利用機器學習技術對夾具的概念設計

1、利用機器學習技術對夾具的概念設計利用機器學習技術對夾具的概念設計序言：夾具工件是指用來固定和穩(wěn)固工件的，用來對一個工件進行大部分加工操作的固定工具。夾具的設計是一個復雜的和直觀的過程，這需要知識和經(jīng)驗的積累。而自動化夾具設計過程是困難的，這是因為這個問題需要運用設計的知識。人工智能領域最新的研究進展表明，特別是在機械學習方面，提供了運用設計的方法和知識。本文試圖運用夾具工件學習技術的概念設計來提供案例研究關鍵詞:夾具設計;知識型系統(tǒng);機器學習1介紹制造業(yè)目前正在向高度自動化的制造系統(tǒng)發(fā)展，這通常導致較低的生產(chǎn)成本和更高的效率。對于加工一批復雜或精密零件、高度準確的設備是必需的。這些設備在加工操

2、作時，可以用來穩(wěn)定和固定工件。由于啟發(fā)式知識要求的設計設備是復雜的，因此自動化設計也是復雜的，象一些應用于自動化夾具設計過程的人工智能工具，又比如一些更常見的人工智能運用于如專家系統(tǒng)、神經(jīng)網(wǎng)絡和遺傳算法等中。每一種都有其優(yōu)點和缺點。專家系統(tǒng)利用現(xiàn)有的規(guī)則，為夾具設計功能相對較好的初始模型。然而，他們太死板，不能隨著時間的推移，調整和改進自己。一個神經(jīng)網(wǎng)絡具有良好的學習能力，但是建設合適的神經(jīng)網(wǎng)絡可能是非常復雜的。遺傳算法更像是優(yōu)化工具而非學習工具。機器學習是指具有學習和適應改變的能力，因此它被選為此次夾具設計的研究對象。在隨后的章節(jié)中，如何開發(fā)一個分類模型的裝置，以及如何學習使用機器程序，C4

3、.5將作為研究的內(nèi)容。在發(fā)展過程中遇到的問題，以及提升分類模型的意義，將進行詳細的討論。此案例的研究將演示如何使用分類模型以及如何提出夾具的概念設計。2. 方法論本研究是通過一個固定數(shù)量的屬性來描述表示數(shù)據(jù)的一種象征性方法。分類模型來源于這些數(shù)據(jù)的內(nèi)在規(guī)律，模型的發(fā)展可以分為兩個階段，即建設階段和生成分類規(guī)則的階段。2.1 夾具數(shù)據(jù)的描述所有使用的數(shù)據(jù)都可以分為若干案例，每個案例共由63個屬性和類組成，本課程內(nèi)容就屬于此案例。這些屬性主要描述了3個領域：夾具配置，工件特性和加工工藝條件。夾具配置起到了元件的穩(wěn)定，夾緊和固定作用。一般空間位置和所需的公差，以及工件的特征涉及工件表面的粗糙程度，顯

4、著的特性，大致的尺寸和重量。加工條件包括元件的批量大小，材料去除率，切削力的作用，和適合加工的區(qū)域。對于一個簡單適用性的測試，其包含有概念性的夾具設計，多種類型的夾具和切削過程。此外，該類型的工件被認為是僅限于棱鏡的研究。這些屬性都是離散的，平均34的浮動值。2.2 建設的決策樹感應理論是使用5,6的建設決策樹，即端的數(shù)據(jù)集是第一次計算。假設S表示一組病例可分為n類1 .病例數(shù)量的年代，屬于類C的頻率。2 .病例數(shù)量的年代是尋常的因此，案件的概率選擇是S在每個案例所傳達的信息是利用以上，預計所需的信息確定一個案例中的類將變成cy介啾asv1伊做(點叫小詠=2-K-log2(1)接下來，數(shù)據(jù)將被

