利用机器学习技术对夹具的概念设计说明_第1页
利用机器学习技术对夹具的概念设计说明_第2页
利用机器学习技术对夹具的概念设计说明_第3页
利用机器学习技术对夹具的概念设计说明_第4页
利用机器学习技术对夹具的概念设计说明_第5页
已阅读5页,还剩8页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

1、利用机器学习技术对夹具的概念设计序言 :夹具工件是指用来固定和稳固工件的, 用来对一个工件进行大部分加工操作的固定工具。夹具的设计是一个复杂的和直观的过程,这需要知识和经验的积累。而自动化夹具设计过程是困难的, 这是因为这个问题需要运用设计的知识。 人工智能领域最新的研究进展表明, 特别是在机械学习方面, 提供了运用设计的方法和知识。本文试图运用夹具工件学习技术的概念设计来提供案例研究。关键词 : 夹具设计 ; 知识型系统; 机器学习1介绍制造业目前正在向高度自动化的制造系统发展, 这通常导致较低的生产成本和更高的效率。 对于加工一批复杂或精密零件、 高度准确的设备是必需的。 这些设备在加工操

2、作时,可以用来稳定和固定工件。由于启发式知识要求的设计设备是复杂的, 因此自动化设计也是复杂的, 象一些应用于自动化夹具设计过程的人工智能工具, 又比如一些更常见的人工智能运用于如专家系统、 神经网络和遗传算法等中。 每一种都有其优点和缺点。 专家系统利用现有的规则,为夹具设计功能相对较好的初始模型。然而,他们太死板,不能随着时间的推移, 调整和改进自己。 一个神经网络具有良好的学习能力, 但是建设合适的神经网络可能是非常复杂的。 遗传算法更像是优化工具而非学习工具。机器学习是指具有学习和适应改变的能力, 因此它被选为此次夹具设计的研究对象。 在随后的章节中, 如何开发一个分类模型的装置, 以

3、与如何学习使用机器程序, C4.5 将作为研究的容。在发展过程中遇到的问题,以与提升分类模型的意义, 将进行详细的讨论。 此案例的研究将演示如何使用分类模型以与如何提出夹具的概念设计。2. 方法论本研究是通过一个固定数量的属性来描述表示数据的一种象征性方法。 分类模型来源于这些数据的在规律, 模型的发展可以分为两个阶段, 即建设阶段和生成分类规则的阶段。2.1 夹具数据的描述所有使用的数据都可以分为若干案例,每个案例共由63个属性和类组成,本课程容就属于此案例。这些属性主要描述了 3个领域:夹具配置,工件特性和加工工艺条件。夹具配 置起到了元件的稳定, 夹紧和固定作用。一般空间位置和所需的公差

4、,以与工 件的特征涉与工件表面的粗糙程度, 显著的特性,大致的尺寸和重量。加工条件 包括元件的批量大小,材料去除率,切削力的作用,和适合加工的区域。对于一个简单适用性的测试,具包含有概念性的夹具设计,多种类型的夹具和 切削过程。止匕外,该类型的工件被认为是仅限于棱镜的研究。这些属性都是离散 的,平均3-4的浮动值。2.2 建设的决策树感应理论是使用5, 6的建设决策树,即嫡的数据集是第一次计算。假设 S 表示一组病例可分为n类1 .病例数量的年代,属于类 C的频率2 .病例数量的年代是寻常的因此,案件的概率选择是在每个案例所传达的信息是利用以上,预计所需的信息确定一个案例中的类将变成i碓二一

