Istraživanje o pravilima donošenja odluka o rudarstvu u procesu proizvodnje dijelova

U oblasti rudarenja podataka, najčešće korišćene metode klasifikacije uključuju mašine za vektore podrške, neuronske mreže, Bayesovu klasifikaciju, itd. Gore navedeni algoritmi su uglavnom orijentisani na nepravilnu distribuciju podataka, oslanjajući se na podršku velikih podataka, i rudarenje njihovih potencijalnih asocijacijskih odnosa kroz slične mjere. Široko se koristi u poljima kao što je dijagnostika kvarova. Međutim, u industriji proizvodnje mašina, dizajn parametara karakteristika delova (kao što su veličina, tačnost, itd.) je postao standardizovan, a u stvarnom inženjeringu, svaki deo u bazi podataka odgovara samo jednoj ruti procesa. Stoga je stopa ponavljanja procesnih podataka relativno visoka, a količina podataka mala, što nije pogodno za gore spomenutu algoritamsku obradu. Stoga, istraživači uglavnom koriste grubu teoriju skupova za vođenje rudarenja pravila odlučivanja o procesu.

Prije pravila za odlučivanje o rudarenju, prvo moramo osigurati vjerodostojnost podataka. To je zato što se u stvarnom inženjeringu radni uslovi uvijek mijenjaju u realnom vremenu. Kako bi se izbjeglo da mala količina netipičnih podataka generiranih u posebnim radnim uvjetima utječe na donošenje odluka, podatke je potrebno unaprijed predvidjeti. ručka. Stoga literatura općenito koristi metodu izračunavanja podrške i povjerenja za dobivanje tipičnih podataka procesa.

Zasnovano na proširenom modelu grubog skupa, znanje o preferencijama procesa se dobija složenim odnosom ekvivalencije, sličnosti i preferencije, što potvrđuje da znanje o preferencijama procesa može direktno voditi dizajnerovo donošenje odluka, a teorija grubih skupova ne zahtijeva link za evaluaciju izvodljivosti pravila procesa, koji je bolji od ostalih. Metoda rudarenja je jednostavnija i direktnija.

Rezultati rudarenja grube teorije skupova uključuju deterministička pravila dobijena iz skupa niže aproksimacije i negativne zone, kao i nesigurna pravila granične zone. Kako bi potpunije istražili procesna pravila granične zone, Zhang Z. et al. koristio model grubog skupa varijabilne preciznosti da bi prošao tačnost. Nakon promjena u procesu rudarenja, opseg gornjeg aproksimacijskog skupa je efektivno smanjen. Kvalitativno znanje se preslikava na odnos asocijacije kako bi se formirao model fuzije znanja, koji može efikasno izvući više pravila odlučivanja.

Osnovni proces grubog zaključivanja skupa je postizanje minimalne redukcije atributa. Chen Hao et al. analizirali su anomalije redukcije uzrokovane intervalom uključivanja i pozitivnim područjem. Za model grubog skupa varijabilne preciznosti sa konstantnom stopom klasifikacije i konstantnom pozitivnom domenom, matrica razlika zasnovana na sadržaju i jezgro atributa za dobivanje minimalne metode redukcije atributa. Koristeći algoritam heurističke redukcije, prvo nabavite osnovni atribut i izračunajte ovisnost atributa. Prema rastućem redoslijedu ovisnosti, atribut i atribut kernela se naizmjence kombiniraju i na kraju dobivaju minimalno smanjenje atributa, uzmite u obzir
Nehomogenost distribucije uzorka je poboljšana na osnovu grubog skupa susjedstva, a predložen je model grubog skupa K-najbližeg susjeda, koji efektivno uklanja veliki broj atributa. Rupanje po pravilima odlučivanja je uglavnom podijeljeno u dva tipa, jedan je induktivno rudarenje, a drugi je dedukcija. Metoda rudarenja. Glavna ideja induktivnog rudarenja je sumiranje značajnih pravila donošenja odluka u složenim skupovima podataka. Kada se dobije cilj, uparite uslovne atribute skupa pravila prema parametrima atributa cilja, kako biste izdvojili pravila za donošenje odluka koja ispunjavaju zahtjeve podudaranja. Glavna ideja deduktivnog rudarenja je da se sadržaj odluke podijeli u kombinaciju nekoliko podskupova odluka i da se skup podataka koristi za istraživanje opsega primjene podskupova odluka. Kada je cilj postignut, prema cilju
Parametar ciljnog atributa izdvaja odgovarajući podskup za donošenje odluka i reorganizira ga u potreban sadržaj za donošenje odluka. Nasuprot tome, pravila odlučivanja inferencijalnog rudarenja su raznovrsnija i imaju širi opseg primjene, a induktivno rudarenje ima stroža ograničenja, koja mogu osigurati pouzdanost pravila.

U gore navedenim dokumentima većina metoda obrade je induktivno rudarenje. Iako je pouzdanost pravila odlučivanja efektivno zagarantovana, snažno ograničenje također dovodi do niske iskorištenosti podataka i ograničava potpunost baze pravila odlučivanja. Štaviše, iako grubi skup varijabilne preciznosti može efikasno smanjiti graničnu površinu, vrijednost preciznosti se uglavnom postavlja ručnim iskustvom, a previše ljudskih faktora će smanjiti pouzdanost pravila odlučivanja. Stoga, kako smanjiti granično područje i poboljšati fleksibilnost pravila na osnovu osiguranja pouzdanosti pravila odlučivanja je glavni istraživački pravac pravila donošenja odluka u rudarskom procesu.

Link do ovog članka: Istraživanje o pravilima donošenja odluka o rudarstvu u procesu proizvodnje dijelova

Izjava o ponovnom ispisu: Ako nema posebnih uputa, svi članci na ovoj web stranici su originalni. Molimo navedite izvor za ponovno štampanje: https: //www.cncmachiningptj.com/，hvala！

PTJ CNC trgovina proizvodi dijelove s izvrsnim mehaničkim svojstvima, tačnošću i ponovljivošću od metala i plastike. Dostupno 5-osno CNC glodanje.Obrada visokotemperaturne legure opseg inkludiranja inconel obrada,monel obrada,Geek askološka obrada,Šaran 49 obrada,Hastelloy obrada,Obrada Nitronic-60,Obrada Hymu 80,Alatna obrada čelika, itd.,. Idealno za svemirske primjene.CNC obrada proizvodi dijelove izvrsnih mehaničkih svojstava, tačnosti i ponovljivosti od metala i plastike. Dostupno 3-osno i 5-osno CNC glodanje. Mi ćemo zajedno s vama strateški ponuditi najisplativije usluge koje će vam pomoći da postignete svoj cilj. Dobrodošli u Kontaktirajte nas ( sales@pintejin.com ) direktno za vaš novi projekat.