与包含产品材料选择、加工工艺参数设置、结构参数等广义设计参数有关。本文提出了基于BP神经网络的参数设计缺陷的辨识方法，以汽车保险杠的设计为研究对象，从保险杠的众多设计参数中选择对其质量影响重大的若干参数，，通过对神经网络的训练实现了保险杠表面缺陷及整体缺陷两种类型设计缺陷的识别。 考虑产品同其他零部件发生诸如装配、加工等约束关系时，受外界约束参数影响而造成设计缺陷的现象，采用一类神经网络改进算法构建基于设计参数约束关系的缺陷辨识模型，研究约束参数变化对设计结果造成的影响。针对机械产品设计参数的随机性，引入设计参数灵敏度的概念，在神经网络模型的基础上计算各个随机设计参数的灵敏度，获得了设计参数随机变化对设计结果的影响，达到了指导设计参数、加工参数及装配精度参数选择的目的。 本论文研究的基于机器学习算法的设计缺陷辨识方法为机电产品参数设计缺陷辨识问题提供了一套行之有效的理论、方法和技术。
【关键词】：设计参数 缺陷 辨识 支持向量机 神经网络
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH122;TP181
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-18
• 1.1 课题背景及研究意义11-12
• 1.2 机械产品设计缺陷辨识的研究概况12-14
• 1.2.1 高速机车车轴设计研究概况12-13
• 1.2.2 汽车保险杠设计研究概况13-14
• 1.3 支持向量机的研究与发展14-15
• 1.4 神经网络的研究现状15-16
• 1.5 本论文研究的主要内容16-17
• 1.5.1 支持向量机理论及参数选择算法研究16
• 1.5.2 基于支持向量机的机车车轴设计缺陷辨识16
• 1.5.3 基于 BP 神经网络的汽车保险杠设计缺陷辨识16-17
• 1.5.4 基于参数约束关系的设计缺陷辨识模型17
• 1.6 本章小结17-18
• 第二章 支持向量机参数选择算法研究18-30
• 2.1 支持向量机理论基础及基本算法18-25
• 2.1.1 机器学习的基本问题与统计学习理论18-21
• 2.1.2 支持向量机基本算法21-25
• 2.2 支持向量机参数选择算法研究25-29
• 2.2.1 算法流程26-27
• 2.2.2 数据实验及结果分析27-29
• 2.3 本章小结29-30
• 第三章 基于支持向量机的机车车轴设计缺陷辨识30-40
• 3.1 机车车轴损坏及破坏形式30-31
• 3.2 基于 SVM 的机车车轴设计缺陷辨识模型31-33
• 3.2.1 缺陷辨识模型输入层设计31
• 3.2.2 缺陷辨识模型输出层设计31
• 3.2.3 加权 SVM 参数缺陷辨识算法31-33
• 3.3 样本数据预处理33-36
• 3.3.1 样本加权权值确定34-35
• 3.3.2 基于信息增益法特征权值确定35-36
• 3.4 缺陷辨识结果及分析36-39
• 3.5 本章小结39-40
• 第四章 基于 BP 神经网络的汽车保险杠设计缺陷辨识40-54
• 4.1 人工神经网络及 BP 算法40-43
• 4.1.1 神经元模型40-41
• 4.1.2 BP 神经网络41-43
• 4.2 汽车保险杠设计参数43-47
• 4.2.1 保险杠结构参数43-45
• 4.2.2 保险杠材料参数45-46
• 4.2.3 保险杠工艺参数46-47
• 4.3 BP 神经网络模型建立47-50
• 4.3.1 样本数据预处理48
• 4.3.2 BP 神经网络各层神经元节点数设计48-49
• 4.3.3 BP 神经网络参数选择49-50
• 4.4 缺陷辨识结果及分析50-53
• 4.5 本章小结53-54
• 第五章 基于参数约束关系的设计缺陷辨识模型54-68
• 5.1 机械产品设计参数约束类型54-56
• 5.2 机械产品设计参数灵敏度56-58
• 5.3 基于参数约束关系的轴套设计缺陷辨识模型58-62
• 5.3.1 轴套装配形式58-59
• 5.3.2 轴套设计参数约束关系59-61
• 5.3.3 模型输入输出设置61-62
• 5.4 一类神经网络改进算法62-63
• 5.5 缺陷辨识结果分析63-67
• 5.5.1 网络训练及结果分析63-66
• 5.5.2 参数灵敏度计算66-67
• 5.6 本章小结67-68
• 第六章 论文的总结与展望68-70
• 6.1 论文的总结68-69
• 6.2 论文的展望69-70
• 致谢70-71
• 参考文献71-75
• 攻硕期间取得的研究成果75-76

【参考文献】

中国期刊全文数据库 前10条

1 路平,龚瑞庚;道路交通事故的基本规律与对策[J];长沙交通学院学报;1999年04期

2 王利霞,杨杨,王蓓,申长雨;注塑成型工艺参数对制品体收缩率变化的影响及工艺参数优化[J];高分子材料科学与工程;2004年02期

3 В.В.НОВИКОВ,高路;轴重25t空心车轴[J];国外铁道车辆;2003年04期

4 王小平,沈玉娣;支持向量机在轴承故障诊断中的应用[J];机床与液压;2003年04期

5 孟祥旭,徐延宁;参数化设计研究[J];计算机辅助设计与图形学学报;2002年11期

6 朱喜林,吴博达,武星星,李晓梅;BP网络在优化机械加工参数中的应用[J];计算机集成制造系统;2004年09期

7 范守文;熊静琪;邵旭光;黄洪钟;胡天友;;机电产品的可验证设计系统及其实现框架[J];计算机集成制造系统;2010年06期

8 张大鹏;陈光雄;田合强;;车轴轮座微动损伤对车轴疲劳寿命的影响[J];机械设计与制造;2009年01期

9 高雪鹏,丛爽;BP网络改进算法的性能对比研究[J];控制与决策;2001年02期

10 郝培锋,肖文栋,祝钢,徐心和;关于BP网络变结构问题的研究[J];控制与决策;2001年03期

  本文关键词：机器学习方法在机械产品参数设计缺陷辨识中的应用，由笔耕文化传播整理发布。

本文编号：434169