光纤制备大数据辅助决策系统

发布时间：2020-10-18 14:19

　　 随着我国通信基础的大规模建设,光纤光缆制造业获得了迅猛发展。与此同时,智能制造正引领工业3.0革命的浪潮,我国传统制造业逐渐开始升级,朝着智能制造业进行转型。我国光纤制备企业基本已经实现信息化和智能化管理,但是,在光纤制备工艺方面还存在着一些问题:如何准确发现光纤制备工艺参数的影响因素及内在关联关系;如何固化专家制备经验;如何准确预测工艺参数的变化对未来产品质量的影响等。本文阐述了传统光纤制备工艺的现状和不足,探究利用机器学习的方法对光纤制备进行辅助决策,并形成可视化的系统。分析预制棒数据和光纤数据,建立回归决策树模型,根据模型形成光纤制备规则,分析预制棒参数和光纤参数的内在关联,并对结果进行可视化,形成完整的系统。本文主要研究内容如下:1.对预制棒数据和光纤数据进行深入理解,对数据进行噪声去除、归一化和数据链接的一系列操作,为机器学习的特征构建和建模进行预处理工作;基于对数据和业务的了解,通过信息增益法对预制棒数据进行特征选择;用预制棒数据作为特征,光纤的某个参数作为目标,构建回归决策树模型,此模型即为光纤制备辅助决策算法的基模型。通过实验分析,验证了回归决策树模型的有效性。2.根据回归决策树模型的分裂路径,获取到多个光纤制备规则;根据信息增益法获取重要性较高的预制棒特征作为光纤的影响因子,通过分析历史数据,获取光纤目标和影响因子之间的关系。3.搭建大数据平台和web服务器,将光纤制备规则和影响因子进行可视化,并形成完整的光纤制备大数据辅助决策系统。针对设计的光纤大数据辅助决策系统,总结其优势:通过回归模型的分裂路径,获取多条光纤制备规则,固化制备经验;通过对光纤参数的影响因子分析,有效地发现预制棒参数的变化对光纤的影响以及它们的内在联系;搭建大数据平台,存储和分析海量的数据,提高系统的时效性;完整的可视化平台,能直观的展示算法的结果,为制备专家提供方便的辅助决策帮助。
【学位单位】：重庆邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F426.6;TN253;TP311.13
【部分图文】：

图 2.3 线性回归独观察(X，Y)，能找到拟合度最好的一条直线。这条直接尽可能使离最近，线的方程式'Y a bx。给出一个自变量 x 的值，相应的算。述是在二元的情况下，当 x 变量有多个的时候，就会存在一个变随多个变量(x1，x2，x3…)变化，变化趋势是多元非线性的。此时元线性回归[42]问题。多元线性回归的方程为：'iTY a b x 性回归是为了找到一组 和 的最优解使得在多元情况下，预测值离最小。回归(Logistic Regression)

图 2.5 MapReduce 过程Map 函数和 Reduce 函数是 MapReduce 工作的核心。如图 2.5 所示，Map 函数将输入数据处理成<key,value>，通过随机、排序和其他过程以<key,list <value >>的形式获得中间结果。将相同键值的中间结果传递给 reduce 函数，并计算最终解。为了提高 Reduce 函数的计算效率，MapReduce 在执行 Map 函数和 Reduce 函数之间设置 Combiner 过程。Combiner 过程的本质可以理解为在 Map 过程中起作用的 reduce函数，在进入 Reduce 函数之前聚合中间结果。Combiner 功能是确保 MapReduce 过程的总时间效率不受时间效率的影响，并且最终输出结果的正确性不受影响。MapReduce分布式并行计算框架使得开发人员只需要关注Map函数和Reduce函数，这样降低了编程难度并大大提高大规模数据集的计算效率。2.4.4 Sqoop