5、每個屬性依次分析，由此產(chǎn)生了端的數(shù)據(jù)計算。通過墻的減少或數(shù)據(jù)的增加來計算出其差異并進行比較。而屬性提供了最高的增益，然后形成決策樹的分支。這個過程將一直進行到這部分的所有情況完成。然后分支停止增長，最終形成一片樹葉。在樹完全成熟后，它將裁剪下來一個較小的尺寸通過刪除無關的屬性。決定哪些屬性刪除，而標準統(tǒng)計測試將被使用的情況下，任何分支可以分布到正確或錯誤分類的案例中。因為只有兩個主要類型的分類，剪枝方法解釋使用如圖表1。A=1;|B=LGood(!5V!)jB7;Gcod(1/0)|B-3:j|C三l:Good(6/0)|C-2:Good(9/0)|IC=3:Bad(170)A=2:Bad(3

6、2/0)圖表1修剪決策樹樹上有3個屬性(A,B,C)和2類(好的和壞的)。它有6葉，數(shù)字在括號的每片葉子中，(N/E)是注明數(shù)量的情況下覆蓋的葉，(N)是病例數(shù)錯誤分類的葉，(E)是預測錯誤率，可以用UCF(E,N)表示，CF是信心水平計算的誤差。通過使用N作為樣本大小、E/N作為示例。在錯誤分類的情況下：U25%(E,N)可以推斷出75%的置信區(qū)間的比例?？紤]到子樹C=1:好(6/0)C=2:好(9/0)C=3:壞(1/0)第一葉，N=6和E=0、75%的置信區(qū)間是發(fā)現(xiàn)是0,0.206。保守誤差的上限比例使用，U25%(0,6)=0.206。同樣，對于剩余的葉子，U25%(0,9)=0.14

7、3和U25%(0,1)=0.75。最后，預測誤差這個子樹(6'0.206)+(9'0.143)+(1'0.75)=3.273。如果它的子樹有一個葉與類，它將覆蓋共有16例中1例的錯誤。因此預測誤差16XU25%'(1.16)=16X0.157=2.512因為現(xiàn)有的子樹有更高的預測誤差，將刪除，導致樹見圖2。反過來，通過刪除每個屬性，重新計算新的錯誤率，這些屬性的刪除會導致較低的估計錯誤率，部分將會永久地修剪。因此，最后合成樹的應該有一個總體上較低的估計錯誤率。2.3代的分類規(guī)則每個路徑主要從樹上的一片葉子上來，然后轉化為一個分類規(guī)則。雖然決策樹已經(jīng)被簡化，但進一

8、步簡化規(guī)則可能還有助于對降低出錯率估計。比如一些條件，這可能適用于樹，也可能是冗余的規(guī)則。在證明這種情況下，使用以下規(guī)則：規(guī)則1:如果A二小B=大C=對D=是的E二沒有然后類負面規(guī)則2:如果A二小B=大C=錯D=是的E二沒有然后類負面A=1：!B=l;Good(151/1)|B工2;Good(I/O)|Bt3:Good(16/1)A=2:Bad(32/0)圖表2修剪決策樹對于所有其他屬性，上面的規(guī)則是相同的，除了C(這可能需要只有值正確或者錯誤)。因為所有可能的值的屬性C會被覆蓋，條件變得冗余和兩個規(guī)則C的可能。在一定條件下，已經(jīng)被簡化了的規(guī)則，可能有重復，如上圖所示，這些規(guī)則將不再相互排斥。

9、因此，最小描述長度(MDL)原理是用來過濾規(guī)則，不做出顯著貢獻的準確性的規(guī)則集，MDL原理表明，最好的理論可誘導出要求最低數(shù)量的比特編碼理論，和它的異常都將其應用到?jīng)Q策樹，可以在5,8發(fā)現(xiàn)。在這個原則下，平衡編碼規(guī)則和案例，這樣達到總成本將是一個最小的編碼。因此，一些規(guī)則則不會編碼，從而在許多情況下，不包括在最終的規(guī)則集。這些個案將被歸類在一個默認的類，如出現(xiàn)最頻繁的類中發(fā)現(xiàn)病例。3 .夾具分類模型在這個研究中，共有兩個分類模型構建，第一個是一個簡單的模型包括12個夾具，26和14的工件，共有100例用于培訓。這第一個模型用于幫助理解感應過程和預期中可能會遇到的問題。生成模型中，感應過程應用1

