夹具英文翻译.docVIP

国际先进制造技术杂志（2000）年 176-181页 〓200施普林格出版社伦敦有限公司 A.森斯.库马尔、v.苏布拉马年和谭.皇.加德 新加坡 新加坡国立大学 机械与生产工程部 夹具是工作夹持装置，常用于定位和保持一个工件在大部分的加工操作时间中。一个夹具的设计是一个复杂、直观的过程，需要知识和经验。自动化夹具设计是困难的，这是因为设计知识很难搜集。最近人工智能的进展，特别是在机器学习方面的进展，为搜集设计知识提供了方法。在这篇文章中，尝试用机器学习来搜集夹具设计知识，并且用它来生成一个自动夹具设计的概念被提出和研究。 关键词：夹具设计、基于知识的系统、机器学习能力。 一、介绍 制造业正在朝高度自动化的系统发展，这样可以减少生产成本和提高生产效率。加工一个工件一批复杂或精确，高度精确的固定装置是必需的。人工智能工具已经应用到自动化夹具的设计过程。一个神经网络具有良好的学习能力但一个合适的神经网络的建设可能会非常复杂。机器学习有学习能力和适应变化，因此它选择研究夹具设计。 夹具的分类模型在发展过程中遇到的问题本研究使用一种象征性的方式来表示数据，这是由一个固定数量的属性描述。该分类模型从这些数据的内在规律，发展的模式可分为两个阶段树即决策树建设和分类规则生成。代表性夹具数据 这些属性描述了3个主要领域：夹具配置，葛工件的特点，以及加工工艺条件。夹具配置的有关信息提供定位，夹紧和支持元素，它们的空间位置和所需的一般公差。棱镜感应原理是使用[5,6]的计算建设的决策树，其中数据的熵集是第一。熵的数据和结果进行了计算。在熵减少该属性，提供最高的增益，用来形成树枝的决定。这个过程继续，直到所有的案件在该师进行了分类。然后停止增长的分支和叶子就达到了。 ，这将修剪下来，消除不相关属性到一个较小的尺寸。要决定哪些属性删除，统计测试标准将被使用。任何的案件中可以分配到正确或不正确归类的案件。由于只有两个主要承担类型的划分阶级，二项式分布。树有3个属性（）和2类（好的和坏的）。(N/E)，N表示该页所涉及的案例的数量，E表示N错误的数量。预测的误差率可以表示为U25%(E,?N), 可以推断从统计表。 C?=?1:?好?(6/0)C?=?2:?好?(9/0)C?=?3:?坏?(1/0) 第一个叶子，N=6和E=0，发现[0,?0.206]%75的可信区间。保守的说，达到了错误发生的上线，U25%?(0,?6)?=?0.206.同样，对于其他叶片U25%?(0,?9)?=?0.143；U25%?(0,?1)?=?0.75。最后，这个子树的预测误差是 (6?ⅹ?0.206)?+?(9?ⅹ?0.143)?+?(1?ⅹ0.75)?=?3.273 如果子树取代了一，16?ⅹ?U25%?(1,?16)?=?16?ⅹ?0.157?=?2.512 由于现有的子树有较高的预测误差并重新计算每个搬迁后新的错误率这些属性的因此，最终蚂蚁树应该有一个总体的估计错误率较低。 3、分类规则的生成 每一个路径树从领导到叶子可以转换成分类规则分作为统治的条件虽然决策树已经简化，进一步简化这个阶段的规则仍然可以帮助实现降低错误率的估计。一些条件，这可能是适用于树，可能是多余的一条规则。为了，使用以下规则：上述规则是采取同样的其他属性方面，除非所有的C（）。由于属性C所有可能的值都包括在内，该规则的条件为C都变得多余和规则可以简化为相同。之后，条件已经简化，有可能重复上述所示，规则将不再是相互排斥的。 因此，最小描述长度（MDL）的原则[7]是用来过滤规则不助于规则的设置精度原则规定，最好的理论推导，需要最低的比特数编码的理论和它的例外。决策树中的应用可以在[5,8]。编码规则，实现案件这些案件将被归入一个默认的类，类中最频繁出现的揭发案件。本研究一共构建了两个分类模式。这第一种模式旨在帮助理解归纳进程和预见可能会遇到的问题。每个属性取决于工件装夹，加工，和其他属性。正如预期，由此产生的错误率非常高， 第二种模式有21个夹具属性，26个工件属性，16个加工属性和54000个案例。其中，21个属性列于表2中。 表2 每个夹具属性的叶子和队则的数量 夹具属性 叶子的数量 规则的数量 1、基准平面 279 6 2、基本定位 183 4 3、侧面 533 6 4、侧定位 275 5 5、底面 889 6 6、底定位 313 15 7、固定方向+X 110 13 8、固定方向-X 126 13 9、固定方向+Y 127 9 10、固定方向-Y 127 13 11、固定方向+Z 116 9 12、固定方向-Z 135 9 13、固定公差 3 2 14、+X方向支撑 185 3 15、-X方向支撑 161 3 1