一种金属老化等级测量方法技术

本发明专利技术公开了一种金属老化等级测量方法，包括步骤：S1、选取多个定标样品，通过LIBS系统测定并采集等离子体发射光谱数据；S2、采用递归支持向量机算法构建定标分类模型并进行特征选择，确定重要特征组合并建立金属老化等级定标分类模型；S3、通过LIBS系统测定并采集待测金属样品的等离子体发射光谱数据；S4、根据S2确定的重要特征组合提取预测样品的特征信号，并输入到优化的分类模型中，得到金属样品的老化等级预测值。本发明专利技术可实现特征变量的筛选并得到相应的定标模型，提高了LIBS技术应用于金属老化等级测量的精确度和准确度，并可推广应用到各个工业领域的热力设备运行状态的实时测量评估。

【技术实现步骤摘要】
一种金属老化等级测量方法
本专利技术涉及金属老化等级测量领域，特别涉及一种基于小波变换与递归特征消除的可实现金属老化等级快速测量的方法。
技术介绍
金属管件作为耐热材料广泛应用于电力、冶金、化工和机械等行业的关键大型热力设备中。金属材料性能在高温高压的环境下长时间服役会发生改变，微观上主要体现在微观组织的分布改变，例如晶格内碳化物的析出和晶格大小的变化等；宏观上表现在材料的机械性能，即其硬度和抗拉强度等性能会有所下降，最终材料性能不满足使用要求而导致产生裂纹甚至出现爆管事故，直接影响整个工业生产进程的运行与效益。这些金属材料性能逐渐退化的现象被称之为老化。因此，对金属老化等级进行测量对生产设备安全运行来说具有重大意义。中华人民共和国电力行业标准《DL/T884-2004，火电厂金属检验与评定技术指导》中指出，定性分析管件的老化程度需要进行几种实验分析，其中包括组织上的老化，即观察碳化物析出粒子的粗化及分布形态变化；脆化分析，即观察组织特征组成及相应的韧性与硬度性能变化；蠕变孔洞损伤，即在指定放大倍数下观察管件蠕变损伤的状况。然而这些分析需要割样或原位进行表面复型检验，操作步骤繁琐而且需要专业人员实施，导致分析周期较长，检验工作影响正常生产。因此，需要一种能够实现原位、微损伤和快速地分析管件老化等级的方法。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种金属老化等级测量方法，此方法可实现特征变量的筛选，提高LIBS(激光诱导击穿光谱)技术应用于金属老化等级测量的精确度和准确度。本专利技术的目的通过以下的技术方案实现：一种金属老化等级测量方法，包括步骤：S1、选取多个定标样品，通过LIBS系统测定并采集等离子体发射光谱数据；S2、采用递归支持向量机算法构建定标分类模型并进行特征选择，确定重要特征组合并建立金属老化等级定标分类模型；S3、通过LIBS系统测定并采集待测金属样品的等离子体发射光谱数据；S4、根据S2确定的重要特征组合提取待测金属样品的特征信号，并输入到优化的分类模型中，得到金属样品的老化等级预测值。优选的，所述步骤S1中的定标样品为经过不同时效试验或不同服役时间后老化等级不同的金属样品，所有定标样品的光谱数据为n×m维矩阵，其中n为样品个数，m为光谱特征个数，即：优选的，利用小波变换对步骤S1中所得的光谱数据进行去噪声信号处理，避免了特征选择中随机噪声信号的影响。更进一步的，利用小波变换对光谱数据进行去噪声信号处理具体包括：S1.1、选择小波基函数，采用Mallat算法对光谱数据进行多层分解，得到相应的低频子带信号系数与高频子带信号系数，小波变换的公式如下：其中，WT(a,τ)为信号系数，ψ(·)为基本小波函数；a为尺度因子，影响小波基函数的伸缩；τ为平移因子，影响小波基函数的平移尺度；f(t)为光谱信号随波长的变化；t表示波长；S1.2、根据零均值的高斯白噪声特点，计算噪声的标准偏差并进一步得到小波变换去噪声的阈值，其计算公式如下：σ＝MAD/0.6745其中σ为噪声信号的偏差，MAD为光谱数据分解中高频子带信号系数绝对值的中值；S1.3、使用步骤S1.2得到的阈值对分解的高频子带信号进行软阈值去噪声处理，并对信号进行重构，得到去噪声后的光谱信号，软阈值去噪声的系数处理规则如下：其中，Wλ为软阈值去噪声后的小波系数；w为小波分解系数；λ为步骤S1.2中确定的阈值；Sgn函数用于返回一个参数，指出输入变量的正负号。优选的，所述步骤S2具体包括：S2.1、对定标样品的光谱数据进行标准差标准化(简称Z-score标准化)预处理，其中Z-score标准化的计算公式如下：x*＝(x-μ)/δ其中，x*为进行Z-score标准化后的光谱数据，x为原始的光谱数据，μ为该特征谱线中所有样品数据的均值，δ为该特征谱线中所有样品数据的标准差；S2.2、利用支持向量机模型对定标样品的光谱数据进行建模，对当前光谱特征组合下的模型平均预测能力进行权重评价；S2.3、根据S2.2中分类模型对各特征谱线的权重评价，将相应的特征谱线按照其权重绝对值大小进行排列，并按比例将权重系数排名靠后的特征谱线剔除，剩下的特征谱线作为新的特征组合用于下一层的模型构建；S2.4、重复步骤S2.2-S2.3，得到不同特征组合下的模型预测表现能力，最后选择预测结果准确率最高的特征谱线组合作为重要特征组合，并基于确定的特征组合建立最优的定标分类模型，保证金属老化等级分类模型的准确和稳定。更进一步的，所述步骤S2.2中的权重评价方法为交叉验证方法。优选的，利用小波变换对步骤S3所得的待测金属样品光谱数据进行去噪声信号处理。本专利技术与现有技术相比，具有如下优点和有益效果：1、本专利技术结合小波变换阈值去噪声预处理与递归特征消除方法，避免了特征选择中随机噪声信号的影响，同时递归式的消除特征的方法通过层层筛选并建模的方式能有效地将重要特征保留下来，最后构建一个准确而稳定的老化等级分类模型。2、本专利技术在金属老化等级测量过程中，所有的数据分析过程均在计算机程序中自动运行，可推广到各个工业领域，进行热力设备运行状态的实时测量评估。附图说明图1是本专利技术金属老化等级测量方法实施例2的流程图。图2是本专利技术实施例2中的原始波段光谱图。图3是本专利技术实施例2对波段光谱图采用小波变换去噪声处理后的光谱图。图4是本专利技术实施例2所述的模型在不同特征组合下对预测集的预测能力变化趋势图。具体实施方式为了更好的理解本专利技术的技术方案，下面结合附图详细描述本专利技术提供的实施例，但本专利技术的实施方式不限于此。实施例1本实施例一种基于小波变换与递归特征消除的金属老化等级测量方法，具体的步骤如下：S1、本实施例以T91耐热钢作为测量对象，首先选取多个定标样品，通过LIBS系统测定并采集等离子体发射光谱数据，LIBS技术通过聚焦脉冲激光作用到样品表面，形成等离子体，再利用光谱仪对等离子体发射光谱进行采集，然后使用计算机对光谱数据进行相应的分析并以此来识别样品中的元素组成成分，进而可以实现对材料进行定性以及定量分析；S2、采用递归支持向量机算法构建定标分类模型并进行特征选择，确定重要特征组合并建立最优的金属老化等级定标分类模型；S3、取待测T91耐热钢样品，利用LIBS系统测量待测金属样品的等离子体发射光谱数据；S4、根据步骤S3确定的重要特征组合提取T91耐热钢样品的特征信号，将的特征信号输入到金属老化等级定标分类模型中，得到T91耐热钢的老化等级预测值。具体地，在所述步骤S1的定标样品为经过不同时效试验或不同服役时间后老化等级不同的金属样品，所有金属样品的光谱数据为n×m维矩阵，其中n为样品个数，m为光谱特征个数，即：所述步骤S2具体包括：S2.1、对定标样品的光谱数据进行标准差标准化预处理；其中Z-score标准化的计算公式如下：x*＝(x-μ)/δ式中x*为进行Z-score标准化后的光谱数据，x为原始的光谱数据，μ为该特征谱线中所有样品数据的均值，δ为该特征谱线中所有样品数据的标准差；S2.2、使用线性内核的支持向量机算法模型对定标样品的光谱数据进行建模；定标样品的光谱数据采用5折叠交叉验证法验证模型的预测能力，即每次将定标样品的光谱数据按等级分成5份，并循环地用其中的4份数本文档来自技高网...

