一种设备材料球化程度预测方法及系统技术方案

本发明专利技术涉及一种设备材料球化程度预测方法及系统。本发明专利技术首先基于Borderline

【技术实现步骤摘要】
一种设备材料球化程度预测方法及系统


[0001]本专利技术涉及设备材料性能监测
，特别是涉及一种设备材料球化程度预测方法及系统。

技术介绍

[0002]球化是指碳钢、合金钢等钢材在长期高温(440℃～760℃)运行过程中，珠光体中渗碳体形态由片层状结构逐渐转变成球状的过程。材料球化是指碳钢、合金钢等钢材在长期高温(440℃～760℃)运行过程中，珠光体中渗碳体形态由片层状结构逐渐转变成球状的过程，这是一种常见于电站锅炉等高温设备的材料劣化损伤。通常，材料球化受温度和应力的影响，会在一定程度上加速蠕变损伤速度，造成设备及其高温部件的力学性能降低，从而引发设备变形、爆管开裂等严重事故。球化等级作为设备球化的重要评估指标，对确定设备安全性具有重要意义。此外，通过将材料球化等级预测结果与蠕变损伤情况相结合，可对设备风险进行评估，从而建立相应的防护措施。
[0003]材料球化是一种常见于电站锅炉等高温设备的材料劣化损伤，会造成设备力学性能降低，从而引发设备变形、爆管开裂等严重事故。球化等级作为设备球化的重要评估指标，对确定设备安全性具有重要意义。
[0004]目前，工程上多采用与常用钢的球化标准金相图谱进行人工比对的方法来进行等级评定。国内外学者们也为此开展了一系列基于分形维数、灰度共生矩阵、非线性超声检测等方法的球化等级判定研究。相较于金相检测、微观图像识别等操作复杂且不利于大面积应用的分析方法，以人工神经网络(ArtificialNeuralNetwork，ANN)、支持向量机(SupportVectorMachine，SVM)为代表的数据预测模型在医疗健康评估、故障诊断、腐蚀损伤预测等多个领域的成功应用，为球化等级预测研究提供了新思路。但是现有设备材料的数据由于少数类样本的存在，无法获得高精度的模型以实现设备材料的球化程度的精确预测。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种设备材料球化程度预测方法及系统，以克服设备材料的数据由于少数类样本的存在，无法获得高精度的模型以实现设备材料的球化程度的精确预测的技术缺陷，实现设备材料的球化程度的精确预测。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种设备材料球化程度预测方法，所述预测方法包括如下步骤：
[0008]获取球化程度已知的设备材料参数，构建数据样本集；
[0009]采用Borderline
‑
SMOTE算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集；
[0010]构建用于设备材料球化程度预测的SVM模型；
[0011]基于扩充后的数据样本集，采用差分进化算法，确定SVM模型的超参数，获得超参
数确定后的SVM模型；
[0012]基于所述扩充后的数据样本集对超参数确定后的SVM模型进行训练，获得训练后的SVM模型；
[0013]基于训练后的SVM模型进行设备材料球化程度的预测。
[0014]可选的，所述采用Borderline
‑
SMOTE算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集，具体包括：
[0015]分别根据每个少数类样本与所述数据样本集中除了所述少数类样本之外的所有样本的欧式距离，确定每个所述少数类样本的多个近邻样本；
[0016]确定每个所述少数类样本的多个近邻样本中属于多数类样本的个数，分别作为每个所述少数类样本的边界判断指标；
[0017]将边界判断指标在预设范围内的少数类样本设置边界样本；
[0018]分别根据每个所述边界样本，利用公式x
new
＝x+λ
×
(x
i
‑
x)#(1)，生成新的少数类样本；
[0019]其中，x为边界样本，x
i
为边界样本的第i个近邻样本，x
new
为新的少数类样本；
[0020]将生成的所有的新的少数类样本添加至所述数据样本集中，获得扩充后的数据样本集。
[0021]可选的，所述采用Borderline
‑
SMOTE算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集，之后还包括：
[0022]将扩充后的数据样本集中的每个样本进行归一化处理。
[0023]可选的，所述基于扩充后的数据样本集，采用差分进化算法，确定SVM模型的超参数，获得超参数确定后的SVM模型，具体包括：
[0024]将SVM模型中的参数作为基因，初始化种群，并将初始化后的种群设置为当前种群；
[0025]以SVM模型的10折交叉验证结果作为适应度指标，基于扩充后的数据样本集，确定当前种群的最优个体；
[0026]判断是否满足终止条件，获得判断结果；
[0027]若所述判断结果表示否，则利用公式对当前种群中的个体进行变异，获得变异个体；其中，均为当前种群中的三个个体，表示第i个变异个体，F表示差分缩放因子；
