CN108205727A - 一种基于决策树和专家系统的数字化车间工艺决策方法 - Google Patents
一种基于决策树和专家系统的数字化车间工艺决策方法 Download PDFInfo
- Publication number
- CN108205727A CN108205727A CN201611181825.3A CN201611181825A CN108205727A CN 108205727 A CN108205727 A CN 108205727A CN 201611181825 A CN201611181825 A CN 201611181825A CN 108205727 A CN108205727 A CN 108205727A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- decision
- fuzzy rule
- data
- decision tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 126
- 230000008569 process Effects 0.000 title claims abstract description 58
- 238000003066 decision tree Methods 0.000 title claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims abstract description 3
- 230000004913 activation Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000011112 process operation Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000005538 encapsulation Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000008676 import Effects 0.000 abstract description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 28
- 229910052782 aluminium Inorganic materials 0.000 description 28
- 238000005868 electrolysis reaction Methods 0.000 description 15
- 239000004411 aluminium Substances 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于决策树和专家系统的数字化车间工艺决策方法,针对工艺生产数据进行分箱处理,生成区间化的模糊工艺生产数据;基于决策树算法来针对模糊工艺生产数据进行训练学习,生成模糊规则,并导入模糊规则库中;推理机基于工艺实时监测数据库中的实时参数数据,通过与模糊规则库的交互来进行模糊推理,生成工艺决策。本发明针对数字化车间工艺生产数据进行训练学习,生成知识规则,进而实现从数字化车间日常工艺生产数据中发现工艺决策规律,克服专家经验知识的获取瓶颈;在推理过程中,仅将事实库中新增的模糊事实与模糊规则库中的模糊规则前件进行匹配,提高了推理速度,尽量避免知识规则数目较多时,推理效率低下的问题。
Description
技术领域
本发明涉及数字化车间技术领域,具体地说是一种基于决策树和专家系统的数字化车间工艺决策方法。
背景技术
数字化车间是数字化、网络技术在生产车间的综合应用,它将数控设备与工艺设计系统、生产组织系统和其他管理系统的信息进行集成,形成综合信息流自动化的集成制造系统。由于数字化车间工艺具有产品规格繁多、结构复杂、技术难度大等行业特点,对数字化车间工艺决策的高效性、稳定性和可靠性提出了更高的要求,而智能决策技术为这种要求开辟了新途径,智能决策主要包括生产决策调整、故障检测与诊断等,将智能决策技术应用于数字化车间工艺决策具有很高的价值。
随着人工智能技术的不断发展,智能决策已经进入了一个新的阶段,而专家系统技术作为人工智能领域很活跃的一个分支,取得了广泛的应用。这种方法不依赖于系统的数学模型,它根据领域专家总结的经验知识,进行推理和判断,模拟人类专家的决策过程,来解决那些需要人类专家处理的复杂问题。由此可见,专家系统技术建立并维护知识库,模拟人类的思维方式进行智能决策,不仅能大大提高决策的准确性和可靠性,而且减少了对人类专家经验的依赖,提高了智能决策的自动化程度。
