基于Hybrid思想的不锈钢环境开裂判别方法及系统

摘要

本发明公开了一种基于Hybrid思想的不锈钢环境开裂判别方法及系统。该方法包括：采用粒子群算法对若干类型的分类模型的预设参数进行寻优，得到基于各自最优预设参数的最优分类模型，其中，粒子的适应度采用基于所述粒子训练得到的分类模型的准确度来确定，用于训练所述分类模型的样本为环境参数，标签为不锈钢是否开裂；采用各最优分类模型根据不锈钢的环境参数对所述不锈钢是否开裂进行预测，得到各最优分类模型的预测结果；基于各预测结果确定所述不锈钢是否发生开裂。本发明对不锈钢开裂情况的预测准确度更高、泛化能力更强。而且，本发明引入了粒子群优化算法来确定各分类模型所需的最优参数，避免了人为给定参数的不科学性。

说明书

技术领域

本发明涉及不锈钢开裂判别领域，特别是涉及一种基于Hybrid思想的不锈钢环境开裂判别方法及系统。

背景技术

不锈钢因其优越的耐热性、耐腐蚀性以及力学性能，被广泛应用于核电、石油、化工等行业，对国民经济发展起到了不可替代的作用。应力腐蚀开裂 (Stress CorrosionCracking,SCC)是指材料在应力和环境的共同作用下发生的失效开裂。SCC极为复杂、破坏力大、易突发，通常在没有明显迹象的低应力状态下造成灾难性的后果，一直是不锈钢服役期间主要的安全隐患。因此，对SCC的预测研究尤为重要，其成果能够给企业一定的启示，以便采取相应的安全措施来提前应对风险，保障人民群众生命与财产安全。

相较于基于SCC机理提出的滑移-氧化/溶解、Shoji、环境耦合致裂(CEFM) 等预测SCC裂纹扩展速率的模型，以机器学习为代表的经验性模型给我们提供了新的选择。国内外已有部分学者将机器学习应用于不锈钢应力腐蚀开裂敏感性预测中，例如属于联结主义的BP神经网络算法与行为类推主义的支持向量机(Support Vector Machine,SVM)。结果表明这些模型表现较好，证明了机器学习在预测SCC上是可行的。但这些算法都有各自的缺点，例如BP神经网络的可解释性差，易陷入局部极值，SVM在处理大样本和多类别的问题上有明显的不足，且它们都容易发生过拟合。

发明内容

本发明的目的是提供一种分类准确度高、泛化能力强的基于Hybrid思想的不锈钢环境开裂判别方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于Hybrid思想的不锈钢环境开裂判别方法，包括：

采用粒子群算法对若干类型的分类模型的预设参数进行寻优，得到基于各自最优预设参数的最优分类模型，其中，粒子的适应度采用基于所述粒子训练得到的分类模型的准确度来确定，用于训练所述分类模型的样本为环境参数，标签为不锈钢是否开裂；

采用各最优分类模型根据不锈钢的环境参数对所述不锈钢是否开裂进行预测，得到各最优分类模型的预测结果；

基于各预测结果确定所述不锈钢是否发生开裂。

可选的，所述分类模型包括RF分类模型、XGBoost分类模型、SVM分类模型中的至少一种。

可选的，所述RF分类模型和所述XGBoost分类模型的预设参数均包括决策树的数量以及树的最大深度；所述SVM分类模型的预设参数包括误差的宽容度以及核函数自带参数σ。

可选的，在所述基于各预测结果确定所述不锈钢是否发生开裂之前，还包括：

采用NBM分类模型和/或ELM分类模型分别根据不锈钢的环境参数对所述不锈钢是否开裂进行预测，得到各分类模型的预测结果。

可选的，粒子适应度的计算方法包括：

将训练集分为n份，其中，n为大于等于2的整数；

轮流取n-1份训练分类模型，1份验证模型，计算n次测试得到平均准确度，其中，所述分类模型中的预设参数由所述粒子提供，所述平均准确度为所述粒子的适应度，所述适应度越高的粒子越优秀。

可选的，所述基于各预测结果确定所述不锈钢是否发生开裂，具体包括：

由各预测结果以硬投票的方式给出最终预测结果。

可选的，所述环境参数包括温度、氯含量和氧含量。

可选的，在训练分类模型之前，还包括：

对样本数据中的氯含量和氧含量均做对数变换；

分别对样本数据中的温度以及对数变换后的氯含量和氧含量进行归一化处理。

本发明还提供了一种基于Hybrid思想的不锈钢环境开裂判别系统，其特征在于，包括：

优化分类模型确定模块，用于采用粒子群算法对若干分类模型的预设参数进行寻优，得到基于各自最优预设参数的最优分类模型，其中，粒子的适应度采用基于所述粒子训练得到的分类模型的准确度来确定，用于训练所述分类模型的样本为环境参数，标签为不锈钢是否开裂；

