零件制造过程决策规则挖掘研究

在数据挖掘领域，常用的分类方法有支持向量机、神经网络、贝叶斯分类等。 上述算法主要针对不规则的数据分布，依托大数据的支持，通过挖掘其潜在的关联关系类似的措施。 广泛应用于故障诊断等领域。 但是，在机械制造行业，零件特征参数（如尺寸、精度等）的设计已经标准化，在实际工程中，数据库中的每个零件只对应一个工艺路线。 因此，工艺数据的重复率较高，数据量较小，不适合上述算法处理。 因此，研究人员大多采用粗糙集理论来指导过程决策规则的挖掘。

在挖掘决策规则之前，首先要保证数据的可信度。 这是因为在实际工程中，工况总是实时变化的。 为了避免特殊工况产生的少量非典型数据影响决策，需要对数据进行预预测。 处理。 因此，文献一般采用计算支持度和置信度的方法来获取典型的过程数据。

基于扩展粗糙集模型，通过等价、相似、偏好的复合关系挖掘过程偏好知识，验证过程偏好知识可以直接指导设计者的决策，而粗糙集理论不需要流程规则可行性评估环节，优于其他环节。 挖掘方法更简单，更直接。

粗糙集理论的挖掘结果包括从下近似集和负区得到的确定性规则，以及边界区的不确定性规则。 为了更充分地挖掘边界带的过程规律，张 Z. 等人。 采用变精度粗糙集模型通过精度随着挖掘过程的变化，有效缩小了上近似集的范围。 将定性知识映射到关联关系，形成知识融合模型，可以有效挖掘更多的决策规则。

粗糙集推理的核心过程是获得最小的属性约简。 陈浩等。 分析了由包含区间和正区域引起的减少异常。 对于具有恒定分类率和恒定正域的变精度粗糙集模型，基于内容的差异矩阵和属性核心获得最小属性约简方法。 使用启发式归约算法，首先获取核心属性，计算属性依赖。 按照依赖的升序依次组合属性和内核属性，最后得到最小属性约简，考虑
在邻域粗糙集的基础上改善了样本分布的不均匀性，提出了K-最近邻粗糙集模型，有效去除了大量属性。 决策规则挖掘主要分为两种，一种是归纳挖掘，一种是演绎。 挖掘方法。 归纳挖掘的主要思想是总结复杂数据集中有意义的决策规则。 当得到目标时，根据目标的属性参数匹配规则集的条件属性，从而提取出满足匹配要求的决策规则。 演绎挖掘的主要思想是将决策内容拆分为若干决策子集的组合，并利用数据集挖掘决策子集的适用范围。 当得到目标时，根据目标
目标属性参数提取合适的决策子集，将其重组为所需的决策内容。 相比之下，推理挖掘的决策规则更加多样化，适用范围更广，而归纳挖掘的约束更加严格，可以保证规则的可靠性。

在上述文献中，大部分处理方法都是归纳挖掘。 虽然有效保证了决策规则的可靠性，但强约束也导致数据利用率低，限制了决策规则库的完备性。 而且，虽然变精度粗糙集可以有效减少边界面积，但精度值主要靠人工经验设置，过多的人为因素会降低决策规则的可靠性。 因此，如何在保证决策规则可靠性的基础上，减少边界面积，提高规则的灵活性，是挖掘过程决策规则的主要研究方向。

本文链接： 零件制造过程决策规则挖掘研究

转载声明：如无特殊说明，本站所有文章均为原创。 转载请注明出处：https://www.cncmachiningptj.com/，谢谢！

PTJ CNC 车间使用金属和塑料生产具有优异机械性能、精度和可重复性的零件。 5轴数控铣削可用。加工高温合金 范围内云 铬镍铁合金加工,蒙乃尔加工,Geek Ascology 加工,鲤鱼49加工,哈氏合金加工,Nitronic-60 机加工,Hymu 80 机加工,工具钢加工，等等。，。 航空航天应用的理想选择。数控加工 用金属和塑料生产具有优异机械性能、精度和可重复性的零件。 可提供3轴和5轴CNC铣削。我们将与您一起制定战略，提供最具成本效益的服务，帮助您达到目标，欢迎联系我们（ sales@pintejin.com ) 直接用于您的新项目。