本文關鍵詞：機器學習方法在機械產品參數設計缺陷辨識中的應用，由筆耕文化傳播整理發(fā)布。

【摘要】：機械產品設計參數的選擇是決定產品質量的關鍵因素，因產品參數設計不合理引起的設計缺陷是造成產品開發(fā)周期延長、影響產品市場競爭力的的主要原因之一。為了在設計階段初期實現機械產品設計參數缺陷的辨識，本文提出了基于支持向量機(SVM)以及人工神經網絡(ANN)的參數設計缺陷辨識模型，對模型構建、參數選擇及結果分析等內容進行了較為深入系統(tǒng)的研究。 針對高速機車車軸設計中因參數設計不合理造成的設計缺陷，提出了一種基于改進型支持向量機分類算法的設計缺陷辨識模型�？紤]到設計樣本間的差異和不同特征參數對設計結果的影響，采用了樣本加權和特征加權相結合的方法改善模型。針對支持向量機參數選擇難的問題，提出了基于支持向量回歸(SVR)算法確定該模型的參數，可快速找到理想的模型參數以提高支持向量機的分類精度和泛化能力�？紤]機車車軸輪座區(qū)參數設計不合理造成的幾類設計缺陷，采用支持向量機分類算法對設計樣本進行學習訓練，建立了SVM模型，實現了對新車軸設計參數的缺陷辨識。 產品的設計缺陷不僅僅因為幾何設計參數的設置不合理，還與包含產品材料選擇、加工工藝參數設置、結構參數等廣義設計參數有關。本文提出了基于BP神經網絡的參數設計缺陷的辨識方法，以汽車保險杠的設計為研究對象，從保險杠的眾多設計參數中選擇對其質量影響重大的若干參數，，通過對神經網絡的訓練實現了保險杠表面缺陷及整體缺陷兩種類型設計缺陷的識別。 考慮產品同其他零部件發(fā)生諸如裝配、加工等約束關系時，受外界約束參數影響而造成設計缺陷的現象，采用一類神經網絡改進算法構建基于設計參數約束關系的缺陷辨識模型，研究約束參數變化對設計結果造成的影響。針對機械產品設計參數的隨機性，引入設計參數靈敏度的概念，在神經網絡模型的基礎上計算各個隨機設計參數的靈敏度，獲得了設計參數隨機變化對設計結果的影響，達到了指導設計參數、加工參數及裝配精度參數選擇的目的。 本論文研究的基于機器學習算法的設計缺陷辨識方法為機電產品參數設計缺陷辨識問題提供了一套行之有效的理論、方法和技術。
【關鍵詞】：設計參數 缺陷 辨識 支持向量機 神經網絡
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TH122;TP181
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-18
• 1.1 課題背景及研究意義11-12
• 1.2 機械產品設計缺陷辨識的研究概況12-14
• 1.2.1 高速機車車軸設計研究概況12-13
• 1.2.2 汽車保險杠設計研究概況13-14
• 1.3 支持向量機的研究與發(fā)展14-15
• 1.4 神經網絡的研究現狀15-16
• 1.5 本論文研究的主要內容16-17
• 1.5.1 支持向量機理論及參數選擇算法研究16
• 1.5.2 基于支持向量機的機車車軸設計缺陷辨識16
• 1.5.3 基于 BP 神經網絡的汽車保險杠設計缺陷辨識16-17
• 1.5.4 基于參數約束關系的設計缺陷辨識模型17
• 1.6 本章小結17-18
• 第二章 支持向量機參數選擇算法研究18-30
• 2.1 支持向量機理論基礎及基本算法18-25
• 2.1.1 機器學習的基本問題與統(tǒng)計學習理論18-21
• 2.1.2 支持向量機基本算法21-25
• 2.2 支持向量機參數選擇算法研究25-29
• 2.2.1 算法流程26-27
• 2.2.2 數據實驗及結果分析27-29
• 2.3 本章小結29-30
• 第三章 基于支持向量機的機車車軸設計缺陷辨識30-40
• 3.1 機車車軸損壞及破壞形式30-31
• 3.2 基于 SVM 的機車車軸設計缺陷辨識模型31-33
• 3.2.1 缺陷辨識模型輸入層設計31
• 3.2.2 缺陷辨識模型輸出層設計31
• 3.2.3 加權 SVM 參數缺陷辨識算法31-33
• 3.3 樣本數據預處理33-36
• 3.3.1 樣本加權權值確定34-35
• 3.3.2 基于信息增益法特征權值確定35-36
• 3.4 缺陷辨識結果及分析36-39
• 3.5 本章小結39-40
• 第四章 基于 BP 神經網絡的汽車保險杠設計缺陷辨識40-54
• 4.1 人工神經網絡及 BP 算法40-43
• 4.1.1 神經元模型40-41
• 4.1.2 BP 神經網絡41-43
• 4.2 汽車保險杠設計參數43-47
• 4.2.1 保險杠結構參數43-45
• 4.2.2 保險杠材料參數45-46
• 4.2.3 保險杠工藝參數46-47
• 4.3 BP 神經網絡模型建立47-50
• 4.3.1 樣本數據預處理48
• 4.3.2 BP 神經網絡各層神經元節(jié)點數設計48-49
• 4.3.3 BP 神經網絡參數選擇49-50
• 4.4 缺陷辨識結果及分析50-53
• 4.5 本章小結53-54
• 第五章 基于參數約束關系的設計缺陷辨識模型54-68
• 5.1 機械產品設計參數約束類型54-56
• 5.2 機械產品設計參數靈敏度56-58
• 5.3 基于參數約束關系的軸套設計缺陷辨識模型58-62
• 5.3.1 軸套裝配形式58-59
• 5.3.2 軸套設計參數約束關系59-61
• 5.3.3 模型輸入輸出設置61-62
• 5.4 一類神經網絡改進算法62-63
• 5.5 缺陷辨識結果分析63-67
• 5.5.1 網絡訓練及結果分析63-66
• 5.5.2 參數靈敏度計算66-67
• 5.6 本章小結67-68
• 第六章 論文的總結與展望68-70
• 6.1 論文的總結68-69
• 6.2 論文的展望69-70
• 致謝70-71
• 參考文獻71-75
• 攻碩期間取得的研究成果75-76

