|
130 理方法，各项标准、制度和规定的确立和实施情况；环包括车间的温度、湿度、噪声、粉尘、 照明等。影响因素共包括63 个，用RS 对样本属性值特征化和编码如表1（仅列出部分）， 进行属性约简，筛选出大小规格、加工批量、油漆档次、机器月维修次数、机器自动化水平、 方法应用情况、车间环境的湿度、噪声、工人的经验年限9 个影响因素，约简后的决策属性 表如表2 所示，作为支持向量机的输入向量，利用参数自适应调整的支持向量机回归方法， 135 首先确定相关参数初值，按照算法具体迭代步骤进行迭代，得到最优参数值，初值及最优参 数结果见表3。输出为漆膜质量系数，从漆膜的厚度、色度、亮度综合评定，然后对评定值 作归一化处理。 表1属性的特征化和编码 Tab.1 The attribute characterization and coding 属性名称 大小规格 加工批量 隶属区间 (高≤1800) (1800,200 0) (高≥ 2000) 0~10 10~30 30~80 大于80 特征化 小 中 大 高度定 制 小批量 较大批 量 大批量 编码 1 2 3 1 2 3 4 属性名称 月维修次数 经验 隶属区间 0 1~2 3~5 >5 1~5 5~10 11~20 >20 特征化 极佳 良好 一般 较差较浅 一般 丰富 专家 编码 3 2 1 0 1 2 3 4 属性名称 自动化水平 方法应用情况 特征化 手动 半自动 全自动差中 良 优 编码 1 2 3 1 2 3 4 140 表2 约简后决策表 Tab.2 The decisive table after reduction U C D 大小规 格 加工批 量 油漆档 次 月维修 次数 自动化 水平 应用情 况 湿度 经验 噪声 漆膜质 量 1 3 3 1 2 3 3 2 2 2 0.94 2 3 1 3 2 3 3 2 2 2 0.93 3 3 2 3 1 1 2 2 1 2 0.77 4 2 2 1 2 2 2 2 1 3 0.81 5 3 2 2 3 3 2 2 1 2 0.86 6 3 3 1 2 3 3 2 2 2 0.92 7 2 3 4 3 3 3 3 3 2 0.84 8 2 1 3 2 2 2 3 1 2 0.69 9 2 1 1 1 1 2 3 1 1 0.68 10 2 2 1 1 2 4 1 1 3 0.79 11 2 2 1 2 2 4 2 1 3 0.85 12 3 3 2 2 3 1 1 3 2 0.81 13 3 3 4 2 3 2 1 2 3 0.75 14 3 3 4 3 3 4 1 2 3 0.83 15 2 4 1 2 2 1 1 2 4 0.67 16 2 2 3 1 2 1 1 3 2 0.68 17 2 1 5 1 1 2 1 2 2 0.73 18 2 2 4 1 1 2 1 1 3 0.71 19 2 1 2 2 2 4 2 1 3 0.88 20 2 2 2 3 2 3 2 1 3 0.91 表3 RSSVM 预测方法参数 Tab.3 The parameters for RSSVM prediction method 参数 不敏感系数ε 惩罚因子C 宽度系数 σ 2 支持向量个数 迭代次数 初始值 0.01 20 300 20 30 优化值 0.01 110 4 17 30 145 为了说明本文提出的RSSVM 预测方法的有效性和可行性，提取样本107 个，训练样本 90 个，另外17 个作为测试样本，文中只列出部分数据，见表2。采用SVM 和BF 进行漆 膜质量的建模和预测，三种方法训练集和测试集（带*）的拟合结果如表4，漆膜质量系数 实际值与预测曲线如图2，绝对误差和相对误差结果统计分别见图3 和图4。从图2 可以看 150 出，在大部分区间内RSSVM 比SVM 和BF 预测曲线更接近实际值。从图3 和图4 可以看 出：RSSVM 的绝对误差、相对误差变化幅度总体上小于SVM、BF 预测方法，即 RSSVM 的预测精度更高，预测效果更好。 