.1376 工程科学学报，第40卷，第11期 破裂 算法[ 局部减薄严重 破裂趋势 采用Python平台的CART决策树建模与知识 正常 发现步骤如下： 起皱趋势 (l)通过Seikit-Leam中的Cross_Validation按 起皱 严重起皱 比例将样本随机划分为训练和测试集： 拉伸不足 (2)通过Pandas导入训练集样本，初选决策树 的最小叶节点参数： (3)利用Seikit--Leam的DecisionTreeClassifier 函数对训练集样本数据进行分类，建立CART决策 侧壁起皱 树模型，并利用测试集计算模型的召回率和准确率； 图4油箱壳拉深成形极限图 (4)利用Seikit--Leam中的PCA算法对训练集 Fig.4 Forming limit diagram for tank cover drawing 和测试集样本数据降维，并利用Matplotlib对降维后 案，仿真结果如属性决策表4所示.表4中f、h,ru 的数据可视化： 为油箱壳成形质量分类的条件属性，最大减薄率水 (5)调整最小叶节点数，重复(2)~(4)步骤多 平（减薄率）为决策属性.其中最大减薄率按等级划 次，选择最高F1所对应的最小叶节点数为最佳叶节 分3个水平，其最大减薄率范围分别为[0,23%)、 点数建立CART决策树模型，根据决策树模型提取 [23%,30%)、[30%,50%],分别代表成形质量一 知识规则 般、较佳和破裂三种情况 3.2油箱壳拉深知识发现过程及结果讨论 3.2.1主成分分析降维及讨论 表3油箱壳拉深成形影响因素水平表 采用P℃A方法，得到油箱壳拉深主成分累积贡 Table 3 Level table of influence factors of tank cover drawing 献率，如图5，以及油箱壳拉深成形质量分类图，如 条件属性 水平值 f/kN 142.8.225.4,245,264.6,294 图6.图5中前两个和前三个条件属性的累积贡献 h/mm 45,6.7 率分别为71.2%和89.7%，表明压边力f和拉深筋 r/mm 7,10 高度h对工艺成形质量影响最大，是设计时应优先 0.08,0.125 考虑的属性.图6降到两维后，数据聚类明显，直 表4油箱壳拉深成形属性决策表 观，对应成形质量较佳、一般和破裂三个水平分别用 Table 4 Drawing feature table for tank cover good、general和bad表示. 条件属性 决策属性 1.0 编号 减薄 减薄率 f/kN h/mm r/mm 率/% 水平 0.8 1142.8 3 7 0.08 13.86 1 2142.8 7 0.125 15.46 1 0.6 0.479577 一主成分累积贡献率 。 ■主成分贡献率 100294 7 10 0.12547.87 3 0.232783 0.18502 3基于CART决策树的油箱壳拉深工艺知 0.102578 识发现结果及讨论 主成分 3.1 Python平台的知识发现工具与实现步骤 图5油箱壳主成分贡献率 Python平台由Python语言和科学计算扩展库 Fig.5 Principal component contribution rate in CAD model of tank 组成.Python语言具有简洁、易读以及扩展性好的 cover 优点，被国外研究机构认可并广泛应用于人工智能 3.2.2分类法比较 和数据挖掘等领域.Python科学计算扩展库具有开 图7~8中，SVM和CART方法对降维后的数 源优点，其中经典的NumPy、SeiPy、Pandas和Mat- 据全集进行初步建模，对应成形质量较佳、一般和破 plotlib库等实现数据处理以及绘图，而Seikit-Learn 裂三个水平的good、general和bad的试验样本点聚 库和TensorFlow库提供聚类、决策树、神经网络等 类划分，但是表5看出两种模型的准确率和召回率工程科学学报,第 40 卷,第 11 期 图 4 油箱壳拉深成形极限图 Fig. 4 Forming limit diagram for tank cover drawing 案,仿真结果如属性决策表 4 所示. 表 4 中 f、h、r、滋 为油箱壳成形质量分类的条件属性,最大减薄率水 平(减薄率)为决策属性. 其中最大减薄率按等级划 分 3 个水平,其最大减薄率范围分别为[0,23% )、 [23% ,30% )、[30% ,50% ],分别代表成形质量一 般、较佳和破裂三种情况. 表 3 油箱壳拉深成形影响因素水平表 Table 3 Level table of influence factors of tank cover drawing 条件属性 水平值 f / kN 142郾 8,225郾 4,245,264郾 6,294 h / mm 4,5,6,7 r/ mm 7,10 滋 0郾 08,0郾 125 表 4 油箱壳拉深成形属性决策表 Table 4 Drawing feature table for tank cover 编号 条件属性 决策属性 f / kN h / mm r/ mm 滋 减薄 率/ % 减薄率 水平 1 142郾 8 3 7 0郾 08 13郾 86 1 2 142郾 8 3 7 0郾 125 15郾 46 1 … … … … … … … 100 294 7 10 0郾 125 47郾 87 3 3 基于 CART 决策树的油箱壳拉深工艺知 识发现结果及讨论 3郾 1 Python 平台的知识发现工具与实现步骤 Python 平台由 Python 语言和科学计算扩展库 组成. Python 语言具有简洁、易读以及扩展性好的 优点,被国外研究机构认可并广泛应用于人工智能 和数据挖掘等领域. Python 科学计算扩展库具有开 源优点,其中经典的 NumPy、SciPy、Pandas 和 Mat鄄 plotlib 库等实现数据处理以及绘图,而 Scikit鄄Learn 库和 TensorFlow 库提供聚类、决策树、神经网络等 算法[17] . 采用 Python 平台的 CART 决策树建模与知识 发现步骤如下: (1) 通过 Scikit鄄Learn 中的 Cross_Validation 按 比例将样本随机划分为训练和测试集; (2)通过 Pandas 导入训练集样本,初选决策树 的最小叶节点参数; (3 ) 利 用 Scikit鄄Learn 的 DecisionTreeClassifier 函数对训练集样本数据进行分类,建立 CART 决策 树模型,并利用测试集计算模型的召回率和准确率; (4) 利用 Scikit鄄Learn 中的 PCA 算法对训练集 和测试集样本数据降维,并利用 Matplotlib 对降维后 的数据可视化; (5)调整最小叶节点数,重复(2) ~ (4)步骤多 次,选择最高 F1 所对应的最小叶节点数为最佳叶节 点数建立 CART 决策树模型,根据决策树模型提取 知识规则. 3郾 2 油箱壳拉深知识发现过程及结果讨论 3郾 2郾 1 主成分分析降维及讨论 采用 PCA 方法,得到油箱壳拉深主成分累积贡 献率,如图 5,以及油箱壳拉深成形质量分类图,如 图 6. 图 5 中前两个和前三个条件属性的累积贡献 率分别为 71郾 2% 和 89郾 7% ,表明压边力 f 和拉深筋 高度 h 对工艺成形质量影响最大,是设计时应优先 考虑的属性. 图 6 降到两维后,数据聚类明显,直 观,对应成形质量较佳、一般和破裂三个水平分别用 good、general 和 bad 表示. 图 5 油箱壳主成分贡献率 Fig. 5 Principal component contribution rate in CAD model of tank cover 3郾 2郾 2 分类法比较 图 7 ~ 8 中,SVM 和 CART 方法对降维后的数 据全集进行初步建模,对应成形质量较佳、一般和破 裂三个水平的 good、general 和 bad 的试验样本点聚 类划分,但是表 5 看出两种模型的准确率和召回率 ·1376·