分类模型预测模块，用于采用各最优分类模型根据不锈钢的环境参数对所述不锈钢是否开裂进行预测，得到各最优分类模型的预测结果；

开裂情况确定模块，用于基于各预测结果确定所述不锈钢是否发生开裂。

可选的，

所述优化分类模型确定模块中的分类模型包括RF分类模型、XGBoost分类模型、SVM分类模型中的至少一种；所述RF分类模型和所述XGBoost分类模型的预设参数均包括决策树的数量以及树的最大深度；所述SVM分类模型的预设参数包括误差的宽容度以及核函数自带参数σ；

所述分类模型预测模块还用于采用NBM分类模型和/或ELM分类模型分别根据不锈钢的环境参数对所述不锈钢是否开裂进行预测，得到各分类模型的预测结果。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于Hybrid思想的不锈钢环境开裂判别方法及系统基于Hybrid混合思想，选取机器学习中若干类型的基模型构成Hybrid混合模型，Hybrid混合模型对不锈钢开裂情况的最终预测结果由构成其的各基模型的分类预测结果决定，使不同基模型在一定程度上相互取长补短，得到准确度更高、泛化能力更强的不锈钢应力腐蚀开裂预测模型。另外，本发明引入了粒子群优化算法来确定基模型所需的最优参数，避免了人为给定参数的不科学性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的基于Hybrid思想的不锈钢环境开裂判别方法的流程示意图；

图2为本发明实施例1中Hybrid模型的流程图；

图3为本发明实施例1中Hybrid模型与其基模型准确度的变化图；

图4为本发明实施例1中PSO优化基模型前后准确度的变化图；

图5为本发明实施例1中PSO-Hybrid模型与Hybrid模型准确度的对比图；

图6为本发明实施例2提供的基于Hybrid思想的不锈钢环境开裂判别系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种分类准确度高、泛化能力强的基于Hybrid思想的不锈钢环境开裂判别方法及系统。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例是针对不锈钢管路的开裂情况进行判别，即通过采集不锈钢管路所处环境的环境参数(如温度、氯含量和氧含量等)，并基于环境参数对不锈钢管路开裂的可能性进行判别。

实施例1

参见图1，本实施例提供了一种基于Hybrid思想的不锈钢环境开裂判别方法，该方法包括以下步骤：

步骤101：采用粒子群算法对若干类型的分类模型的预设参数进行寻优，得到基于各自最优预设参数的最优分类模型，其中，粒子的适应度采用基于所述粒子训练得到的分类模型的准确度来确定，用于训练所述分类模型的样本为环境参数，标签为不锈钢是否开裂。

在本实施例中，需要对预设参数进行寻优的分类模型包括但不限于RF分类模型、XGBoost分类模型、SVM分类模型中的至少一种。其中，所述RF 分类模型的预设参数可以是决策树的数量以及树的最大深度，所述XGBoost 分类模型的预设参数也可以是决策树的数量以及树的最大深度，所述SVM分类模型的预设参数可以是误差的宽容度以及核函数自带的参数σ。粒子群算法可同时对两个参数进行寻优。虽然NBM分类模型和ELM分类模型可寻优的参数比较少，但是，在其他的实施例中，NBM分类模型和ELM分类模型中的参数也可以通过粒子群算法的方式寻优。在本实施例中，作为本实施例的一种实施方式，由于NBM分类模型和ELM分类模型可寻优的参数比较少，NBM 分类模型和ELM分类模型可不进行参数的寻优，参数直接由人为给出。

在本实施例中，参数寻优的具体过程可以如下：

(1)粒子群初始化：

确定寻优的参数对象，SVM分类模型的参数对象为误差的宽容度C以及核函数自带的参数σ。RF分类模型和XGBoost分类模型的参数对象为决策树的数量n_estimators以及树的最大深度max_depth。

人为设定粒子群的基本参数，本实施例中设置粒子数量50；迭代次数为 300；局部粒子加速度因子C

v

(2)计算每个粒子的适应度，确定pbest

(3)更新每个粒子的速度和位置。每次迭代均需按下式(3)与(4)更新粒子的速度和位置。

v

x

式中：v

(4)计算每个粒子的适应值，并与其各自的个体极值pbest

(5)判断是否满足终止条件。本实施例设定的终止条件为迭代次数300，若达到最大迭代次数(也可以依据实际情况设定其他的终止条件)则输出最终 PSO寻找到的分类模型的最优参数，基于最优参数的分类模型为最优分类模型，否则返回至第(2)步。

步骤102：采用各最优分类模型根据不锈钢的环境参数对所述不锈钢是否开裂进行预测，得到各最优分类模型的预测结果。

步骤103：基于各预测结果确定所述不锈钢是否发生开裂。

步骤102与步骤103的具体实施方式可以如下：

(1)建立Hybrid模型，该Hybrid模型可由经PSO参数优化后的RF分类模型、XGBoost分类模型、SVM分类模型构成，也可由经PSO参数优化后的RF分类模型、XGBoost分类模型、SVM分类模型、NBM分类模型、ELM 分类模型构成，在本实施例中，建立Hybrid模型由未经PSO参数优化的NBM 分类模型、ELM分类模型与经PSO参数优化后的RF分类模型、XGBoost分类模型、SVM分类模型构成。