【參考文獻】

中國期刊全文數據庫 前10條

1 路平,龔瑞庚;道路交通事故的基本規(guī)律與對策[J];長沙交通學院學報;1999年04期

2 王利霞,楊楊,王蓓,申長雨;注塑成型工藝參數對制品體收縮率變化的影響及工藝參數優(yōu)化[J];高分子材料科學與工程;2004年02期

3 В.В.НОВИКОВ,高路;軸重25t空心車軸[J];國外鐵道車輛;2003年04期

4 王小平,沈玉娣;支持向量機在軸承故障診斷中的應用[J];機床與液壓;2003年04期

5 孟祥旭,徐延寧;參數化設計研究[J];計算機輔助設計與圖形學學報;2002年11期

6 朱喜林,吳博達,武星星,李曉梅;BP網絡在優(yōu)化機械加工參數中的應用[J];計算機集成制造系統(tǒng);2004年09期

7 范守文;熊靜琪;邵旭光;黃洪鐘;胡天友;;機電產品的可驗證設計系統(tǒng)及其實現框架[J];計算機集成制造系統(tǒng);2010年06期

8 張大鵬;陳光雄;田合強;;車軸輪座微動損傷對車軸疲勞壽命的影響[J];機械設計與制造;2009年01期

9 高雪鵬,叢爽;BP網絡改進算法的性能對比研究[J];控制與決策;2001年02期

10 郝培鋒,肖文棟,祝鋼,徐心和;關于BP網絡變結構問題的研究[J];控制與決策;2001年03期

  本文關鍵詞：機器學習方法在機械產品參數設計缺陷辨識中的應用，由筆耕文化傳播整理發(fā)布。

本文編號：434169