一种金属老化等级测量方法与流程

本发明涉及金属老化等级测量领域，特别涉及一种基于小波变换与递归特征消除的可实现金属老化等级快速测量的方法。

背景技术

金属管件作为耐热材料广泛应用于电力、冶金、化工和机械等行业的关键大型热力设备中。金属材料性能在高温高压的环境下长时间服役会发生改变，微观上主要体现在微观组织的分布改变，例如晶格内碳化物的析出和晶格大小的变化等；宏观上表现在材料的机械性能，即其硬度和抗拉强度等性能会有所下降，最终材料性能不满足使用要求而导致产生裂纹甚至出现爆管事故，直接影响整个工业生产进程的运行与效益。这些金属材料性能逐渐退化的现象被称之为老化。因此，对金属老化等级进行测量对生产设备安全运行来说具有重大意义。

中华人民共和国电力行业标准《dl/t884-2004，火电厂金属检验与评定技术指导》中指出，定性分析管件的老化程度需要进行几种实验分析，其中包括组织上的老化，即观察碳化物析出粒子的粗化及分布形态变化；脆化分析，即观察组织特征组成及相应的韧性与硬度性能变化；蠕变孔洞损伤，即在指定放大倍数下观察管件蠕变损伤的状况。然而这些分析需要割样或原位进行表面复型检验，操作步骤繁琐而且需要专业人员实施，导致分析周期较长，检验工作影响正常生产。因此，需要一种能够实现原位、微损伤和快速地分析管件老化等级的方法。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提供一种金属老化等级测量方法，此方法可实现特征变量的筛选，提高libs(激光诱导击穿光谱)技术应用于金属老化等级测量的精确度和准确度。

本发明的目的通过以下的技术方案实现：一种金属老化等级测量方法，包括步骤：

s1、选取多个定标样品，通过libs系统测定并采集等离子体发射光谱数据；

s2、采用递归支持向量机算法构建定标分类模型并进行特征选择，确定重要特征组合并建立金属老化等级定标分类模型；

s3、通过libs系统测定并采集待测金属样品的等离子体发射光谱数据；

s4、根据s2确定的重要特征组合提取待测金属样品的特征信号，并输入到优化的分类模型中，得到金属样品的老化等级预测值。

优选的，所述步骤s1中的定标样品为经过不同时效试验或不同服役时间后老化等级不同的金属样品，所有定标样品的光谱数据为n×m维矩阵，其中n为样品个数，m为光谱特征个数，即：

优选的，利用小波变换对步骤s1中所得的光谱数据进行去噪声信号处理，避免了特征选择中随机噪声信号的影响。

更进一步的，利用小波变换对光谱数据进行去噪声信号处理具体包括：

s1.1、选择小波基函数，采用mallat算法对光谱数据进行多层分解，得到相应的低频子带信号系数与高频子带信号系数，小波变换的公式如下：

其中，wt(a,τ)为信号系数，ψ(·)为基本小波函数；a为尺度因子，影响小波基函数的伸缩；τ为平移因子，影响小波基函数的平移尺度；f(t)为光谱信号随波长的变化；t表示波长；

s1.2、根据零均值的高斯白噪声特点，计算噪声的标准偏差并进一步得到小波变换去噪声的阈值，其计算公式如下：

σ＝mad/0.6745

其中σ为噪声信号的偏差，mad为光谱数据分解中高频子带信号系数绝对值的中值；

s1.3、使用步骤s1.2得到的阈值对分解的高频子带信号进行软阈值去噪声处理，并对信号进行重构，得到去噪声后的光谱信号，软阈值去噪声的系数处理规则如下：

其中，wλ为软阈值去噪声后的小波系数；w为小波分解系数；λ为步骤s1.2中确定的阈值；sgn函数用于返回一个参数，指出输入变量的正负号。

优选的，所述步骤s2具体包括：

s2.1、对定标样品的光谱数据进行标准差标准化(简称z-score标准化)预处理，其中z-score标准化的计算公式如下：

x^*＝(x-μ)/δ

其中，x*为进行z-score标准化后的光谱数据，x为原始的光谱数据，μ为该特征谱线中所有样品数据的均值，δ为该特征谱线中所有样品数据的标准差；

s2.2、利用支持向量机模型对定标样品的光谱数据进行建模，对当前光谱特征组合下的模型平均预测能力进行权重评价；

s2.3、根据s2.2中分类模型对各特征谱线的权重评价，将相应的特征谱线按照其权重绝对值大小进行排列，并按比例将权重系数排名靠后的特征谱线剔除，剩下的特征谱线作为新的特征组合用于下一层的模型构建；

