[发明专利]一种设备材料球化程度预测方法及系统

说明书

本发明涉及一种设备材料球化程度预测方法及系统。本发明首先基于Borderline‑SMOTE算法对少数类样本进行扩充，然后通过差分进化算法确定SVM模型的超参数，提高模型预测精度，本发明克服了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，实现了设备材料的球化程度的精确预测。

技术领域

本发明涉及设备材料性能监测技术领域，特别是涉及一种设备材料球化程度预测方法及系统。

背景技术

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。

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。

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。

发明内容

有鉴于此，本发明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。

为实现上述目的，本发明提供了如下方案：

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：

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。

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：

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；