[发明专利]一种基于K折交叉验证法的支持向量机近似模型优化方法

说明书

本发明公开了一种基于K折交叉验证法的支持向量机近似模型优化方法，包括建立回弹预测数字模型、运用拉丁超立方抽样进行回弹预测来获取板料移动位移、通过z‑score标准化归一法进行样本数据预处理，最后通过K折交叉验证法优化支持向量机非线性回归近似模型参数；本发明通过K折交叉验证法优化SVM参数，寻优结束后，最终得到的优化结果为：c＝1.6245，g＝4，均方差mse＝0.8066，获得优化结果的3D视图及等高线视图。

技术领域

本发明属于SGCC板料复杂弯曲成形工艺领域，尤其涉及一种基于K折交叉验证法的支持向量机近似模型优化方法。

背景技术

随着汽车在生活、生产领域的迅速普及与更新，车窗升降板作为调节汽车窗口的重要活动零件，其装配性能和使用性能的好坏直接决定了车窗活动的平稳性和顺滑度，同时也在很大程度上影响人们的体验感受。由于车窗升降板的结构相对于其他大型覆盖件和结构件而言，具有形状复杂、曲率变化大、零件装配尺寸要求高的特点，导致在实际生产过程中为了获得质量上佳的零件，需要尽可能地减小零件回弹，避免造成零件尺寸精度的下降。

现阶段，在对冲压件进行回弹分析时，有较为成熟的解析求解法，但是只有在分析形状相对简单、容易成形的零件才有用，比如常见的U型件和V型件等。一旦涉及到形状复杂、特征较多的异形件时，解析求解法则无用武之地。同时有研究发现，在试验条件下的回弹量理论计算值均偏大，且平均相对误差高达88％，所以仅仅依靠理论公式的解析计算来预测零件回弹量是远远不可行的，甚至会给出错误的预测结果，误导实际应用。

发明内容

本发明要解决的技术问题是：提供一种基于K折交叉验证法的支持向量机近似模型优化方法，能够避免出现像传统交叉验证法出现的存在费时、效率低的缺点，提高支持向量机的学习能力及收敛速度，增加了对支持向量机模型参数选择的准确性和可靠性，以解决上述现有技术中存在的问题。

本发明采取的技术方案为：一种基于K折交叉验证法的支持向量机近似模型优化方法，该方法包括以下步骤：

(1)确定支持向量机的核函数类型：选择径向基函数作为支持向量机模型的核函数；

(2)确定径向基函数的惩罚因子C和核参数σ：取惩罚参数的变化范围为C∈[2^-5，2¹⁰]，核参数的取值范围为σ∈[2^-5,2²]；

(3)确定优化目标和优化变量：将零件成形后发生回弹的最大位移量作为优化目标，记为y_i＝(blank movement)_i，根据使用要求，在不发生破裂等不可修复性缺陷的前提下，最大位移量需小于y_min＝0.5mm；优化变量为板料厚度A、冲压速度B和摩擦因数C；

(4)确定样本获取的方法：采用拉丁超立方抽样方法获取100组优化变量试验数据，并通过dynaform平台分别进行车窗升降板的冲压成形有限元数值模拟和结果分析；

(5)确定K折交叉验证法的K值：取K＝5，即将上述试验数据分成5组，其中1组作为验证集，其余4组作为测试集，并取验证集的均方差作为评判该模型的误差；

(6)数据归一化处理：采用z-score标准化法对数据进行归一化处理，将不同量纲、数量级的优化变量均归于[-1，1]区间内；

(7)建立优化模型：将C和σ的选择区间用幂函数表达，区间端点为幂函数的指数，采用K折交叉验证算法进行支持向量机回归模型的参数寻优，构建支持向量机近似模型。

优选的，上述步骤(3)的优化变量在初始成形工艺参数的基础上对每个参数的初始值以80％和120％的比例计算最大值和最小值，从而确定优化区间。