[發明專利]基于機器學習模型融合的小支管振動應力預測方法

在審

• 申請號: 202310070277.0
• 申請日: 2023-02-07
• 公開（公告）號: CN116089835A
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 王紅珂;林磊;徐德城;周帥;陳文浩;王春暉;方奎元;萬平生;安英輝
• 申請（專利權）人: 蘇州熱工研究院有限公司;嶺澳核電有限公司;中國廣核集團有限公司;中國廣核電力股份有限公司
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F17/16;G06N20/00
• 代理公司: 蘇州創元專利商標事務所有限公司 32103
• 代理人: 李莉

1.一種基于機器學習模型融合的小支管振動應力預測方法，其特征在于，包括如下步驟：

獲取小支管的基礎數據和振動測試數據，并轉化為原始數據集；

對所述原始數據集進行數據清洗和預處理，得到處理數據集；

對處理數據集中小支管的所有特征屬性進行排序，剔除與小支管振動應力關聯度較低的特征屬性，并構造小支管新特征屬性，得到最終數據集；

將最終數據集劃分為訓練集Train和測試集Test；對訓練集Train進行分層抽樣，得到訓練子集Train1和驗證集Val；

分別采用機器學習基本模型和集成模型在Train1上進行模型訓練，并找出模型的最佳參數組合；

基于模型的最佳參數組合在驗證集Val上進行模型預測及評估，并根據評估結果篩選出預測精度較高的多個模型作為基模型，并記為M_i；

采用分層抽樣將訓練集Train劃分為多個子集，記為T_i，將其中部分子集用于基模型訓練，并用訓練好的模型對剩余的子集和測試集Test進行預測；然后將所有子集的預測結果拼接為新特征集NF，對測試集Test的多次預測結果進行加權平均，結果記為NT；將篩選出的基模型依次重復該步驟，獲得新特征矩陣NF_i和測試集均值矩陣NT_i；

將生成的NF和NT作為元模型的訓練集和測試集；

采用機器學習基本模型在NF上進行模型訓練和參數調優，并在NT上進行預測和評估，根據評估結果最終選擇支持向量機作為元模型；

當進行其他小支管振動應力預測時，首先根據上述步驟獲得最終數據集，然后采用基模型Mi對最終數據集進行預測，獲得預測結果矩陣MT，再通過元模型對MT進行預測，即可得到小支管振動應力預測結果。

2.根據權利要求1所述的小支管振動應力預測方法，其特征在于，所述基礎數據包括支管外徑、支管壁厚、管段長度、集中質量、閥門重心距支管根部長度和管段布局特征。

3.根據權利要求1所述的小支管振動應力預測方法，其特征在于，所述振動測試數據包括與小支管相連的主管道軸向振動速度、小支管軸向振動速度、同時垂直于小支管和主管軸向振動速度、小支管根部振動應力。

4.根據權利要求1所述的小支管振動應力預測方法，其特征在于，所述數據清洗包括重復樣本刪除、異常值剔除、缺失值填充，所述缺失值采用對應特征屬性列所有數據的均值進行填充。

5.根據權利要求4所述的小支管振動應力預測方法，其特征在于，數據集中的每一行為一條樣本數據，每一列為一個特征屬性。

6.根據權利要求5所述的小支管振動應力預測方法，其特征在于，所述預處理包括數值型數據的標準化處理以及將小支管布局特征的文本型數據采用獨熱編碼轉化為數值型數據。

7.根據權利要求6所述的小支管振動應力預測方法，其特征在于，所述與小支管振動應力關聯度較低的特征屬性為支管外徑和支管壁厚。

8.根據權利要求7所述的小支管振動應力預測方法，其特征在于，所述小支管的新特征屬性為最大速度、截面慣性矩。

9.根據權利要求8所述的小支管振動應力預測方法，其特征在于，所述預測精度較高的多個模型包括隨機森林、梯度提升決策樹、梯度提升算法、極端梯度提升算法、輕量級梯度提升算法。

10.根據權利要求1-9任意一項所述的小支管振動應力預測方法，其特征在于，采用遞歸特征消除法對除布局特征外的小支管所有特征屬性進行排序。