【技术保护点】
1.一种金属老化等级测量方法，其特征在于，包括步骤：S1、选取多个定标样品，通过LIBS系统测定并采集等离子体发射光谱数据；S2、采用递归支持向量机算法构建定标分类模型并进行特征选择，确定重要特征组合并建立金属老化等级定标分类模型；S3、通过LIBS系统测定并采集待测金属样品的等离子体发射光谱数据；S4、根据步骤S2确定的重要特征组合提取待测金属样品的特征信号，并输入到优化的分类模型中，得到金属样品的老化等级预测值。

【技术特征摘要】
1.一种金属老化等级测量方法，其特征在于，包括步骤：S1、选取多个定标样品，通过LIBS系统测定并采集等离子体发射光谱数据；S2、采用递归支持向量机算法构建定标分类模型并进行特征选择，确定重要特征组合并建立金属老化等级定标分类模型；S3、通过LIBS系统测定并采集待测金属样品的等离子体发射光谱数据；S4、根据步骤S2确定的重要特征组合提取待测金属样品的特征信号，并输入到优化的分类模型中，得到金属样品的老化等级预测值。2.根据权利要求1所述的金属老化等级测量方法，其特征在于：所述步骤S1中的定标样品为经过不同时效试验或不同服役时间后老化等级不同的金属样品，所有定标样品的光谱数据为n×m维矩阵，其中n为样品个数，m为光谱特征个数，即：3.根据权利要求1所述的金属老化等级测量方法，其特征在于：利用小波变换对步骤S1所得的光谱数据进行去噪声信号处理。4.根据权利要求3所述的金属老化等级测量方法，其特征在于：利用小波变换对光谱数据进行去噪声信号处理具体步骤为：S1.1、选择小波基函数，采用Mallat算法对光谱数据进行多层分解，得到相应的低频子带信号系数与高频子带信号系数，小波变换的公式如下：其中，WT(a,τ)为经过小波变换后的小波信号系数，ψ(·)为基本小波函数；a为尺度因子，影响小波基函数的伸缩；τ为平移因子，影响小波基函数的平移尺度；f(t)为光谱信号随波长的变化；t表示波长；S1.2、根据零均值的高斯白噪声特点，计算噪声的标准偏差并进一步得到小波变换去噪声的阈值，其计算公式如下：σ＝MAD/0.6745其中σ为噪声信号的标准偏差，MAD为光谱数据分解中高频...

【专利技术属性】
技术研发人员：董美蓉，黄健伟，陆继东，陆盛资，余移山，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44