基于机器学习的产品设计及润滑油配方研究
发布时间：2021-11-13 15:10
当今世界,人工智能（AI）的研究及应用可谓如火如荼。人工智能的核心算法较为定型,但是AI技术的应用则方兴未艾。作为人工智能的核心,机器学习技术的优势是能够从大量积累数据中高效、准确地归纳、学习出关于某复杂问题的回归、聚类、分类模型,改善系统自身的性能。将机器学习用于产品设计也是AI应用的一个重要方向。尽管润滑油配方在过去有了爆发性的发展,但配方的调合涉及复杂的物理和化学过程,目前还是处于一种“半经验”的设计模式,很少有人探索运用机器学习方法来理解和优化调合过程,以期达到“理性设计”。本论文以润滑油配方作为一个案例,探究机器学习模型在产品设计中的应用。基于收集到的实际润滑油配方及其相应的物理化学性能,结合现有工业应用的经验计算方法获得的数据,建立了对油成分包的分类模型和对某些物理化学性能指标和决策因素之间的映射关系模型,并对模型进行泛化能力评价。具体研究内容如下:首先,调研油品调合机理,并且对配方数据做预处理,使之能够作为后续机器学习的“输入”。即对润滑油配方的数据做特征选择、缺失值和异常值、数据噪音的修正等处理,制作出了“干净”的油成分包数据集,然后做数据标准化使之适应相关机器算法对“...
【文章来源】：昌吉学院新疆维吾尔自治区
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图３．２数据处理流程图??Ｆｉｇｕｒｅ?３．２?Ｄａｔａ?ｐｒｏｃｅｓｓｉｎｇ?ｆｌｏｗ?ｃｈａｒｔ??
ｉ）?－■■■■■■■■■■■■■■■■■??ｖａｑｃｉ）?－ｍｍｍｍｍｍｍｍｍｍｍｍｍｍ??０°ｆ２）????Ａ?－■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■??０＾（１）??ＰＰ（１）??Ｒ＊＜１）?．ｐｍｍｍｍｍｍｍｍａｍｍｍｍｍｍｍｍｍｍｍｍｍｍｍｍｍｍｍｔｍｍｍＨｍｍｍｍｍｉｍｍａｍｍａｉｍｍｍ??Ｃ?——————，??０．００?０．０２?０?０４?ＯＯｆｉ?０?０８?０．１０?０．１２?０．１４??图３．３配方数据集中特征的重要性??Ｆｉｇｕｒｅ?３．３?Ｔｈｅ?ｉｍｐｏｒｔａｎｃｅ?ｏｆ?ｆｅａｔｕｒｅｓ?ｉｎ?ｔｈｅ?ｒｅｃｉｐｅ?ｄａｔａ?ｓｅｔ??基于集合的决策树模型（如随机森林）可以用来对不同特征的重要性进行排??序。了解建立的模型最重要的特征对于理解本文的模型如何做出预测（使其更易??于解释）是至关重要的。使用所有特征训练一个随机森林分类器，这样就可以创??建一个特征重要性图以分辨数值特征对应于建立的模型预测的重要性。??从图３．３中可以看到粘胶所对应的因素值对整个油品的指标值影响比较大，??而且第一个基础油的指标属性中４０°Ｃ运动粘度、１００°Ｃ运动粘度、粘度指数、闪??点、倾点对整个油品是最重要的。??３．３．３相关矩阵分析??为了减少数据集中的特征数量，另一种可能的方法是检查特征与标签的相关??性。即通过创建一个相关矩阵来更仔细地研宄不同相关特征之间的关系。??热力度一般用来表示地图上的分布密度，也可以简单理解为两维坐标中的数??值到颜色的映射图。相关性最常用的是皮尔森相关系数（Ｐｅａｒｓｏｎ?ｃｏｒｒｅｌａｔｉｏｎ
?昌吉学院硕士学位论文???３ｉ＾ｎｎ?ｉｗｒＴ；Ｊ．?Ａ．ｘ？ｒ??＾?：；?，?；?ｒ?．??■?Ｈｉｍ?＇?＇?■?［ＩＩ＾ＰＵＬＢ?－??＿＿ＫＬ?ｉ?ｊ?ｌ＾Ｍ??ｉ?ｆ??？，?乂細麵｛＾?顧」％??ｈｉ?－■■?■?ｍ?．?Ｔ０ｉ＾３■??１?２?３?４?５?６?７?６?０?１０?１１?１２?１３?Ｕ?１５?１６?１７?１６?１９?２０?２１?２２?２３?２４?２５?２６?２７?２８?２９?３０?３１?３２??图３．４油成分包选择性特征间的相关性??Ｆｉｇ?３．４?Ｃｏｒｒｅｌａｔｉｏｎ?ｂｅｔｗｅｅｎ?（ｈｅ?ｓｅｌｅｃｔｉｖｉｔｙ?ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ?ｏｆ?ｏｉｌ?ｃｏｍｐｏｓｉｔｉｏｎ??ｐａｃｋａｇｅ??如果两个特征之间的相关性为〇，则意味着更改这两个特征中的任何一个都??不会影响另一个。如果两个特征之间的相关性大于〇，这意味着增加一个特征中??的值也会增加另一个特征中的值（相关系数越接近１，两个不同特征之间的这种??联系就越强）。如果两个特征之间的相关性小于０，这意味着增加一个特征中的??值将减少另一个特征中的值（相关性系数越接近－１，两个不同特征之间的这种关??系将越强）。??从图３．４中可以看到有些特征相关性是很高，若相关性大于０．７，多重共线??性会影响导致预测结果不稳定。很显然这样的特征很少，大多数还是落在（０．３，－０．３）??之间，即不存在线性相关或者低度线性相关。表明本文从生产配方里面提炼出来??的特征数据是可以用来输入模型的。??３．３．４数据分布可视化??在高维数据集中有几十种甚至百种特征，各个特征之间存在规律。因此对高??维数组进行