10、2次，每次對一個夾具屬性和這些屬性表1中列出。每個屬性取決于工件夾具，夾具流程和其他屬性。由此產(chǎn)生的誤差利率如圖表3和4所小。正如預期的那樣，結果誤差利率非常高，范圍從4%到44%的決策樹和0%57%的分類規(guī)則集。其原因在于，總空間覆蓋的屬性中的使用訓練數(shù)據(jù)集太小?；鶄群妥罱K定位器（夾具屬性1、2和3）依賴于各種屬性，因此這些導致更高的錯誤率。止匕外，還有邊定位器。表1固定屬性夾具編號夾具屬性1 基本定位器2 側定位器3 端定位器4 定位公差5 夾方向6 夾式7 夾具公差8 夾驅動9 支持目的10 支持方向11 支持寬容圖表3第一個模型的決策樹的錯誤率圖表4第一個模型的分類規(guī)則的錯誤率這也依賴

11、于基礎定位，而最終定位依賴于兩個數(shù)據(jù)，這也催生了增加出錯率。類似的結果在圖里觀察到3號，4號。它可能推斷出這個出錯率的數(shù)量會有成正比的依賴屬性。止匕外，它提供決定屬性中描述不夠詳細的綜合模型。因此，修改所有的屬性是用于第二個模型。而第二個模型使用21夾具屬性，26件屬性以及一個16進程總數(shù)為54000例的屬性。一個21個夾具的列表提出了基本屬性如表2。表2。葉子的數(shù)量和規(guī)則為每個夾具屬性固定屬性葉數(shù)的數(shù)目葉數(shù)的規(guī)則1。底向27962?；囟ㄎ?83年43。側面53364。側定位器27555。端面88966。端定位器313157?；?X110138。夾一X126139。夾+Y127910。夾2y

12、1271311。夾+Z116912。夾2z135913。火驅動3214。支持+X185315。支持2X161316。支持+Y170317。支持2y166318。支持+Z172319。支持2z228320。支持體重219321。公差4310.00%8。%r，1367911 13 15 17 19 21固定屬性圖5,弟二個模說的決策樹的錯誤率錯率由00%j4.00%2,00%0.00%Ha-丁口-這54000例，隨機抽取其中20%作為測試數(shù)據(jù)，而其余的被用于培訓。第二個模型的結果顯示，對于決策樹有很大的改進。錯誤率（圖5）范圍從相對于簡單的樹0%（200葉）變?yōu)?%相對復雜的樹（300葉）。在決策

13、樹結果的改進預計中，由于樣本數(shù)量增加了，顯示的樹木可能更準確。如圖5所示的錯誤率，在訓練過程中，使用的情況下，計算基礎上的測試與錯6）。誤率培訓的情況不同，從上面的最大值0.1%表明，用例遵循類似的分布測試與培訓的情況下，因此是無偏的。這些更精確的樹，提高了分類規(guī)則與低錯誤率設置的應預期。不過，發(fā)現(xiàn)規(guī)則集的結果是個矛盾的預測（圖非常高的分類錯誤率的原因是由于切除決策樹過度的瑣碎葉從表2中可以看出，平均決策樹約有100200葉，造成約2至15的規(guī)則。錯誤率高（20%）。當樹是非常大的時候（3001000葉），而由此產(chǎn)生的規(guī)則數(shù)小（10）。這表明，在樹上有太多的分支被許多葉子覆蓋，只有少數(shù)病例，在

14、MDL原則下，較少的比特編碼所需這些情況，而不是規(guī)則本身。因此，這些規(guī)則遵從最終的規(guī)則集。無論他們原來是什么類，需要發(fā)現(xiàn)案件然后分類。仔細看看夾具的屬性分類，其中“端”支持這一論點（圖7）060,00%國工第二個腥型的分類規(guī)則的錯誤率錯誤 率錯誤分©(f)總汁413711477IBOi 2278 (aj : 1e581729 (bl r1446 9】:13671卻4 可士22 176B 17?Q tel ;2113 2113 (f|' 圖7 .分非規(guī)則集為表面沿性測定錯猥的芳類：-z*素素大類類類類 君分分分分分X X Y Y z z»- + - + -2 9c 7

