La ricerca sulle regole decisionali per l'estrazione mineraria del processo di produzione delle parti

Nel campo del data mining, i metodi di classificazione comunemente usati includono macchine vettoriali di supporto, reti neurali, classificazione bayesiana, ecc. Gli algoritmi di cui sopra sono principalmente orientati alla distribuzione irregolare dei dati, basandosi sul supporto di big data e estraendo le loro potenziali relazioni di associazione attraverso misure simili. È ampiamente utilizzato in campi come la diagnosi dei guasti. Tuttavia, nell'industria manifatturiera dei macchinari, la progettazione dei parametri delle caratteristiche delle parti (come dimensioni, precisione, ecc.) è diventata standardizzata e, nell'ingegneria effettiva, ciascuna parte nel database corrisponde a un solo percorso di processo. Pertanto, la velocità di ripetizione dei dati di processo è relativamente elevata e la quantità di dati è piccola, il che non è adatto per l'elaborazione dell'algoritmo sopra menzionata. Pertanto, i ricercatori utilizzano principalmente la teoria degli insiemi approssimativi per guidare l'estrazione delle regole decisionali del processo.

Prima di prendere regole decisionali, dobbiamo prima garantire la credibilità dei dati. Questo perché nell'ingegneria reale le condizioni di lavoro cambiano sempre in tempo reale. Per evitare che una piccola quantità di dati atipici generati da condizioni di lavoro speciali influiscano sul processo decisionale, è necessario prevedere i dati in anticipo. maniglia. Pertanto, la letteratura utilizza generalmente il metodo di calcolo del supporto e della confidenza per ottenere dati di processo tipici.

Sulla base del modello di insieme approssimativo esteso, la conoscenza delle preferenze di processo viene estratta dalla relazione composta di equivalenza, somiglianza e preferenza, che verifica che la conoscenza delle preferenze di processo può guidare direttamente il processo decisionale del progettista e la teoria degli insiemi approssimativi non richiede il collegamento di valutazione di fattibilità delle regole di processo, che è migliore di altri. Il metodo di mining è più semplice e diretto.

I risultati del mining di rough set theory includono le regole deterministiche ottenute dall'insieme di approssimazione inferiore e dalla zona negativa, nonché le regole incerte della zona di confine. Al fine di minare in modo più completo le regole di processo della zona di confine, Zhang Z. et al. utilizzato un modello di rough set di precisione variabile per superare la precisione A seguito dei cambiamenti nel processo di mining, l'intervallo del set di approssimazione superiore viene effettivamente ridotto. La conoscenza qualitativa è mappata alla relazione di associazione per formare un modello di fusione della conoscenza, che può effettivamente estrarre più regole decisionali.

Il processo centrale del ragionamento approssimativo consiste nell'ottenere la riduzione minima degli attributi. Chen Hao et al. analizzato le anomalie di riduzione causate dall'intervallo di inclusione e dalla regione positiva. Per il modello rough set di precisione variabile con tasso di classificazione costante e dominio positivo costante, la matrice Differenza basata sul contenuto e il nucleo dell'attributo per ottenere il metodo di riduzione dell'attributo minimo. Utilizzando l'algoritmo di riduzione euristica, ottenere prima l'attributo principale e calcolare la dipendenza dell'attributo. In base all'ordine crescente della dipendenza, l'attributo e l'attributo kernel vengono combinati a turno, e infine si ottiene la riduzione minima dell'attributo, si consideri
La disomogeneità della distribuzione campionaria è migliorata sulla base del rough set di quartiere e viene proposto il modello di rough set del K-nerest neighbor, che rimuove efficacemente un gran numero di attributi. Il mining di regole decisionali è principalmente diviso in due tipi, uno è il mining induttivo e l'altro è la deduzione. Metodo minerario. L'idea principale dell'estrazione induttiva è di riassumere regole decisionali significative in insiemi di dati complessi. Una volta ottenuto il target, abbinare gli attributi condizionali del set di regole in base ai parametri degli attributi del target, in modo da estrarre le regole decisionali che soddisfano i requisiti di corrispondenza. L'idea principale dell'estrazione deduttiva è quella di suddividere il contenuto decisionale in una combinazione di diversi sottoinsiemi decisionali e utilizzare il set di dati per estrarre l'ambito di applicazione dei sottoinsiemi decisionali. Quando l'obiettivo è raggiunto, secondo l'obiettivo
Il parametro dell'attributo target estrae il sottoinsieme decisionale appropriato e lo riorganizza nel contenuto decisionale richiesto. Al contrario, le regole decisionali dell'estrazione inferenziale sono più diverse e hanno un ambito di applicazione più ampio e l'estrazione induttiva ha vincoli più severi, che possono garantire l'affidabilità delle regole.

Nei documenti sopra citati, la maggior parte dei metodi di elaborazione è l'estrazione induttiva. Sebbene l'affidabilità delle regole di decisione sia effettivamente garantita, il forte vincolo porta anche al basso utilizzo dei dati e limita la completezza della base di regole decisionali. Inoltre, sebbene l'insieme approssimativo di precisione variabile possa ridurre efficacemente l'area di confine, il valore di precisione è impostato principalmente dall'esperienza manuale e troppi fattori umani ridurranno l'affidabilità della regola di decisione. Pertanto, come ridurre l'area di confine e migliorare la flessibilità delle regole sulla base di garantire l'affidabilità delle regole decisionali è la principale direzione di ricerca delle regole decisionali del processo minerario.

Link a questo articolo： La ricerca sulle regole decisionali per l'estrazione mineraria del processo di produzione delle parti

Dichiarazione di ristampa: se non ci sono istruzioni speciali, tutti gli articoli su questo sito sono originali. Si prega di indicare la fonte per la ristampa: https://www.cncmachiningptj.com/，thanks！

L'officina CNC PTJ produce parti con eccellenti proprietà meccaniche, accuratezza e ripetibilità da metallo e plastica. Disponibile fresatura CNC a 5 assi.Lavorazione di leghe per alte temperature intervallo di clouding lavorazione inconel,lavorazione monel,Lavorazione Geek Ascology,Carp 49 lavorazione,Lavorazione Hastelloy,Lavorazione Nitronic-60,Hymu 80 lavorazione,Lavorazione dell'acciaio per utensili,eccetera.,. Ideale per applicazioni aerospaziali.Lavorazione CNC produce parti con eccellenti proprietà meccaniche, precisione e ripetibilità da metallo e plastica. Fresatura CNC a 3 assi e 5 assi disponibile. Elaboreremo una strategia con te per fornire i servizi più convenienti per aiutarti a raggiungere il tuo obiettivo, non esitare a contattarci ( vendite@pintejin.com ) direttamente per il tuo nuovo progetto.