本發(fā)明屬于加工精度預(yù)測(cè)領(lǐng)域，涉及針閥體研磨精度預(yù)測(cè)方法，特別是涉及一種基于支持向量機(jī)的針閥體擠壓研磨精度預(yù)測(cè)方法。

背景技術(shù)：

針閥體偶件是柴油機(jī)噴射系統(tǒng)中最關(guān)鍵的部件之一，擔(dān)負(fù)著燃油系統(tǒng)最終的動(dòng)作—噴油。針閥體偶件的精度與性能影響整個(gè)噴射系統(tǒng)的性能，尤其是針閥體的噴孔孔徑和噴孔流量直接影響燃油的霧化效果和燃燒率，從而影響著柴油機(jī)的經(jīng)濟(jì)性、動(dòng)力性、啟動(dòng)性和排放性。經(jīng)過前期工藝加工之后的針閥體，噴孔內(nèi)存在大量的毛刺和尖角，導(dǎo)致流量系數(shù)較低，流量散差太大，無(wú)法滿足柴油機(jī)工作需要，必須進(jìn)行精整加工。擠壓研磨技術(shù)作為柴油機(jī)針閥體噴孔精整加工的重要工藝，通過采用粘度較大的半固態(tài)研磨漿料在工件中的流動(dòng)，從而有效去除噴孔內(nèi)毛刺和尖角，增加針閥體流量系數(shù)，減小針閥體的流量誤差率。

針閥體研磨精度預(yù)測(cè)是根據(jù)輸入的研磨精度影響因子及各加工參數(shù)預(yù)測(cè)最終的研磨精度，從而確保加工參數(shù)的取值符合研磨精度的要求。以往針閥體研磨的精度預(yù)測(cè)多采用經(jīng)驗(yàn)公式法，如V.K.Jain和S.G.Adsul等人通過一系列實(shí)驗(yàn)得出工藝參數(shù)如磨料濃度、磨料粒度和加工次數(shù)等與材料去除率和表面粗糙度間的關(guān)系；無(wú)錫油泵油嘴研究所的唐維平等人利用正交實(shí)驗(yàn)方法得出針閥體流量增加率和加工壓力、加工時(shí)間以及加工壓力與加工時(shí)間的交互作用之間的回歸方程；清華大學(xué)的黃穎等人利用自制的擠壓研磨設(shè)備，通過一系列定量試驗(yàn)，確定了流量系數(shù)增加率與加工時(shí)間加工壓力、研磨劑濃度以及磨料粒度和載體之間的關(guān)系。但由于影響針閥體擠壓研磨精度的參數(shù)很多，且加工精度與參數(shù)間的關(guān)系比較復(fù)雜，具有高度的非線性，因此常規(guī)方法得到的經(jīng)驗(yàn)公式很難準(zhǔn)確地預(yù)測(cè)出兩者間的工藝規(guī)律。

支持向量機(jī)是由Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則提出。由于支持向量機(jī)擁有調(diào)節(jié)參數(shù)少、學(xué)習(xí)速率快、分類與預(yù)測(cè)準(zhǔn)確率高、魯棒性強(qiáng)以及良好的泛化能力等優(yōu)點(diǎn)，在沒有大量的針閥體研磨加工的背景信息數(shù)據(jù)的前提下，它也可以獲得較高的準(zhǔn)確率。前人嘗試將支持向量機(jī)應(yīng)用在生產(chǎn)加工智能預(yù)測(cè)領(lǐng)域，如Der-Chiang Li為了提高濾色器生產(chǎn)工藝的效率，在其研究中測(cè)試了多種線性擬合方法，試驗(yàn)中使用6個(gè)相對(duì)獨(dú)立的變量。他最后發(fā)現(xiàn)支持向量機(jī)回歸擬合模型是預(yù)測(cè)制造效率的最佳方法。Pao-Hua Chou等人開發(fā)了一個(gè)晶片質(zhì)量預(yù)測(cè)模型，證明支持向量機(jī)方法獲得比徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFN)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)更好的預(yù)測(cè)精度。但參數(shù)的優(yōu)化選擇對(duì)支持向量機(jī)的學(xué)習(xí)精度和推廣能力的好壞起著決定性作用，目前一般都通過交叉驗(yàn)證試算的方法，或者梯度下降法確定，不僅效率低而且穩(wěn)定性不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于，提供一種基于支持向量機(jī)的針閥體擠壓研磨精度預(yù)測(cè)方法，采用交叉驗(yàn)證法建立支持向量機(jī)(SVM)模型，利用粒子群算法(PSO)對(duì)SVM模型的參數(shù)進(jìn)行優(yōu)化，為后續(xù)加工參數(shù)的選擇提供了指導(dǎo)，提高了針閥體擠壓研磨精度預(yù)測(cè)的準(zhǔn)確性和針閥體擠壓研磨加工的質(zhì)量，從而增加了柴油機(jī)的經(jīng)濟(jì)性、動(dòng)力性、啟動(dòng)性和排放性。

