一种基于支持向量机的针阀体挤压研磨精度预测方法与流程

本发明属于加工精度预测领域，涉及针阀体研磨精度预测方法，特别是涉及一种基于支持向量机的针阀体挤压研磨精度预测方法。

背景技术：

针阀体偶件是柴油机喷射系统中最关键的部件之一，担负着燃油系统最终的动作—喷油。针阀体偶件的精度与性能影响整个喷射系统的性能，尤其是针阀体的喷孔孔径和喷孔流量直接影响燃油的雾化效果和燃烧率，从而影响着柴油机的经济性、动力性、启动性和排放性。经过前期工艺加工之后的针阀体，喷孔内存在大量的毛刺和尖角，导致流量系数较低，流量散差太大，无法满足柴油机工作需要，必须进行精整加工。挤压研磨技术作为柴油机针阀体喷孔精整加工的重要工艺，通过采用粘度较大的半固态研磨浆料在工件中的流动，从而有效去除喷孔内毛刺和尖角，增加针阀体流量系数，减小针阀体的流量误差率。

针阀体研磨精度预测是根据输入的研磨精度影响因子及各加工参数预测最终的研磨精度，从而确保加工参数的取值符合研磨精度的要求。以往针阀体研磨的精度预测多采用经验公式法，如V.K.Jain和S.G.Adsul等人通过一系列实验得出工艺参数如磨料浓度、磨料粒度和加工次数等与材料去除率和表面粗糙度间的关系；无锡油泵油嘴研究所的唐维平等人利用正交实验方法得出针阀体流量增加率和加工压力、加工时间以及加工压力与加工时间的交互作用之间的回归方程；清华大学的黄颖等人利用自制的挤压研磨设备，通过一系列定量试验，确定了流量系数增加率与加工时间加工压力、研磨剂浓度以及磨料粒度和载体之间的关系。但由于影响针阀体挤压研磨精度的参数很多，且加工精度与参数间的关系比较复杂，具有高度的非线性，因此常规方法得到的经验公式很难准确地预测出两者间的工艺规律。

支持向量机是由Vapnik等人根据统计学习理论中的结构风险最小化的原则提出。由于支持向量机拥有调节参数少、学习速率快、分类与预测准确率高、鲁棒性强以及良好的泛化能力等优点，在没有大量的针阀体研磨加工的背景信息数据的前提下，它也可以获得较高的准确率。前人尝试将支持向量机应用在生产加工智能预测领域，如Der-Chiang Li为了提高滤色器生产工艺的效率，在其研究中测试了多种线性拟合方法，试验中使用6个相对独立的变量。他最后发现支持向量机回归拟合模型是预测制造效率的最佳方法。Pao-Hua Chou等人开发了一个晶片质量预测模型，证明支持向量机方法获得比径向基函数神经网络(RBFN)和反向传播神经网络(BPNN)更好的预测精度。但参数的优化选择对支持向量机的学习精度和推广能力的好坏起着决定性作用，目前一般都通过交叉验证试算的方法，或者梯度下降法确定，不仅效率低而且稳定性不高。

技术实现要素：

本发明的目的在于，提供一种基于支持向量机的针阀体挤压研磨精度预测方法，采用交叉验证法建立支持向量机(SVM)模型，利用粒子群算法(PSO)对SVM模型的参数进行优化，为后续加工参数的选择提供了指导，提高了针阀体挤压研磨精度预测的准确性和针阀体挤压研磨加工的质量，从而增加了柴油机的经济性、动力性、启动性和排放性。

为达到上述目的，本发明采用的技术方案为：

一种基于支持向量机的针阀体挤压研磨精度预测方法，包括以下步骤：

(1)、确定针阀体研磨精度的评价指标及影响因子，

(2)、采集与处理样本数据，

(3)、建立针阀体挤压研磨预测模型，

(4)、采用粒子群算法优化支持向量机，

(5)、验证模型，得到最佳优化方案。

所述步骤(1)具体为：选取流量误差率作为研磨精度的评价指标，流量误差率公式为：

其中，Q_d为针阀体的目标流量值，Q_P为加工后的实际测量值；

选取影响针阀体挤压研磨加工精度最大的四个影响因子为：系统温度、系统压力、研磨浆料使用时间、加工余量。

所述步骤(2)采集与处理样本数据具体为：结合正交试验，在自制的高精度智能针阀挤压研磨机床上进行研磨加工实验，采集样本数据；对所获得的数据进行整理、分析和优化，并对数据进行归一化处理。

所述步骤(3)建立针阀体挤压研磨预测模型，具体为：

(3-1)选用径向基核函数为模型核函数，采用交叉验证法确定惩罚因子C和核参数g；

(3-2)将样本数据{x₁,x₂,x₃,...x_n}分成2部分，其中前m个数据作为训练样本进行预测模型的建立，后N-m个数据用于预测检验，训练样本与测试样本比例遵循公式：

所述步骤(4)采用粒子群算法优化支持向量机，具体为：

(4-1)初始化：对样本数据进行[-1,1]的归一化处理并读取样本数据；设定参数运动范围，设定学习因子C₁和C₂，进化代数E，惩罚因子C和核函数g；

(4-2)适应度评价：计算个体适应度值，初始化个体最优和全局最优；

(4-3)比较寻优：更新粒子的速度和位置产生新种群，计算新种群的个体适应度值，分别比较当前参数C和g的适应值和自身历史最优值及种群最优值，更新种群最优参数C和g的全局最优值；