目前的专家系统技术大多依赖于从领域专家总结的经验知识,容易碰到知识获取瓶颈,并且缺少从数字化车间日常工艺生产数据中发现规律的机制,知识库的完备性不易保障;另一方面,在知识规则数目较多时,推理机运行效率容易低下,不利于数字化车间工艺决策的高效实时应用。
发明内容
针对现有技术的不足,本发明提供一种基于决策树和专家系统的数字化车间工艺决策方法,利用决策树算法来针对数字化车间工艺生产数据进行训练学习,生成知识规则,进而实现从数字化车间日常工艺生产数据中发现工艺决策规律,克服专家经验知识的获取瓶颈;在推理过程中,仅将事实库中新增的模糊事实与模糊规则库中的模糊规则前件进行匹配,提高了推理速度,尽量避免知识规则数目较多时,推理效率低下的问题。
本发明为实现上述目的所采用的技术方案是:
一种基于决策树和专家系统的数字化车间工艺决策方法,包括以下步骤:
步骤1:针对工艺生产数据进行分箱处理,生成区间化的模糊工艺生产数据;
步骤2:基于决策树算法来针对模糊工艺生产数据进行训练学习,生成模糊规则,并导入模糊规则库中;
步骤3:推理机基于工艺实时监测数据库中的实时参数数据,通过与模糊规则库的交互来进行模糊推理,生成工艺决策。
所述分箱处理过程为:
通过日常工艺运行情况,自定义各个工艺参数的分箱区间,并根据分箱区间的命名生成区间化的模糊工艺生产数据。
所述生成模糊规则的过程为:
步骤1:对数据化车间工艺生产效率进行统计分析,选取工艺生产效率大于生产效率阈值的时间区间内的模糊工艺生产数据作为决策树的训练样本;
步骤2:基于决策树C4.5算法来针对筛选过工艺生产效率的模糊工艺生产数据进行决策树的训练学习,用信息增益率来选择属性分裂,并且在构造树的过程中进行剪枝;
步骤3:根据决策树的各个分支,生成模糊规则;
步骤4:为生成的模糊规则分配模糊规则可信度,并将模糊规则导入模糊规则库。
所述模糊规则库用于存储模糊规则,模糊规则采用面向对象的产生式模糊规则表示法,对产生式模糊规则进行面向对象的封装,将模糊规则绑定到数字化车间工艺上。
所述模糊推理过程为:
步骤1:推理机以工艺实时监测数据库中的工艺参数数据为输入,并针对工艺参数数据进行模糊化,生成模糊事实,存入到事实库中;
步骤2:将事实库中新增的模糊事实与模糊规则库中的模糊规则前件进行匹配,如果匹配成功,则执行步骤3,否则执行步骤4;
步骤3:激活模糊规则,并生成新激活结论,基于Mamdani模糊推理法来合成新激活结论的可信度,将新激活结论作为结论事实存入事实库,并返回步骤2;
步骤4:判断是否有已激活结论,如果是,则采用重心法来对激活结论进行去模糊化处理,生成工艺决策,推理结束;否则推理结束。
所述事实库仅用于存储输入参数数据模糊化生成的模糊事实和推理激活的结论事实。
本发明具有以下有益效果及优点:
1.本发明针对工艺生产数据进行分箱处理时,充分结合工艺特点和日常工艺运行情况,来各个工艺参数分箱区间的自定义,使得生成的模糊工艺生产数据更符合实际工艺,提高了后续基于决策树生成的模糊规则的工程实用性;
2.本发明基于决策树算法来针对模糊工艺生产数据进行训练学习时,选取工艺生产效率较高的时间区间内的模糊工艺生产数据作为决策树的训练样本,提高了样本质量,使得生成的模糊规则更符合高生产效率标准;
3.本发明在推理过程中,仅将事实库中新增的模糊事实与模糊规则库中的模糊规则前件进行匹配,减少了匹配运算量,提高了推理速度,同时又保障推理的完备性。
附图说明
图1是本发明的数字化车间工艺决策方法流程图;
图2是本发明铝水平数据分布图;
图3是本发明电解温度数据分布图;
图4是本发明电解槽日出铝量数据分布图。
具体实施方式
本发明涉及一种基于决策树的数字化车间工艺决策专家系统,其工作流程如下:步骤一、工艺生产数据的分箱处理;步骤二、基于决策树算法的模糊规则生成;步骤三、基于知识获取模块的模糊规则自动导入;步骤四、基于推理机的工艺决策生成。与现有的专家系统技术相比,本发明采用决策树算法生成模糊规则,实现从数字化车间日常工艺生产数据中发现工艺决策规律,提高了知识库的完备性;通过在推理过程中,仅将事实库中新增的模糊事实与模糊规则库中的模糊规则前件进行匹配,提高了推理速度。按照本发明设计的专家系统不仅效率高、准确性高,而且可以数字化车间日常工艺生产数据不断地优化完善模糊规则库,为工程应用提供了一种更加实用和可靠的数字化车间工艺决策系统。
本发明可应用于数字化车间制造领域,对本发明提出的基于决策树的数字化车间工艺决策专家系统进行软件实现,然后以铝电解数字化车间现场的PC机、服务器或者工控机为载体进行软件安装,软件以现场的电解温度、铝水平等状态参数为输入进行推理,通过在线方式来实现铝电解数字化车间的日出铝量工艺决策分析。
如图1所示,本发明的技术方案,具体设计步骤如下:
步骤一:工艺生产数据的分箱处理,具体方法为:
数字化车间工艺专家根据工艺特点和日常工艺运行情况,来自定义各个工艺参数的分箱区间,并为分箱区间命名,以生成区间化的模糊工艺生产数据。
步骤二:基于决策树算法的模糊规则生成,具体方法为:
1)对数据化车间工艺生产效率进行统计分析,选取工艺生产效率较高的时间区间内的模糊工艺生产数据作为决策树的训练样本;
2)基于决策树C4.5算法来针对筛选过工艺生产效率的模糊工艺生产数据进行决策树的训练学习,用信息增益率来选择属性分裂,并且在构造树的过程中进行剪枝;
3)根据决策树的各个分支,生成模糊规则,工艺专家根据实际情况对模糊规则进行精简化,以避免过拟合问题;
4)为了生成的模糊规则分配初始模糊规则可信度。
模糊规则可以按如下表示:
R:IF A1(f1,t1)and A2(f2,t2)and...and An(fn,tn)THEN B(tB)CF
A1,A2,...,An为知识前件部分,B为结论,他们均为工艺参数和模糊量词的组合,我们以“P F”来表示,“P”为参数名称,“F”为模糊量词,如“电解温度过高”等,f1,f2,...,fn为规则前件的隶属度函数,隶属度函数的参数选定是与它的前件相对应,隶属度函数中的变量值取自于艺实时监测数据库的实时工艺参数数值,t1,t2,...,tn为隶属度函数计算后得出的前件可信度,tB为结论的可信度,CF为规则强度。
步骤三:基于知识获取模块的模糊规则自动导入,具体方法为:
知识获取模块向决策树模块提供WebSevice调用接口,基于决策树算法生成模糊规则后,自动调用该接口,对应的WebSevice服务会将新生成的模糊规则同步写入到模糊规则库中。
步骤四:基于推理机的工艺决策生成,具体方法为:
1)推理机以工艺实时监测数据库中的参数数据为输入,并针对工艺参数数据进行模糊化,生成模糊事实,存入到事实库中;
2)将事实库中新增的模糊事实与模糊规则库中的模糊规则前件进行匹配,进行模糊规则结论的激活;
如果无新激活的结论,则采用重心法来对激活结论进行去模糊化处理,生成工艺决策,推理结束;
否则基于Mamdani模糊推理法来合成新激活结论的可信度,并将新激活结论作为结论事实存入事实库;
3)返回步骤B,直到无新激活的结论为止。
实施例:
1)工艺生产数据的分箱处理
以电解槽为例,选定工艺参数变量为电解温度和铝水平,工艺决策结果量为电解槽日出铝量。如图2、图3、图4所示分别为2015年铝水平数据分布图、电解温度数据分布图;电解槽日出铝量数据分布图,可见数据分布跨度较小,为了减少后续基于决策树生产的模糊规则的复杂性,并提高模糊规则的泛化能力,针对电解温度和铝水平设定较少的等宽分箱区间,这里定为3个;为了提高电解槽日出铝量决策结果的精确性,针对电解槽日出铝量设定较多的等宽分箱区间,这里定为5个。电解温度、铝水平和日出铝量的自定义分箱区间分别如表1至表3所示。
表1电解温度的分箱区间
区间名称 | 低 | 中 | 高 |
区间范围 | [900,930) | [930,975) | [975,1000) |
表2铝水平的分箱区间
区间名称 | 低 | 中 | 高 |
区间范围 | [210,230) | [230,270) | [270,300) |
表3日出铝量的分箱区间
区间名称 | 极低 | 较低 | 适中 | 较高 | 极高 |
区间范围 | [1300,1350) | [1350,1400) | [1400,1450) | [1450,1500) | [1500,1550) |
按照如表1至表3所示的分箱区间来对电解温度、铝水平和日出铝量进行分箱处理。
2)基于决策树算法的模糊规则生成
铝电解车间2015年各月的电流效率如表4所示,设定生产效率阈值为90%,可以看出,10月、11月、12月的出铝电流效率大于90%,所以选取该时间内的工艺生产数据作为决策树训练样本,共计789个样本数据,生成的模糊规则如下;
表4 2015年各月的电流效率
日期 | 出铝电流效率/% |
2015-01 | 87.98 |
2015-02 | 87.41 |
2015-03 | 85.59 |
2015-04 | 86.95 |
2015-05 | 87.06 |
2015-06 | 86.96 |
2015-07 | 87.27 |
2015-08 | 87.69 |
2015-09 | 88.34 |
2015-10 | 90.12 |
2015-11 | 90.57 |
2015-12 | 91.45 |
3)基于知识获取模块的模糊规则自动导入
模糊规则库基于SQL SERVER2008进行存储,基于决策树算法生成的模糊规则自动调用知识获取模块的WebSevice调用接口,将模糊规则同步写入到模糊规则库中。
4)基于推理机的工艺决策生成
推理机从工艺实时监测数据库中读取各个电解槽的电解温度、铝水平最新数据,通过与模糊规则库的交互,进行推理,生成电解槽的日出铝量工艺决策,决策结果如表5所示。
表5电解槽日出铝量工艺决策结果
电解槽 | 日出铝量/kg |
701# | 1360 |
702# | 1420 |
703# | 1460 |
704# | 1320 |
705# | 1530 |
706# | 1440 |