【参考文献】：
期刊论文
[1]大数据背景下机器学习算法的综述[J]. 欧华杰. 中国信息化. 2019(04)
[2]云计算和物联网的网络大数据技术分析[J]. 张州. 科学技术创新. 2019(09)
[3]原油混炼对润滑油黏度指数的影响[J]. 宋延锋,苏佩汝,陈红蕾,王浩,瞿丽. 石化技术与应用. 2018(03)
[4]原油非线性优化调合方法研究[J]. 叶彦斐,胡云云,陆琳娜,羊康,陈恒. 科技视界. 2018(05)
[5]基于显著性检测和改进局部高斯分布拟合模型的眼底图像视盘边界自动提取[J]. 高源,于晓升,吴成东,周唯,孟亚男,王莹. 控制与决策. 2019(01)
[6]矿山机械摩擦磨损问题与防范建议的研究解析[J]. 王超,苗润时,毕瑞敏. 山东工业技术. 2017(21)
[7]润滑油运动粘度检测的重要性[J]. 冯玉娟. 冶金设备. 2017(S2)
[8]基于大数据分析与认知技术的空气质量预报预警平台[J]. 李云婷,严京海,孙峰,张大伟,夏曦,芮晓光,白鑫鑫,尹文君. 中国环境管理. 2017(02)
[9]基于云计算的数据挖掘平台架构及其关键技术探讨[J]. 王永. 中国新通信. 2015(10)
[10]基于向量皮尔森相关系数的组合赋权法[J]. 张峰,谢振华,程江涛,崔高仑,徐衡博. 火力与指挥控制. 2015(05)
博士论文
[1]低压特殊环境下可燃液体闪点、沸点及其应用研究[D]. 丁超.中国科学技术大学 2016
[2]面向大数据处理的并行计算模型及性能优化[D]. 骆涛.中国科学技术大学 2015
[3]维数约简研究及其在特征提取中的应用[D]. 吴松松.南京理工大学 2012
硕士论文
[1]基于组合赋权—灰色关联投影法的工程机械通用润滑油研究[D]. 唐兴中.广西大学 2014
[2]高级润滑油的调配[D]. 周明君.北京化工大学 2008
[3]绿色酯类润滑油基础油的合成及性能研究[D]. 金小容.中南大学 2007
[4]数据挖掘技术在化工产品配方优化中的应用[D]. 姜涛.华北电力大学（河北） 2005
本文编号：3493238
【文章来源】：昌吉学院新疆维吾尔自治区
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图３．２数据处理流程图??Ｆｉｇｕｒｅ?３．２?Ｄａｔａ?ｐｒｏｃｅｓｓｉｎｇ?ｆｌｏｗ?ｃｈａｒｔ??
ｉ）?－■■■■■■■■■■■■■■■■■??ｖａｑｃｉ）?－ｍｍｍｍｍｍｍｍｍｍｍｍｍｍ??０°ｆ２）????Ａ?－■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■??０＾（１）??ＰＰ（１）??Ｒ＊＜１）?．ｐｍｍｍｍｍｍｍｍａｍｍｍｍｍｍｍｍｍｍｍｍｍｍｍｍｍｍｍｔｍｍｍＨｍｍｍｍｍｉｍｍａｍｍａｉｍｍｍ??Ｃ?——————，??０．００?０．０２?０?０４?ＯＯｆｉ?０?０８?０．１０?０．１２?０．１４??图３．３配方数据集中特征的重要性??Ｆｉｇｕｒｅ?３．３?Ｔｈｅ?ｉｍｐｏｒｔａｎｃｅ?ｏｆ?ｆｅａｔｕｒｅｓ?ｉｎ?ｔｈｅ?ｒｅｃｉｐｅ?ｄａｔａ?ｓｅｔ??基于集合的决策树模型（如随机森林）可以用来对不同特征的重要性进行排??序。了解建立的模型最重要的特征对于理解本文的模型如何做出预测（使其更易??于解释）是至关重要的。使用所有特征训练一个随机森林分类器，这样就可以创??建一个特征重要性图以分辨数值特征对应于建立的模型预测的重要性。??从图３．３中可以看到粘胶所对应的因素值对整个油品的指标值影响比较大，??而且第一个基础油的指标属性中４０°Ｃ运动粘度、１００°Ｃ运动粘度、粘度指数、闪??点、倾点对整个油品是最重要的。??３．３．３相关矩阵分析??为了减少数据集中的特征数量，另一种可能的方法是检查特征与标签的相关??性。即通过创建一个相关矩阵来更仔细地研宄不同相关特征之间的关系。??热力度一般用来表示地图上的分布密度，也可以简单理解为两维坐标中的数??值到颜色的映射图。相关性最常用的是皮尔森相关系数（Ｐｅａｒｓｏｎ?ｃｏｒｒｅｌａｔｉｏｎ