為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案為：

一種基于支持向量機(jī)的針閥體擠壓研磨精度預(yù)測(cè)方法，包括以下步驟：

(1)、確定針閥體研磨精度的評(píng)價(jià)指標(biāo)及影響因子，

(2)、采集與處理樣本數(shù)據(jù)，

(3)、建立針閥體擠壓研磨預(yù)測(cè)模型，

(4)、采用粒子群算法優(yōu)化支持向量機(jī)，

(5)、驗(yàn)證模型，得到最佳優(yōu)化方案。

所述步驟(1)具體為：選取流量誤差率作為研磨精度的評(píng)價(jià)指標(biāo)，流量誤差率公式為：

其中，Q_d為針閥體的目標(biāo)流量值，Q_P為加工后的實(shí)際測(cè)量值；

選取影響針閥體擠壓研磨加工精度最大的四個(gè)影響因子為：系統(tǒng)溫度、系統(tǒng)壓力、研磨漿料使用時(shí)間、加工余量。

所述步驟(2)采集與處理樣本數(shù)據(jù)具體為：結(jié)合正交試驗(yàn)，在自制的高精度智能針閥擠壓研磨機(jī)床上進(jìn)行研磨加工實(shí)驗(yàn)，采集樣本數(shù)據(jù)；對(duì)所獲得的數(shù)據(jù)進(jìn)行整理、分析和優(yōu)化，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

所述步驟(3)建立針閥體擠壓研磨預(yù)測(cè)模型，具體為：

(3-1)選用徑向基核函數(shù)為模型核函數(shù)，采用交叉驗(yàn)證法確定懲罰因子C和核參數(shù)g；

(3-2)將樣本數(shù)據(jù){x₁,x₂,x₃,...x_n}分成2部分，其中前m個(gè)數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行預(yù)測(cè)模型的建立，后N-m個(gè)數(shù)據(jù)用于預(yù)測(cè)檢驗(yàn)，訓(xùn)練樣本與測(cè)試樣本比例遵循公式：

所述步驟(4)采用粒子群算法優(yōu)化支持向量機(jī)，具體為：

(4-1)初始化：對(duì)樣本數(shù)據(jù)進(jìn)行[-1,1]的歸一化處理并讀取樣本數(shù)據(jù)；設(shè)定參數(shù)運(yùn)動(dòng)范圍，設(shè)定學(xué)習(xí)因子C₁和C₂，進(jìn)化代數(shù)E，懲罰因子C和核函數(shù)g；

(4-2)適應(yīng)度評(píng)價(jià)：計(jì)算個(gè)體適應(yīng)度值，初始化個(gè)體最優(yōu)和全局最優(yōu)；

(4-3)比較尋優(yōu)：更新粒子的速度和位置產(chǎn)生新種群，計(jì)算新種群的個(gè)體適應(yīng)度值，分別比較當(dāng)前參數(shù)C和g的適應(yīng)值和自身歷史最優(yōu)值及種群最優(yōu)值，更新種群最優(yōu)參數(shù)C和g的全局最優(yōu)值；

(4-4)檢查結(jié)束條件，尋優(yōu)達(dá)到最大進(jìn)化代數(shù)，結(jié)束尋優(yōu)，輸出最佳參數(shù)C和g。

所述步驟(5)驗(yàn)證模型，具體為：

采用PSO對(duì)SVM參數(shù)在全局范圍內(nèi)尋優(yōu)，利用樣本數(shù)據(jù)采用不同參數(shù)進(jìn)行多種優(yōu)化試驗(yàn)來評(píng)估均方誤差(E/mse)和決定系數(shù)R²，探究在不同參數(shù)取值下的預(yù)測(cè)結(jié)果，然后進(jìn)行對(duì)比以得到最佳的SVM優(yōu)化方案：