15、 809 3 9 4 8c7 9 9 9 9默認為類的“端”是“2Z”。用字母表示（A）至（F）。矩陣顯示的情況下，其實際的類是在正確的分布。例如，在矩陣的第一行顯示的2278例病例中屬于類"+X”，只有473箱，1805箱，正確分類在默認的類“2z”。最后一列在右邊顯示了比例的情況下，屬于一般錯誤的類。顯然，實際上大多數(shù)10800測試情況是被默認的類，而不是通過任何規(guī)則集中為“頂面”。這表明，太多的規(guī)則已經(jīng)被移除，這樣剩下的規(guī)則在不能正確分類的情況下，導致了一個非常高的出錯率且超過70%。有幾種方法可以解決這個問題的，第一個是使用更多的培訓情況下，以前微不足道的規(guī)則將覆蓋更多的情況

16、，將不再被認為是無關緊要的。第二種方法是在決策樹執(zhí)行更高最低數(shù)量。然而，考慮要給于最低數(shù)量，且仍然保持精度的決策樹。第三種方法是改進規(guī)則生成過程。另外一點需要注意的是，這個研究是提出可能不反映實際精度錯誤率的分類模型。對于一個給定的工件，沒有獨特的夾具方案。夾具的解決方案空間是一個對應空間。但是，機器學習技術是基于一個多對一的對應空間。這在處理工件產(chǎn)生問題上，是關于一個或多個平面對稱的問題。例如，當本案涉及一個工件，是關于一個垂直平面的對稱中心，定位在左手邊的工件可能定位于右側。然而，該模型只能分類結果作為正確的一類。因此，如果模型分類定位從左邊是正確的，那么同樣的情況從定位右側將是錯誤。一個

17、可行的夾具配置可以因此被歸類為錯誤，導致更高的錯誤率。另一方面，由于機器學習只有一個對應的空間，它只能提供一個夾具配置是可行或是最好的，但可以不實用或有效的。因此，一個優(yōu)化工具必須結合其考慮因素如成本核算的固定裝置，裝卸效率等。只有這樣的模型才能用來提供配在這一部分中，如何分類模型的一個實例是可以用來幫助夾具的概念設計。在這個例子中，工件是一個主版2在底部的通孔，如圖8所示。要執(zhí)行的操作是通過另一個鉆孔邊上所示的方向并加工。顯示工件的值和過程屬性，還有與之對應的主版的特點和加工操作。以上信息是用來作為輸入程序C4.5,和適當?shù)膴A具的屬性值，如表5測定。固定屬性值可以作為一個指南，給予詳細的夾具

18、設計用戶。使用表5中的值，用戶可以使用一個基板對表面為基礎的定位，雙缸凸出于基板定位主版。帶夾緊是只有2個方向上的要求，并可液壓或氣動的。支持柱塞在X方向的需要，不支持對重量工件的需要，屬于夾具公差元素，在一般情況下，以下這些指導方針，會造成概念上的夾具。如圖9所示。通過夾具屬性提供指南包括面，可以用來定位，夾緊和支持，但隨著夾具元件的適當修改，這個夾具設計信息，僅僅會決定夾具元件的準確位置，或要進行必要的修改。表工工件的展件和僑值工作屬性價值工作屬性價值1重量輕14一*Y機孔不2.剛度大12Y表面平3+x表面平162Y步驟是4+x的步驟是142丫加工的孔不6+X機孔不19+Z表面平7+X表面

19、平20+Z的步驟是a+x步不21.+ZB*平均9+X公差平均2322表回平102X孔不加工242Z步驟沒有13.+y面平2&2Z公羞緊來4.過程中的屬性和值3過程中的屬性價值/27批量尺寸3大28加工中心中孫丈”29秘*XP30特征公差a緊Q31+X切削力7大3322X切削力*33十Y切削力.沒"觸342Y切削力3役一35+Z用目防。沒C362Z切削力v距37+X無阻礙的面積3大。382X無阻礙的面積2大。39、無阻礙的面積”小/40+Z無阻礙的面積一大一表5，：0固云每性，價值Q1基平面日-Zc_2基定位器平Q3惻面-Z。4測定住器，醫(yī)柱形15端向二Q0端定位競“員柱形，7夾+X，NA-8夾*帶“9天1NA10夾-YpNA-11夾"NAp12夾-Z，N/W13。支攆面活塞14-X支撐面口NAp157支攆面"NAp16丫支攆面。NA，17+2支捱面/NA一18Z支理面NA19