为帮助制造企业处理积累的海量制造过程质量数据,数据挖掘方法可以帮助企业从中发现有用的知识和模式进行有效的质量分析及改进。制造过程质量数据的特点如下:混合型数据、分布不均衡、维度灾难及数据耦合。提出一种基于等价关系的数据...为帮助制造企业处理积累的海量制造过程质量数据,数据挖掘方法可以帮助企业从中发现有用的知识和模式进行有效的质量分析及改进。制造过程质量数据的特点如下:混合型数据、分布不均衡、维度灾难及数据耦合。提出一种基于等价关系的数据预处理算法对原始数据做属性选取,解决混合型数据的特征选取及数据预处理问题。针对数据分布不均衡、维度灾难特点,提出基于优化核空间的混合流形学习及支持向量机算法(Optimized kernel based hybrid manifold learning and supportvector machines algorithm,KML-SVM)。在KML-SVM算法中,使用流形学习算法解决采集的质量数据的维度灾难问题,用支持向量机对低维嵌入数据分类预测,并优化支持向量机的核空间以达到分类精度最大化。以某制造企业实际制造过程数据为例对算法进行仿真验证。通过对仿真结果的分析找出质量数据的质量因素关系并提出质量改进方案。试验结果表明提出的ISOMAP核空间是最优核空间,提出的KML-SVM算法能够有效处理制造过程质量数据。展开更多
文摘为帮助制造企业处理积累的海量制造过程质量数据,数据挖掘方法可以帮助企业从中发现有用的知识和模式进行有效的质量分析及改进。制造过程质量数据的特点如下:混合型数据、分布不均衡、维度灾难及数据耦合。提出一种基于等价关系的数据预处理算法对原始数据做属性选取,解决混合型数据的特征选取及数据预处理问题。针对数据分布不均衡、维度灾难特点,提出基于优化核空间的混合流形学习及支持向量机算法(Optimized kernel based hybrid manifold learning and supportvector machines algorithm,KML-SVM)。在KML-SVM算法中,使用流形学习算法解决采集的质量数据的维度灾难问题,用支持向量机对低维嵌入数据分类预测,并优化支持向量机的核空间以达到分类精度最大化。以某制造企业实际制造过程数据为例对算法进行仿真验证。通过对仿真结果的分析找出质量数据的质量因素关系并提出质量改进方案。试验结果表明提出的ISOMAP核空间是最优核空间,提出的KML-SVM算法能够有效处理制造过程质量数据。