5、W -1| X唯 tlsT)接下来,数据将被每个属性依次分析,由此产生了嫡的数据计算。通过嫡的减 少或数据的增加来计算出其差异并进行比较。 而属性提供了最高的增益,然后形 成决策树的分支。这个过程将一直进行到这部分的所有情况完成。 然后分支停止 增长,最终形成一片树叶。在树完全成熟后,它将裁剪下来一个较小的尺寸通过删除无关的属性。 决定哪 些属性删除,而标准统计测试将被使用的情况下, 任何分支可以分布到正确或错误分类的案例中。因为只有两个主要类型的分类,剪枝方法解释使用如图表11 修剪决策树树上有3个属性(A, B, C)和2类(好的和坏的)。它有6叶,数字在括号的每片叶子中, (N / E)

6、 是注明数量的情况下覆盖的叶, (N) 是病例数错误分类的叶,(E)是预测错误率,可以用 UCF(E N)表示,CF是信心水平计算的误差。通过使用N作为样本大小、E / N作为示例。在错误分类的情况下:U25%(E N)可以推 断出75%的置信区间的比例。考虑到子树C = 1: 好 (6/0)C = 2: 好 (9/0)C = 3: 坏 (1/0)第一叶, N = 6 和 E = 0、 75%的置信区间是发现是0 , 0.206 。保守误差的上限比例使用,U25%(0, 6)= 0.206 。同样,对于剩余的叶子,U25%(0, 9)= 0.143和 U25%(0 1)= 0.75。最后,预测

7、误差这个子树(6 0.206)+(9 ' 0.143)+(1 ' 0.75)= 3.273。如果它的子树有一个叶与类,它将覆盖共有16 例中 1 例的错误。因此预测误差 16 XU25% (1.16)= 16 X0.157 = 2.512。因为现有的子树有更高的预测误差,将删除,导致树见图2。反过来,通过删除每个属性,重新计算新的错误率,这些属性的删除会导致较低的估计错误率,部分将会永久地修剪。 因此, 最后合成树的应该有一个总体上较低的估计错误率。2.3 代的分类规则每个路径主要从树上的一片叶子上来, 然后转化为一个分类规则。 虽然决策树已经被简化, 但进一步简化规则可能还有

8、助于对降低出错率估计。 比如一些条件,这可能适用于树,也可能是冗余的规则。在证明这种情况下,使用以下规则 :规则 1:如果 A= 小B =大C = 对D =是的E = 没有然后类负面规则 2:如果 A= 小B =大C = 错D =是的E = 没有然后类负面图表 2 修剪决策树对于所有其他属性,上面的规则是一样的,除了C(这可能需要只有值正确或者错误)。因为所有可能的值的属性 C会被覆盖,条件变得冗余和两个规则C的可能 。在一定条件下,已经被简化了的规则,可能有重复,如上图所示,这些规则将不再相互排斥。因此,最小描述长度(MDL)原理是用来过滤规则,不做出显著贡 献的准确性的规则集,MDLJ&#

9、174;理表明,最好的理论可诱导出要求最低数量的比特 编码理论, 和它的异常都将其应用到决策树, 可以在 5 , 8 发现。 在这个原则下, 平衡编码规则和案例, 这样达到总成本将是一个最小的编码。 因此, 一些规则则 不会编码, 从而在许多情况下, 不包括在最终的规则集。 这些个案将被归类在一 个默认的类,如出现最频繁的类中发现病例。3. 夹具分类模型在这个研究中,共有两个分类模型构建,第一个是一个简单的模型包括12 个夹具, 26 和 14 的工件,共有100例用于培训。这第一个模型用于帮助理解感应过程和预期中可能会遇到的问题。生成模型中,感应过程应用 12 次,每次对一个夹具属性和这些属

10、性表1 中列出。 每个属性取决于工件夹具, 夹具流程和其他属性。 由此产生的误差利率如图 表 3 和 4所示。正如预期的那样,结果误差利率非常高,围从4%到 44%的决策树和0%57%的分类规则集。其原因在于,总空间覆盖的属性中的使用训练数据集太小。基侧和最终定位器( 夹具属性 1、 2 和 3) 依赖于各种属性,因此这些导致更高图表3第一个模型的决策树的错误率50.00%40.00%3so0 %20.00%10.00%0,00%nu12 345 6789 10 11 12固定母性图表4第一个模型的分类规则的错误率这也依赖于基础定位,而最终定位依赖于两个数据,这也催生了增加出错率的错误率。止匕

