申请/专利权人:西北工业大学
申请日:2024-03-28
公开(公告)日:2024-06-25
公开(公告)号:CN118246173A
主分类号:G06F30/17
分类号:G06F30/17;G06F30/27;G06F111/08;G06F111/06
优先权:
专利状态码:在审-公开
法律状态:2024.06.25#公开
摘要:本发明涉及船用柴油机多工序、多影响因素的生产技术领域,特别涉及到一种基于贝叶斯网络的船用柴油机连杆装配变形预测方法。该方法采用贝叶斯网络建立连杆变形预测模型,综合考虑连杆装配的多道工序以及多个质量特征的影响,分别采用遗传算法‑K2算法进行贝叶斯网络结构学习、采用最大似然估计进行贝叶斯网络参数学习、采用联结树算法进行贝叶斯推理,能够有效挖掘装配阶段不同质量特征与连杆变形之间的影响关系,实现多工序、多影响因素条件下的连杆变形程度的装配前预测,为连杆装配阶段参数调整、工艺优化提供理论模型以及建设性根据,也可为多阶段、多因素影响的质量分析过程提供方法指导。
主权项:1.一种基于贝叶斯网络的船用柴油机连杆装配变形预测方法,其特征在于,包括以下步骤:步骤1:基于遗传算法-K2算法进行贝叶斯网络结构学习:以连杆装配阶段的关键质量特征作为输入节点,采用编码产生初始种群,利用K2算法对初始种群进行网络结构学习,计算每个个体的结构评分,并将其作为评估网络结构优劣的标准;利用遗传算法对初始种群进行选择、交叉、变异操作以优化种群,再计算结构评分,如此循环,将最高的结构评分确定为最优结果,输出最优结果所对应的网络结构以及最优的节点顺序;步骤2:基于最大似然估计法的贝叶斯网络参数学习:以关键质量特征节点以及取值状态为输入,通过最大似然估计法计算,获取不同质量特征之间影响程度的条件概率表;步骤3:基于联结树算法的贝叶斯推理:以贝叶斯网络结构图和条件概率表为输入,根据观测到的质量特征取值情况,推理出连杆不同变形程度对应的概率,或根据观测到的连杆变形情况,推理出各质量特征导致连杆不同变形程度的概率值。
全文数据:
权利要求:
百度查询: 西北工业大学 一种基于贝叶斯网络的船用柴油机连杆装配变形预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。