(2)确定Hybrid模型的预测结果，该预测结果由NBM分类模型、ELM 分类模型与经PSO参数优化后的RF分类模型、XGBoost分类模型、SVM分类模型的预测结果以硬投票的方式给出，参见图2。

在本实施例中，所述环境参数可以包括但不限于温度、氯含量和氧含量。

本实施例在利用训练样本进行模型训练之前，需要对样本进行预处理，该预处理可以包括以下两个方面：

(1)对数变换：根据电化学腐蚀的基本原理，离子水平对腐蚀行为的影响一般呈指数型，故先对氯、氧含量作对数变换，如式(5)所示。

X'＝ln(X) (5)

(2)归一化处理：接着对所有样本作归一化处理，使数值映射到区间[0,1] 之间，如式(6)所示。

下面对本发明的效果进行验证

验证数据来源于某奥氏体不锈钢在高温水环境中发生应力腐蚀行为的71 组实验数据。数据集有四个参数：温度(241-350℃)、氯含量(0.001-3000mg/L) 和氧含量(0.01-1200mg/L)以及是否发生SCC，其中温度、氯氧含量为自变量(模型的输入)，是否发生SCC为因变量(模型的输出)。准确度(Accuracy) 和马修斯相关系数(Matthews correlationcoefficient,Mcc)被选为评估模型分类性能的指标。准确度能够直观反映样本被分类正确的情况，Mcc代表的则是二分类中实际值和预测值之间的相关系数，其取值范围为[-1,1]，数值越接近1 代表模型的性能越好。

为了验证PSO-Hybrid模型的可行性和泛化能力，循环代码15次，每次循环均以7：3的比例随机划分数据集，对比PSO-Hybrid模型与其余模型的性能。如图3与表1所示为未经PSO优化的各模型性能情况，方差越小代表模型越稳定。

表1 Hybrid模型与其基模型性能对比(未使用PSO算法)

由表1可得，Hybrid模型的平均准确度和平均马修斯相关系数分别为0.867 与0.718，均优于组成其的各基模型，且Hybrid模型的方差最低，值为0.090，这代表着Hybrid预测模型有不错的稳定性。因此，Hybrid思想在解决二分类问题上取得了不错的效果，有一定的可行性。

图4、图5与表2展示了与上述相同的15次循环下，PSO优化前后的 PSO-Hybrid模型与相关部分模型的性能对比。

表2 PSO-Hybrid模型与部分模型性能对比

由表2可得，PSO算法提高了SVM与RF这两个基模型的性能，SVM的平均准确度从0.809提高至0.830，平均马修斯相关系数增加了0.053，且模型更加稳定；RF的平均准确度则由0.782提高至0.821，平均马修斯相关系数增加了0.09，但稳定性变差。XGBoost模型的平均准确度下降了0.009且稳定性变差，但平均马修斯相关系数提高了0.003。PSO-Hybrid比Hybrid模型表现更加优越，平均准确度高达0.888，平均马修斯相关系数提高了0.061，且稳定性更好。

综上所述，本发明基于Hybrid混合思想，使用PSO寻优算法，综合提出的PSO-Hybrid模型表现优秀，准确率高，有较强的泛化能力，为预测不锈钢应力腐蚀开裂敏感性提供了一定的技术支撑，具有一定的可靠性、可行性与科学性。

实施例2

参见图6，本实施例提供了一种基于Hybrid思想的不锈钢环境开裂判别系统，该系统包括：

优化分类模型确定模块601，用于采用粒子群算法对若干分类模型的预设参数进行寻优，得到基于各自最优预设参数的最优分类模型，其中，粒子的适应度采用基于所述粒子训练得到的分类模型的准确度来确定，用于训练所述分类模型的样本为环境参数，标签为不锈钢是否开裂。其中，所述优化分类模型确定模块601中的分类模型包括RF分类模型、XGBoost分类模型、SVM分类模型中的至少一种，所述RF分类模型和所述XGBoost分类模型的预设参数均包括决策树的数量以及树的最大深度；所述SVM分类模型的预设参数包括误差的宽容度以及核函数自带参数σ。

分类模型预测模块602，用于采用各最优分类模型根据不锈钢的环境参数对所述不锈钢是否开裂进行预测，得到各最优分类模型的预测结果。分类模型预测模块602还用于采用NBM分类模型和/或ELM分类模型分别根据不锈钢的环境参数对所述不锈钢是否开裂进行预测。

开裂情况确定模块603，用于基于各预测结果确定所述不锈钢是否发生开裂。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。