11、外,还有边定位器 表1固定属性夹具编号夹具属性1基本定位器2侧定位器3端定位器4定位公差5火方向67夹具公差8火驱动9支持目的10支持力1可11支持宽容类似的结果在图里观察到3号,4号。它可能推断出这个出错率的数量会有成正 比的依赖属性。止匕外,它提供决定属性中描述不够详细的综合模型。因此,修改 所有的属性是用于第二个模型。而第二个模型使用21夹具属性,26件属性以与一个16进程总数为54000例的属性。一个21个夹具的列表提出了基本属性如表 2。表2。叶子的数量和规则为每个夹具属性固定属性叶数的数目叶数的规则127962。基地定位183年43。侧面53364。侧定位器27555。端面8896

12、6。端定位器313157。火 + X110138。夹一X126139。夹 + Y127910。夹 2 y1271311。夹+ Z116912。夹 2 z135913。火驱动3214。支持 + X 185 315。支持 2X161 316。支持 + Y 170 317。支持 2 y 166 318。支持 + Z 172 319。支持 2 z 228 320。支持体重219321。公差43图5,第二个模型的我策讨的错误率这54000例,随机抽取其中20%乍为测试数据,而其余的被用于培训。第二个 模型的结果显示,对于决策树有很大的改进。错误率(图 5)围从相对于简单的 树0%( 200叶)变为8%f

13、对复杂的树(300叶)。在决策树结果的改进预计中,由于样本数量增加了,显示的树木可能更准确。如图5所示的错误率,在训练过程中,使用的情况下,计算基础上的测试与错误 率培训的情况不同,从上面的最大值 0.1%表明,用例遵循类似的分布测试与培 训的情况下,因此是无偏的。这些更精确的树,提高了分类规则与低错误率设置 的应预期。不过,发现规则集的结果是个矛盾的预测(图 6)。非常高的分类错误率的原因是由于切除决策树过度的琐碎叶。从表2中可以看出,平均决策树约有100200叶,造成约2至15的规则。错 误率高(20%。当树是非常大的时候(3001000叶),而由此产生的规则数小(10)。这表明,在树上有

14、太多的分支被许多叶子覆盖,只有少数病例,在 MDL 原则下,较少的比特编码所需这些情况,而不是规则本身。因此,这些规则遵从 最终的规则集。无论他们原来是什么类,需要发现案件然后分类。仔细看看夹具 的属性分类,其中“端”支持这一论点(图 7)080,00%70.00% -二错5a 11 - «1- -率 40Q0 ' T:JU R r - IMI H m 1 I1 r I 1 V门IP I2,1 -i - -J1 I L-I -* -* - - F- - - - = -一 _ 一. - |10.00% +0,00%aoDD.U0. ,d.o.ooqa357911 13 15 1

15、7 19 21固定厘性国工第二个瞋型的分类规则的错误率13 / 1214L四5227U :1 E”<b!:H32cl二2?广疏1730 UI:21132113小忘计图丁分类内期柒为表面活性则定丹素奈索*类类类9 &- 9 4 ftc C7 9 9 9 9错误分错谍的分类;-z默认为类的“端”是“ 2Z”。用字母表示(A)至(F)。矩阵显示的情况下,其 实际的类是在正确的分布。例如,在矩阵的第一行显示的2278例病例中属于类” + X”,只有473箱,1805箱,正确分类在默认的类“ 2 z”。最后一列在右边显 示了比例的情况下,属于一般错误的类。显然,实际上大多数10800测试情

