[发明专利]基于相似原理的改进KNN算法的挤压铸造工艺参数设计方法

权利要求书

1.基于相似原理的改进KNN算法的挤压铸造工艺参数设计方法，其特征在于，所述方法包括如下步骤：

步骤1：挤压铸造工艺数据表示，对于已有挤压铸造工艺参数数据集case，表示为case＝{S_i|i＝1,2,…,m}，m为数据样本的个数，每个样本数据包含挤压铸造的工艺参数、材料成分数据和形状特征数据的属性变量，按照性质将样本属性划分为工艺参数的影响因素X_k，其中k＝1，2，...，t，t表示工艺影响因素的个数，和工艺参数Y_j，其中j＝1，2，...，n)，n表示工艺参数的个数，数据样本S_i的对应属性数据分别为x_ik和y_ij，挤压铸造的工艺参数包括挤压压力、浇注温度和模具预热温度等。

步骤2：得到所设计的工艺参数的相关影响属性，对所设计的目标挤压铸件的特定工艺参数Y_j，称为目标工艺参数，对应值为y_oj，工艺参数的影响因素X_k并非都是工艺参数Y_j的相关影响因素，利用SVM-RFE算法从X_k中选取直接影响该工艺参数的相关属性，设为X_c＝{X₁,X₂,…,X_s}；

步骤3：选出挤压铸造工艺参数数据集case中目标工艺参数Y_j及其相关属性X_c所对应的数据，表示为case^*，基于熵权法和数据集case^*计算步骤1选取的相关属性X_c＝{X₁,X₂,…,X_s}的权重，区分X_c＝{X₁,X₂,…,X_s}对Y_j的影响程度，得到相关属性的权重记为W＝{w₁,w₂,…,w_s}；

步骤4：进行相关属性X_c的相对变化趋势的衡量和工艺数据筛选，将对应的挤压铸造工艺参数数据视为N维变量集合，不同工艺参数数据的差异可视为N维变量运动、变化和发展的结果，根据步骤2选取的相关属性X_c＝{X₁,X₂,…,X_s}，计算衡量已有工艺参数数据和待设计的目标工艺参数的相关属性的相对变化趋势，并筛选出与待设计的目标工艺参数的相关属性相对变化趋势程度最相近的工艺参数数据，设为S^*＝{S₁^*，S₂^*，...，S_p^*}，p为聚类所得的工艺参数数据数量；

步骤5：应用KNN算法，对步骤4得到的聚类结果S^*＝{S₁^*，S₂^*，...，S_p^*}加权聚类，然后对聚类结果进行加权求和，得到求和结果即为所所需的工艺参数Y_j。

2.根据权利要求1所述的基于相似原理的改进KNN算法的挤压铸造工艺参数设计方法，其特征在于：步骤2中，基于SVM-RFE算法相关属性的选取过程为，基于PyCharm平台，从sklearn.feature_selection和sklearn.svm模块分别导入RFE和SVE功能模块，SVM-RFE算法的具体过程为，以工艺参数的影响因素X_k和工艺参数Y_j作为模型的输入数据，其中k＝1，2，...，t，使用特征变量训练模型，计算每个特征变量的重要性排序标准，剔除最不重要的K个特征，保留其余特征，并判断剩余特征数量达到简约要求，若果达到，从X_k中选取工艺参数Y_j的相关属性X_c＝{X₁,X₂,…,X_s}，如果没有达到重复计算。