Osien valmistusprosessin kaivospäätössääntöjen tutkimus

Tietojen louhinnan alalla yleisesti käytettyjä luokittelumenetelmiä ovat tukivektorikoneet, hermoverkot, Bayesin luokitus jne. Edellä mainitut algoritmit ovat pääasiassa suunnattuja epäsäännölliseen tiedonjakoon, luottaen big data -tukeen ja louhimalla niiden mahdolliset assosiaatiosuhteet vastaavia toimenpiteitä. Sitä käytetään laajalti sellaisilla aloilla kuin vianmääritys. Kuitenkin koneiden valmistusteollisuudessa osien ominaisuusparametrien (kuten koko, tarkkuus jne.) Suunnittelu on vakiintunut, ja todellisessa suunnittelussa jokainen tietokannan osa vastaa vain yhtä prosessireittiä. Siksi prosessidatan toistotaajuus on suhteellisen korkea ja datamäärä on pieni, mikä ei sovellu edellä mainittuun algoritmin käsittelyyn. Siksi tutkijat käyttävät enimmäkseen karkeaa joukkoteoriaa prosessipäätöksen sääntöjen louhinnan ohjaamiseen.

Ennen kaivospäätössääntöjä meidän on ensin varmistettava tietojen uskottavuus. Tämä johtuu siitä, että todellisessa suunnittelussa työolot muuttuvat aina reaaliajassa. Jotta erityisten työolojen tuottama epätyypillinen data ei vaikuttaisi päätöksentekoon, tiedot on ennakoitava. kahva. Siksi kirjallisuus yleensä käyttää tuen ja luottamuksen laskentamenetelmää tyypillisten prosessitietojen saamiseksi.

Laajennetun karkean joukon mallin perusteella prosessiasetustietoa louhitaan ekvivalenssin, samankaltaisuuden ja etusijan yhdistelmäsuhteella, joka varmistaa, että prosessiasetustieto voi suoraan ohjata suunnittelijan päätöksentekoa, eikä karkean joukon teoria vaadi prosessisäännön toteutettavuuden arviointilinkki, joka on muita parempi. Kaivosmenetelmä on yksinkertaisempi ja suorempi.

Karkean joukon teorian kaivostulokset sisältävät deterministiset säännöt, jotka on saatu alemmasta lähentämisjoukosta ja negatiivisesta vyöhykkeestä, sekä rajavyöhykkeen epävarmat säännöt. Rajavyöhykkeen prosessisääntöjen täydelliseen louhintaan Zhang Z. et ai. käytti muuttuvan tarkkuuden karkeasarjamallia tarkkuuden siirtämiseksi Kaivosprosessin muutosten jälkeen ylemmän lähentämissarjan alue pienenee tehokkaasti. Laadullinen tieto yhdistetään assosiaatiosuhteeseen, jolloin muodostuu tiedon fuusio -malli, joka voi tehokkaasti louhia enemmän päätöksiä koskevia sääntöjä.

Karkean päättelyn ydinprosessi on saada vähimmäisominaisuuksien pienennys. Chen Hao et ai. analysoi sisällyttämisvälin ja positiivisen alueen aiheuttamia vähennyspoikkeamia. Muuttuvan tarkkuuden karkean joukon mallille, jossa on vakio luokittelunopeus ja vakio positiivinen alue, sisältöpohjainen ero-matriisi ja attribuutin ydin, jotta saadaan määritteen vähimmäisvähennysmenetelmä. Hanki ensin ydinattribuutti heuristisen pienennysalgoritmin avulla ja laske attribuutin riippuvuus. Riippuvuuden nousevan järjestyksen mukaan attribuutti ja ytimen attribuutti yhdistetään vuorotellen, ja lopulta saadaan Minimaalinen määritteen vähennys, harkitse
Näytteen jakauman epähomogeenisuutta parannetaan naapuruston karkeasarjan perusteella, ja ehdotetaan K-lähimmän naapurin karkeasarjamallia, joka poistaa tehokkaasti suuren määrän määritteitä. Päätössääntökaivos on jaettu pääasiassa kahteen tyyppiin, joista toinen on induktiivinen kaivos ja toinen vähennys. Kaivosmenetelmä. Induktiivisen kaivostoiminnan pääidea on tiivistää mielekkäät päätöksenteon säännöt monimutkaisiin tietojoukkoihin. Kun tavoite on saavutettu, sovita sääntöjoukon ehdolliset attribuutit kohteen attribuuttiparametrien mukaan, jotta saat vastaavuusvaatimukset täyttävät päätöksenteon säännöt. Deduktiivisen louhinnan pääidea on jakaa päätöksen sisältö useiden päätösten osajoukkojen yhdistelmään ja käyttää tietojoukkoa päätöksen osajoukkojen soveltamisalan louhintaan. Kun tavoite saavutetaan, kohteen mukaan
Kohdeattribuutin parametri poimii sopivan päätöksenteon osajoukon ja järjestää sen uudelleen tarvittavaan päätöksenteon sisältöön. Sitä vastoin päättelykaivosten päätöksenteon säännöt ovat monipuolisempia ja niillä on laajempi soveltamisala, ja induktiivisella louhinnalla on tiukempia rajoituksia, jotka voivat varmistaa sääntöjen luotettavuuden.

Edellä mainituissa asiakirjoissa suurin osa käsittelymenetelmistä on induktiivista kaivostoimintaa. Vaikka päätössääntöjen luotettavuus on tosiasiallisesti taattu, voimakas rajoitus johtaa myös tietojen vähäiseen käyttöön ja rajoittaa päätössääntöpohjan täydellisyyttä. Lisäksi, vaikka vaihtelevan tarkkuuden karkea sarja voi tehokkaasti pienentää raja -aluetta, tarkkuusarvo määräytyy pääasiassa manuaalisen kokemuksen perusteella, ja liian monet inhimilliset tekijät heikentävät päätössäännön luotettavuutta. Siksi se, miten raja-aluetta pienennetään ja sääntöjen joustavuutta parannetaan päätöksenteon sääntöjen luotettavuuden varmistamisen perusteella, on kaivosprosessin päätöksenteon sääntöjen tärkein tutkimussuunta.

Linkki tähän artikkeliin ： Osien valmistusprosessin kaivospäätössääntöjen tutkimus

Tulosta lausunto uudelleen: Jos erityisiä ohjeita ei ole, kaikki tämän sivuston artikkelit ovat alkuperäisiä. Ilmoita tulostuslähde: https: //www.cncmachiningptj.com/，thanks！

PTJ CNC -kauppa valmistaa osia, joilla on erinomaiset mekaaniset ominaisuudet, tarkkuus ja toistettavuus metallista ja muovista. Saatavana 5-akselinen CNC-jyrsintä.Korkean lämpötilan seoksen työstö alue pilvessä Inconelin työstö,monelin työstö,Geek Ascology -koneistus,Carp 49 -koneistus,Hastelloy-työstö,Nitronic-60-työstö,Hymu 80-työstö,Työkaluteräksen työstö,jne.,. Ihanteellinen ilmailu- ja avaruussovelluksiin.CNC-koneistus tuottaa osia, joilla on erinomaiset mekaaniset ominaisuudet, tarkkuus ja toistettavuus metallista ja muovista. Saatavana 3-akselinen ja 5-akselinen CNC-jyrsintä. Strategisimme kanssasi tarjotaksemme kustannustehokkaimmat palvelut tavoitteen saavuttamiseksi. Tervetuloa ottamaan yhteyttä meihin ( sales@pintejin.com ) suoraan uudelle projektillesi.