Forskning om gruvbeslutsregler för deltillverkningsprocess

Inom datamining omfattar vanliga klassificeringsmetoder stödvektormaskiner, neurala nätverk, Bayesiansk klassificering, etc. Ovanstående algoritmer är huvudsakligen inriktade på oregelbunden datadistribution, förlitar sig på stöd för big data och bryter deras potentiella associeringsrelationer genom liknande åtgärder. Det används ofta inom områden som feldiagnos. Men inom maskintillverkningsindustrin har utformningen av funktionsparametrar för delar (som storlek, noggrannhet etc.) blivit standardiserad, och i verklig konstruktion motsvarar varje del i databasen endast en processväg. Därför är upprepningshastigheten för processdata relativt hög och datamängden är liten, vilket inte är lämpligt för den ovan nämnda algoritmbehandlingen. Därför använder forskare mestadels grov uppsättningsteori för att styra gruvningen av regler för processbeslut.

Innan beslut om regler för gruvdrift måste vi först se till att uppgifterna är trovärdiga. Detta beror på att i verklig konstruktion förändras alltid arbetsförhållandena i realtid. För att undvika att en liten mängd atypiska data som genereras av särskilda arbetsförhållanden påverkar beslutsfattandet måste data förutspås. hantera. Därför använder litteraturen i allmänhet metoden för att beräkna stöd och förtroende för att få typiska processdata.

Baserat på den utvidgade grova uppsättningsmodellen, utvinns processpreferenskunskaperna av det sammansatta förhållandet ekvivalens, likhet och preferens, vilket verifierar att processpreferenskunskaperna direkt kan styra designerns beslutsfattande, och grova uppsättningsteorin kräver inte processen regel genomförbarhet utvärdering länk, som är bättre än andra. Gruvmetoden är enklare och mer direkt.

Gruvresultat för gruvuppsättningsteori inkluderar de deterministiska reglerna som erhålls från den nedre approximationsuppsättningen och den negativa zonen, liksom de osäkra reglerna för gränszonen. För att mer fullständigt bryta processreglerna för gränszonen, Zhang Z. et al. använde en variabel precision grov uppsättningsmodell för att klara noggrannheten Efter ändringarna i gruvprocessen reduceras intervallet för den övre approximationsuppsättningen effektivt. Den kvalitativa kunskapen kartläggs till associeringsrelationen för att bilda en kunskapsfusionsmodell, som effektivt kan bryta fler beslutsregler.

Kärnprocessen för grovt resonemang är att uppnå minsta attributreduktion. Chen Hao et al. analyserade de reduktionsanomalier som orsakas av inkluderingsintervallet och den positiva regionen. För den variabla precisionen grov uppsättningsmodell med konstant klassificeringshastighet och konstant positiv domän, den innehållsbaserade skillnadsmatrisen och attributkärnan för att erhålla den lägsta attributreduktionsmetoden. Använd heuristisk reduktionsalgoritm för att först få kärnattributet och beräkna attributberoendet. Enligt beroendets stigande ordning kombineras attributet och kärnattributet i tur och ordning och får slutligen minimal attributreduktion, överväg
Inhomogeniteten i provdistributionen förbättras på grundval av grövre uppsättningar i grannskapet, och modellen K-närmaste granne för grov uppsättning föreslås, vilket effektivt tar bort ett stort antal attribut. Beslutsregelbrytning är huvudsakligen indelad i två typer, en är induktiv gruvdrift och den andra är avdrag. Gruvmetod. Huvudtanken med induktiv gruvdrift är att sammanfatta meningsfulla beslutsregler i komplexa datamängder. När målet erhålls matchar du villkorsattributen för regeluppsättningen i enlighet med målets attributparametrar för att extrahera de beslutsregler som uppfyller matchningskraven. Huvudidén med deduktiv gruvdrift är att dela beslutsinnehållet i en kombination av flera beslutsundergrupper och använda datauppsättningen för att bryta tillämpningsområdet för beslutsundersättningarna. När målet erhålls, enligt målet
Målattributparametern extraherar lämplig delmängd för beslutsfattande och omorganiserar den till önskat beslutsinnehåll. Däremot är beslutsreglerna för inferentiell gruvdrift mer mångsidiga och har ett större tillämpningsområde, och induktiv gruvdrift har striktare begränsningar, vilket kan säkerställa tillförlitligheten av reglerna.

I de ovannämnda dokumenten är de flesta bearbetningsmetoderna induktiv gruvdrift. Även om tillförlitligheten i beslutsreglerna effektivt garanteras, leder den starka begränsningen också till ett lågt utnyttjande av data och begränsar beslutsregelns fullständighet. Även om den variabla precisionen grova uppsättningen effektivt kan minska gränsområdet, bestäms precisionsvärdet huvudsakligen av manuell erfarenhet, och för många mänskliga faktorer kommer att minska tillförlitligheten för beslutsregeln. Därför är hur man kan minska gränsområdet och förbättra flexibiliteten hos reglerna på grundval av att säkerställa tillförlitligheten i beslutsreglerna den huvudsakliga forskningsriktningen för beslutsfattande regler för gruvprocesser.

Länk till denna artikel: Forskning om gruvbeslutsregler för deltillverkningsprocess

Reprint Statement: Om det inte finns några speciella instruktioner är alla artiklar på denna webbplats original. Ange källan för omtryck: https: //www.cncmachiningptj.com/，tack！

PTJ CNC-butik tillverkar delar med utmärkta mekaniska egenskaper, noggrannhet och repeterbarhet från metall och plast. 5-axlig CNC-fräsning tillgänglig.Bearbetning av högtemperaturlegering räckvidd inkl inkonelbearbetning,monelbearbetning,Geek Ascology-bearbetning,Karp 49-bearbetning,Hastelloy-bearbetning,Nitronic-60-bearbetning,Hymu 80-bearbetning,Verktygsstålbearbetning,etc.,. Perfekt för flygindustrin.CNC-bearbetning producerar delar med utmärkta mekaniska egenskaper, noggrannhet och repeterbarhet från metall och plast. 3-axlig och 5-axlig CNC-fräsning tillgänglig. Vi kommer att strategisera med dig för att tillhandahålla de mest kostnadseffektiva tjänsterna för att hjälpa dig att nå ditt mål. Välkommen att kontakta oss ( sales@pintejin.com ) direkt för ditt nya projekt.