基于支持向量機的建模方法及其在材料加工中的應用研究.pdf

1、眾所周知，熱加工過程是非線性、多變量、時變、強耦合的，并且涉及大量的不確定因素，因而該過程是典型的復雜過程。對熱加工過程采用經(jīng)典的建模方法獲取其精確的數(shù)學模型是極為困難的。獲取熱加工過程中的知識模型，有助于認識復雜熱加工過程的規(guī)律，獲取人類智能的經(jīng)驗知識，甚至升華人類智能的經(jīng)驗知識，從而實現(xiàn)復雜熱加工過程的自動化和智能化，所以獲取熱加工過程的知識模型具有重要意義。 近年來，用模糊集方法、神經(jīng)網(wǎng)絡方法、粗糙集方法以及混合方法獲取熱

2、加工過程的知識模型成為科研人員關注的焦點，并取得了許多有意義的成果，但是這些方法仍存在不足，不能完全滿足實際需要，有必要對這類復雜過程的建模方法做進一步的研究。 本文以支持向量機理論和模糊集理論為基礎，針對熱加工領域知識建模的復雜性，提出了基于支持向量機的模糊規(guī)則獲取系統(tǒng)(SupportVectorMachine-basedFuzzyRulesDiscoverySystem，SVM-FRDS)和權重支持向量回歸在線學習(C-we

3、ightedOn-lineSupportVectorRegression，COSVR)建模方法，并對建模算法進行了深入的研究，利用Mackey-Glass混沌時間序列進行預測實驗。試驗證明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應用于GTAW焊接過程建模與控制、氧勢法碳勢影響因素分析以及修正模型的建立，驗證了SVM-FRDS和COSVR在熱加工

4、領域的有效性。 本文主要研究內容如下： 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的模糊規(guī)則獲取系統(tǒng)(SVM-FRDS)。支持向量機抽取支持向量的特點提供了從訓練數(shù)據(jù)產(chǎn)生模糊規(guī)則的機制。在支持向量機抽取模糊規(guī)則的基礎上，采用模糊基函數(shù)做為推理系統(tǒng)，利用梯度算法對模糊規(guī)則和模糊基函數(shù)推理系統(tǒng)進行自適

5、應學習。在給出SVM-FRDS主要算法的基礎上，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)做了對比分析。最后，使用Mackey-Glass混沌時間序列進行預測實驗。實驗結果表明，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。 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)中模型時變特性非常明顯。本文在標準支持向量回歸在線學習方法的基礎上，研究了權重支持向量回歸在線學習方法

6、(COSVR)，強化新樣本對模型的修改，弱化歷史樣本的影響。使用基準數(shù)據(jù)Mackey-Glass混沌序列做了相關驗證實驗，試驗結果表明本文提出的COSVR更能反映模型的變化。 3)將本文提出的SVM-FRDS和COSVR方法應用于鋁合金脈沖GTAW焊接動態(tài)過程建模與控制：1)運用本文提出的SVM-FRDS和COSVR方法獲取鋁合金脈沖GTAW焊接動態(tài)過程知識模型。實驗結果表明SVM-FRDS知識建模方法可以有效的獲取鋁合金脈沖G

7、TAW焊接動態(tài)過程的規(guī)則性模型，模型的復雜程度和精度都是可以滿足要求的，模型是易于理解的。COSVR實驗結果表明，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，提出了基于SVM-FRDS的自適應逆控制，并將其應用于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)就可以自動抽取易于理解的控制規(guī)則，實現(xiàn)對系統(tǒng)的控制，最后通過工藝實驗驗證了控制器對鋁合金脈沖GTAW焊縫成形的良好控制。 4)氧勢法是

8、應用廣泛的碳勢測量技術，但氧勢法測量值與碳勢實際值之間存在偏差，研究氧勢法測量碳勢的修正模型非常重要。論文先根據(jù)人工經(jīng)驗，測量并記錄了相關數(shù)據(jù)，然后運用SVM方法分析了碳勢的影響因素并建立了單因素和多因素修正模型。在知識模型的引導下，在碳勢控制相關理論的基礎上，建立了碳勢修正模型的機理模型。最后運用本文提出的COSVR方法建立了碳勢修正知識模型，提高了修正模型的精度，該方法的應用為修正模型的實際應用提供了重要保障。 5)設計并實