(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111310253.5 (22)申请日 2021.11.04 (71)申请人 浙大城市学院 地址 310015 浙江省杭州市拱 墅区湖州街 51号 (72)发明人 万安平　龚志鹏　陈挺　王文晖　 缪徐　 (74)专利代理 机构 杭州九洲专利事务所有限公 司 33101 代理人 张羽振 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 20/20(2019.01) G06F 111/10(2020.01)G06F 113/08(2020.01) G06F 119/14(2020.01) G06F 119/08(2020.01) (54)发明名称 基于XGBoost的电子膨胀阀质量流量特性预 测方法 (57)摘要 本发明涉及一种基于XGBoost的电子膨胀阀 质 量 流 量 特 性 预 测 方 法 ， 包 括 步 骤 ：用 Buckinghamπ原理对 参数进行无量纲化处理， 再 采用Z‑score标准化方法对参数进行归一化处 理； 处理后的参数构成数据集， 进行数据集划分； 搭建XGBoost模型， XGBoost模型为树集成模型。 本发明的有益效果是： 本发明利用公开的制冷剂 流经电子膨胀阀的实验数据进行实验， 以数据中 的阀门直径、 入口压力、 出口压力、 入口温度、 过 冷度和阀门开度设为预测变量， 将质量流量系数 设为目标值， 结合回归任务的基本评价指标 RMSE、 MAE和R2对预测质量流量系数和实际的质 量流量系数进行比较， 以评估已建立的XGBoost 模型的准确性。 权利要求书5页 说明书7页 附图4页 CN 114021461 A 2022.02.08 CN 114021461 A 1.一种基于XGBoost的电子膨胀阀质量流量特性预测方法， 其特征在于， 包括以下步 骤： 步骤1、 用Buckinghamπ原理对参数进行无量纲化处理， 再采用Z ‑score标准化方法对参 数进行归一 化处理； 处理后的参数构成数据集， 进行 数据集划分； 步骤1.1、 用Buckin ghamπ原理对实验收集的对制冷剂流量具有决定性影响的参数进行 无量纲化处 理： π5＝z    (1) 上式中， π1～ π5表示无量纲化后的五个参数， Pin表示膨胀阀入口压力， Pout表示膨胀阀出 口压力， Pc表示临界状态压力， Tsub表示制冷剂的过冷度， Tc表示临界状态温度， vg表示气体 粘度系数， vf表示液体粘度系数， σ 表示制冷剂的表面 张力， D表示膨胀阀的直径， z表示膨胀 阀开度； 步骤1.2、 采用Z ‑score标准化方法对参数进行归一 化处理； 步骤1.3、 将数据集中的经过步骤1.1至步骤1.2处理后的对制 冷剂流量具有决定性影 响的参数进行随机打乱， 将数据集划分为训练集和 测试集； 步骤2、 搭建XGBo ost模型， XGBo ost模型为 树集成模型； 步骤3、 用训练集训练XGBoost模型， 用测试集来评估XGB oost模型的精度； 使用XGBoost 模型预测得到电子膨胀阀的质量 流量； 步骤3.1、 电子膨胀阀的质量 流量特性关联式表示 为： 上式中， Cd为质量流量系数； A为膨胀阀口的流通面积， 单位为m2； Pin、 Pout分别为制冷剂 在电子膨胀阀入口和出口 的压力， 单位均为 kPa； ρ 表示制冷剂的密度， 单位 为kg/m3； 步骤3.2、 将XGBoo st模型预测得到的质量流量系数Cd经式(19)转化为质量流量 之后， 再 用相对误差、 均方根误差来分析电子膨胀阀质量流量预测值和电子膨胀阀质量流量测量值 的拟合效果。 2.根据权利要求1所述基于XGBoost的电子膨胀阀质量流量特性预测方法， 其特征在 于， 步骤1.2中Z ‑score标准化的公式具体为： 上式中， 为标准化值； x为原 始值； μ为均值； σ 为标准层， 数值区间为[ ‑1,1]。 3.根据权利要求1所述基于XGBoost的电子膨胀阀质量流量特性预测方法， 其特征在权　利　要　求　书 1/5 页 2 CN 114021461 A 2于， 步骤1.3中将数据集的70％划分为训练集， 将数据集中剩余数据作为测试集。 4.根据权利要求1所述基于XGBoost的电子膨胀阀质量流量特性预测方法， 其特征在 于， 步骤2具体包括如下步骤： 步骤2.1、 给定一个拥有n个样本和m个特征的数据集D＝(xi,yi)(|D|＝n， xi∈Rm,yi∈ R)， 定义函数如下： 上式中， xi为第i个自变量， yi为第i个因变量， 为预测值， Rm为整个m维空间， R为整体 实数， φ(xi)为关于xi的函数,fk()为第k棵树的权 重函数； K为XGBo ost树的总数； 步骤2.2、 构建XGBo ost模型的目标函数： Obj( θ )＝ L( θ )+Ω( θ )        (4) L( θ )是用来衡量预测值和 测量值之间误差的损失函数： Ω( θ )是用来衡量XGBoost模型复杂程度的函数， 用Ω( θ )来平滑各 叶子节点之间的权 重避免过拟合： 上式中， T为叶子节点的个数； 为正则化项， 用于防止XGBoost模型过拟合； w为 每个叶子节点的得分； γ和 λ为用来避免过拟合的控制因子； 将式(4)中的目标函数写为： 上式中， 为损失函数， 用于反应添加的节点对目标函数影响； ft为第t 棵树的权 重函数； ， ft(xi)为第t棵树的相关函数； 步骤2.3、 当创建新 树来拟合上次迭代遗留的残差时： 上式中， 为第t次迭代时样本i的预测值， ft(xi)为第t棵树的相关函数； 对式(7)进行二阶泰勒展开， 得到：权　利　要　求　书 2/5 页 3 CN 114021461 A 3