机器学习方法在机械产品参数设计缺陷辨识中的应用-机械设计及理论专业论文.docxVIP

万方数据 万方数据 MACHINE LEARNING METHODS FOR PARAMETER DESIGN DEFECT IDENTIFICATION OF MECHANICAL PRODUCT A Master Thesis Submitted to University of Electronic Science and Technology of China Major: Mechanical Design and Theory Author: Wang Zengzhong Advisor: Fan Shouwen School: School of Mechanical Engineering of UESTC 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为 获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确 的说明并表示谢意。 作者签名： 日期： 年 月 日 论文使用授权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 作者签名： 导师签名： 日期： 年 月 日 摘要 摘 要 机械产品设计参数的选择是决定产品质量的关键因素，因产品参数设计不合 理引起的设计缺陷是造成产品开发周期延长、影响产品市场竞争力的的主要原因 之一。为了在设计阶段初期实现机械产品设计参数缺陷的辨识，本文提出了基于 支持向量机(SVM)以及人工神经网络(ANN)的参数设计缺陷辨识模型，对模型构 建、参数选择及结果分析等内容进行了较为深入系统的研究。 针对高速机车车轴设计中因参数设计不合理造成的设计缺陷，提出了一种基 于改进型支持向量机分类算法的设计缺陷辨识模型。考虑到设计样本间的差异和 不同特征参数对设计结果的影响，采用了样本加权和特征加权相结合的方法改善 模型。针对支持向量机参数选择难的问题，提出了基于支持向量回归(SVR)算法确 定该模型的参数，可快速找到理想的模型参数以提高支持向量机的分类精度和泛 化能力。考虑机车车轴轮座区参数设计不合理造成的几类设计缺陷，采用支持向 量机分类算法对设计样本进行学习训练，建立了 SVM 模型，实现了对新车轴设计 参数的缺陷辨识。 产品的设计缺陷不仅仅因为几何设计参数的设置不合理，还与包含产品材料 选择、加工工艺参数设置、结构参数等广义设计参数有关。本文提出了基于 BP 神 经网络的参数设计缺陷的辨识方法，以汽车保险杠的设计为研究对象，从保险杠 的众多设计参数中选择对其质量影响重大的若干参数，通过对神经网络的训练实 现了保险杠表面缺陷及整体缺陷两种类型设计缺陷的识别。 考虑产品同其他零部件发生诸如装配、加工等约束关系时，受外界约束参数影 响而造成设计缺陷的现象，采用一类神经网络改进算法构建基于设计参数约束关 系的缺陷辨识模型，研究约束参数变化对设计结果造成的影响。针对机械产品设 计参数的随机性，引入设计参数灵敏度的概念，在神经网络模型的基础上计算各 个随机设计参数的灵敏度，获得了设计参数随机变化对设计结果的影响，达到了 指导设计参数、加工参数及装配精度参数选择的目的。 本论文研究的基于机器学习算法的设计缺陷辨识方法为机电产品参数设计缺 陷辨识问题提供了一套行之有效的理论、方法和技术。 关键词： 设计参数，缺陷，辨识，支持向量机，神经网络 V ABSTRACT ABSTRACT Choices of design parameters for mechanical products are key factors that determine quality of products. Extending product development cycle caused by parameter design defects is one of the main reasons that affecting the product market competitiveness. In order to identify parameter design defects at early stages of design, models of parameter design defects identification