W公司凸轮轴加工过程关键质量特性识别及参数预测研究
发布时间：2022-01-19 20:23
随着信息化技术的不断发展,人工智能逐渐应用于各行各业,在智能推荐、自动识别和趋势预测等领域都展现出了强大的能力。目前,制造行业也在积极探索人工智能的落地场景,以助力实现现代化生产的更高标准水平,物联网的应用可以帮助制造企业有效记录制造过程数据,实时可视化监控产品加工过程,结合大数据和云计算等技术施行智能质量管理方法,做到及时的故障诊断和产品故障全过程溯源,以提高产品质量水平。近年来,以统计学为基础的机器学习理论被广泛的应用在数据挖掘、模式识别和自然语言处理等领域,展现出良好的分类和预测能力。在工业物联网的实施背景下,制造企业产品质量管理也成为了机器学习理论的主要应用场景,利用工业大数据,机器学习可通建立故障预测模型,构建智能防差错系统,助力企业实现质量零缺陷。通过对W公司凸轮轴加工过程现状进行梳理,发现其主要存在质量问题溯源困难和制造过程关键工序的质量预测难以落地等问题,主要原因是由于未能充分挖掘制造过程数据中的有效信息来简化复杂的质量特性和质量结果之间的关系,零部件加工过程的关键质量特性识别和质量预测是实现降本增效的有效方法,本文基于数据驱动的思想,针对现存问题设计了适用于W公司凸轮...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图３－１凸轮轴有心工艺加工流程??质量特性是指产品、过程或体系与要求有关的固有属性
?山东大学硕士学位论文???（６）得到ｎ个父代种群和ｎ个子代种群的各目标函数值，进行非支配快速排序，??得到帕累托最优前沿。??（７）计算各层种群的拥挤度，通过选择保留ｎ个种群进入下一轮迭代，重新编码??染色体。??（８）重复步骤（２）?－?（７），直至达到迭代次数。??ｊｆｍ?Ｊ?输出结果??Ｉ?否??—??输入数据集??ｉｒ???＋?“??交叉变成子代卜獅，雛鱗??分离数据集测试集Ｑ?／?１＾种?／＇??？ｉｚｒ?ｌ—ｔ－’??卜＿?〇??＾ｚｚｉｚｉＺ—＾?＾??训练ｇｂｄｔ?￣＾验证模型｜———ｙ?／??图３－３基于ＮＳＧＡＩＩ?－ＧＢＤＴ的关键质量特性识别模型??其中各目标结果可以表示为：??ｍｉｎＦ⑷＝｛八⑷，八⑷…／Ｊｑ）｝?ｓ．ｔ．?ｑＥＱ?（３．１）??其中／Ｋｑ）表示第ｉ个目标函数，／２代表可行解集，在本研宄中，第一个目标函??数／Ｕｑ：）为整体预测错误率Ｅｒｒｏｒ＿ｌ，第二个目标函数／２（的是特征维数，其余的目??标函数为各质量水平的预测错误率，ＧＢＤＴ构建分类器以得到预测精度，而??ＮＳＧＡＩＩ算法则提供了一种选择方式，旨在寻找一组非支配解构成解决多目标问题??的帕累托最优前沿。??３０??
个元素；，将其对应的支配解集合＾中的每个??个体的被支配解个数减１，即＆?＝?ｎ；?－?１，若ｎｙ?＝?０，则将个体／归于非支配层级Ｆ２。??（４）若６矣０，则循环第３步，若朽＝０，停止迭代。??Ｎｏｎ－ｄｏｍｉｎａｔｅｄ?Ｃｒｏｗｄｉｎｇ?ｄｉｓｔａｎｃｅ??ｓｏｒｔｉｎｇ?ｓｏｒｔｉｎｇ?＾ｔ＋ｉ??Ｆｉ??＂ＭＢ??．．父代：＆?．．．．．．．．—————————｜??—■…Ｔ＝＾???ｉ??ｗ?（？ｔ?｜?｜￣￣丄??＞?Ｒｅｊｅｃｔｅｄ??图４－１?ＮＳＧＡＩＩ算法步骤??在对父代和子代组成的待筛选种群进行非支配排序之后，再分别对每一层级??的个体进行拥挤度排序，计算同一非支配层级之间个体的拥挤距离。在二维空间??中，个体Ｚ的拥挤距离可以看作是其相邻两点构成的长方形的长和宽分别进行归一??化之后求和，利用求和结果作为排序标准。当存在Ｗ个目标函数时，拥挤距离公??式表不为：??（〇〇，?Ａ（０?＝?Ａ?ｍａｘ?ｏｒ?ｆｘ?ｍｉｎ??＾?ｌ／ｎａ＞Ｄ－／ｎａ－ＤＩ?，?ｏｔｈｅｒｗｉｓｅ?⑷）??／ｎ？ｎａ；ｃ?一／ｎ？ｎｍ??考虑到ＧＢＤＴ自带的特征重要度排序也可以作为一种特征选择方法，通过本??文算法和ＧＢＤＴ自带的特征重要度排序算法对比，展示本文提出的组合算法在以??整体精度为目标时进行特征选择的优势，然后通过对比组合算法和自带特征选择??算法在解决多维优化问题时的结果（各质量水平缺陷的分类精度），以展示组合算??法在面对多种质量水平缺陷的非平衡数据集时解决多目标优化问题的优势。本文??模型需要对种群规模、迭代次数等参数进行设置，其主要参数具体设置如表４－１??３６??