其中，n為測(cè)試集樣本個(gè)數(shù)；y_i(i＝1,2,...,n)為第i個(gè)樣本的真實(shí)值；y’_i(i＝1,2,...,n)為第i個(gè)樣本的預(yù)測(cè)值；E越小表示預(yù)測(cè)的準(zhǔn)確度越大，決定系數(shù)R²的大小決定了相關(guān)的密切程度，R²越接近于1表示擬合優(yōu)度越大。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的優(yōu)點(diǎn)：

本發(fā)明采用支持向量機(jī)算法(SVM)結(jié)合粒子群算法(PSO)建立全面而準(zhǔn)確的數(shù)學(xué)模型來預(yù)測(cè)針閥體擠壓研磨的精度的規(guī)律。其中，PSO優(yōu)化算法可較快地對(duì)SVM模型進(jìn)行參數(shù)尋優(yōu)，其優(yōu)越的全局化性可以保證模型的準(zhǔn)確性。本發(fā)明既滿足針閥體研磨精度預(yù)測(cè)準(zhǔn)確性高的要求，又實(shí)現(xiàn)其預(yù)測(cè)效率高的要求。

附圖說明

圖1是本發(fā)明涉及的基于支持向量機(jī)的針閥體擠壓研磨精度預(yù)測(cè)方法的流程圖。

圖2是本發(fā)明涉及的粒子群優(yōu)化支持向量機(jī)流程圖。

圖3是本發(fā)明涉及的SVM回歸預(yù)測(cè)模型訓(xùn)練集的預(yù)測(cè)結(jié)果圖。

圖4是本發(fā)明涉及的SVM回歸預(yù)測(cè)模型測(cè)試集的預(yù)測(cè)結(jié)果圖。

圖5是本發(fā)明涉及的SVM模型的PSO參數(shù)尋優(yōu)適應(yīng)度曲線示意圖。

圖6是本發(fā)明涉及的采用PSO算法優(yōu)化后的預(yù)測(cè)模型的預(yù)測(cè)結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說明。

如圖1所示，一種基于支持向量機(jī)的針閥體擠壓研磨精度預(yù)測(cè)方法，包括以下步驟：

步驟一：確定針閥體研磨精度的評(píng)價(jià)指標(biāo)及影響因子。

選取流量誤差率作為研磨精度的評(píng)價(jià)指標(biāo)，流量誤差率公式為：

其中，Q_d為針閥體的目標(biāo)流量值，Q_P為加工后的實(shí)際測(cè)量值；

選取影響針閥體擠壓研磨加工精度最大的四個(gè)影響因子為：系統(tǒng)溫度、系統(tǒng)壓力、研磨漿料使用時(shí)間、加工余量。

步驟二：樣本數(shù)據(jù)采集與處理。

在自制的高精度智能針閥擠壓研磨機(jī)床上進(jìn)行研磨加工實(shí)驗(yàn)，結(jié)合正交試驗(yàn)設(shè)計(jì)，得到設(shè)定工藝參數(shù)所對(duì)應(yīng)的研磨效果，并對(duì)所獲得的數(shù)據(jù)進(jìn)行整理、分析和優(yōu)化，對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

步驟三：建立針閥體擠壓研磨預(yù)測(cè)模型。

(1)選用徑向基核函數(shù)為模型核函數(shù)，采用交叉驗(yàn)證法確定懲罰因子C和核參數(shù)g。

(2)將樣本數(shù)據(jù){x₁,x₂,x₃,...x_n}分成2部分，其中前m個(gè)數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行預(yù)測(cè)模型的建立，后N-m個(gè)數(shù)據(jù)用于預(yù)測(cè)檢驗(yàn)。

步驟四：粒子群優(yōu)化支持向量機(jī)，如圖2所示。

(1)初始化。對(duì)樣本數(shù)據(jù)進(jìn)行[-1,1]的歸一化處理并讀取樣本數(shù)據(jù)。設(shè)定參數(shù)運(yùn)動(dòng)范圍，設(shè)定學(xué)習(xí)因子(C₁和C₂)，進(jìn)化代數(shù)(E)，懲罰因子C和核函數(shù)。