按照专家系统的工艺决策结果,来制定各个电解槽的日出铝量,经过两个月的试运行发现,铝电解电流效率可以保持在较高的水平,表明了本发明提出的基于决策树的数字化车间工艺决策专家系统具有一定的工程实用性。
Claims (6)
1.一种基于决策树和专家系统的数字化车间工艺决策方法,其特征在于:包括以下步骤:
步骤1:针对工艺生产数据进行分箱处理,生成区间化的模糊工艺生产数据;
步骤2:基于决策树算法来针对模糊工艺生产数据进行训练学习,生成模糊规则,并导入模糊规则库中;
步骤3:推理机基于工艺实时监测数据库中的实时参数数据,通过与模糊规则库的交互来进行模糊推理,生成工艺决策。
2.根据权利要求1所述的基于决策树和专家系统的数字化车间工艺决策方法,其特征在于:所述分箱处理过程为:
通过日常工艺运行情况,自定义各个工艺参数的分箱区间,并根据分箱区间的命名生成区间化的模糊工艺生产数据。
3.根据权利要求1所述的基于决策树和专家系统的数字化车间工艺决策方法,其特征在于:所述生成模糊规则的过程为:
步骤1:对数据化车间工艺生产效率进行统计分析,选取工艺生产效率大于生产效率阈值的时间区间内的模糊工艺生产数据作为决策树的训练样本;
步骤2:基于决策树C4.5算法来针对筛选过工艺生产效率的模糊工艺生产数据进行决策树的训练学习,用信息增益率来选择属性分裂,并且在构造树的过程中进行剪枝;
步骤3:根据决策树的各个分支,生成模糊规则;
步骤4:为生成的模糊规则分配模糊规则可信度,并将模糊规则导入模糊规则库。
4.根据权利要求1或3所述的基于决策树和专家系统的数字化车间工艺决策方法,其特征在于:所述模糊规则库用于存储模糊规则,模糊规则采用面向对象的产生式模糊规则表示法,对产生式模糊规则进行面向对象的封装,将模糊规则绑定到数字化车间工艺上。
5.根据权利要求1所述的基于决策树和专家系统的数字化车间工艺决策方法,其特征在于,所述模糊推理过程为:
步骤1:推理机以工艺实时监测数据库中的工艺参数数据为输入,并针对工艺参数数据进行模糊化,生成模糊事实,存入到事实库中;
步骤2:将事实库中新增的模糊事实与模糊规则库中的模糊规则前件进行匹配,如果匹配成功,则执行步骤3,否则执行步骤4;
步骤3:激活模糊规则,并生成新激活结论,基于Mamdani模糊推理法来合成新激活结论的可信度,将新激活结论作为结论事实存入事实库,并返回步骤2;
步骤4:判断是否有已激活结论,如果是,则采用重心法来对激活结论进行去模糊化处理,生成工艺决策,推理结束;否则推理结束。
6.根据权利要求5所述的基于决策树和专家系统的数字化车间工艺决策方法,其特征在于:所述事实库仅用于存储输入参数数据模糊化生成的模糊事实和推理激活的结论事实。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611181825.3A CN108205727B (zh) | 2016-12-20 | 2016-12-20 | 一种基于决策树和专家系统的数字化车间工艺决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611181825.3A CN108205727B (zh) | 2016-12-20 | 2016-12-20 | 一种基于决策树和专家系统的数字化车间工艺决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108205727A true CN108205727A (zh) | 2018-06-26 |
CN108205727B CN108205727B (zh) | 2021-12-17 |
Family
ID=62602023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611181825.3A Active CN108205727B (zh) | 2016-12-20 | 2016-12-20 | 一种基于决策树和专家系统的数字化车间工艺决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108205727B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428923A (zh) * | 2020-03-20 | 2020-07-17 | 桂林电子科技大学 | 一种基于大数据的智能化工厂工艺流程优化方法 |
CN115563549A (zh) * | 2022-10-27 | 2023-01-03 | 武汉理工大学 | 一种焊接缺陷成因诊断方法、系统及电子设备 |
CN116854255A (zh) * | 2023-08-21 | 2023-10-10 | 湖北金宝马环保科技有限公司 | 基于专家系统的光伏污水处理智能控制平台 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02260035A (ja) * | 1989-03-31 | 1990-10-22 | Matsushita Electric Ind Co Ltd | ファジィ表現による知識ベースを持つエキスパートシステム |
