环保、节能和安全是当今汽车工业发展的三大主题。点火线圈作为汽车动力单元的关键部件,其性能直接影响汽车的整车动力性、环保特性和节能减排能力。点火线圈的性能指标日益严格,对点火线圈的设计与研发也提出了更高的要求。计算机技术的发展和数学算法在工业生产上的应用为点火线圈开发提供了新的思路。本文研究了现有点火线圈模型的特点,并对点火线圈工艺参数估计模型进行了功能分析,确定了与传统点火线圈开发模型不同的逆向建模方案,以点火峰值电压、放电电流、火花时间及放电能量等点火线圈性能参数作为模型输入,以初级线圈线径、初级线圈匝数、次级线圈线径、次级线圈匝数和铁芯长度5个工艺参数作为模型输出,建立小样本参数估计模型。通过对机器学习理论的两种主要的参数估计方法,即神经网络和支持向量回归进行研究和对比实验,验证了支持向量回归在本文高维小样本建模中的优越性,并确定以支持向量回归作为本文的建模方法。建模过程中首先对每个工艺参数建立多输入单输出模型,应用点火线圈测试数据作为样本对模型进行训练,确定模型的结构,包括模型参数和核函数,从而确定了模型输入与输出间的传递函数;然后通过对支持向量机训练方法的学习研究,设计了改进的Decomposing算法对模型进行训练,以提高模型训练样本选取的自动化程度和整体(去掉)准确度;最后,通过对各个多输入单输出模型之间关系的分析,将多个模型进行整合,建立多输入多输出(MIMO)模型,实现了同时对多个点火线圈工艺参数进行设计的目的。本文设计了点火线圈样件并送合作单位进行加工,在点火线圈生产现场对样件的性能参数集中进行了多次测试,并对测试数据进行了取平均值和归一化的预处理,作为样本数据对模型进行训练和验证。仿真结果与实际值的对比证明了模型的合理性和准确性,从而证明模型达到了预期的设计要求,该方法是可行的。