论文部分内容阅读
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,用于表达加工参数与表面粗糙度之间的因果关系。并进一步提出了一种基于KBANN和分类规则的混合学习模型,用于表面质量预测。实验表明,该模型能发现加工过程中的知识,指导过程参数的调整,最终达到改进加工质量的目的。(3)针对目前用于表面粗糙度预测的模型多采用传统机器学习方法这一现状,提出引入深度学习方法实现非监督学习的特征提取,使用多种深度神经网络对基于刀具磨损量的表面粗糙度进行了建模预测。对比其他方法,深度神经网络的拟合能力以及泛化能力均较好,能够给工程师改善加工过程质量提供帮助。本文提出的若干方法通过挖掘工艺知识,提高了企业生产数据的利用率;改善过程质量控制的能力,提高制造过程的稳定性,有效提高生产效率和产品质量。同时,将数据挖掘与机器学习应用于工艺知识发现与加工表面质量监控,也为传统的制造过程控制与优化理论加入了新的内容。