基于支持向量机的建模方法及其在材料加工中的应用研究

论文摘要

众所周知,热加工过程是非线性、多变量、时变、强耦合的,并且涉及大量的不确定因素,因而该过程是典型的复杂过程。对热加工过程采用经典的建模方法获取其精确的数学模型是极为困难的。获取热加工过程中的知识模型,有助于认识复杂热加工过程的规律,获取人类智能的经验知识,甚至升华人类智能的经验知识,从而实现复杂热加工过程的自动化和智能化,所以获取热加工过程的知识模型具有重要意义。近年来,用模糊集方法、神经网络方法、粗糙集方法以及混合方法获取热加工过程的知识模型成为科研人员关注的焦点,并取得了许多有意义的成果,但是这些方法仍存在不足,不能完全满足实际需要,有必要对这类复杂过程的建模方法做进一步的研究。本文以支持向量机理论和模糊集理论为基础,针对热加工领域知识建模的复杂性,提出了基于支持向量机的模糊规则获取系统（Support Vector Machine-based Fuzzy Rules Discovery System, SVM-FRDS）和权重支持向量回归在线学习（C-weighted On-line Support Vector Regression, COSVR ）建模方法,并对建模算法进行了深入的研究,利用Mackey-Glass混沌时间序列进行预测实验。试验证明SVM-FRDS模型具有良好的可理解性和满足要求的精度,COSVR方法获得模型能更好的反映模型的变化。并将SVM-FRDS和COSVR应用于GTAW焊接过程建模与控制、氧势法碳势影响因素分析以及修正模型的建立,验证了SVM-FRDS和COSVR在热加工领域的有效性。本文主要研究内容如下:1)“可理解性”是可靠系统的必备特性,特别由于热加工行业的复杂性,如果模型是可理解的,甚至是可修改的,模型的可靠度,适用性都将有所改善。本文讨论了一种新的基于支持向量机的模糊规则获取系统（SVM-FRDS）。支持向量机抽取支持向量的特点提供了从训练数据产生模糊规则的机制。在支持向量机抽取模糊规则的基础上,采用模糊基函数做为推理系统,利用梯度算法对模糊规则和模糊基函数推理系统进行自适应学习。在给出SVM-FRDS主要算法的基础上,从规则抽取和推理系统两方面与其他典型模糊规则获取系统做了对比分析。最后,使用Mackey-Glass混沌时间序列进行预测实验。实验结果表明,本文提出的SVM-FRDS在精度和可理解性方面（包括规则条数和推理系统）都有优势。2)由于影响因素多,甚至不可控的干扰因素都很多,热加工行业中模型时变特性非常明显。本文在标准支持向量回归在线学习方法的基础上,研究了权重支持向量回归在线学习方法（COSVR）,强化新样本对模型的修改,弱化历史样本的影响。使用基准数据Mackey-Glass混沌序列做了相关验证实验,试验结果表明本文提出的COSVR更能反映模型的变化。3)将本文提出的SVM-FRDS和COSVR方法应用于铝合金脉冲GTAW焊接动态过程建模与控制:1)运用本文提出的SVM-FRDS和COSVR方法获取铝合金脉冲GTAW焊接动态过程知识模型。实验结果表明SVM-FRDS知识建模方法可以有效的获取铝合金脉冲GTAW焊接动态过程的规则性模型,模型的复杂程度和精度都是可以满足要求的,模型是易于理解的。COSVR实验结果表明,COSVR在焊接过程建模中更能反映模型的改变。2)根据焊接过程特点,提出了基于SVM-FRDS的自适应逆控制,并将其应用于GTAW焊接过程的控制,该方法只需要获得焊接过程的输入输出数据就可以自动抽取易于理解的控制规则,实现对系统的控制,最后通过工艺实验验证了控制器对铝合金脉冲GTAW焊缝成形的良好控制。4)氧势法是应用广泛的碳势测量技术,但氧势法测量值与碳势实际值之间存在偏差,研究氧势法测量碳势的修正模型非常重要。论文先根据人工经验,测量并记录了相关数据,然后运用SVM方法分析了碳势的影响因素并建立了单因素和多因素修正模型。在知识模型的引导下,在碳势控制相关理论的基础上,建立了碳势修正模型的机理模型。最后运用本文提出的COSVR方法建立了碳势修正知识模型,提高了修正模型的精度,该方法的应用为修正模型的实际应用提供了重要保障。5)设计并实现了基于权重支持向量回归在线学习的热加工知识获取系统（COSVRKDSHW）,系统涵盖了支持向量回归及权重支持向量回归在线学习建模过程中的全部所需功能,并集成了一些辅助功能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 智能建模的概念和常用方法
