我國作為高鐵大國強(qiáng)國,又有一帶一路等經(jīng)濟(jì)計(jì)劃,同時(shí)近年來,城市軌道交通線路與日俱增。對基礎(chǔ)設(shè)備之一的鋼軌,無論是新建鋼軌線路或是維護(hù)軌道都是必要的元素,所以鋼軌的生產(chǎn)質(zhì)量、產(chǎn)量是關(guān)系到物流經(jīng)濟(jì)發(fā)展與人民交通生活便利的基石。然而,在鋼軌的軋制生產(chǎn)過程中,對于萬能軋制機(jī)械的孔型參數(shù)現(xiàn)場修正改優(yōu)等調(diào)整仍然依賴人工專家經(jīng)驗(yàn)。為了降低鋼軌軋制生產(chǎn)線的事故發(fā)生率,縮短生產(chǎn)周期,提高產(chǎn)品合格率,有必要對生產(chǎn)鋼軌的工藝過程進(jìn)行數(shù)據(jù)驅(qū)動的參數(shù)推優(yōu)。在傳統(tǒng)的機(jī)械材料等領(lǐng)域?qū)堉粕a(chǎn)參數(shù)優(yōu)化時(shí),常使用基于應(yīng)力場,應(yīng)變場,熱場等物理變化的描述微分方程進(jìn)行有限元分析進(jìn)行仿真模擬來進(jìn)行專家設(shè)定。這一方面需要材料力學(xué)的專業(yè)知識和軟件技能,另一方面仿真的準(zhǔn)確度與微元的數(shù)量以及形態(tài),方程描述準(zhǔn)確度息息正相關(guān),同時(shí)運(yùn)行時(shí)間隨著微元數(shù)量的增多而增長。因此本文采用多目標(biāo)學(xué)習(xí)的機(jī)器學(xué)習(xí)回歸算法對鋼軌軋制生產(chǎn)過程進(jìn)行數(shù)據(jù)驅(qū)動的擬合,建立模型虛擬軋制機(jī)臺,再根據(jù)該模型使用多目標(biāo)進(jìn)化算法搜索到可接受的帕累托最優(yōu)解集。由此快速的解決鋼軌軋制過程中出現(xiàn)的不良鋼軌生產(chǎn)突增的問題。首先對鋼軌生產(chǎn)數(shù)據(jù)進(jìn)行了預(yù)處理和分析的工作,對生產(chǎn)履歷數(shù)據(jù)進(jìn)...

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
        1.1.1 研究背景
        1.1.2 鋼軌軋制現(xiàn)狀以及研究意義
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 數(shù)據(jù)挖掘在制造工業(yè)及鋼軌生產(chǎn)領(lǐng)域的應(yīng)用
        1.2.2 多目標(biāo)數(shù)據(jù)驅(qū)動優(yōu)化研究現(xiàn)狀
    1.3 本文的主要貢獻(xiàn)與創(chuàng)新
    1.4 本論文的結(jié)構(gòu)安排
第二章 相關(guān)基礎(chǔ)理論與關(guān)鍵技術(shù)
    2.1 相關(guān)分析
        2.1.1 皮爾森相關(guān)系數(shù)
        2.1.2 F值
    2.2 多目標(biāo)機(jī)器學(xué)習(xí)
        2.2.1 梯度提升樹算法
        2.2.2 XGBoost(e Xtreme Gradient Boosting)算法
        2.2.3 LightGBM(Light Gradient Boosting Machine)算法
        2.2.4 神經(jīng)網(wǎng)絡(luò)
    2.3 多目標(biāo)進(jìn)化算法
        2.3.1 多目標(biāo)優(yōu)化問題
        2.3.2 遺傳進(jìn)化算法
        2.3.3 粒子群進(jìn)化算法
    2.4 本章小結(jié)
第三章 數(shù)據(jù)預(yù)處理與分析
    3.1 鋼軌軋制生產(chǎn)履歷數(shù)據(jù)
        3.1.1 數(shù)據(jù)清洗
        3.1.2 概況
        3.1.3 數(shù)據(jù)分布
    3.2 相關(guān)分析
        3.2.1 相關(guān)系數(shù)計(jì)算及結(jié)果
        3.2.2 依據(jù)線性關(guān)系上采樣
    3.3 采樣目的
    3.4 本章小結(jié)
第四章 鋼軌軋制生產(chǎn)過程的多目標(biāo)學(xué)習(xí)模型
    4.1 數(shù)據(jù)集構(gòu)建
    4.2 多目標(biāo)回歸模型評估指標(biāo)
    4.3 基于XGBoost的一階多目標(biāo)回歸模型
        4.3.1 數(shù)據(jù)算法擬合性
        4.3.2 參數(shù)選擇與調(diào)節(jié)
        4.3.3 模型評估
    4.4 基于LightGBM的一階多目標(biāo)回歸模型
        4.4.1 數(shù)據(jù)算法擬合性
        4.4.2 參數(shù)選擇與調(diào)節(jié)
        4.4.3 模型評估
    4.5 基于BP神經(jīng)網(wǎng)絡(luò)的高階多目標(biāo)回歸模型
        4.5.1 實(shí)驗(yàn)設(shè)計(jì)
        4.5.2 算法可行性
        4.5.3 模型評估
    4.6 代理模型選擇
    4.7 本章小結(jié)
第五章 多目標(biāo)進(jìn)化算法
    5.1 遺傳算法
        5.1.1 個(gè)體編碼解碼
        5.1.2 適應(yīng)度函數(shù)
        5.1.3 選擇重組繁殖
        5.1.4 停止條件
    5.2 粒子群算法
    5.3 粒子群算子嵌入的遺傳算法
    5.4 參數(shù)推優(yōu)實(shí)驗(yàn)
        5.4.1 實(shí)驗(yàn)設(shè)計(jì)
        5.4.2 結(jié)果與分析
    5.5 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 全文總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號：3781809