机器学习在球墨铸铁蠕化率问题的应用研究

论文摘要

球墨铸铁作为工业生产中应用广泛、性质优良的一种结构材料,自从20世纪中期诞生以来,就受到广泛关注。由于这种铸铁在力学性能上主要受到其中石墨蠕化率大小的显著影响,因此,寻找到一种快速有效的蠕化率评级方法成为人们研究的重点。以往采用的人工测量或者图像模式识别的方法,需要对冷却后的球墨铸铁进行切割、抛光和放大拍照,这样往往耗费大量人力、物力,并且很难实现规模化生产。本课题尝试根据材料学领域的热分析方法,采用机器学习球墨铸铁温度特征信息的手段来达到快速预测球墨铸铁蠕化率级别的目的。首先,本文根据小波分析中的多分辨率分析理论和传统自适应滤波思想,提出一种基于最小均方误差和高频信号序列折中的自适应滤波算法,对从温度采集仪中获取到的测量温度数据信息进行自适应消噪处理。其次,对滤波处理后的数据信息,采用支持向量机学习算法构建球墨铸铁温度特征信息到球墨铸铁蠕化率级别的分类器,根据其物理特征提取相应特征信息,作为基本的输入数据序列,目标数据序列是球墨铸铁的蠕化率级别。在构建分类器时,由于支持向量机的惩罚因子和形变因子较难迅速确定,本文使用进化论算法中的免疫记忆克隆选择算法作为支持向量机的参数优化算法。这种算法是模拟生物免疫学中的免疫进化原理和克隆选择理论,既具有全局寻优的能力,也保留了局部搜索的功能,并具有一定的免疫记忆能力,以达到快速有效的收敛到全局最优解的目的。本文使用河北工业大学材料科学与工程学院刘金海教授课题组的球墨铸铁数据信息进行试验,试验结果显示,最小均方误差和高频信号序列折中的自适应滤波方法具有较好的自适应性,免疫记忆克隆选择算法寻优下的支持向量机在分类预测精度上也显示了较好的优势。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• §1-1 课题背景
• 1-1-1 球墨铸铁和蠕化率
• 1-1-2 球墨铸铁蠕化率的测定方法
• 1-1-3 球墨铸铁温度数据性质
• 1-1-4 机器学习与热分析相结合预测蠕化率
• §1-2 国内外研究现状
• §1-3 论文研究内容
• §1-4 论文结构
• 第二章 自适应滤波
• §2-1 小波分析简介
• 2-1-1 相关基本概念
• 2-1-2 小波与连续小波变换
• 2-1-3 离散小波变换
• 2-1-4 多分辨率分析
• 2-1-5 小波滤波原理
• 2-1-6 试验及结果分析
• §2-2 自适应滤波的简介
• 2-2-1 自适应滤波思路
• 2-2-2 传统自适应滤波方法
• §2-3 基于均方误差与高频信号的折中评价方法
• §2-4 试验及结果分析
• §2-5 本章小结
• 第三章 免疫记忆克隆选择算法与支持向量机
• §3-1 免疫记忆克隆选择算法
• 3-1-1 生物免疫系统及其相关概念
• 3-1-2 免疫进化算法
• 3-1-3 克隆选择算法
• 3-1-4 免疫记忆克隆选择算法
• §3-2 支持向量机
• 3-2-1 统计学习理论
• 3-2-2 支持向量机
• §3-3 基于免疫记忆克隆选择算法的支持向量机
• 3-3-1 算法叙述
• 3-3-2 程序实现
• §3-4 与其他算法的对比试验及结果分析
• 3-4-1 WEKA机器学习平台简介
• 3-4-2 与其他算法间的对比结果
• §3-5 本章小结
• 第四章 总结与展望
• §4-1 工作总结
• §4-2 工作展望
• 参考文献
• 致谢
• 攻读学位期间所取得的相关科研成果