基于支持向量回歸的點火線圈工藝參數(shù)估計算法研究.pdf

1、環(huán)保、節(jié)能和安全是當今汽車工業(yè)發(fā)展的三大主題。點火線圈作為汽車動力單元的關鍵部件，其性能直接影響汽車的整車動力性、環(huán)保特性和節(jié)能減排能力。點火線圈的性能指標日益嚴格，對點火線圈的設計與研發(fā)也提出了更高的要求。計算機技術的發(fā)展和數(shù)學算法在工業(yè)生產上的應用為點火線圈開發(fā)提供了新的思路。
　　本文研究了現(xiàn)有點火線圈模型的特點，并對點火線圈工藝參數(shù)估計模型進行了功能分析，確定了與傳統(tǒng)點火線圈開發(fā)模型不同的逆向建模方案，以點火峰值電壓、放電

2、電流、火花時間及放電能量等點火線圈性能參數(shù)作為模型輸入，以初級線圈線徑、初級線圈匝數(shù)、次級線圈線徑、次級線圈匝數(shù)和鐵芯長度5個工藝參數(shù)作為模型輸出，建立小樣本參數(shù)估計模型。通過對機器學習理論的兩種主要的參數(shù)估計方法，即神經網絡和支持向量回歸進行研究和對比實驗，驗證了支持向量回歸在本文高維小樣本建模中的優(yōu)越性，并確定以支持向量回歸作為本文的建模方法。
　　建模過程中首先對每個工藝參數(shù)建立多輸入單輸出模型，應用點火線圈測試數(shù)據(jù)作為樣本

3、對模型進行訓練，確定模型的結構，包括模型參數(shù)和核函數(shù)，從而確定了模型輸入與輸出間的傳遞函數(shù)；然后通過對支持向量機訓練方法的學習研究，設計了改進的 Decomposing算法對模型進行訓練，以提高模型訓練樣本選取的自動化程度和整體(去掉)準確度；最后，通過對各個多輸入單輸出模型之間關系的分析，將多個模型進行整合，建立多輸入多輸出(MIMO)模型，實現(xiàn)了同時對多個點火線圈工藝參數(shù)進行設計的目的。
　　本文設計了點火線圈樣件并送合作單位