Page 21 - LFWC_MarApr2017_eMag
P. 21

应用天地 Applications



                                                                                    问题,并实现大量高维数据集(“大
                       Class                                     Train
                                                                  data              数据”)的可视化数据挖掘,需要智
                              Extract feature 1
                                                      Machine                       能可视化方法。
                              Extract feature 2        learning        Classification
                   Process                            (e.g., SVM         signal to      机器学习可以开始快速了解设
                  parameters                           random
                                             Classifier        Classifier  controller  备,以及影响激光加工和潜在故障的
                                              input    forest)  feature
                              Extract feature n  space          space               所有现有信号和参数之间的因果关
                                                                                    系。然后,交互式可视化和机器学习
                                                                                    可以构建可靠性和性能模型,其可监
                  Visualization:
                  Time                                                              控实时性能,并确定设备性能何时开
                  Temperature                                                       始偏离规范。
                  Dirt/pollination                                      Prediction:
                  Log file from PC                                      Top/Down        这样的交互式解决方案可以用于
                  Temperature images                                    parameters  触发适当的干预和校正系统动作。下
                                                                          values
                  Process video
                                                                                    面将介绍针对工业 4.0 过程,用于将
                                                                                    交互式可视化与机器学习技术相结合
                 图2:在机器学习中,监督分类处理确定加工参数的临界值。
                                                                                    的 iV Model。
                 可视化方法,在复杂激光加工数据的                  外,对于与大型加工数据组的实时交
                 可扩展性方面是个问题 :最终用户被                 互式使用而言,许多可视化方法的计                 激光熔覆加工案例
                 限制在二维和三维之间进行解释。此                  算负担太大。为了解决这些可扩展性                     机器学习对于预测和定义大型加














































                 激光世界    Laser Focus World China    www.laserfocusworld.com.cn                        Mar/ Apr  2017  19
   16   17   18   19   20   21   22   23   24   25   26