(2)適應(yīng)度評(píng)價(jià)。計(jì)算個(gè)體適應(yīng)度值，初始化個(gè)體最優(yōu)和全局最優(yōu)。

(3)比較尋優(yōu)。更新粒子的速度和位置產(chǎn)生新種群，計(jì)算新種群的個(gè)體適應(yīng)度值。分別比較當(dāng)前參數(shù)C和g的適應(yīng)值和自身歷史最優(yōu)值及種群最優(yōu)值，更新種群最優(yōu)參數(shù)C和g的全局最優(yōu)值。

(4)檢查結(jié)束條件。尋優(yōu)達(dá)到最大進(jìn)化代數(shù)，結(jié)束尋優(yōu)，輸出最佳參數(shù)C和g。

步驟五：模型驗(yàn)證。

采用PSO對(duì)SVM參數(shù)在全局范圍內(nèi)尋優(yōu)。利用樣本數(shù)據(jù)采用不同參數(shù)進(jìn)行多種優(yōu)化試驗(yàn)來評(píng)估m(xù)se和R²，探究在不同參數(shù)取值下的預(yù)測(cè)結(jié)果，然后進(jìn)行對(duì)比以得到最佳的SVM優(yōu)化方案。

在自制的高精度智能針閥擠壓研磨機(jī)床上進(jìn)行研磨加工實(shí)驗(yàn)，選取研磨介質(zhì)為ASF-IS-A013，以為型號(hào)為ZCK154S427的針閥體為例進(jìn)行加工，該針閥體為長(zhǎng)型多孔式噴油嘴，其噴孔夾角為154°，大端外徑為17mm，4個(gè)噴孔，噴孔直徑為0.27mm。選取系統(tǒng)壓力、磨料使用時(shí)間、加工余量、系統(tǒng)溫度作為研磨精度的影響因子，流量誤差率研磨精度衡量因素。

加工時(shí)加工壓力分別取3MPa，3.5MPa，4MPa，4.5MPa，5MPa，5.5MPa，6Mpa；磨料使用時(shí)間取為1-35天之間的數(shù)值；取待加工的針閥體加工余量一般處于7％-10％之間；通過溫控系統(tǒng)使系統(tǒng)溫度控制在15-35℃。

試驗(yàn)按分組方式進(jìn)行加工，每十個(gè)為一組，控制加工的目標(biāo)流量相同即選擇定流量加工方式，每組加工的針閥體輸入輸出數(shù)據(jù)均存在加工歷史數(shù)據(jù)庫(kù)中，方便觀察調(diào)用。實(shí)驗(yàn)采集數(shù)據(jù)如見表1；

表1實(shí)驗(yàn)采集的樣本數(shù)據(jù)表

對(duì)樣本進(jìn)行歸一化操作，將數(shù)據(jù)歸一化到(-1，1)區(qū)域間，見表2；

表2歸一化后的樣本數(shù)據(jù)表

完成準(zhǔn)備工作后，開始樣本數(shù)據(jù)的訓(xùn)練和模型的建立。首先利用交叉驗(yàn)證的方法尋求最佳的參數(shù)C和g。然后利用SVM回歸預(yù)測(cè)模型對(duì)歸一化后的樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)和預(yù)測(cè)。SVM回歸預(yù)測(cè)模型訓(xùn)練集的預(yù)測(cè)結(jié)果如圖3所示，SVM回歸預(yù)測(cè)模型測(cè)試集的預(yù)測(cè)結(jié)果如圖4所示。

采用PSO對(duì)SVM參數(shù)在全局范圍內(nèi)尋優(yōu)。采用不同參數(shù)進(jìn)行多種優(yōu)化試驗(yàn)來評(píng)估m(xù)se和R²，探究在不同參數(shù)取值下的預(yù)測(cè)結(jié)果，PSO優(yōu)化算法在參數(shù)Maxgen＝500、pop＝100時(shí)得到最優(yōu)分類結(jié)果mse＝0.97656、R²＝0.0065651。PSO參數(shù)尋優(yōu)適應(yīng)度曲線如圖5所示，優(yōu)化后的預(yù)測(cè)結(jié)果如圖6所示。

以上實(shí)施例可以證明，本發(fā)明實(shí)現(xiàn)了對(duì)針閥體擠壓研磨精度的預(yù)測(cè)，預(yù)測(cè)結(jié)果精確，符合加工要求。