基于支持向量機(jī)的建模方法及其在材料加工中的應(yīng)用研究.pdf

1、眾所周知，熱加工過程是非線性、多變量、時(shí)變、強(qiáng)耦合的，并且涉及大量的不確定因素，因而該過程是典型的復(fù)雜過程。對(duì)熱加工過程采用經(jīng)典的建模方法獲取其精確的數(shù)學(xué)模型是極為困難的。獲取熱加工過程中的知識(shí)模型，有助于認(rèn)識(shí)復(fù)雜熱加工過程的規(guī)律，獲取人類智能的經(jīng)驗(yàn)知識(shí)，甚至升華人類智能的經(jīng)驗(yàn)知識(shí)，從而實(shí)現(xiàn)復(fù)雜熱加工過程的自動(dòng)化和智能化，所以獲取熱加工過程的知識(shí)模型具有重要意義。 近年來(lái)，用模糊集方法、神經(jīng)網(wǎng)絡(luò)方法、粗糙集方法以及混合方法獲取熱

2、加工過程的知識(shí)模型成為科研人員關(guān)注的焦點(diǎn)，并取得了許多有意義的成果，但是這些方法仍存在不足，不能完全滿足實(shí)際需要，有必要對(duì)這類復(fù)雜過程的建模方法做進(jìn)一步的研究。 本文以支持向量機(jī)理論和模糊集理論為基礎(chǔ)，針對(duì)熱加工領(lǐng)域知識(shí)建模的復(fù)雜性，提出了基于支持向量機(jī)的模糊規(guī)則獲取系統(tǒng)(SupportVectorMachine-basedFuzzyRulesDiscoverySystem，SVM-FRDS)和權(quán)重支持向量回歸在線學(xué)習(xí)(C-we

3、ightedOn-lineSupportVectorRegression，COSVR)建模方法，并對(duì)建模算法進(jìn)行了深入的研究，利用Mackey-Glass混沌時(shí)間序列進(jìn)行預(yù)測(cè)實(shí)驗(yàn)。試驗(yàn)證明SVM-FRDS模型具有良好的可理解性和滿足要求的精度，COSVR方法獲得模型能更好的反映模型的變化。并將SVM-FRDS和COSVR應(yīng)用于GTAW焊接過程建模與控制、氧勢(shì)法碳勢(shì)影響因素分析以及修正模型的建立，驗(yàn)證了SVM-FRDS和COSVR在熱加工

4、領(lǐng)域的有效性。 本文主要研究?jī)?nèi)容如下： 1)“可理解性”是可靠系統(tǒng)的必備特性，特別由于熱加工行業(yè)的復(fù)雜性，如果模型是可理解的，甚至是可修改的，模型的可靠度，適用性都將有所改善。本文討論了一種新的基于支持向量機(jī)的模糊規(guī)則獲取系統(tǒng)(SVM-FRDS)。支持向量機(jī)抽取支持向量的特點(diǎn)提供了從訓(xùn)練數(shù)據(jù)產(chǎn)生模糊規(guī)則的機(jī)制。在支持向量機(jī)抽取模糊規(guī)則的基礎(chǔ)上，采用模糊基函數(shù)做為推理系統(tǒng)，利用梯度算法對(duì)模糊規(guī)則和模糊基函數(shù)推理系統(tǒng)進(jìn)行自適

5、應(yīng)學(xué)習(xí)。在給出SVM-FRDS主要算法的基礎(chǔ)上，從規(guī)則抽取和推理系統(tǒng)兩方面與其他典型模糊規(guī)則獲取系統(tǒng)做了對(duì)比分析。最后，使用Mackey-Glass混沌時(shí)間序列進(jìn)行預(yù)測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文提出的SVM-FRDS在精度和可理解性方面(包括規(guī)則條數(shù)和推理系統(tǒng))都有優(yōu)勢(shì)。 2)由于影響因素多，甚至不可控的干擾因素都很多，熱加工行業(yè)中模型時(shí)變特性非常明顯。本文在標(biāo)準(zhǔn)支持向量回歸在線學(xué)習(xí)方法的基礎(chǔ)上，研究了權(quán)重支持向量回歸在線學(xué)習(xí)方法

6、(COSVR)，強(qiáng)化新樣本對(duì)模型的修改，弱化歷史樣本的影響。使用基準(zhǔn)數(shù)據(jù)Mackey-Glass混沌序列做了相關(guān)驗(yàn)證實(shí)驗(yàn)，試驗(yàn)結(jié)果表明本文提出的COSVR更能反映模型的變化。 3)將本文提出的SVM-FRDS和COSVR方法應(yīng)用于鋁合金脈沖GTAW焊接動(dòng)態(tài)過程建模與控制：1)運(yùn)用本文提出的SVM-FRDS和COSVR方法獲取鋁合金脈沖GTAW焊接動(dòng)態(tài)過程知識(shí)模型。實(shí)驗(yàn)結(jié)果表明SVM-FRDS知識(shí)建模方法可以有效的獲取鋁合金脈沖G

7、TAW焊接動(dòng)態(tài)過程的規(guī)則性模型，模型的復(fù)雜程度和精度都是可以滿足要求的，模型是易于理解的。COSVR實(shí)驗(yàn)結(jié)果表明，COSVR在焊接過程建模中更能反映模型的改變。2)根據(jù)焊接過程特點(diǎn)，提出了基于SVM-FRDS的自適應(yīng)逆控制，并將其應(yīng)用于GTAW焊接過程的控制，該方法只需要獲得焊接過程的輸入輸出數(shù)據(jù)就可以自動(dòng)抽取易于理解的控制規(guī)則，實(shí)現(xiàn)對(duì)系統(tǒng)的控制，最后通過工藝實(shí)驗(yàn)驗(yàn)證了控制器對(duì)鋁合金脈沖GTAW焊縫成形的良好控制。 4)氧勢(shì)法是

8、應(yīng)用廣泛的碳勢(shì)測(cè)量技術(shù)，但氧勢(shì)法測(cè)量值與碳勢(shì)實(shí)際值之間存在偏差，研究氧勢(shì)法測(cè)量碳勢(shì)的修正模型非常重要。論文先根據(jù)人工經(jīng)驗(yàn)，測(cè)量并記錄了相關(guān)數(shù)據(jù)，然后運(yùn)用SVM方法分析了碳勢(shì)的影響因素并建立了單因素和多因素修正模型。在知識(shí)模型的引導(dǎo)下，在碳勢(shì)控制相關(guān)理論的基礎(chǔ)上，建立了碳勢(shì)修正模型的機(jī)理模型。最后運(yùn)用本文提出的COSVR方法建立了碳勢(shì)修正知識(shí)模型，提高了修正模型的精度，該方法的應(yīng)用為修正模型的實(shí)際應(yīng)用提供了重要保障。 5)設(shè)計(jì)并實(shí)