1.一种挤压铸造工艺温度参数设计方法，其特征在于，所述方法包括如下步骤：

步骤1：挤压铸造工艺数据的表示，对于已有挤压铸造工艺参数数据集DB，表示为DB＝{Si|i＝1,2,…,m}，m为数据样本的个数；

步骤2：基于KNN算法的工艺参数初始设计，将DB中的已有数据样本作为参考对象，利用KNN算找出与设计铸件材料成分相近的K个邻样本，并根据K个近邻样本与设计铸件的材料成分的距离来确定影响权重，然后将K个近邻样本的对应温度工艺参数加权回归值作为设计铸件的温度工艺参数的设计初值，设第i个样本的浇注温度和模具预热温度分别为yi1和yi2，设目标铸件为O，对应材料成分为{o1,o2,…,oθ}，浇注温度和模具预热温度分别为yo1和yo2；

步骤3：基于GRNN算法的温度参数修正，基于KNN算法预测的浇注温度误差小，可直接应用，而模具预热温度预测值误差大，平均设计误差在12‑14％，因为模具预热温度的选择与合金的凝固温度、铸件尺寸形状都有关，为此以下只对模具预热温度进行修正，首先设法基于数据库DB中的数据分析出除材料成分外的影响因素，得到基于GRNN的模具预热温度的修正模型结构，其为有导师型网络，通过样本训练可得到误差修正模型，将模型拟合的误差修正量与模具预热温度初始值求和完成工艺参数的设计；

所述步骤3中，基于GRNN算法的模具预热温度修正过程为：

步骤3.1：模具预热温度修正的影响因素识别，对数据库中已有样本的零件复杂度的相关属性进行分类，相关属性为去除材料成分之外的属性，然后按划分类别，统计数据库中已有样本属于类别的数量，并计算同类的模具预热温度的算术平均值为该类铸件的模具预热温度，在此基础上，采用最小二乘法拟合对应相关属性与模具预热温度的关系，通过拟合优度结果判断实际相关性，取拟合优度超过80％的为最相关因素，列入GRNN的输入量，基于PyCharm平台实现最小二乘法拟合，拟合优度计算如下：式中，y为最小二乘法拟合的模具预热温度值；

步骤3.2：基于步骤3.1选取的模具预热温度相关因素，建立GRNN误差修正模型；

GRNN误差修正模型包括输入层、模式层、求和层和输出层；

输入层为影响因素变量，由于是在初始的模具预热温度基础上进行修正，因此将浇注温度、模具预热温度初值、最小壁厚等级和零件复杂度作为输入向量，表示为D，对应输出为模具预热温度误差值；

模式层用于计算测试与训练样本输入向量的距离信息模式层的神经元数量与模型的训练样本数量相同，即每一个模式层神经元对应一个训练样本，与输入层神经元为全连接，表示所有输入变量对模具预热温度误差都有影响，层内神经元采用无连接，即不同铸件其模具预热温度独立，传递函数为：式中Dλ为模式层的第λ个神经元对应的训练样本的输入向量，Do为目标铸件的输入向量，Pλ为模式层的第λ个神经元的计算值，q为训练样本的数量，σ为超参数光滑因子；

求和层使用两种类型神经元进行求和，分别为A类神经元和B类神经元；

A类神经元只有一个，计算值为所有模式层神经元的输出算数和：

B类神经元的数量与输出向量维数相同，需要对模式层所有神经元进行加权求和，求和层第N个B类神经元与模式层第λ个神经元的连接权值为该模式层神经元对应的学习样本的输出向量中第N个元素lλN，N为正整数，其计算公式为：式中：lλN为第λ个模式层神经元对应的学习样本对应的第N个输出值；

输出层按得到的输出量即模具预热温度的修正值计算为

代入下式，即可得到最终的模具预热温度设计值y′o2；

y′o2＝yo2‑Δyo2

式中，y′o2为修正后的模具预热温度值。

2.根据权利要求1所述的一种挤压铸造工艺温度参数设计方法，其特征在于：步骤1的具体过程为：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Xk，k＝1，2，...，t，t表示工艺影响因素的个数，工艺参数Yj，j＝1，2，...，n，n表示工艺参数的个数，数据样本Si的对应属性数据分别为xik和yij，工艺参数包括挤压压力、浇注温度和模具预热温度。

3.根据权利要求1所述的一种挤压铸造工艺温度参数设计方法，其特征在于：步骤2的具体过程为：步骤2.1：对数据进行预处理，利用数据归一化方法消除不同相关属性之间不同纲量的影响：式中，max(k)和min(k)分别表示工艺参数数据库中第k列数据的最大值和最小值；

步骤2.2：计算样本间的距离，通过计算欧氏距离衡量特征空间内样本之间的距离，并根据距离的大小取K个与目标样本近邻的样本，样本距离计算如下所示：步骤2.3：根据距离di的大小，按从小到大顺序，取K个与O材料成分距离最小的样本，即近邻聚类样本集CS，CS＝{Si′|i′＝1,2…,K}，并根据距离关系确定各聚类样本的权重ωi′，表征与O的相近程度，样本权重计算如下式所示：ωi′是第i′个聚类样本的权重，di'是第i′个聚类样本与目标案例的计算距离；

步骤2.4：根据步骤2.3所得样本权重，对所求的工艺参数进行加权求和，得到目标案例所需的工艺参数，目标案例工艺参数计算如下式所示：基于KNN算法求取最优K值，以构建优聚类规模，经过寻优，当K为某个值时，浇注温度和模具预热温度设计初值的相对误差和均方误差均接近最低水平，此时KNN模型预测效果最精确和稳定。