• 1.2.1 智能建模的概念
• 1.2.2 智能建模的常用方法
• 1.3 热加工领域智能建模的重要性
• 1.4 热加工领域智能建模的研究现状
• 1.5 热加工领域智能建模的一些问题
• 1.6 支持向量机的研究现状
• 1.6.1 支持向量机算法的研究现状
• 1.6.2 支持向量机应用的研究现状
• 1.7 本文研究意义和内容
• 1.8 论文结构
• 第二章 支持向量机基础
• 2.1 引言
• 2.2 SVM 基本思想和相关概念
• 2.3 材料热加工过程中SVM 的应用分析
• 2.3.1 SVM 在材料热加工过程中的应用特性
• 2.3.2 材料热加工过程中SVM 建模方法不足
• 2.4 材料热加工过程中SVM 建模方法改进途径
• 2.4.1 SVM 抽取模糊规则的方法
• 2.4.2 SVM 解决热加工过程模型时变问题的途径
• 2.5 本章小结
• 第三章 基于支持向量机的模糊规则获取系统
• 3.1 引言
• 3.2 模糊基函数基础知识
• 3.3 SVM-FRDS
• 3.3.1 规则抽取
• 3.3.2 推理系统
• 3.3.3 自适应学习
• 3.3.4 SVM-FRDS 流程图
• 3.4 SVM-FRDS 与其他模糊系统对比分析
• 3.5 实验验证
• 3.6 本章小结
• 第四章 权重支持向量回归在线学习方法
• 4.1 引言
• 4.2 权重支持向量回归和数据集的分类
• 4.3 COSVR 算法推导
• 4.3.1 增量关系的推导
• 4.3.2 数据集成员迁移
• 4.3.3 矩阵R 快速更新
• 4.4 COSVR 流程
• 4.4.1 COSVR 第一部分（修改历史样本的惩罚系数C）流程
• 4.4.2 COSVR 流程
• 4.5 COSVR 软件模块
• 4.5.1 已有的支持向量机软件及其特点
• 4.5.2 本文开发的COSVR 软件的特点
• 4.5.3 COSVR 软件功能框架
• 4.6 实验验证
• 4.7 本章小结
• 第五章 铝合金脉冲GTAW 焊接动态过程建模与控制
• 5.1 引言
• 5.2 铝合金脉冲GTAW 焊接试验系统
• 5.2.1 基本硬件系统
• 5.2.2 视觉传感系统
• 5.3 铝合金脉冲GTAW 焊接动态过程实验设计及数据采集
• 5.3.1 输入/输出变量选择
• 5.3.2 输入信号设计
• 5.3.3 获取铝合金焊接过程数据
• 5.4 铝合金脉冲GTAW 焊接动态过程知识建模
• 5.4.1 铝合金脉冲GTAW 焊接动态过程SVM-FRDS 模型
• 5.4.2 铝合金脉冲GTAW 焊接动态过程COSVR 模型
• 5.4.3 铝合金脉冲GTAW 焊接动态过程SVM-FRDS 和COSVR 模型比较
• 5.4.4 铝合金脉冲 GTAW 焊接动态过程 SVM-FRDS 与粗糙集建模方法的比较
• 5.5 铝合金脉冲GTAW 过程SVM-FRDS 自适应逆控制
• 5.5.1 基于SVM-FRDS 的自适应逆控制
• 5.5.2 铝合金脉冲GTAW 焊接过程自适应逆控制器设计
• 5.5.3 铝合金脉冲GTAW 焊接过程自适应逆控制仿真
• 5.5.4 铝合金脉冲GTAW 焊接过程自适应逆控制工艺实验
• 5.6 本章小结
• 第六章 氧势法碳势模型修正
• 6.1 引言
• 6.2 氧势法测量碳势的基本原理
• 6.2.1 碳势与氧分压的关系
• 6.2.2 氧分压与氧探头的输出电势E 的关系
• 6.3 数据采集
• 6.4 碳势修正模型知识模型
• 6.4.1 选择核函数
• 6.4.2 影响因素选择
• 6.4.3 建立单变量和多变量模型
• 6.4.4 不同碳活度经验公式的影响
• 6.5 碳势修正模型机理模型
• 6.6 碳势修正模型人工经验分析
• 6.7 碳势修正COSVR 模型
• 6.8 本章小结
• 结论
• 本文的创新点
• 参考文献
• 攻读博士学位期间发表及待发表的论文
• 附录
• 附录一:碳势数据
• 致谢