重庆邮电大学硕士学位论文 第 3 章 光纤制备辅助决策算法在表 3.5 中对于 MAER 大于 5%的结果进行了加粗处理，同时展示了 6 个模型的平均误差率和平均排名。由表可知，Cart 回归树的预测性能仅次于 XGBoost 和GBDT。虽然 XGBoost 和 GBDT 的性能要优于 Cart，但是根据实际的业务诉求，XGBoost 和 GBDT 不能输出决策路径，而且 Cart 回归树 MAER 大于 0.05(5%)的结果仅有 3 项，最大 MAER 为 0.057(5.7%)，基本满足了工业制备中的误差要求(5%)。图 3.3 为表 3.5 的折线图。Cart 在整体的 MER 折线图上表现稳定，说明了该算法具有稳定性和泛化性。
【相似文献】

相关期刊论文 前10条

1 袁广南;;基于模糊综合评判的辅助决策系统设计与实现[J];电子世界;2016年24期

2 王晨;朱立峰;;临床护理辅助决策系统的探索与研究[J];中国医院;2017年04期

3 陈健;程明;沈立新;徐永生;王炳民;陈波;;基于10kV配网辅助决策系统的短信推送功能的研究应用[J];电工技术;2017年07期

4 谷钰莹;;现代公安辅助决策系统研究[J];云南警官学院学报;2014年06期

5 严辉闽;;电网规划智能辅助决策系统的设计与实现要点初谈[J];山东工业技术;2014年24期

6 李宁;;浅议电网规划智能辅助决策系统的设计与实现[J];科技资讯;2015年02期

7 张能;;钻井专家在线辅助决策系统的应用[J];石化技术;2015年07期

8 王小玉;范晶晶;;作战辅助决策系统中作战模型开发与调用的研究[J];网络安全技术与应用;2014年04期

9 郑俊;;核电厂计算机应急辅助决策系统设计实现及改进[J];科技视界;2014年14期

10 刘婵媛;;核电站应急辅助决策系统的人机界面设计与实现[J];自动化博览;2014年10期

相关博士学位论文 前9条

1 金波;分布式防震减灾信息和辅助决策系统[D];中国地震局工程力学研究所;2005年

2 方昱;山岭隧道动态设计与施工智能辅助决策系统研究[D];北京交通大学;2016年

3 胡丽芬;舰船抗沉辅助决策系统研究[D];大连理工大学;2010年

4 孙冠英;基于网络的进出境植物检疫信息管理和辅助决策系统[D];浙江大学;2003年

5 付文俊;矿井封闭火区救灾辅助决策系统研发[D];辽宁工程技术大学;2010年

6 史瑞芝;地图设色辅助决策系统的建立与颜色传输理论的应用[D];解放军信息工程大学;2001年

7 胡东涛;基于物联网的非煤地下矿山安全监测预警决策平台研究[D];武汉理工大学;2014年

8 刘殿锋;土地质量空间抽样的群智能优化决策方法研究[D];武汉大学;2011年

9 解静;近岸海域空间资源利用辅助决策系统研究[D];大连理工大学;2016年

相关硕士学位论文 前10条

1 邵帅;光纤制备大数据辅助决策系统[D];重庆邮电大学;2019年

2 李荣江;饮用水处理技术评估与专家辅助决策系统的设计[D];哈尔滨工业大学;2019年

3 周宗伟;某省级电网事故处理辅助系统研究及应用[D];郑州大学;2019年

4 王鼎;辽河油田生产辅助决策系统设计与实现[D];大连理工大学;2018年

5 董振涛;基于Java的旅级部队干部调整辅助决策系统设计与实现[D];郑州大学;2019年

6 何政;基于GIS的城市道路路面养护辅助决策系统的研究与开发[D];重庆交通大学;2018年

7 王宝元;基于GPS信息的消费金融辅助决策系统的研究与实现[D];辽宁大学;2018年

8 张鑫;基于OS2体系架构的新型电网事故辅助决策系统研究[D];华南理工大学;2017年

9 杜雪姣;分布式应急辅助决策系统开发和核心问题研究[D];西北师范大学;2016年

10 雷敏;抢险救灾装备保障辅助决策系统设计与实现[D];电子科技大学;2012年

本文编号：2846407