CN1652120A (zh) * | 2005-02-24 | 2005-08-10 | 上海交通大学 | 基于数值仿真与决策树算法的塑性成形工艺规则获取方法 |
CN101694572A (zh) * | 2009-07-13 | 2010-04-14 | 北京理工大学 | 一种提供自评价的数控刀具智能选取方法 |
CN102521694A (zh) * | 2011-12-07 | 2012-06-27 | 西北工业大学 | 一种基于组合赋权法的多工艺方案规划方法 |
US20150032589A1 (en) * | 2014-08-08 | 2015-01-29 | Brighterion, Inc. | Artificial intelligence fraud management solution |
CN105045091A (zh) * | 2015-07-14 | 2015-11-11 | 河海大学常州校区 | 基于模糊神经控制系统的疏浚工艺智能决策分析方法 |
CN105787563A (zh) * | 2014-12-18 | 2016-07-20 | 中国科学院沈阳自动化研究所 | 一种基于自学习机制的快速匹配模糊推理方法 |
-
2016
- 2016-12-20 CN CN201611181825.3A patent/CN108205727B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02260035A (ja) * | 1989-03-31 | 1990-10-22 | Matsushita Electric Ind Co Ltd | ファジィ表現による知識ベースを持つエキスパートシステム |
CN1652120A (zh) * | 2005-02-24 | 2005-08-10 | 上海交通大学 | 基于数值仿真与决策树算法的塑性成形工艺规则获取方法 |
CN101694572A (zh) * | 2009-07-13 | 2010-04-14 | 北京理工大学 | 一种提供自评价的数控刀具智能选取方法 |
CN102521694A (zh) * | 2011-12-07 | 2012-06-27 | 西北工业大学 | 一种基于组合赋权法的多工艺方案规划方法 |
US20150032589A1 (en) * | 2014-08-08 | 2015-01-29 | Brighterion, Inc. | Artificial intelligence fraud management solution |
CN105787563A (zh) * | 2014-12-18 | 2016-07-20 | 中国科学院沈阳自动化研究所 | 一种基于自学习机制的快速匹配模糊推理方法 |
CN105045091A (zh) * | 2015-07-14 | 2015-11-11 | 河海大学常州校区 | 基于模糊神经控制系统的疏浚工艺智能决策分析方法 |
Non-Patent Citations (5)
Title |
---|
PENG HUI: "On-line monitoring and diagnosis of failures using control charts and fault tree analysis (FTA) based on digital production model", 《KNOWLEDGE SCIENCE, ENGINEERING AND MANAGEMENT》 * |
SHENG-XIANG DENG: "A lime shaft kiln diagnostic expert system based on holographic monitoring and real-time simulation", 《ELSEVIER SCIENCE》 * |
曹丹阳等: "基于模糊专家系统的铝电解智能控制系统设计与实现", 《海军工程大学学报》 * |
钟蜜: "基于模糊决策树的热轧工艺关键变量的分析与提取", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
雷蕾: "基于MIS的印刷机械工艺智能决策系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428923A (zh) * | 2020-03-20 | 2020-07-17 | 桂林电子科技大学 | 一种基于大数据的智能化工厂工艺流程优化方法 |
