基于XGBoost算法的质量预估方法技术

本发明专利技术公开了一种基于XGBoost算法的质量预估方法，属于金属热处理技术领域。包括以下步骤：S101：进行测试以获取相应的输入参数和输出参数作为建模数据；S102：根据建模数据建立XGBoost模型的目标函数，预设模型参数，建立质量预估的XGBoost模型；S103：将建模数据划分为训练集和验证集，对建立的XGBoost模型进行训练和验证以获得质量预估模型；S104：将待预估的输入参数代入训练好的质量预估模型，获得输出参数的预测值。本发明专利技术提出的基于XGBoost算法的感应淬火质量预估方法针对感应淬火过程复杂的问题，采用数据驱动模型对淬火质量进行预估，模型准确率高，能为缩短工艺制定周期提供帮助。提供帮助。提供帮助。

【技术实现步骤摘要】
基于XGBoost算法的质量预估方法


[0001]本专利技术属于金属热处理
，特别涉及一种基于XGBoost算法的质量预估方法。

技术介绍

[0002]感应淬火是一种重要的金属热处理方式，其具有高质高效且较为环保的优点。但是感应淬火涉及到电磁感应、集肤效应、涡流等电热效应和相变互相影响的高度非线性复杂过程，过程中的物理变化迅速、影响参数多、波动剧烈，难以建立理论模型对感应淬火质量进行准确预测，所以传统的处理方式是通过大批量淬火测试选出较为合理的热处理工艺，使产品有达到标准的淬火质量，但是传统方式成本高耗时长。