【参考文献】：
期刊论文
[1]基于GBDT和新型P-GBDT算法的催化裂化装置汽油收率寻优模型的构建与应用[J]. 王伟,汪坤,杨帆,戴超男,金继民,金宝宝. 石油学报(石油加工). 2020(01)
[2]新陈代谢GM（1,1）幂模型在病毒性肝炎发病率预测中的应用[J]. 刘雁灵,曹文君,李菲. 中国卫生统计. 2019(06)
[3]PM2.5浓度预测与影响因素分析[J]. 彭岩,赵梓如,吴婷娴,王洁. 北京邮电大学学报. 2019(06)
[4]基于SARIMA-SVR组合模型的空气质量指数预测[J]. 郑洋洋,白艳萍,续婷. 河北工业科技. 2019(06)
[5]猪肉板块指数的波动性分析及预测——基于ARMA-GARCH模型[J]. 洪绍应,张青龙. 中国物价. 2019(11)
[6]基于HP滤波-ARMA的湖北省居民个人存款预测[J]. 王艳. 金融理论与教学. 2019(05)
[7]基于改进GM（1,1）模型的中国脱贫攻坚进展分析[J]. 刘震,谢玉梅,党耀国. 系统工程理论与实践. 2019(10)
[8]基于Prophet-随机森林优化模型的空气质量指数规模预测[J]. 常恬君,过仲阳,徐丽丽. 环境污染与防治. 2019(07)
[9]基于NSGA-Ⅱ的DP船舶推力分配方法研究[J]. 夏国清,刘彩云,陈兴华,李娟. 华中科技大学学报(自然科学版). 2019(05)
[10]基于改进精英策略的PCA-NSGAⅡ的高维目标调度优化[J]. 刘琼,熊书平,湛梦梦. 计算机集成制造系统. 2020(09)
博士论文
[1]介观尺度薄板高速精密冲裁的应用基础研究[D]. 胡道春.南京航空航天大学 2016
硕士论文
[1]基于灰色神经网络组合模型的空气质量预测[D]. 司志娟.天津大学 2012
本文编号：3597503
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图３－１凸轮轴有心工艺加工流程??质量特性是指产品、过程或体系与要求有关的固有属性
?山东大学硕士学位论文???（６）得到ｎ个父代种群和ｎ个子代种群的各目标函数值，进行非支配快速排序，??得到帕累托最优前沿。??（７）计算各层种群的拥挤度，通过选择保留ｎ个种群进入下一轮迭代，重新编码??染色体。??（８）重复步骤（２）?－?（７），直至达到迭代次数。??ｊｆｍ?Ｊ?输出结果??Ｉ?否??—??输入数据集??ｉｒ???＋?“??交叉变成子代卜獅，雛鱗??分离数据集测试集Ｑ?／?１＾种?／＇??？ｉｚｒ?ｌ—ｔ－’??卜＿?〇??＾ｚｚｉｚｉＺ—＾?＾??训练ｇｂｄｔ?￣＾验证模型｜———ｙ?／??图３－３基于ＮＳＧＡＩＩ?－ＧＢＤＴ的关键质量特性识别模型??其中各目标结果可以表示为：??ｍｉｎＦ⑷＝｛八⑷，八⑷…／Ｊｑ）｝?ｓ．ｔ．?ｑＥＱ?（３．１）??其中／Ｋｑ）表示第ｉ个目标函数，／２代表可行解集，在本研宄中，第一个目标函??数／Ｕｑ：）为整体预测错误率Ｅｒｒｏｒ＿ｌ，第二个目标函数／２（的是特征维数，其余的目??标函数为各质量水平的预测错误率，ＧＢＤＴ构建分类器以得到预测精度，而??ＮＳＧＡＩＩ算法则提供了一种选择方式，旨在寻找一组非支配解构成解决多目标问题??的帕累托最优前沿。??３０??
