利用机器学习技术对夹具的概念设计序言：夹具工件是指用来固定和稳固工件的，用来对一个工件进行大部分加工操作的固定工具。夹具的设计是一个复杂的和直观的过程，这需要知识和经验的积累。而自动化夹具设计过程是困难的，这是因为这个问题需要运用设计的知识。人工智能领域最新的研究进展表明，特别是在机械学习方面，提供了运用设计的方法和知识。本文试图运用夹具工件学习技术的概念设计来提供案例研究。关键词:夹具设计;知识型系统;机器学习1．介绍制造业目前正在向高度自动化的制造系统发展，这通常导致较低的生产成本和更高的效率。对于加工一批复杂或精密零件、高度准确的设备是必需的。这些设备在加工操作时，可以用来稳定和固定工件。由于启发式知识要求的设计设备是复杂的，因此自动化设计也是复杂的，象一些应用于自动化夹具设计过程的人工智能工具，又比如一些更常见的人工智能运用于如专家系统、神经网络和遗传算法等中。每一种都有其优点和缺点。专家系统利用现有的规则，为夹具设计功能相对较好的初始模型。然而，他们太死板，不能随着时间的推移，调整和改进自己。一个神经网络具有良好的学习能力，但是建设合适的神经网络可能是非常复杂的。遗传算法更像是优化工具而非学习工具机器学习是指具有学习和适应改变的能力，因此它被选为此次夹具设计的研究对象。在随后的章节中，如何开发一个分类模型的装置，以及如何学习使用机器程序，C4.5将作为研究的内容。在发展过程中遇到的问题，以及提升分类模型的意义，将进行详细的讨论。此案例的研究将演示如何使用分类模型以及如何提出夹具的概念设计。2.方法论本研究是通过一个固定数量的属性来描述表示数据的一种象征性方法。分类模型来源于这些数据的内在规律，模型的发展可以分为两个阶段，即建设阶段和生成分类规则的阶段。2.1夹具数据的描述所有使用的数据都可以分为若干案例，每个案例共由63个属性和类组成，本课程内容就属于此案例。这些属性主要描述了3个领域：夹具配置，工件特性和加工工艺条件。夹具配置起到了元件的稳定，夹紧和固定作用。一般空间位置和所需的公差，以及工件的特征涉及工件表面的粗糙程度，显著的特性，大致的尺寸和重量。加工条件包括元件的批量大小，材料去除率，切削力的作用，和适合加工的区域。对于一个简单适用性的测试，其包含有概念性的夹具设计，多种类型的夹具和切削过程。此外，该类型的工件被认为是仅限于棱镜的研究。这些属性都是离散的，平均3-4的浮动值。2.2建设的决策树感应理论是使用[5，6]的建设决策树，即熵的数据集是第一次计算。假设S表示一组病例可分为n类1．病例数量的年代，属于类C的频率。2．病例数量的年代是寻常的因此，案件的概率选择是在每个案例所传达的信息是利用以上，预计所需的信息确定一个案例中的类将变成接下来，数据将被每个属性依次分析，由此产生了熵的数据计算。通过熵的减少或数据的增加来计算出其差异并进行比较。而属性提供了最高的增益，然后形成决策树的分支。这个过程将一直进行到这部分的所有情况完成。然后分支停止增长，最终形成一片树叶。在树完全成熟后，它将裁剪下来一个较小的尺寸通过删除无关的属性。决定哪些属性删除，而标准统计测试将被使用的情况下，任何分支可以分布到正确或错误分类的案例中。因为只有两个主要类型的分类，剪枝方法解释使用如图表1。图表1修剪决策树树上有3个属性(A，B，C)和2类(好的和坏的)。它有6叶，数字在括号的每片叶子中，(N/E)是注明数量的情况下覆盖的叶，(N)是病例数错误分类的叶，(E)是预测错误率，可以用UCF(E，N)表示，CF是信心水平计算的误差。通过使用N作为样本大小、E/N作为示例。在错误分类的情况下：U25%(E，N)可以推断出75%的置信区间的比例。考虑到子树C=1:好(6/0)C=2:好(9/0)C=3:坏(1/0)第一叶，N=6和E=0、75%的置信区间是发现是[0，0.206]。保守误差的上限比例使用，U25%(0，6)=0.206。同样，对于剩余的叶子，U25%(0，9)=0.143和U25%(0，1)=0.75。最后，预测误差这个子树(6´0.206)+(9´0.143)+(1´0.75)=3.273。如果它的子树有一个叶与类，它将覆盖共有16例中1例的错误。因此预测误差1...
