零件製造過程決策規則挖掘研究

在數據挖掘領域，常用的分類方法有支持向量機、神經網絡、貝葉斯分類等。 上述算法主要針對不規則的數據分佈，依託大數據的支持，通過挖掘其潛在的關聯關係類似的措施。 廣泛應用於故障診斷等領域。 但是，在機械製造行業，零件特徵參數（如尺寸、精度等）的設計已經標準化，在實際工程中，數據庫中的每個零件只對應一個工藝路線。 因此，工藝數據的重複率較高，數據量較小，不適合上述算法處理。 因此，研究人員大多采用粗糙集理論來指導過程決策規則的挖掘。

在挖掘決策規則之前，首先要保證數據的可信度。 這是因為在實際工程中，工況總是實時變化的。 為了避免特殊工況產生的少量非典型數據影響決策，需要對數據進行預預測。 處理。 因此，文獻一般採用計算支持度和置信度的方法來獲取典型的過程數據。

基於擴展的粗糙集模型，通過等價、相似、偏好的複合關係挖掘過程偏好知識，驗證過程偏好知識可以直接指導設計者的決策，而粗糙集理論不需要流程規則可行性評估環節，優於其他環節。 挖掘方法更簡單，更直接。

粗糙集理論的挖掘結果包括從下近似集和負區得到的確定性規則，以及邊界區的不確定性規則。 為了更充分地挖掘邊界帶的過程規律，張 Z. 等人。 採用變精度粗糙集模型通過精度隨著挖掘過程的變化，有效縮小了上近似集的範圍。 將定性知識映射到關聯關係上，形成知識融合模型，可以有效挖掘更多的決策規則。

粗糙集推理的核心過程是獲得最小的屬性約簡。 陳浩等。 分析了由包含區間和正區域引起的減少異常。 對於具有恆定分類率和恆定正域的變精度粗糙集模型，基於內容的差分矩陣和屬性核得到最小屬性約簡方法。 使用啟發式歸約算法，首先獲取核心屬性，計算屬性依賴。 按照依賴的升序依次將屬性和內核屬性組合起來，最後得到最小的屬性約簡，考慮
在鄰域粗糙集的基礎上改善了樣本分佈的不均勻性，提出了K-最近鄰粗糙集模型，有效去除了大量屬性。 決策規則挖掘主要分為兩種，一種是歸納挖掘，一種是演繹。 挖掘方法。 歸納挖掘的主要思想是總結複雜數據集中有意義的決策規則。 當得到目標時，根據目標的屬性參數匹配規則集的條件屬性，從而提取出滿足匹配要求的決策規則。 演繹挖掘的主要思想是將決策內容拆分為若干決策子集的組合，並利用數據集挖掘決策子集的適用範圍。 當得到目標時，根據目標
目標屬性參數提取合適的決策子集，將其重組為所需的決策內容。 相比之下，推理挖掘的決策規則更加多樣化，適用範圍更廣，而歸納挖掘的約束更加嚴格，可以保證規則的可靠性。

在上述文獻中，大部分處理方法都是歸納挖掘。 雖然有效保證了決策規則的可靠性，但強約束也導致數據利用率低，限制了決策規則庫的完備性。 而且，雖然變精度粗糙集可以有效減少邊界面積，但精度值主要靠人工經驗設置，過多的人為因素會降低決策規則的可靠性。 因此，如何在保證決策規則可靠性的基礎上，減少邊界面積，提高規則的靈活性，是挖掘過程決策規則的主要研究方向。

本文鏈接： 零件製造過程決策規則挖掘研究

轉載聲明：如無特殊說明，本站所有文章均為原創。 轉載請註明出處：https://www.cncmachiningptj.com/，謝謝！

PTJ CNC 車間使用金屬和塑料生產具有優異機械性能、精度和可重複性的零件。 5軸數控銑削可用。加工高溫合金 範圍內云 鉻鎳鐵合金加工,蒙乃爾加工,Geek Ascology 加工,鯉魚49加工,哈氏合金加工,Nitronic-60 機加工,Hymu 80 機加工,工具鋼加工，等等。，。 航空航天應用的理想選擇。數控加工 用金屬和塑料生產具有優異機械性能、精度和可重複性的零件。 可提供3軸和5軸CNC銑削。我們將與您一起制定戰略，提供最具成本效益的服務，幫助您達到目標，歡迎聯繫我們（ sales@pintejin.com ) 直接用於您的新項目。