[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

本發明公開了一種基于機器學習模型融合的小支管振動應力預測方法，屬于核電廠蒸汽管道振動應力預測領域。預測方法基于機器學習基本算法和模型融合思想，首先從機器學習基本模型和集成模型中篩選出五個預測精度較高的模型作為基模型，并根據基模型的預測結果生成特征矩陣。然后，通過特征矩陣和模型評估結果篩選出元模型。利用訓練好的融合模型，可實現小支管振動應力的準確預測，從而達到小支管振動應力的快速預測。本發明充分結合了常規機器學習模型的優點，通過模型融合提高了模型的預測精度和泛化能力，預測結果可作為快速決策的參考依據。

技術領域

本發明屬于核電廠蒸汽管道振動應力預測技術領域，具體涉及一種基于機器學習模型融合的小支管振動應力預測方法。

背景技術

核電廠布置有大量蒸汽管道，其中直徑小于50mm的管道定義為小支管。隨著機組服役時間增加，振動疲勞導致小支管失效斷裂的事件也逐漸增多，嚴重影響機組安全運行。為有效管理并避免小支管振動疲勞失效，ASME/EDF頒布了管道疲勞評估準則，這些準則均采用振動速度開展小支管振動疲勞狀態評估，但評估結果過于保守。采用振動交變應力強度可進行小支管振動狀態精確評估，但存在測試周期長、等待工況窗口等缺點，不能快速做出決策。

小支管振動應力與其結構設計、安裝形式、振動速度等密切相關，機器學習可以從大量小支管振動數據中獲得各因素之間的規律和聯系，并對小支管振動應力進行預測。但是，現有預測模型大多采用單一機器學習算法，存在預測精度低、泛化能力弱等問題。因此，需要對現有預測模型進行改進，提高小支管振動應力的預測精度及泛化能力。

發明內容

有鑒于此，為了克服現有技術的不足，本發明提供一種基于機器學習模型融合的小支管振動應力預測方法。

為了達到上述目的，本發明采用的技術方案包括以下步驟：

一種基于機器學習模型融合的小支管振動應力預測方法，包括如下步驟：

獲取小支管的基礎數據和振動測試數據，并轉化為表格，記為原始數據集；

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，并對小支管特征屬性進行組合，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；訓練集Train用作機器學習模型訓練和參數調優，測試集Test用于模型預測和評估；

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，并采用網格搜索法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；采用均方根誤差(RMSE)、標準差(SDE)、決定系數(R2)等指標進行模型評估，其中RMSE和SDE越小說明模型預測誤差越小，R2的范圍為0～1，越接近1說明模型預測效果越好。此處的預測精度較高就是指模型評估指標中R2接近于1，RMSE、SDE較小。

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；