資源描述：
《基于CART決策樹的復雜生產(chǎn)過程質(zhì)量預測方法研究.pdf》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在行業(yè)資料-天天文庫。
1、·先進管理技術·組合機床與自動化加工技術文章編號：1001—2265(2010)03—0094一O4基于CART決策樹的復雜生產(chǎn)過程質(zhì)量預測方法研究術戚長松，余忠華，侯智，楊振生(浙江大學現(xiàn)代制造工程研究所，杭州310027)摘要：針對復雜生產(chǎn)過程，提出了基于CART決策樹的質(zhì)量預測方法，該方法具有較高的準確率和較強的自學習能力。利用CART決策樹可以對復雜生產(chǎn)過程中經(jīng)過參數(shù)識別的組合數(shù)據(jù)進行質(zhì)量預測模型的構(gòu)建，進行復雜質(zhì)量信息的回歸分類和規(guī)則的提取，發(fā)現(xiàn)海量的質(zhì)量數(shù)據(jù)中存在的一致性規(guī)律。對陶瓷管生產(chǎn)過
2、程進行關鍵參數(shù)識別和模型構(gòu)建的結(jié)果表明，CART決策樹方法能勝任陶瓷管生產(chǎn)質(zhì)量的預測。關鍵詞：決策樹；CART算法；復雜生產(chǎn)過程；質(zhì)量預測中圖分類號：TH16；TG65文獻標識碼：AStudyonQualityPredictionoftheComplexProductionbasedonCARTAlgorithmQIChang—song，YuZhong-hua，HOUZhi，YANGZhen—sheng(ZhejiangUniversityInstituteofModernManufacturingEn
3、gineering，Hangzhou310027，China)Abstract：Aimingatcomplexproduction，amethodofqualitypredictionbasedoncartalgorithmispresented．Theprecisionofthemethodishigherthanthatofeithersub-mode1．Themethodconductsthedataminingofvastcombineddatafromtheceramictubeproduct
4、iononthebasisofmodelingandkeyparameteridentificationoftheprocess．ThroughtheDecisionTreeofCARTAlgorithm，complexqualityinformationisregressed，clas·siftedandrulesaredetected，thenregularpatternsareextractedfromthequalitydata．Theresultsshowthattheproposedmode
5、lpossesseshi【ghprecisionandstrongself-studyability．Themethodcanbeusedinqualitypredictionofceramictubeproduction．Keywords：decisiontree；CARTalgorithm；complexproduction；qualityprediction性的復雜生產(chǎn)過程質(zhì)量預測研究。O引言本文針對復雜生產(chǎn)過程，面向決策樹應用構(gòu)建生產(chǎn)由于復雜生產(chǎn)過程具有工藝參數(shù)眾多、機理復雜、過程信息模型，并以
6、陶瓷管生產(chǎn)過程為例，運用CART非線性顯著和動態(tài)變化等特點，難以用常規(guī)方法建立其決策樹算法進行了快速、有效的生產(chǎn)過程質(zhì)量預測。精確的數(shù)學模型?。同時，隨著工業(yè)自動化技術和計算1復雜生產(chǎn)過程CART決策樹構(gòu)建機信息技術的快速發(fā)展及應用，在生產(chǎn)現(xiàn)場又積累了海量的數(shù)據(jù)，激發(fā)了人們對分析這些數(shù)據(jù)的濃厚興趣，以CART決策樹法是由Breiman等人于1984年提出識別和發(fā)掘其中隱藏的規(guī)律，更好地指導生產(chǎn)實踐。的決策樹構(gòu)建算法。。同其它決策樹算法如ID3和統(tǒng)計質(zhì)量控制方法關注于生產(chǎn)工序的質(zhì)量波動CHAID相比較，C
7、ART算法的最大特點在于它可以處性，通過統(tǒng)計推斷預測工序的變異性，以便及時展開工理目標變量是連續(xù)型變量的情形。該方法使用替代變藝調(diào)整。模糊分類法、人工神經(jīng)網(wǎng)絡、貝葉斯分量(SurrogateVariable)¨可有效解決分析中出現(xiàn)缺失類法和支持向量機"等數(shù)據(jù)挖掘方法可以對工序質(zhì)數(shù)據(jù)的問題。同時，它不要求預測變量與目標變量之量進行分析和預測，取得了較好的應用效果。相比之間具有某種特定的分布，還能有效地處理非線性問題下，決策樹(DecisionTree)方法具有易于處理變化的數(shù)的建模與求解。因此，非常適合予
8、解決復雜生產(chǎn)過程據(jù)、對噪聲數(shù)據(jù)具有健壯性、生產(chǎn)規(guī)則容易理解、識別的質(zhì)量預測問題。效率高等優(yōu)點，決策樹中的CART(CART：Classification圖1為本文給出的一種面向復雜生產(chǎn)過程質(zhì)量預AndRegressionTree)算法可以使用回歸方程的形式進測的CART決策樹構(gòu)建模型。其主要步驟包括：①識行預測變量建模，因此該方法非常適用于具有以上特別復雜生產(chǎn)過程中產(chǎn)品關鍵質(zhì)量特性(y)及其相關的牧稿日期：2009—10—26+基金項目：國
