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