[0028]根据每个变异个体，利用公式进行交叉，获得交叉个体；其中，表示当前种群中的第i个个体的交叉个体的第j个基因，表示当前种群中的第i个个体的变异个体的第j个基因，表示当前种群中的第i个个体的第j个基因，CR表示交叉概率；
[0029]根据每个个体的交叉个体，利用公式选取下一代种群的个体；其中，表示下一代种群中的第i个个体，表示当前种群中的第i个个体的交叉个体，表示当前种群中第i个个体，和分别表示当前种群中第i个个体和第i个个体的交叉个体的适应度指标；
[0030]将下一代种群设置为当前种群，返回步骤“以SVM模型的10折交叉验证结果作为适应度指标，基于扩充后的数据样本集，确定当前种群的最优个体”；
[0031]若所述判断结果表示是，则输出当前种群的最优个体。
[0032]一种设备材料球化程度预测系统，所述预测系统包括：
[0033]数据样本集构建模块，用于获取球化程度已知的设备材料参数，构建数据样本集；
[0034]样本扩充模块，用于采用Borderline
‑
SMOTE算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集；
[0035]SVM模型构建模块，用于构建用于设备材料球化程度预测的SVM模型；
[0036]SVM模型的超参数确定模块，用于基于扩充后的数据样本集，采用差分进化算法，确定SVM模型的超参数，获得超参数确定后的SVM模型；
[0037]SVM模型训练模块，用于基于所述扩充后的数据样本集对超参数确定后的SVM模型进行训练，获得训练后的SVM模型；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备材料球化程度预测方法，其特征在于，所述预测方法包括如下步骤：获取球化程度已知的设备材料参数，构建数据样本集；采用Borderline
‑
SMOTE算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集；构建用于设备材料球化程度预测的SVM模型；基于扩充后的数据样本集，采用差分进化算法，确定SVM模型的超参数，获得超参数确定后的SVM模型；基于所述扩充后的数据样本集对超参数确定后的SVM模型进行训练，获得训练后的SVM模型；基于训练后的SVM模型进行设备材料球化程度的预测。2.根据权利要求1所述的一种设备材料球化程度预测方法，其特征在于，所述采用Borderline
‑
SMOTE算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集，具体包括：分别根据每个少数类样本与所述数据样本集中除了所述少数类样本之外的所有样本的欧式距离，确定每个所述少数类样本的多个近邻样本；确定每个所述少数类样本的多个近邻样本中属于多数类样本的个数，分别作为每个所述少数类样本的边界判断指标；将边界判断指标在预设范围内的少数类样本设置边界样本；分别根据每个所述边界样本，利用公式x
new
＝x+λ
×
(x
i
‑
x)，生成新的少数类样本；其中，x为边界样本，x
i
为边界样本的第i个近邻样本，x
new
为新的少数类样本，λ表示样本生成系数；将生成的所有的新的少数类样本添加至所述数据样本集，获得扩充后的数据样本集。3.根据权利要求1或2所述的一种设备材料球化程度预测方法，其特征在于，所述采用Borderline
‑
SMOTE算法对数据样本集中的少数类样本进行过采样，使数据样本集中少数类样本与多数类样本的比例的差值小于预设阈值，获得扩充后的数据样本集，之后还包括：将扩充后的数据样本集中的每个样本进行归一化处理。4.根据权利要求1所述的一种设备材料球化程度预测方法，其特征在于，所述基于扩充后的数据样本集，采用差分进化算法，确定SVM模型的超参数，获得超参数确定后的SVM模型，具体包括：将SVM模型中的参数作为基因，初始化种群，并将初始化后的种群设置为当前种群；以SVM模型的10折交叉验证结果作为适应度指标，基于扩充后的数据样本集，确定当前种群的最优个体；判断是否满足终止条件，获得判断结果；若所述判断结果表示否，则利用公式对当前种群中的个体进行变异，获得变异个体；其中，均为当前种群中的三个个体，表示第i个变异个体，F表示差分缩放因子；
根据每个变异个体，利用公式进行交叉，获得交叉个体；其中，良示当前种群中的第i个个体的交叉个体的第j个基因，表示当前种群中的第i个个体的变异个体的第j个基因，表示当前种群中的第i个个体的第j个基因，CR表示交叉概率；根据每个个体的交叉个体，利用公式选取下一代种群的个体；其中，表示下一代种群中的第i个个体，表示当前种群中的第i个个体的交叉个体，表示当前种群中第i个个体，和分别表示当前种群中第i个个体和第i个个体的交叉个体的适应度指标；将下一代种群设置为当前种群，返回步骤“以SVM模型的10折交叉验证结果作为适应度指标，基于扩充后的数据样本集，确定当前种群的最优个体”；若所述判断结果表示是，则输出当前种群的最优个体。5.一种设...

【专利技术属性】
技术研发人员：李如，曹逻炜，李光海，陈良超，
申请(专利权)人：中国特种设备检测研究院，
类型：发明
国别省市：