CN115563549A (zh) * | 2022-10-27 | 2023-01-03 | 武汉理工大学 | 一种焊接缺陷成因诊断方法、系统及电子设备 |
CN115563549B (zh) * | 2022-10-27 | 2023-10-20 | 武汉理工大学 | 一种焊接缺陷成因诊断方法、系统及电子设备 |
CN116854255A (zh) * | 2023-08-21 | 2023-10-10 | 湖北金宝马环保科技有限公司 | 基于专家系统的光伏污水处理智能控制平台 |
Also Published As
Publication number | Publication date |
---|---|
CN108205727B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145957B (zh) | 基于大数据的配电网异常指标的识别与处理方法及装置 | |
CN108154430A (zh) | 一种基于机器学习和大数据技术的信用评分构建方法 | |
CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN107423442A (zh) | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 | |
CN111914644A (zh) | 一种基于双模态协同的弱监督时序动作定位方法及系统 | |
CN105631479A (zh) | 基于非平衡学习的深度卷积网络图像标注方法及装置 | |
CN109685153B (zh) | 一种基于特征聚合的社交网络谣言鉴别方法 | |
CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
CN106934497A (zh) | 基于深度学习的智慧小区用电量实时预测方法及装置 | |
CN108205727A (zh) | 一种基于决策树和专家系统的数字化车间工艺决策方法 | |
CN111105065A (zh) | 一种基于机器学习的农村供水系统及供水方法 | |
CN111970400B (zh) | 骚扰电话识别方法及装置 | |
Xia et al. | Visual classification of apple bud-types via attention-guided data enrichment network | |
Hassan et al. | Advances in deep learning algorithms for agricultural monitoring and management | |
CN112907107B (zh) | 一种基于多源信息融合的渔业事故应急处理系统及方法 | |
CN109241133A (zh) | 数据监测方法、装置、计算设备及存储介质 | |
Uoc et al. | A novel automatic detecting system for cucumber disease based on the convolution neural network algorithm | |
CN112215410A (zh) | 基于改进深度学习的电力负荷预测方法 | |
Rogachev | Creating an artificial neural network for predicting the dynamics of retrospective yield series | |
CN112464888A (zh) | 一种基于图像的自动化喷药控制方法 | |
Boonyopakorn et al. | Applying Neuro Fuzzy System to Analyze Durian Minerals within Soil for Precision Agriculture | |
CN107665379A (zh) | 一种基于气象特征的风电场风速超短期预测方法 | |
Batess et al. | Automation of Agriculture Using Artificial Intelligence: Towards a Sustainable Agriculture in Morocco | |
Joel et al. | Marine Weather Forecasting to Enhance Fisherman’s Safety Using Machine Learning | |
Guo et al. | Simulation Research on Artificial Intelligence Design Decision Model Based on Deep Convolution Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |