基于模糊聚类和案例推理的滚抛磨块优选模型

目的实现滚磨光整加工工艺制定过程中滚抛磨块快速、准确地优选。方法在分析滚磨光整加工工艺特点的基础上,根据滚抛磨块优选的E-R图构建案例库,建立基于案例推理的滚抛磨块优选模型。针对不同案例特征属性的数据类型,选择合适的特征属性相似度计算方法;通过层次分析法确定案例特征属性的权重,采用加权最近邻居法计算案例间的综合相似度,并通过案例处理获得新问题的优选磨块。采用模糊C均值聚类算法对案例库中的冗余案例进行处理,实现案例库的动态优化。最后,采用实际的不同零件类型的不同数据进行仿真。结果大量仿真结果表明,采用模糊C均值聚类算法,处理案例库中的冗余案例,可以有效提高案例推理的检索效率和精度;针对实际的新问题,基于模型并通过案例检索、修正,可以从案例库中快速提取出新问题的相似案例,验证了模型的可行性和有效性,重要的是能够为新问题的磨块优选提供决策指导。结论基于模糊聚类的案例推理技术可以用于滚磨光整加工工艺实施时的滚抛磨块优选。

基于专家推理的滚抛磨块优选模型研究

滚抛磨块的优选是滚磨光整加工工艺方案制定的关键,针对目前滚抛磨块优选中存在的工作量较大、智能化程度较低等问题,提出基于专家推理的滚抛磨块优选模型。首先,根据实际加工的成功案例确定各特征值等级范围及隶属区间,并与滚抛磨块建立联系,利用产生式规则表示法建立区间值模糊规则;然后,通过层次分析法确定模糊规则中各特征属性的权重,并采用区间值模糊推理算法进行滚抛磨块优选推理机的设计;最后,进行了大量的实验仿真,并将推理结果与实际结果进行了比较。实验结果表明,该方法可用于滚磨光整加工工艺实施时的滚抛磨块优选,为新工艺的加工方案制定提供决策指导,提高了生产效率。

基于迁移学习的滚抛磨块优选模型

在选择滚抛磨块时,针对案例推理技术在案例相似性较低情况下无法选定有效滚抛磨块的问题,提出基于迁移学习的滚抛磨块优选方法。通过缩小源案例和新问题的分布差异,将源案例的信息迁移到新问题的求解中,优选得到滚抛磨块。首先,通过分析大量实际加工工艺案例构建案例特征E-R图;然后,对不同类型的案例特征值进行归一化预处理,经过集成流形约束及条件分布适配缩小不同类型的零件案例分布差异,并通过特征变换矩阵将不同类型的零件案例集的特征信息投射到公共空间;最后,通过在公共空间内建立滚抛磨块优选模型,得到滚抛磨块参数值。通过大量仿真研究可知,对于相似性较低的案例,通过迁移学习方法可以得到比案例推理技术更准确的结果,验证了模型良好的泛化性和实用性。基于迁移学习的滚抛磨块优选模型可以弥补传统案例推理技术进行磨块选择时的不足,为滚抛磨块的选择提供决策指导。

基于流形结构的多源自适应迁移学习算法及应用研究

迁移学习是将源域的知识迁移解决目标域问题的方法,能有效解决数据分布不一致的问题.针对多源域迁移时传统方法缺乏对多源域的可迁移性的合理分析和迁移效果的有效处理问题,提出一种基于流形结构的多源自适应迁移学习的方法,旨在提高单源域迁移效果的同时实现多源域的有效迁移.首先,对多源域进行可迁移性分析,选择可迁移的源域;然后,适配边缘分布和条件分布并引入均衡因子得到均衡分布适配,同时利用流形正则化约束数据结构,使单源域的信息使用最大化;最后,通过加权因子对不同源域分类器进行自适应加权,充分利用多源域的信息求解目标域问题.将该算法应用于滚磨光整加工中滚抛磨块的优选,通过建立滚抛磨块的相似度匹配方法,构建基于流形结构的多源自适应迁移学习的滚抛磨块优选模型.大量对比实验表明所提出方法表现更佳,准确率最高至73.44%,可以为滚磨光整中滚抛磨块的选择提供更有效的决策指导.