Page 22 - LFWC_MarApr2017_eMag
P. 22
Applications 应用天地
并且其使用该模型来预测每个加工参数
的标签(规范值或离群值)。如果学习
成功,则所有或大多数预测的标签将是
正确的。
交互式可视化中的分析过程
加工数据包括有关温度、环境和功
率的信息,记录多达数百万的热像仪图
像,以及超过十万行和超过 20 列的图
像分析结果。使用任何数据分析工具,
都需要研究人员适当地调整特定数据组
的这些参数,以避免在数据簇、大小或
密度的数量方面的任意结果。
图3:机器学习和可视化的集成,使交互式协调可视化成为可能。 通过促进这种变换,交互式可视化
可以促进工艺发现和计算方法的开发。现有的加工数据和
工数据组中的边界加工参数值非常有用,并且已经被用于 信息可视化技术,已经适用于创建具有易用接口的工具,
实时和后处理分析。机器学习方法可以分为两种类型 :监 补充了整个计算方法,允许简单地解释加工参数。
督或非监督分类器。监督方法在标记的样本上进行训练, 通过结合安装在多种机器上的激光相关技术的数据,
然后用于对未标记的样本进行预测,而无监督方
a)
法在不使用标签的情况下,在数据组中查找结构。 Link Clicks Time-
Process consuming
我们将关注监督方法,因为从实验和加工开 files in parameters View , many
发阶段,已经知道主要的和期望的参数值(所谓 folders images clicks
videos
的训练数据组)。训练数据包括在已经开发加工的 1 click analysis of
1 click Clicks one
实验室中训练的一组已知参数值。 Clicks process
Search at takes up to
在监督学习中,每个样本是由输入对象(通 Excel
View many folder 1/4
常为向量)和期望的输出值(也被称为监控信号) locations Clicks doc working
组成的一对。监督学习算法分析训练数据并产生 time
推断函数,其可以用于映射新样本。图 2 中给出
b)
了监督处理的一个范例。 Plots: Analysis
为了演示该过程,我们考虑一种应用,以在 Images and Time Scatter bar... available
videos Process in real time
加工周期期间生成的所有参数数据内识别激光熔 stamp parameters One click –
覆工艺中的意外参数值(根据实验设置的离群值)。 Prediction one slice:
Machine Time iV Time all data in
首先,机器学习研究人员与工艺设计师一起开发 Learning stamp stamp one view
算法,他们相信该算法将实现成功学习。 in real time
Sensor Time Filters:
其次,为算法提供规范(上 / 下临界值)中的 data stamp Parameter
经验加工参数的大集合,以及(可选)已知未超 log files selection
Process selection
出范围的加工参数列表。表明加工参数是否是离
群值的注释被称为标签。算法处理这些标记的参 图4:分析过程的传统与交互式可视化对比。加工过程数据集的传统、耗时的分析过程
数,并存储模型。 需要多次点击、文件夹搜索和手动数据链接(a);而交互式方法使用一个面板和一次点
击,用户可以看到所有相关的数据源和分析工具(如图像、绘图、数值结果和滤镜)。这
第三,将新的和未标记的参数值提供给算法, 其中的概念是:所有信息的访问应该是直接的,并且用户动作应当最少化(b)。
20 Mar/ Apr 2017 www.laserfocusworld.com.cn Laser Focus World China 激光世界

