Дослідження правил видобутку рішень процесу виробництва деталей

У сфері інтелекту даних широко використовувані методи класифікації включають машини опорних векторів, нейронні мережі, байєсівську класифікацію тощо. Наведені вище алгоритми в основному орієнтовані на нерегулярний розподіл даних, покладаючись на підтримку великих даних, і аналіз їхніх потенційних зв’язків асоціації за допомогою подібні заходи. Він широко використовується в таких областях, як діагностика несправностей. Однак у машинобудівній промисловості проектування параметрів характеристик деталей (таких як розмір, точність тощо) стало стандартизованим, і в реальному проектуванні кожна деталь у базі даних відповідає лише одному маршруту процесу. Тому частота повторення даних процесу відносно висока, а обсяг даних невеликий, що не підходить для обробки вищезгаданого алгоритму. Тому дослідники здебільшого використовують грубу теорію множин, щоб керувати розробкою правил прийняття процесу.

Перш ніж правила прийняття рішень про видобуток, ми повинні спочатку переконатися в достовірності даних. Це тому, що в реальній інженерії умови роботи завжди змінюються в реальному часі. Щоб невелика кількість нетипових даних, які генеруються особливими умовами роботи, не вплинула на прийняття рішень, дані необхідно заздалегідь передбачити. ручка. Тому в літературі зазвичай використовується метод розрахунку підтримки та впевненості для отримання типових даних процесу.

На основі розширеної грубої моделі набору знання про переваги процесу виробляються за допомогою складеного відношення еквівалентності, подібності та переваги, що підтверджує, що знання про переваги процесу можуть безпосередньо керувати розробником у прийнятті рішень, а груба теорія множин не вимагає посилання на оцінку доцільності правила процесу, яке краще за інші. Спосіб видобутку більш простий і прямий.

Грубові результати аналізу теорії множин включають детерміновані правила, отримані з множини нижнього наближення та негативної зони, а також невизначені правила граничної зони. Щоб більш повно вивчити правила процесу прикордонної зони, Zhang Z. et al. використовувала модель грубого набору змінної точності для передачі точності. Після змін у процесі видобутку діапазон верхнього набору наближень ефективно зменшується. Якісні знання зіставляються зі зв’язковими зв’язками для формування моделі злиття знань, яка може ефективно виробляти більше правил прийняття рішень.

Основним процесом грубих міркувань множин є отримання мінімального зменшення атрибутів. Чен Хао та ін. проаналізовано аномалії скорочення, викликані інтервалом включення та позитивною областю. Для моделі грубого набору змінної точності з постійною швидкістю класифікації та постійною позитивною областю, матриця різниці на основі вмісту та ядро ​​атрибутів для отримання методу мінімального зменшення атрибутів. Використовуючи евристичний алгоритм скорочення, спочатку отримайте основний атрибут і розрахуйте залежність атрибута. Відповідно до порядку зростання залежності атрибут і атрибут ядра по черзі об’єднуються, і нарешті отримують Мінімальне зменшення атрибута, розглянемо
Неоднорідність розподілу вибірки покращено на основі грубої множини околиць, а також запропонована модель K-найближчого набору, яка ефективно видаляє велику кількість атрибутів. Виробництво правил прийняття рішень в основному поділяється на два типи, один - це індуктивний видобуток, а інший - дедукція. Метод видобутку. Основна ідея індуктивного майнінгу полягає в тому, щоб узагальнити важливі правила прийняття рішень у складних наборах даних. Коли ціль отримана, поставте відповідність умовним атрибутам набору правил відповідно до параметрів атрибутів цілі, щоб отримати правила прийняття рішень, які відповідають вимогам відповідності. Основна ідея дедуктивного аналізу полягає в тому, щоб розділити вміст рішення на комбінацію кількох підмножин рішень і використовувати набір даних для визначення сфери застосування підмножин рішень. Коли ціль досягнута, відповідно до цілі
Параметр цільового атрибута витягує відповідну підмножину прийняття рішень і реорганізує її в необхідний вміст для прийняття рішень. На відміну від цього, правила прийняття рішень при видобутку висновків є більш різноманітними і мають ширшу сферу застосування, а індуктивний видобуток має суворіші обмеження, які можуть забезпечити надійність правил.

У вищезгаданих документах більшість методів обробки є індуктивним видобутком. Хоча надійність правил прийняття рішень фактично гарантована, сильне обмеження також призводить до низького використання даних і обмежує повноту бази правил прийняття рішень. Більше того, хоча грубий набір змінної точності може ефективно зменшити межу, значення точності в основному встановлюється вручну, і занадто багато людських факторів знизить надійність правила прийняття рішення. Отже, як зменшити межу площі та підвищити гнучкість правил на основі забезпечення надійності правил прийняття рішень є основним напрямом дослідження правил прийняття рішень у процесі видобутку.

Посилання на цю статтю: Дослідження правил видобутку рішень процесу виробництва деталей

Заява про передрук: якщо немає спеціальних інструкцій, усі статті на цьому сайті оригінальні. Будь ласка, вкажіть джерело для передруку: https://www.cncmachiningptj.com/，дякую！

Цех з ЧПУ PTJ виробляє деталі з чудовими механічними властивостями, точністю та повторюваністю з металу та пластику. Доступне 5-осьове фрезерування з ЧПУ.Обробка високотемпературного сплаву діапазон вголос механічна обробка інконелей,обробка монелем,Обробка аскології Geek,Карп 49 механічна обробка,Обробка Hastelloy,Обробка Nitronic-60,Обробка Hymu 80,Механічна обробка інструментальної сталі, тощо. Ідеально підходить для космічних застосувань.Обробка з ЧПУ виробляє деталі з чудовими механічними властивостями, точністю та повторюваністю з металу та пластику. Доступні 3-осьові та 5-осьові фрезерні верстати з ЧПУ. Ми допоможемо вам запропонувати найбільш економічно ефективні послуги, які допоможуть вам досягти своєї мети. Ласкаво просимо зв’язатися з нами ( sales@pintejin.com ) безпосередньо для вашого нового проекту.