(4-4)检查结束条件，寻优达到最大进化代数，结束寻优，输出最佳参数C和g。

所述步骤(5)验证模型，具体为：

采用PSO对SVM参数在全局范围内寻优，利用样本数据采用不同参数进行多种优化试验来评估均方误差(E/mse)和决定系数R²，探究在不同参数取值下的预测结果，然后进行对比以得到最佳的SVM优化方案：

其中，n为测试集样本个数；y_i(i＝1,2,...,n)为第i个样本的真实值；y’_i(i＝1,2,...,n)为第i个样本的预测值；E越小表示预测的准确度越大，决定系数R²的大小决定了相关的密切程度，R²越接近于1表示拟合优度越大。

与现有技术相比，本发明具有如下的优点：

本发明采用支持向量机算法(SVM)结合粒子群算法(PSO)建立全面而准确的数学模型来预测针阀体挤压研磨的精度的规律。其中，PSO优化算法可较快地对SVM模型进行参数寻优，其优越的全局化性可以保证模型的准确性。本发明既满足针阀体研磨精度预测准确性高的要求，又实现其预测效率高的要求。

附图说明

图1是本发明涉及的基于支持向量机的针阀体挤压研磨精度预测方法的流程图。

图2是本发明涉及的粒子群优化支持向量机流程图。

图3是本发明涉及的SVM回归预测模型训练集的预测结果图。

图4是本发明涉及的SVM回归预测模型测试集的预测结果图。

图5是本发明涉及的SVM模型的PSO参数寻优适应度曲线示意图。

图6是本发明涉及的采用PSO算法优化后的预测模型的预测结果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，一种基于支持向量机的针阀体挤压研磨精度预测方法，包括以下步骤：

步骤一：确定针阀体研磨精度的评价指标及影响因子。

选取流量误差率作为研磨精度的评价指标，流量误差率公式为：

其中，Q_d为针阀体的目标流量值，Q_P为加工后的实际测量值；

选取影响针阀体挤压研磨加工精度最大的四个影响因子为：系统温度、系统压力、研磨浆料使用时间、加工余量。

步骤二：样本数据采集与处理。

在自制的高精度智能针阀挤压研磨机床上进行研磨加工实验，结合正交试验设计，得到设定工艺参数所对应的研磨效果，并对所获得的数据进行整理、分析和优化，对数据进行归一化处理。

步骤三：建立针阀体挤压研磨预测模型。

(1)选用径向基核函数为模型核函数，采用交叉验证法确定惩罚因子C和核参数g。

(2)将样本数据{x₁,x₂,x₃,...x_n}分成2部分，其中前m个数据作为训练样本进行预测模型的建立，后N-m个数据用于预测检验。

步骤四：粒子群优化支持向量机，如图2所示。

(1)初始化。对样本数据进行[-1,1]的归一化处理并读取样本数据。设定参数运动范围，设定学习因子(C₁和C₂)，进化代数(E)，惩罚因子C和核函数。

(2)适应度评价。计算个体适应度值，初始化个体最优和全局最优。

(3)比较寻优。更新粒子的速度和位置产生新种群，计算新种群的个体适应度值。分别比较当前参数C和g的适应值和自身历史最优值及种群最优值，更新种群最优参数C和g的全局最优值。

(4)检查结束条件。寻优达到最大进化代数，结束寻优，输出最佳参数C和g。

步骤五：模型验证。

采用PSO对SVM参数在全局范围内寻优。利用样本数据采用不同参数进行多种优化试验来评估mse和R²，探究在不同参数取值下的预测结果，然后进行对比以得到最佳的SVM优化方案。

在自制的高精度智能针阀挤压研磨机床上进行研磨加工实验，选取研磨介质为ASF-IS-A013，以为型号为ZCK154S427的针阀体为例进行加工，该针阀体为长型多孔式喷油嘴，其喷孔夹角为154°，大端外径为17mm，4个喷孔，喷孔直径为0.27mm。选取系统压力、磨料使用时间、加工余量、系统温度作为研磨精度的影响因子，流量误差率研磨精度衡量因素。

加工时加工压力分别取3MPa，3.5MPa，4MPa，4.5MPa，5MPa，5.5MPa，6Mpa；磨料使用时间取为1-35天之间的数值；取待加工的针阀体加工余量一般处于7％-10％之间；通过温控系统使系统温度控制在15-35℃。

试验按分组方式进行加工，每十个为一组，控制加工的目标流量相同即选择定流量加工方式，每组加工的针阀体输入输出数据均存在加工历史数据库中，方便观察调用。实验采集数据如见表1；

表1实验采集的样本数据表

对样本进行归一化操作，将数据归一化到(-1，1)区域间，见表2；

表2归一化后的样本数据表

完成准备工作后，开始样本数据的训练和模型的建立。首先利用交叉验证的方法寻求最佳的参数C和g。然后利用SVM回归预测模型对归一化后的样本数据进行学习和预测。SVM回归预测模型训练集的预测结果如图3所示，SVM回归预测模型测试集的预测结果如图4所示。

采用PSO对SVM参数在全局范围内寻优。采用不同参数进行多种优化试验来评估mse和R²，探究在不同参数取值下的预测结果，PSO优化算法在参数Maxgen＝500、pop＝100时得到最优分类结果mse＝0.97656、R²＝0.0065651。PSO参数寻优适应度曲线如图5所示，优化后的预测结果如图6所示。

以上实施例可以证明，本发明实现了对针阀体挤压研磨精度的预测，预测结果精确，符合加工要求。