-
题名铣削表面粗糙度在线智能预测方法研究
被引量：3
- 1
-
-
作者
唐向红
刘国凯
陆见光
易向华
耿晓强
-
机构
贵州大学现代制造技术教育部重点实验室
贵州大学机械工程学院
贵州大学贵州省公共大数据重点实验室
-
出处
《组合机床与自动化加工技术》
北大核心
2017年第8期68-72,共5页
-
基金
国家自然科学基金资助项目(51475097)
贵州省重大科技专项(黔科合重大专项字[2012]6018)
+1 种基金
贵州省基础研究重大项目(黔科合JZ字[2014]2001)
贵州省科技支撑计划(黔科合支撑[2016]2008)
-
文摘
为了提高表面粗糙度在线预测模型的精度,研究并提出了一种融合传感器统计学数据的表面粗糙度在线智能预测方法。该方法对加速度的统计学特征进行PCA主成分提取,保留了85%的数据信息。通过改进的PO-GRNN广义神经网络对训练集数据进行分配,确定光滑因子σ的近似最优值。随后结合铣削加工参数集与PCA主成分,通过PO-GRNN构建了一套在线粗糙度预测模型。纵向与横向对比实验结果表明:该模型可提供较高的粗糙度在线预测精度,能适用于当前智能制造过程中粗糙度的在线预测。
-
关键词
加速度信号
数据挖掘
PO-GRNN神经网络
粗糙度在线预测
-
Keywords
acceleration signal
data mining
PO-GRNN neural networks
on-line measuring of roughness
-
分类号
TH161
[机械工程—机械制造及自动化]
TG506
[金属学及工艺—金属切削加工及机床]
-
-
题名数据流中结构二叉树挖掘算法研究
被引量：2
- 2
-
-
作者
唐向红
元宁
易向华
陆见光
-
机构
贵州大学现代制造技术教育部重点实验室
贵州大学机械工程学院
贵州省公共大数据重点实验室
-
出处
《计算机应用研究》
CSCD
北大核心
2017年第10期2924-2928,共5页
-
基金
贵州省重大科技专项资助项目(黔科合重大专项字(2013)6019
黔科合重大专项字[2012]6018)
贵州省基础研究重大项目(黔科合JZ字(2014)2001)
-
文摘
针对传统数据流挖掘算法不能挖掘出频繁项之间的关系而且挖掘时间和空间复杂度高、准确度不高的问题,提出了一种数据流中结构二叉树挖掘算法(AMST)。该算法利用了二叉树结构的优势,将所处理事务数据库中的数据流转换成结构化二叉树,然后利用数据流矩阵对结构二叉树进行挖掘。整个过程只对事务数据库进行一次扫描,大大提高了挖掘的效率;此外,算法还找出了具有层次关系的频繁子树。实验结果表明,AMST算法性能稳定,在时间复杂度和空间复杂度方面有很大的优越性,能够快速准确地对数据流进行挖掘。
-
关键词
数据流
频繁项集
结构二叉树
数据流矩阵
-
Keywords
data stream
frequent items
structural binary tree
data stream matrix
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名融合云加端的制造产品在线质量预测研究
被引量：1
- 3
-
-
作者
唐向红
易向华
陆见光
元宁
刘国凯
-
机构
贵州大学现代制造技术教育部重点实验室
贵州大学机械工程学院
贵州省公共大数据重点实验室
-
出处
《组合机床与自动化加工技术》
北大核心
2017年第5期64-68,共5页
-
基金
贵州省重大科技专项(黔科合重大专项字[2013]6019
黔科合重大专项字[2012]6018)
贵州省基础研究重大项目(黔科合JZ字[2014]2001)
-
文摘
针对制造过程的在线质量预测的实时性问题,提出了一种融合云加端的在线质量预测架构。该架构在云加端提出一种基于遗传算法(GA)参数优化的隐含层节点自适应增长极端学习机(AGELM)方法,建立了优化的产品质量预测模型。同时,该架构在终端改进了k-means方法并将其应用于在线质量数据流聚类,并将聚类中心序列输入产品质量预测模型,预测产品的质量。通过点焊过程的实验表明该产品质量预测模型方法实时性较BP神经网络和贝叶斯方法有较大优势,能应用于当前制造过程的在线质量预测。
-
关键词
制造过程
在线质量预测
数据流
K-MEANS
-
Keywords
manufacturing process
online quality prediction
data stream
K-means
-
分类号
TH164
[机械工程—机械制造及自动化]
TG506
[金属学及工艺—金属切削加工及机床]
-
-
题名制造产品在线质量预测方法研究
- 4
-
-
作者
易向华
-
机构
贵州大学现代制造技术教育部重点实验室
-
出处
《山东工业技术》
2017年第9期202-202,共1页
-
文摘
针对制造过程的在线质量预测的实时性问题,提出了一种制造产品在线质量预测方法。该方法在分为在线和离线两个部分。离线部分基于粒子群(PSO)与极端学习机(ELM)建立了优化的产品质量预测模型。同时,在线端改进了k-means方法并将其应用于在线质量数据流聚类,引用模型预测产品的质量。仿真实验表明该方法实时性较贝叶斯方法和BP神经网络有较大优势,能应用于当前制造过程的在线质量预测。
-
关键词
制造过程
在线质量预测
数据流
K-MEANS
-
分类号
TB497
[一般工业技术]
-
