基于数据挖掘方法的工艺知识发现及粗糙度预测研究
发布时间：2021-11-15 17:13
制造系统和制造过程充满了复杂性与动态性,数据挖掘和机器学习等知识发现手段可应用于制造过程的各个阶段,是应对制造业挑战的重要方法和技术。将这些技术手段与制造相结合,不仅可以充分挖掘企业数据中蕴含的工艺知识,为企业带来更快的响应速度与更深远的洞察力;同时利用机器学习强大的计算能力对过程进行分析和优化,有助于提高设计与生产效率、降低成本和改善质量。数据挖掘和机器学习方法因其高精度以及良好的可用性,越来越受到大家的关注。本文对数据挖掘和机器学习在工艺知识提取以及表面粗糙度预测的应用进行研究,提出了对应的算法进行求解,具体内容如下:（1）针对企业积累的历史数据未能充分利用的问题,提出基于混沌引力搜索算法的关联规则挖掘方法。该方法引入混沌映射改进引力常数更新使得算法的搜索能力得到提高,综合考虑多个评价指标,并加入相似度评价指标以保持产生规则的多样性。该方法可以有效对工艺知识进行挖掘,较其它经典方法在挖掘结果的质量方面有所提高。（2）针对人工神经网络不能显式地指出过程参数与生产质量之间的非线性关系这一缺点,开发了一种基于蜻蜓算法的分类规则抽取方法,旨在从加工过程中生成精确和可理解的分类规则,用于表达...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
CAPP方法
数据挖掘和知识发现(Knowledge Discovery in Database,KDD)通常被相提并论,两个术语在多个场合下被认为是可以互换的。对数据挖掘的定义有多种,例如“从海量数据中识别出有效、新颖、潜在有用并最终可理解的模式的非平凡过程”[37]。即数据挖掘就是试图从海量数据中找出有用的知识,这一类知识往往是隐含的而又潜在有用的。数据挖掘作为一个多学科交叉的研究领域,融合了机器学习、统计学、数据库、人工智能等技术。目前,数据挖掘覆盖了多种不同的应用任务和算法,根据数据的结构模式可分为以下几类(图1-2):分类(Classification)、关联规则挖掘(Association Rule Mining,ARM)、聚类(Clustering)、回归(Regression)、特征选择(Feature Selection)和可视化(Description and Visualization)等。DM持续激发着学者们的研究兴趣,不断有新的研究成果涌现,并已经广泛地应用在商业、医疗、金融市场分析等领域[38]。本文应用到的数据挖掘技术主要包括预测、关联规则与分类规则抽取等。分类是按照已知的分类模式找出数据对象的共同特征,并依据共同特征建立模型,从而判别类别未知的样本,并将其划分到对应的类别中。分类的输入是单次事务的各项数据特征,例如银行顾客的收入、职业、年龄等,而输出对应的是各项类别,每一个类别则代表不同实际意义,并与每一项事务相对应。回归与分类相类似,只是分类器的输出变为具体的数值。
第六章是总结和展望,主要是总结了论文的研究内容与结论,并对与未来的可能研究方向进行了展望。随着数字化制造在企业中的应用不断深入,企业数据库存储了丰富的数据。原有工艺可作为企业设计新产品时的参考,特别是对于那些结构相似的典型零部件,制造系统功能与产品特征的关联规则成为工艺设计过程中常采用的工艺知识,而得到这些知识规则是当前生产企业目前遇到的挑战之一,对于该问题企业往往缺乏合理有效的解决方案。因此,本章针对产品与制造系统之间的映射关系,建立关联规则挖掘模型,并对规则挖掘算法进行研究。
【参考文献】：
期刊论文
[1]SDAE-LSTM模型在金融时间序列预测中的应用[J]. 黄婷婷,余磊. 计算机工程与应用. 2019(01)
[2]基于深度学习的木材含水率预测[J]. 夏春江,王培良,张媛. 杭州电子科技大学学报(自然科学版). 2015(01)
[3]群智能算法的理论及应用综述[J]. 王水花,张煜东,吉根林. 南京师范大学学报(工程技术版). 2014(04)
[4]基于深度信念网络的PM2.5预测[J]. 郑毅,朱成璋. 山东大学学报(工学版). 2014(06)
[5]支持工艺设计的制造知识类型及层次模型[J]. 马春晖,同淑荣,李靖. 航空制造技术. 2011(18)
[6]基于轻量化模型的CAD/CAPP系统集成技术研究[J]. 田富君,田锡天,李洲洋,耿俊浩. 计算机集成制造系统. 2010(03)
[7]一类基于动态约束满足问题的产品配置方法[J]. 李伟,刘光复. 机械科学与技术. 2005(04)
[8]数据挖掘中分类算法的研究及其应用[J]. 罗海蛟,刘显. 微机发展. 2003(S2)
[9]基于知识发现原理的制造工艺重用方法研究[J]. 高伟,殷国富,戈鹏. 中国机械工程. 2003(19)
[10]5坐标数控加工中工件表面形貌的计算机仿真[J]. 赵晓明,胡德金,赵国伟. 上海交通大学学报. 2003(05)