s2.4、重复步骤s2.2-s2.3，得到不同特征组合下的模型预测表现能力，最后选择预测结果准确率最高的特征谱线组合作为重要特征组合，并基于确定的特征组合建立最优的定标分类模型，保证金属老化等级分类模型的准确和稳定。

更进一步的，所述步骤s2.2中的权重评价方法为交叉验证方法。

优选的，利用小波变换对步骤s3所得的待测金属样品光谱数据进行去噪声信号处理。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明结合小波变换阈值去噪声预处理与递归特征消除方法，避免了特征选择中随机噪声信号的影响，同时递归式的消除特征的方法通过层层筛选并建模的方式能有效地将重要特征保留下来，最后构建一个准确而稳定的老化等级分类模型。

2、本发明在金属老化等级测量过程中，所有的数据分析过程均在计算机程序中自动运行，可推广到各个工业领域，进行热力设备运行状态的实时测量评估。

附图说明

图1是本发明金属老化等级测量方法实施例2的流程图。

图2是本发明实施例2中的原始波段光谱图。

图3是本发明实施例2对波段光谱图采用小波变换去噪声处理后的光谱图。

图4是本发明实施例2所述的模型在不同特征组合下对预测集的预测能力变化趋势图。

具体实施方式

为了更好的理解本发明的技术方案，下面结合附图详细描述本发明提供的实施例，但本发明的实施方式不限于此。

实施例1

本实施例一种基于小波变换与递归特征消除的金属老化等级测量方法，具体的步骤如下：

s1、本实施例以t91耐热钢作为测量对象，首先选取多个定标样品，通过libs系统测定并采集等离子体发射光谱数据，libs技术通过聚焦脉冲激光作用到样品表面，形成等离子体，再利用光谱仪对等离子体发射光谱进行采集，然后使用计算机对光谱数据进行相应的分析并以此来识别样品中的元素组成成分，进而可以实现对材料进行定性以及定量分析；

s2、采用递归支持向量机算法构建定标分类模型并进行特征选择，确定重要特征组合并建立最优的金属老化等级定标分类模型；

s3、取待测t91耐热钢样品，利用libs系统测量待测金属样品的等离子体发射光谱数据；

s4、根据步骤s3确定的重要特征组合提取t91耐热钢样品的特征信号，将的特征信号输入到金属老化等级定标分类模型中，得到t91耐热钢的老化等级预测值。

具体地，在所述步骤s1的定标样品为经过不同时效试验或不同服役时间后老化等级不同的金属样品，所有金属样品的光谱数据为n×m维矩阵，其中n为样品个数，m为光谱特征个数，即：

所述步骤s2具体包括：

s2.1、对定标样品的光谱数据进行标准差标准化预处理；其中z-score标准化的计算公式如下：

x^*＝(x-μ)/δ

式中x*为进行z-score标准化后的光谱数据，x为原始的光谱数据，μ为该特征谱线中所有样品数据的均值，δ为该特征谱线中所有样品数据的标准差；

s2.2、使用线性内核的支持向量机算法模型对定标样品的光谱数据进行建模；定标样品的光谱数据采用5折叠交叉验证法验证模型的预测能力，即每次将定标样品的光谱数据按等级分成5份，并循环地用其中的4份数据集建立模型并使用该模型去预测剩下的数据集，评价当前特征光谱组合下的模型平均预测能力；

s2.3、根据步骤s2.2中对各特征谱线的权重评价，将相应的特征谱线按照其权重绝对值大小进行排列，并将权重系数排名靠后的40％特征剔除，剩下的特征谱线作为新的特征组合用于下一层的模型构建；

s2.4、依次重复步骤s2.2与s2.3，得到不同特征组合下的模型预测表现能力，最后选择交叉验证预测结果准确率最高的特征谱线组合作为重要特征组合，并基于确定的特征组合建立最优的定标分类模型。

