基于两阶段随机森林的螺丝锁附结果判别研究

螺丝锁附结果的判断是智能螺丝机的核心要点。为更好地判别螺丝锁附结果,针对螺丝锁附数据不等长、类别不平衡的特点以及相似锁附类别易发生误判的问题,将随机森林分两阶段对螺丝锁附数据建立判别模型。第一阶段,根据原始数据的物理特性构造特征,对数据欠采样并使用随机森林算法进行特征筛选。第二阶段,首先以各物理特性的概率主成分分析方差作为特征进行聚类,将相似类别归在同簇中;然后对各簇分别使用随机森林算法建立分类模型。最终以先确定数据所属簇,再由簇内分类器分类的方式对螺丝锁附结果进行判别。实验结果显示,与传统螺丝锁附判别方法及经典机器学习分类算法对比,本文模型具有更优的精确度、召回率、F值。

基于改进核LS-SVM算法的螺丝锁附结果分类研究

该文将自动分类技术应用于手机螺丝锁附的结果分类中,由此提出了一种改进的最小二乘支持向量机算法(least squares support vector machine,LS-SVM)。一方面,通过在径向基函数上进行泰勒展开,并选择前3项改进目标函数减少计算量;另一方面,在参数选取时考虑计算速度因子,以提高计算速度。仿真结果表明,改进后的LS-SVM算法与传统的LS-SVM算法具有相同的准确率,但运算速度更快,具有更强的实用性。

基于循环神经网络的螺丝锁附状态检测

自动锁螺丝机是精密电子产品装配流水线的重要组成部分之一,而螺丝锁附状态的检测对整个流水线和电子产品质量起着举足轻重的作用.传统检测方法通常采用感应器或伸缩弹簧,具有检测类别单一、性能不稳定、实时性差等问题.鉴于此,本文提出一种基于循环神经网络的智能螺丝锁附状态检测方法,该方法以锁附过程产生的角度、扭矩、速度序列数据为研究基础,以循环神经网络为研究手段.研究结果表明本文模型相比传统检测方法,具有检测故障类别更多、检测方式更稳定、检测过程更快等优点.对OK、浮锁、未锁进和锁斜4种状态的检测达到了优良的准确率.

基于改进K均值算法的螺丝锁附结果分类研究

为解决手机螺丝自动化锁附过程中的锁附结果检测问题,该文提出一种基于加权核K均值分类算法的改进算法。由于加权径向基核函数的K均值算法的计算速度较慢,文章将径向基核函数进行泰勒展开并取前三项进行简化,提高了计算速度。另外,采用软最大决策规则,保证每次迭代的高收敛速度和低计算复杂度。改进的算法较传统的核K均值算法在解决螺丝锁附结果分类问题上具有相同的精度但是计算速度更快。

基于SVM算法的螺丝锁附结果分类研究

为提高螺丝锁附结果分类的正确性,本文以采集的苹果手机螺丝锁附过程的受力数据为依据,基于支持向量机(support vector machine,SVM)算法,对螺丝锁附结果分类进行研究。通过重采样和归一化的方法,对所采集的数据进行预处理,并采用支持向量机算法对数据进行训练,同时采用网格搜索算法寻找最优参数C与σ2,为检验模型的好坏,采用验证集将400组验证数据输入到模型中。研究结果表明,在400组验证数据中,第399组数据分类错误,误差率为0.25%,在允许范围内。该研究对螺丝安装或拆卸速度及准确性的提高具有重要意义。

B24W-6LED升降支架不良问题的研究改进

B24W-6LED显示器引起客户的强烈抱怨,不良现象是整机自动下滑,改善迫在眉睫。为了降低市场抱怨,提高产品的品质和降低成本,采用6sigma的分析方法找出不良的原因并导入改善对策。