博士论文
[1]卫星典型构件工艺挖掘与配置方法研究[D]. 王琳.哈尔滨工业大学 2015
[2]车铣刀具磨损状态监测及预测关键技术研究[D]. 李威霖.西南交通大学 2013
[3]基于智能学习模型的制造过程质量控制理论与方法论研究[D]. 余建波.上海交通大学 2009
[4]工艺知识发现与重用技术[D]. 刘书暖.西北工业大学 2007
[5]产品制造信息中的知识发现及其应用研究[D]. 李存荣.武汉理工大学 2006
本文编号：3497189
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
CAPP方法
数据挖掘和知识发现(Knowledge Discovery in Database,KDD)通常被相提并论,两个术语在多个场合下被认为是可以互换的。对数据挖掘的定义有多种,例如“从海量数据中识别出有效、新颖、潜在有用并最终可理解的模式的非平凡过程”[37]。即数据挖掘就是试图从海量数据中找出有用的知识,这一类知识往往是隐含的而又潜在有用的。数据挖掘作为一个多学科交叉的研究领域,融合了机器学习、统计学、数据库、人工智能等技术。目前,数据挖掘覆盖了多种不同的应用任务和算法,根据数据的结构模式可分为以下几类(图1-2):分类(Classification)、关联规则挖掘(Association Rule Mining,ARM)、聚类(Clustering)、回归(Regression)、特征选择(Feature Selection)和可视化(Description and Visualization)等。DM持续激发着学者们的研究兴趣,不断有新的研究成果涌现,并已经广泛地应用在商业、医疗、金融市场分析等领域[38]。本文应用到的数据挖掘技术主要包括预测、关联规则与分类规则抽取等。分类是按照已知的分类模式找出数据对象的共同特征,并依据共同特征建立模型,从而判别类别未知的样本,并将其划分到对应的类别中。分类的输入是单次事务的各项数据特征,例如银行顾客的收入、职业、年龄等,而输出对应的是各项类别,每一个类别则代表不同实际意义,并与每一项事务相对应。回归与分类相类似,只是分类器的输出变为具体的数值。
第六章是总结和展望,主要是总结了论文的研究内容与结论,并对与未来的可能研究方向进行了展望。随着数字化制造在企业中的应用不断深入,企业数据库存储了丰富的数据。原有工艺可作为企业设计新产品时的参考,特别是对于那些结构相似的典型零部件,制造系统功能与产品特征的关联规则成为工艺设计过程中常采用的工艺知识,而得到这些知识规则是当前生产企业目前遇到的挑战之一,对于该问题企业往往缺乏合理有效的解决方案。因此,本章针对产品与制造系统之间的映射关系,建立关联规则挖掘模型,并对规则挖掘算法进行研究。
【参考文献】：
期刊论文
[1]SDAE-LSTM模型在金融时间序列预测中的应用[J]. 黄婷婷,余磊. 计算机工程与应用. 2019(01)
[2]基于深度学习的木材含水率预测[J]. 夏春江,王培良,张媛. 杭州电子科技大学学报(自然科学版). 2015(01)
[3]群智能算法的理论及应用综述[J]. 王水花,张煜东,吉根林. 南京师范大学学报(工程技术版). 2014(04)
[4]基于深度信念网络的PM2.5预测[J]. 郑毅,朱成璋. 山东大学学报(工学版). 2014(06)
[5]支持工艺设计的制造知识类型及层次模型[J]. 马春晖,同淑荣,李靖. 航空制造技术. 2011(18)
[6]基于轻量化模型的CAD/CAPP系统集成技术研究[J]. 田富君,田锡天,李洲洋,耿俊浩. 计算机集成制造系统. 2010(03)
[7]一类基于动态约束满足问题的产品配置方法[J]. 李伟,刘光复. 机械科学与技术. 2005(04)
[8]数据挖掘中分类算法的研究及其应用[J]. 罗海蛟,刘显. 微机发展. 2003(S2)
[9]基于知识发现原理的制造工艺重用方法研究[J]. 高伟,殷国富,戈鹏. 中国机械工程. 2003(19)
[10]5坐标数控加工中工件表面形貌的计算机仿真[J]. 赵晓明,胡德金,赵国伟. 上海交通大学学报. 2003(05)
博士论文
[1]卫星典型构件工艺挖掘与配置方法研究[D]. 王琳.哈尔滨工业大学 2015
[2]车铣刀具磨损状态监测及预测关键技术研究[D]. 李威霖.西南交通大学 2013
[3]基于智能学习模型的制造过程质量控制理论与方法论研究[D]. 余建波.上海交通大学 2009
[4]工艺知识发现与重用技术[D]. 刘书暖.西北工业大学 2007
[5]产品制造信息中的知识发现及其应用研究[D]. 李存荣.武汉理工大学 2006
本文编号：3497189
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3497189.html