?昌吉学院硕士学位论文???３ｉ＾ｎｎ?ｉｗｒＴ；Ｊ．?Ａ．ｘ？ｒ??＾?：；?，?；?ｒ?．??■?Ｈｉｍ?＇?＇?■?［ＩＩ＾ＰＵＬＢ?－??＿＿ＫＬ?ｉ?ｊ?ｌ＾Ｍ??ｉ?ｆ??？，?乂細麵｛＾?顧」％??ｈｉ?－■■?■?ｍ?．?Ｔ０ｉ＾３■??１?２?３?４?５?６?７?６?０?１０?１１?１２?１３?Ｕ?１５?１６?１７?１６?１９?２０?２１?２２?２３?２４?２５?２６?２７?２８?２９?３０?３１?３２??图３．４油成分包选择性特征间的相关性??Ｆｉｇ?３．４?Ｃｏｒｒｅｌａｔｉｏｎ?ｂｅｔｗｅｅｎ?（ｈｅ?ｓｅｌｅｃｔｉｖｉｔｙ?ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ?ｏｆ?ｏｉｌ?ｃｏｍｐｏｓｉｔｉｏｎ??ｐａｃｋａｇｅ??如果两个特征之间的相关性为〇，则意味着更改这两个特征中的任何一个都??不会影响另一个。如果两个特征之间的相关性大于〇，这意味着增加一个特征中??的值也会增加另一个特征中的值（相关系数越接近１，两个不同特征之间的这种??联系就越强）。如果两个特征之间的相关性小于０，这意味着增加一个特征中的??值将减少另一个特征中的值（相关性系数越接近－１，两个不同特征之间的这种关??系将越强）。??从图３．４中可以看到有些特征相关性是很高，若相关性大于０．７，多重共线??性会影响导致预测结果不稳定。很显然这样的特征很少，大多数还是落在（０．３，－０．３）??之间，即不存在线性相关或者低度线性相关。表明本文从生产配方里面提炼出来??的特征数据是可以用来输入模型的。??３．３．４数据分布可视化??在高维数据集中有几十种甚至百种特征，各个特征之间存在规律。因此对高??维数组进行
【参考文献】：
期刊论文
[1]大数据背景下机器学习算法的综述[J]. 欧华杰. 中国信息化. 2019(04)
[2]云计算和物联网的网络大数据技术分析[J]. 张州. 科学技术创新. 2019(09)
[3]原油混炼对润滑油黏度指数的影响[J]. 宋延锋,苏佩汝,陈红蕾,王浩,瞿丽. 石化技术与应用. 2018(03)
[4]原油非线性优化调合方法研究[J]. 叶彦斐,胡云云,陆琳娜,羊康,陈恒. 科技视界. 2018(05)
[5]基于显著性检测和改进局部高斯分布拟合模型的眼底图像视盘边界自动提取[J]. 高源,于晓升,吴成东,周唯,孟亚男,王莹. 控制与决策. 2019(01)
[6]矿山机械摩擦磨损问题与防范建议的研究解析[J]. 王超,苗润时,毕瑞敏. 山东工业技术. 2017(21)
[7]润滑油运动粘度检测的重要性[J]. 冯玉娟. 冶金设备. 2017(S2)
[8]基于大数据分析与认知技术的空气质量预报预警平台[J]. 李云婷,严京海,孙峰,张大伟,夏曦,芮晓光,白鑫鑫,尹文君. 中国环境管理. 2017(02)
[9]基于云计算的数据挖掘平台架构及其关键技术探讨[J]. 王永. 中国新通信. 2015(10)
[10]基于向量皮尔森相关系数的组合赋权法[J]. 张峰,谢振华,程江涛,崔高仑,徐衡博. 火力与指挥控制. 2015(05)
博士论文
[1]低压特殊环境下可燃液体闪点、沸点及其应用研究[D]. 丁超.中国科学技术大学 2016
[2]面向大数据处理的并行计算模型及性能优化[D]. 骆涛.中国科学技术大学 2015
[3]维数约简研究及其在特征提取中的应用[D]. 吴松松.南京理工大学 2012
硕士论文
[1]基于组合赋权—灰色关联投影法的工程机械通用润滑油研究[D]. 唐兴中.广西大学 2014
[2]高级润滑油的调配[D]. 周明君.北京化工大学 2008
[3]绿色酯类润滑油基础油的合成及性能研究[D]. 金小容.中南大学 2007
[4]数据挖掘技术在化工产品配方优化中的应用[D]. 姜涛.华北电力大学（河北） 2005
本文编号：3493238
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/3493238.html