16、况是 被默认的类,而不是通过任何规则集中为“顶面”。这表明,太多的规则已经被 移除,这样剩下的规则在不能正确分类的情况下, 导致了一个非常高的出错率且 超过70%有几种方法可以解决这个问题的,第一个是使用更多的培训情况下, 以前微不足道的规则将覆盖更多的情况, 将不再被认为是无关紧要的。第二种方 法是在决策树执行更高最低数量。 然而,考虑要给于最低数量,且仍然保持精度 的决策树。第三种方法是改进规则生成过程。另外一点需要注意的是,这个研究是提出可能不反映实际精度错误率的分类模 型。对于一个给定的工件,没有独特的夹具方案。夹具的解决方案空间是一个对 应空间。但是,机器学习技术是基于一个多对一的对

17、应空间。 这在处理工件产生 问题上,是关于一个或多个平面对称的问题。例如,当本案涉与一个工件,是关 于一个垂直平面的对称中心,定位在左手边的工件可能定位于右侧。然而,该模型只能分类结果作为正确的一类。因此,如果模型分类定位从左边是正确的, 那么同样的情况从定位右侧将是错 误。一个可行的夹具配置可以因此被归类为错误,导致更高的错误率。另一方面,由于机器学习只有一个对应的空间, 它只能提供一个夹具配置是可 行或是最好的,但可以不实用或有效的。因此,一个优化工具必须结合其考虑因 素如成本核算的固定装置,装卸效率等。只有这样的模型才能用来提供配置一个 夹具,既可行和实用的。在这一部分中,如何分类模型的

18、一个实例是可以用来帮助夹具的概念设计。在这个例子中,工件是一个主版2在底部的通孔,如图8所示。要执行的操作是通 过另一个钻孔边上所示的方向并 加工。显示工件的值和过程属性,还有与之对应 的主版的特点和加工操作。以上信息是用来作为输入程序C4.5,和适当的夹具的属性值,如表5测定。固定属性值可以作为一个指南, 给予详细的夹具设计用 户。使用表5中的值,用户可以使用一个基板对表面为基础的定位,双缸凸出于基板定位主版。带夹紧是只有2个方向上的要求,并可液压或气动的。支持柱塞 在X方向的需要,不支持对重量工件的需要,属于夹具公差元素,在一般情况下, 以下这些指导方针,会造成概念上的夹具。如图9所示。通

19、过夹具属性提供指南 包括面,可以用来定位,夹紧和支持,但随着夹具元件的适当修改,这个夹具设 计信息,仅仅会决定夹具元件的准确位置,或要进行必要的修改。表3.工件的属性和价值工作属性价值工作属性价值1重量轻14. +Y机孔不2刚度大12Y表面平3.于 K表面平16 2Y步獴是本的步骤是他2Y加工的孔不& +X机孔不19.+ Z表面平7 +X表面平20+ Z的步骤是8 + X 步"不21,+z耐力平均9. + X公差平均23.2Z表面平10.2X 孔不加工24 2Z步骤没有13.- y 面平26 2Z公差紧耒4逑星中的属性和值,过程中的属性/价值27他堂艮寸一大626加工中附中卧式229方法口X730扇iE公里小枭31 +X切削力2大0S2 2X切削力产潢33十V切削力一浸一34 2Y明刖力c没?35 +7阳削力炉漫尹36 2Z瞬物#漫裂c7 *X无阻碍时面积/大/S8曾X无阻碍的面积4知三。一丫无阻铸的面职a仪40 +Z无阻碍的面积大Q表5qP固定震性J侪值口1基干的4一不2邕定位器4平q3恻面ZP4测定苣器圆柱形一5端面+-0站定位器卜辰桓/7夹+X中NA8支切帝小9支十WNAp10 央NA,111聿/7rNAp12央-人IW13。支掾面活塞11黑文浮gaNAjT 5+Y支撑面期NAp16丫丸撵面:NN1 支撵面口NA Q1B-Z支季面rw19支厚重量一HA

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论