实施例2

本实施例同样以t91耐热钢作为测量对象，如图1-4所示。

一种基于小波变换与递归特征消除的金属老化等级测量方法，具体的步骤如下：

s1、选取多个定标样品，通过libs系统测定并采集等离子体发射光谱数据，libs技术通过聚焦脉冲激光作用到样品表面，形成等离子体，再利用光谱仪对等离子体发射光谱进行采集，然后使用计算机对光谱数据进行相应的分析并以此来识别样品中的元素组成成分，进而可以实现对材料进行定性以及定量分析；

s2、利用离散小波变换方法对光谱数据进行去噪声信号处理，避免了特征选择中随机噪声信号的影响；

s3、采用递归支持向量机算法构建定标分类模型并进行特征选择，确定重要特征组合并建立最优的金属老化等级定标分类模型；

s4、取待测t91耐热钢样品，利用libs系统测量待测样品的等离子体发射光谱数据，并利用离散小波变换方法对光谱数据进行去除噪声信号处理；

s5、再根据步骤s3确定的重要特征组合提取t91耐热钢样品的特征信号，将的特征信号输入到金属老化等级定标分类模型中，得到t91耐热钢的老化等级预测值。

所述步骤s1的具体步骤同实施例1步骤s1的具体步骤。

所述步骤s2使用离散小波变换方法去除光谱数据噪声的处理具体包括：

s2.1、选择正交小波基函数sym6函数，采用mallat算法对光谱数据进行6～8层分解，得到相应的低频子带信号系数与高频子带信号系数，其中小波变换的公式如下：

其中，wt(a,τ)为信号系数；ψ(·)为基本小波函数；a为尺度因子，影响小波基函数的伸缩；τ为平移因子，影响小波基函数的平移尺度；f(t)为光谱信号随波长的变化；t表示波长；

小波变换将f(t)信号转成了wt(·)函数信号系数的形式。首先根据尺度因子与平移因子会得到不同频率尺度的小波基函数，然后使用这些小波基函数拟合f(t)，得到原始信号的不同位置处对应不同频率的小波系数信号。其中根据拟合信号的频率高低将信号系数划分为高频子带信号与低频子带信号。因为低频信号往往是代表着渐变的信号，是重要信号，所以使用多层分解得到重要特征信号。

s2.2、然后根据高斯白噪声的分布特点，计算噪声信号的标准偏差并进一步得到小波变换去噪声的阈值，其计算公式如下；

σ＝mad/0.6745

其中σ为噪声信号的标准偏差，mad为光谱数据第一层分解中高频子带信号系数绝对值的中值；

s2.3、最后使用s2.2的阈值对分解的高频分量信号进行软阈值去噪声处理，并对信号进行重构，得到去噪声后的光谱信号；其中软阈值去噪声的系数处理规则如下：

其中，wλ为软阈值去噪声后的小波系数，w为小波分解系数，λ为步骤s2.2中确定的阈值；sgn函数用于返回一个参数，指出输入变量的正负号。

所述步骤s3具体步骤与实施例1中步骤s2的具体步骤相同。

图2与图3是采用小波变换进行去噪声处理前后的波段555nm-585nm光谱图，从图中可以看出去噪声后的光谱图剔除了高频随机变化的噪声信号，同时特征谱线信号仍完好地保留了下来。图4是结合小波变换去噪声处理与递归特征消除方法的模型预测能力表现变化趋势图，其中实线为不同特征组合下模型的内部交叉验证结果曲线，虚线为相应的特征组合下定标模型对外部测试集的预测结果曲线。从图中可以看出去噪声处理后的模型表现能力明显比不进行去噪处理的模型要好，即去噪声处理能有效提高模型准确性，而递归支持向量机模型能在逐步剔除无关特征同时提高其预测集的准确率。最后，根据交叉验证结果来选择最佳的特征组合，同时使用该特征组合建立模型并对外部测试集进行预测，由图可知，交叉验证结果曲线与外部测试集预测结果曲线具有一致性，可根据交叉验证曲线确定最佳的特征组合个数为207，其相应的模型测试集预测准确率达到0.93。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。