表4 RSSVM与SVM、BF预测结果对比 155 Tab.4 The prediction results comparison about RSSVM and SVM, BF 样RSSVM SVM BF 本 漆膜 质量 统计 值 预测值 绝对误 差 相对误 差（%） 预测值绝对误 差 相对误 差（%） 预测值 绝对误 差 相对 误差 （%） 1 0.94 0.9371 0.0029 0.31 0.9022 0.0372 3.95 0.9167 0.0233 2.48 2 0.93 0.9212 0.0088 0.94 0.9216 0.0084 0.90 0.9075 0.0225 2.42 3 0.77 0.7692 0.0008 0.10 0.8119 -0.0349 4.51 0.7231 0.0469 6.09 4 0.81 0.8063 0.0037 0.46 0.7984 0.0116 1.43 0.8014 0.0086 1.06 5 0.86 0.8653 -0.0053 0.62 0.8721 -0.0121 1.41 0.8433 0.0167 1.94 6* 0.92 0.9184 0.0016 0.17 0.9407 -0.0207 2.25 0.9274 -0.0074 0.80 7 0.84 0.8395 0.0005 0.06 0.8476 -0.0076 0.91 0.8633 -0.0233 2.77 8* 0.69 0.6901 -0.0001 0.01 0.6832 0.0068 0.99 0.6842 0.0058 0.84 9* 0.68 0.6834 -0.0034 0.50 0.6783 0.0017 0.25 0.6154 0.0645 9.48 10 0.79 0.8257 -0.0357 4.51 0.8211 -0.0311 3.93 0.8341 -0.0441 5.58 11 0.85 0.8435 0.0065 0.76 0.8363 0.0117 1.37 0.8776 -0.0276 3.24 12 0.81 0.7993 0.0107 1.32 0.8035 0.0065 0.80 0.8045 0.0154 1.90 13* 0.75 0.7711 -0.0211 2.81 0.8451 -0.0951 12.68 0.8608 -0.1108 14.77 14* 0.83 0.8233 0.0067 0.81 0.9363 -0.1063 12.81 0.8427 -0.0127 1.53 15 0.67 0.6687 0.0013 0.19 0.6641 0.0059 0.88 0.6394 0.0306 4.57 16* 0.68 0.6718 0.0082 1.21 0.6622 0.0178 2.62 0.6699 0.0101 1.49 17 0.73 0.7483 -0.0183 2.51 0.7028 0.0272 3.73 0.7978 -0.0678 9.29 18 0.71 0.7161 -0.0061 0.86 0.7414 -0.0314 4.42 0.7197 -0.0097 1.37 19* 0.88 0.8731 0.0069 0.78 0.8893 -0.0093 1.06 0.9124 -0.0324 3.68 20 0.91 0.9114 -0.0014 0.15 0.9366 -0.0266 2.92 0.9051 0.0049 0.54 图2 实际值与三种算法预测曲线 Fig.2 The actual value and prediction curve for the three algorithms 图3 绝对误差统计 图4 相对误差统计 Fig.3 The absolute error statistics Fig.4 The relative error statistics 165 3 结论 本文提出了用于大规模定制制造企业生产车间质量预测的方法—粗糙集支持向量机 （RSSVM）质量预测方法，运用粗糙集方法和信息熵概念约简因素属性，优化输入向量维 数，然后输入SVM 对数据集进行训练和预测。它将粗糙集的属性约简和支持向量机在解决 小样本、非线性问题以及泛化能力强等优势结合起来，具有较高的计算效率和预测精度，将 170 RSSVM 预测方法应用于重庆某门业制造企业油漆生产车间，验证了该方法的有效性和可行 性。 学术论文网Tag：代写经济论文 代写代发论文 代写管理论文 |
