您当前所在位置: 首页 > 首发论文
筛选条件

时间

领域

全部

工程与技术科学基础学科(2)

机械工程(2)

中医学与中药学(0) 显示更多>>

临床医学(0) 交通运输工程(0) 体育科学(0) 信息科学与系统科学(0) 农学(0) 冶金工程技术(0) 力学(0) 动力与电气工程(0) 化学(0) 化学工程(0) 图书馆、情报与文献学(0) 土木建筑工程(0) 地球科学(0) 基础医学(0) 天文学(0) 安全科学技术(0) 心理学(0) 教育学(0) 数学(0) 材料科学(0) 林学(0) 核科学技术(0) 水产学(0) 水利工程(0) 测绘科学技术(0) 物理学(0) 环境科学技术(0) 生物学(0) 电子、通信与自动控制技术(0) 畜牧科学、动物医学(0) 矿山工程技术(0) 管理学(0) 纺织科学技术(0) 经济学(0) 能源科学技术(0) 航空航天科学技术(0) 药学(0) 计算机科学技术(0) 预防医学与卫生学(0) 食品科学技术(0)

学术评议

实时热搜榜

我的筛选 >
2003-2020 全部
为您找到包含“Quality diagnosis”的内容共4

吴常坤

2011-11-14

为控制产品质量,诊断出机械加工工序误差源,提出了基于支持向量机(Support Vector Machine,SVM)和模糊专家系统的机械加工工序质量诊断方法。该方法以专家系统为载体,结合SVM和模糊理论,实现对机械加工过程中引起质量波动的异常误差源的诊断。通过实例分析,表明该方法相比传统的工序质量诊断方法,具有较好的诊断精度。

江苏省特种设备安全监督检验研究院无锡分院,江苏 无锡 214000

#机械工程#

0评论(0 分享(0)

王昆龙,葛茂根,叶开,王小巧,孙志豪

2019-04-30

利用多变量残差控制图对多元变量进行质量诊断是当前质量管控的热门课题,当数据特征差别较大时,该方法的诊断精度不高。为此,针对这一问题,本文提出了基于主成分分析与数据分类的多阶最小二乘支持向量机(MS-LSSVM)的残差控制图诊质量诊断方法。阐述了基于MS-LSSVM的控制图诊断流程,以某公司的实际生产数据为例进行验证,并与基本的LS-SVM控制图诊断方法进行了对比,证实了改进方法在诊断精度与灵敏度上的优越性。

Hefei University of Technology,school of Mechanical Engineering,Hefei 230009,Hefei University of Technology,school of Mechanical Engineering,Hefei 230009,Hefei University of Technology,school of Mechanical Engineering,Hefei 230009,Hefei University of Technology,school of Mechanical Engineering,Hefei 230009,Hefei University of Technology,school of Mechanical Engineering,Hefei 230009

#机械工程#

0评论(0 分享(0)

沈维蕾,卢敏童,吴善春

2019-01-30

制造过程的稳定性是保证产品质量的前提条件。本文从控制图的几何图样中通过对特征的定义提取出能代表该图特点的特征,建立了控制图特征的提取方法,设计基于特征的神经网络模式识别器,通过对特征的定义完成了由样本函数进行的特征提取,根据不同过程模式的特征,自动的识别出六种失控模式从而区分过程处于受控状态还是失控状态,并将该方法应用到发动机缸体制造过程的质量监控中,以对其有效性进行检验。

国家科技支撑计划资助项目(2012ABF12B03

Hefei University of Technology,school of Mechanical Engineering,Hefei 230009,Hefei University of Technology,school of Mechanical Engineering,Hefei 230009,Hefei University of Technology,school of Mechanical Engineering,Hefei 230009

#工程与技术科学基础学科#

本文收录在中国科技论文在线精品论文,2019,12(2):341-347.

0评论(0 分享(0)

吴善春,沈维蕾,卢敏童

2019-08-16

在质量控制图应用过程中如何及时、准确地对控制图异常模式进行识别,对于质量异常诊断具有深刻意义。针对控制图模式识别准确率低的问题,本文以控制图样本统计数据为基础,提取出能有效识别控制图六种模式的形状特征与统计特征,并提出了基于特征的MSVM控制图模式识别方法。该方法的创新点在于其采用有向无环图的思想对多个支持向量机进行分组,首先利用第一组特征识别控制图的总体趋势,再利用第二组特征识别控制图的具体模式。最后以某发动机缸体的质量监测数据为例,验证了该识别方法对常见的六种控制图模式有较高的识别率,结果表明了该方法的可行性和有效性。

国家科技支撑计划资助项目(2012ABF12B03

合肥工业大学机械工程学院,合肥 230009,合肥工业大学机械工程学院,合肥 230009,合肥工业大学机械工程学院,合肥 230009

#工程与技术科学基础学科#

0评论(0 分享(0)