生产制造环境复杂多变,制造装备在设计、制造、安装以及运行中不可避免地会出现质量缺陷,给生产带来实际困难。随着机器学习和互联网技术的发展,人们已经研究出多种基于故障树的缺陷分析方法,其中基于随机森林的决策树分类方法将缺陷分...生产制造环境复杂多变,制造装备在设计、制造、安装以及运行中不可避免地会出现质量缺陷,给生产带来实际困难。随着机器学习和互联网技术的发展,人们已经研究出多种基于故障树的缺陷分析方法,其中基于随机森林的决策树分类方法将缺陷分析转换为多分类问题,可以较好地解决缺陷分析问题,节约设备质检和运行维护的时间。因此,针对现有的制造装备质量缺陷分析问题,本文从缺陷分析方法及系统功能方面出发设计质量缺陷分析系统。系统搭建时将缺陷分析数据作为信息载体,以加权随机森林算法(Weighted Random Forest, WRF)的测试与实现为功能核心,以B/S架构为基础设计人机交互页面,采用Django为后端框架、Vue.js为系统前端框架进行设计。系统测试表明,该系统可以有效实现设备质量缺陷分析,满足一定的生产制造环境的功能需求。展开更多
文摘生产制造环境复杂多变,制造装备在设计、制造、安装以及运行中不可避免地会出现质量缺陷,给生产带来实际困难。随着机器学习和互联网技术的发展,人们已经研究出多种基于故障树的缺陷分析方法,其中基于随机森林的决策树分类方法将缺陷分析转换为多分类问题,可以较好地解决缺陷分析问题,节约设备质检和运行维护的时间。因此,针对现有的制造装备质量缺陷分析问题,本文从缺陷分析方法及系统功能方面出发设计质量缺陷分析系统。系统搭建时将缺陷分析数据作为信息载体,以加权随机森林算法(Weighted Random Forest, WRF)的测试与实现为功能核心,以B/S架构为基础设计人机交互页面,采用Django为后端框架、Vue.js为系统前端框架进行设计。系统测试表明,该系统可以有效实现设备质量缺陷分析,满足一定的生产制造环境的功能需求。