个元素；，将其对应的支配解集合＾中的每个??个体的被支配解个数减１，即＆?＝?ｎ；?－?１，若ｎｙ?＝?０，则将个体／归于非支配层级Ｆ２。??（４）若６矣０，则循环第３步，若朽＝０，停止迭代。??Ｎｏｎ－ｄｏｍｉｎａｔｅｄ?Ｃｒｏｗｄｉｎｇ?ｄｉｓｔａｎｃｅ??ｓｏｒｔｉｎｇ?ｓｏｒｔｉｎｇ?＾ｔ＋ｉ??Ｆｉ??＂ＭＢ??．．父代：＆?．．．．．．．．—————————｜??—■…Ｔ＝＾???ｉ??ｗ?（？ｔ?｜?｜￣￣丄??＞?Ｒｅｊｅｃｔｅｄ??图４－１?ＮＳＧＡＩＩ算法步骤??在对父代和子代组成的待筛选种群进行非支配排序之后，再分别对每一层级??的个体进行拥挤度排序，计算同一非支配层级之间个体的拥挤距离。在二维空间??中，个体Ｚ的拥挤距离可以看作是其相邻两点构成的长方形的长和宽分别进行归一??化之后求和，利用求和结果作为排序标准。当存在Ｗ个目标函数时，拥挤距离公??式表不为：??（〇〇，?Ａ（０?＝?Ａ?ｍａｘ?ｏｒ?ｆｘ?ｍｉｎ??＾?ｌ／ｎａ＞Ｄ－／ｎａ－ＤＩ?，?ｏｔｈｅｒｗｉｓｅ?⑷）??／ｎ？ｎａ；ｃ?一／ｎ？ｎｍ??考虑到ＧＢＤＴ自带的特征重要度排序也可以作为一种特征选择方法，通过本??文算法和ＧＢＤＴ自带的特征重要度排序算法对比，展示本文提出的组合算法在以??整体精度为目标时进行特征选择的优势，然后通过对比组合算法和自带特征选择??算法在解决多维优化问题时的结果（各质量水平缺陷的分类精度），以展示组合算??法在面对多种质量水平缺陷的非平衡数据集时解决多目标优化问题的优势。本文??模型需要对种群规模、迭代次数等参数进行设置，其主要参数具体设置如表４－１??３６??
【参考文献】：
期刊论文
[1]基于GBDT和新型P-GBDT算法的催化裂化装置汽油收率寻优模型的构建与应用[J]. 王伟,汪坤,杨帆,戴超男,金继民,金宝宝. 石油学报(石油加工). 2020(01)
[2]新陈代谢GM（1,1）幂模型在病毒性肝炎发病率预测中的应用[J]. 刘雁灵,曹文君,李菲. 中国卫生统计. 2019(06)
[3]PM2.5浓度预测与影响因素分析[J]. 彭岩,赵梓如,吴婷娴,王洁. 北京邮电大学学报. 2019(06)
[4]基于SARIMA-SVR组合模型的空气质量指数预测[J]. 郑洋洋,白艳萍,续婷. 河北工业科技. 2019(06)
[5]猪肉板块指数的波动性分析及预测——基于ARMA-GARCH模型[J]. 洪绍应,张青龙. 中国物价. 2019(11)
[6]基于HP滤波-ARMA的湖北省居民个人存款预测[J]. 王艳. 金融理论与教学. 2019(05)
[7]基于改进GM（1,1）模型的中国脱贫攻坚进展分析[J]. 刘震,谢玉梅,党耀国. 系统工程理论与实践. 2019(10)
[8]基于Prophet-随机森林优化模型的空气质量指数规模预测[J]. 常恬君,过仲阳,徐丽丽. 环境污染与防治. 2019(07)
[9]基于NSGA-Ⅱ的DP船舶推力分配方法研究[J]. 夏国清,刘彩云,陈兴华,李娟. 华中科技大学学报(自然科学版). 2019(05)
[10]基于改进精英策略的PCA-NSGAⅡ的高维目标调度优化[J]. 刘琼,熊书平,湛梦梦. 计算机集成制造系统. 2020(09)
博士论文
[1]介观尺度薄板高速精密冲裁的应用基础研究[D]. 胡道春.南京航空航天大学 2016
硕士论文
[1]基于灰色神经网络组合模型的空气质量预测[D]. 司志娟.天津大学 2012
本文编号：3597503
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3597503.html
