1.一种基于聚类分析算法的组串群选优化联动控制技术,其特征在于,包括以下步骤:
步骤1:从大数据存储服务器当中获取选配过程数据案例;
步骤2:联动控制系统对历史数据预处理,按预制条件剔除不合规定的选配指标案例;
步骤3:选配过程聚类规则自学习,即优化聚类中心;
步骤4:基于快速搜索与密度峰值cfsfdp聚类算法对装配线的数据进行分析;
步骤5:基于cbr机制进行组串群选参数预测;
步骤6:由在线组串数量预测、缓存尺寸链预测及组串群选参数预测数据产生优化选配方法;
步骤7:物联网系统将当前选配过程信息发送至大数据服务器,将学习优化后的参数部署至各选配流程控制设备,完成后跳到步骤1.
2.如权利要求1中步骤4,聚类算法基于截断核的计算方式和基于高斯核的计算方式。使用截断核计算局部密度ρi的方式如公式所示:
3.如权利要求1中步骤4,聚类算法数据点之间的距离δi根据公式计算得到:
4.如权利要求3,计算各数据点的dij具体过程为:
步骤1:划分数据集分区分成p个,分布到p个worker节点;
步骤2:将完整的数据集拷贝到这p个分区;
步骤3:在每个分区划分到该分区的数据点与整个数据集其他数据点的距离,以点为键归约所有距离,master归约所有worker上的距离。
5.如权利要求4,计算局部密度ρi具体的过程为:将上一步计算得到的dij矩阵广播到之前的p个worker节点,在每个分区的数据点对应的exp(-(dij/dc)2)矩阵,使用breeze并行计算各数据点的局部密度ρi,并返回ρi给主机,master对所有ρi进行降序排列。
6.如权利要求5,计算局部密度δi具体的过程为:将权利要求5计算得到的按局部密度降序的排名num广播到之前的p个worker节点,然后在每个分区为该分区内的数据点取得num比其大的数据点,在每个分区为该分区内的数据点对应的距离dij排序,按照公式求距离δi,以点为键规约所有距离,master归约所有worker上的距离δi。