基于支持向量回归的叶片挤压出料温度预测研究

目的 针对传统叶片精锻过程中存在的质量波动较大的问题，提出一种预测传统叶片精锻质量的方法。方法 以GH4169转子叶片精锻的挤压工序为研究对象，以叶片精锻挤压过程中的160组模拟结果为数据集(以其中的120组数据为训练集、其余40组数据为测试集)，对截面点的出料温度进行预测。首先利用特定的数据预处理手段及特征工程提升模型的预测精度及泛化能力，建立SVR预测模型，然后基于网格搜索算法和粒子群优化算法(GS–PSO)对预测模型中参数C和γ进行调节，得到优化后的模型，最后将测试数据集带入优化后的模型中，将预测值与真实值进行对比。结果 单一的SVR模型预测效果不佳，利用GS–PSO算法优化后，模型自适应度由0.007 8左右降到0.005 2左右，模型收敛快且优化效果显著。30颗粒子迭代50次的最终优化结果为:C=425.432 8，γ=1.883 2，模型优化后的预测值与实际值之间拟合度较好，每组数据的预测误差都远小于10%。结论 经GS–PSO优化的出料温度SVR预测模型在测试集中有较好的预测效果，满足行业数据预测要求的一般标准，对传统叶片精锻过程指标预测具有较好的参考意义。

Prediction of Discharge Temperature for Blade Extrusion Based on Support Vector Regression