技术实现思路

[0003]本专利技术提供了一种基于XGBoost(eXtreme Gradient Boosting，极限梯度增强)算法的感应淬火质量预估方法，由此解决现有技术由于感应淬火过程复杂而难以对淬火质量进行预估，具有预估时间短的优点。所述技术方案如下：
[0004]本专利技术实施例提供了一种基于XGBoost算法的质量预估方法，所述方法包括以下步骤：
[0005]S101：进行测试以获取相应的输入参数和输出参数作为建模数据；
[0006]S102：根据建模数据建立XGBoost模型的目标函数，预设模型参数，建立质量预估的XGBoost模型；
[0007]S103：将建模数据划分为训练集和验证集，对建立的XGBoost模型进行训练和验证以获得质量预估模型；
[0008]S104：将待预估的输入参数代入训练好的质量预估模型，获得输出参数的预测值。
[0009]其中，本质量预估方法用于汽车半轴感应淬火质量预估时，输入参数包括产品材料参数、产品尺寸、设备电气参数、淬火感应器参数、加工参数和淬火液参数，输出参数包括汽车半轴杆部的淬层硬度和淬层深度；
[0010]其中，所述产品材料参数包括密度、热导率、比热容和热膨胀系数；所述产品尺寸包括颈部直径、杆部直径、花键直径、半轴长度和半轴杆部与盘部结合部位角半径；所述设备电气参数包括进线三相电压、频率和变压器变比；所述淬火感应器参数包括淬火感应器内径、淬火感应器电压、淬火感应器电流、淬火感应器频率和淬火感应器功率；所述加工参数包括加热时间、加热平均速度和半轴旋转速度；所述淬火液参数包括淬火液流量、淬火液浓度、淬火液温度和淬火液比热容。
[0011]其中，XGBoost模型为：
[0012][0013]其中，为第i个样本x
i
的模型预测的输出参数，F
K
(x
i
)表示K棵树对第i个样本x
i
的预测，F
K
‑1(x
i
)表示前K
‑
1棵树对第i个样本x
i
的预测，f
K
(x
i
)表示第K棵CART回归树；CART回归树会对上述输入参数进行映射，输入参数让节点分裂让CART回归树进行生长，每个样本会根据树的分裂条件最终落到对应的某个叶子节点上，该叶子节点对落在其上的样本有一个统一的预测分数，作为落在此叶子节点的样本在本棵树的预测值ω，每轮训练都会新生成一个CART回归树模型，并将其加入到当前模型中，训练一定数量的CART回归树，样本在每棵树中对应的预测值之和就是样本的最终预测值，也就得到了输出参数的预测值；
[0014]其中，构建的目标函数为：
[0015][0016]其中，
[0017]其中，为第i个样本的模型预测的输出参数，y
i
为第i个样本的实际输出参数，K表示回归树的数量，n表示样本数量，f
k
表示第k个回归树模型，Ω(f)表示正则化项，T表示该回归树的叶子节点数量，ω表示叶子节点的分数，γ和λ为超参数，表示叶子节点分数的L2正则；
[0018]其中，损失函数为：
[0019][0020]其中，为第i个样本的模型预测的输出参数，y
i
为第i个样本的实际输出参数，δ为损失函数的参数，n表示样本数量。
[0021]具体地，质量预估模型的具体建立过程为：
[0022](1)建立XGBoost模型
[0023][0024](2)构建目标函数
[0025][0026]其中，为损失函数，用于计算质量预估模型预测值与真实值之间的误差，y
i
表示真实值，表示预测值，Ω(f
k
)为正则化项，用于控制模型的复杂度，控制过拟合；
[0027]正则化项为：
[0028][0029]其中，T表示叶子节点的个数，ω表示叶子节点的分数，γ和λ为常数系数；第一项γT通过叶子节点数及其系数控制树的复杂度；第二项为L2正则项，用于控制叶子节点的预测分数；
[0030](3)训练模型
[0031]将目标函数进行二阶泰勒展开：
[0032][0033]其中，g
i
为损失函数的一阶梯度，h
i
为损失函数的二阶梯度，在训练目标函数前可以提前统计：
[0034][0035]常数项不影响优化结果，可以进行进一步简化，将常数项移除，得到目标函数：
[0036][0037]为继续优化，整合树模型f
s
(x
i
)和叶子节点预测分数ω，由于f3(x
i
)使样本最终落在一个叶子节点上，计算得到该叶子节点的预测分数ω，所以当样本落在某个叶子节点j上时，可以用ω
j
代替f
s
(x
i
)，得到新的目标函数：
[0038][0039]其中，I
j
为落在叶子节点j的所有样本的样本集；
[0040]可以计算出叶节点j的最优预测分数
[0041][0042]叶子节点的最优权重取决于一阶、二阶梯度和L2正则系数λ；
[0043]利用最优权重即可得到目标函数最优解obj
(*)
：
[0044][0045]基于最优解obj
(*)
，在每轮训练过程中，利用评分指标对所有候选的CART回归树模型进行评价即可选出最优模型；采用精确贪心算法进行优化，对于一棵新的CART回归树，先从树的根节点开始，计算节点分裂前后的目标函数值之差来决定是否分裂；
[0046]基于最优解obj
(*)
，计算节点分裂前后的目标函数值之差：
[0047][0048]在CART回归树节点的分裂过程中，选取部分预估输入参数，对于所选特征，对该特征下所有样本值进行排序，计算每个样本的g
i
和h
i
，再计算所有切分点下的obj
split
，选取obj
split
最大的输入参数及其切分点作为此节点的最优特征和最优切分点，叶子节点按照此最优输入参数和最优切分点进行分裂，最终生成一棵新的CART回归树；CART回本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于XGBoost算法的质量预估方法，其特征在于，所述方法包括以下步骤：S101：进行测试以获取相应的输入参数和输出参数作为建模数据；S102：根据建模数据建立XGBoost模型的目标函数，预设模型参数，建立质量预估的XGBoost模型；S103：将建模数据划分为训练集和验证集，对建立的XGBoost模型进行训练和验证以获得质量预估模型；S104：将待预估的输入参数代入训练好的质量预估模型，获得输出参数的预测值。2.根据权利要求1所述的基于XGBoost算法的质量预估方法，其特征在于，本质量预估方法用于汽车半轴感应淬火质量预估时，输入参数包括产品材料参数、产品尺寸、设备电气参数、淬火感应器参数、加工参数和淬火液参数，输出参数包括汽车半轴杆部的淬层硬度和淬层深度；其中，所述产品材料参数包括密度、热导率、比热容和热膨胀系数；所述产品尺寸包括颈部直径、杆部直径、花键直径、半轴长度和半轴杆部与盘部结合部位角半径；所述设备电气参数包括进线三相电压、频率和变压器变比；所述淬火感应器参数包括淬火感应器内径、淬火感应器电压、淬火感应器电流、淬火感应器频率和淬火感应器功率；所述加工参数包括加热时间、加热平均速度和半轴旋转速度；所述淬火液参数包括淬火液流量、淬火液浓度、淬火液温度和淬火液比热容。3.根据权利要求1所述的基于XGBoost算法的质量预估方法，其特征在于，XGBoost模型为：其中，为第i个样本x
i
的模型预测的输出参数，P
K
(x
i
)表示K棵树对第i个样本x
i
的预测，F
K
‑1(x
i
)表示前K
‑
1棵树对第i个样本x
i
的预测，f
K
(x
i
)表示第K棵CART回归树；CART回归树会对上述输入参数进行映射，输入参数让节点分裂让CART回归树进行生长，每个样本会根据树的分裂条件最终落到对应的某个叶子节点上，该叶子节点对落在其上的样本有一个统一的预测分数，作为落在此叶子节点的样本在本棵树的预测值ω，每轮训练都会新生成一个CART回归树模型，并将其加入到当前模型中，训练一定数量的CART回归树，样本在每棵树中对应的预测值之和就是样本的最终预测值，也就得到了输出参数的预测值；其中，构建的目标函数为：其中，其中，为第i个样本的模型预测的输出参数，y
i
为第i个样本的实际输出参数，K表示回归树的数量，n表示样本数量，f
k
表示第k个回归树模型，Ω(f)表示正则化项，T表示该回归
树的叶子节点数量，ω表示叶子节点的分数，γ和λ为超参数，表示叶子节点分数的L2正则；其中，损失函数为：其中，为第i个样本的模型预测的输出参数，y
i
为第i个样本的实际输出参数，δ为损失函数的参数，n表示样本数量。4.根据权利要求3所述的基于XGBoost算法的质量预估方法，其特征在于，质量预估模型的具体建立过程为：(1)建立XGBoost模型(2)构建目标函数其中，为损失函数，用于计算质量预估模型预测值与真实值之间的误差，y
i
表示真实值，表示预测值，Ω(f
k
)为正则化项，用于控制模型的复杂度，控制过拟合；正则化项为：其中，T表示叶子节点的个数，ω表示叶子节点的分数，γ和λ为常数系数；第一项γT通过叶子节点数及其系数控制树的复杂度；第二项为L2正则项，用于控制叶子节点的预测分数；(3)训练模型将目标函数进行二阶泰勒展开：其中，g
i
为损失函数的一阶梯度，h
i
为损失函数的二阶梯度，在训练目标函数前可以提前统计：
常数项不影响优化结果，可以进行进一步简化，将常数项移除，得到目标函数：为继续优化，整合树模型f
s...

【专利技术属性】
技术研发人员：汪明宇，汪胜利，
申请(专利权)人：湖北神力汽车零部件股份有限公司，
类型：发明
国别省市：