機(jī)器學(xué)習(xí)方法在機(jī)械產(chǎn)品參數(shù)設(shè)計(jì)缺陷辨識中的應(yīng)用.pdf

1、機(jī)械產(chǎn)品設(shè)計(jì)參數(shù)的選擇是決定產(chǎn)品質(zhì)量的關(guān)鍵因素，因產(chǎn)品參數(shù)設(shè)計(jì)不合理引起的設(shè)計(jì)缺陷是造成產(chǎn)品開發(fā)周期延長、影響產(chǎn)品市場競爭力的的主要原因之一。為了在設(shè)計(jì)階段初期實(shí)現(xiàn)機(jī)械產(chǎn)品設(shè)計(jì)參數(shù)缺陷的辨識，本文提出了基于支持向量機(jī)(SVM)以及人工神經(jīng)網(wǎng)絡(luò)(ANN)的參數(shù)設(shè)計(jì)缺陷辨識模型，對模型構(gòu)建、參數(shù)選擇及結(jié)果分析等內(nèi)容進(jìn)行了較為深入系統(tǒng)的研究。
　　針對高速機(jī)車車軸設(shè)計(jì)中因參數(shù)設(shè)計(jì)不合理造成的設(shè)計(jì)缺陷，提出了一種基于改進(jìn)型支持向量機(jī)分類算

2、法的設(shè)計(jì)缺陷辨識模型?？紤]到設(shè)計(jì)樣本間的差異和不同特征參數(shù)對設(shè)計(jì)結(jié)果的影響，采用了樣本加權(quán)和特征加權(quán)相結(jié)合的方法改善模型。針對支持向量機(jī)參數(shù)選擇難的問題，提出了基于支持向量回歸(SVR)算法確定該模型的參數(shù)，可快速找到理想的模型參數(shù)以提高支持向量機(jī)的分類精度和泛化能力?？紤]機(jī)車車軸輪座區(qū)參數(shù)設(shè)計(jì)不合理造成的幾類設(shè)計(jì)缺陷，采用支持向量機(jī)分類算法對設(shè)計(jì)樣本進(jìn)行學(xué)習(xí)訓(xùn)練，建立了SVM模型，實(shí)現(xiàn)了對新車軸設(shè)計(jì)參數(shù)的缺陷辨識。
　　產(chǎn)品的設(shè)

3、計(jì)缺陷不僅僅因?yàn)閹缀卧O(shè)計(jì)參數(shù)的設(shè)置不合理，還與包含產(chǎn)品材料選擇、加工工藝參數(shù)設(shè)置、結(jié)構(gòu)參數(shù)等廣義設(shè)計(jì)參數(shù)有關(guān)。本文提出了基于BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)計(jì)缺陷的辨識方法，以汽車保險(xiǎn)杠的設(shè)計(jì)為研究對象，從保險(xiǎn)杠的眾多設(shè)計(jì)參數(shù)中選擇對其質(zhì)量影響重大的若干參數(shù)，通過對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實(shí)現(xiàn)了保險(xiǎn)杠表面缺陷及整體缺陷兩種類型設(shè)計(jì)缺陷的識別。
　　考慮產(chǎn)品同其他零部件發(fā)生諸如裝配、加工等約束關(guān)系時(shí)，受外界約束參數(shù)影響而造成設(shè)計(jì)缺陷的現(xiàn)象，采用一類神經(jīng)網(wǎng)