[发明专利]一种应力腐蚀开裂预测方法及系统

权利要求书

1.一种应力腐蚀开裂预测方法，其特征在于，所述方法包括：

步骤S1：构建历史数据集；所述历史数据集包括温度、氯离子浓度、氧浓度和应力腐蚀开裂的实际分类结果；

步骤S2：根据所述历史数据集确定训练集和测试集；

步骤S3：根据所述训练集确定最优ELM分类器个数m；

步骤S4：根据所述最优ELM分类器个数m、所述训练集和所述测试集确定m个分类器；

步骤S5：采用集成学习中的Adaboost算法，将m个ELM分类器进行叠加，获得AdaELM集成预测分类器；

步骤S6：获取待测试样本数据；

步骤S7：将所述待测试样本数据输入所述AdaELM集成预测分类器进行预测，获得应力腐蚀开裂预测结果。

2.根据权利要求1所述的应力腐蚀开裂预测方法，其特征在于，所述根据所述历史数据集确定训练集和测试集，具体包括：

步骤S21：将所述历史数据集划分模型输入数据集和模型输出数据集；

步骤S22：对所述模型输入数据集进行对数变换，获得对数数据集；

步骤S23：对所述对数数据集进行归一化处理，获得归一化数据集；

步骤S24：根据所述归一化数据集和所述模型输出数据集划分成训练集和测试集；所述训练集包括：训练输入集和训练输出集；所述测试集包括：测试输入集和测试输出集。

3.根据权利要求2所述的应力腐蚀开裂预测方法，其特征在于，所述根据所述训练集和所述测试集确定最优ELM分类器个数，具体包括：

步骤S31：将所述训练集输入到ELM极限学习机进行训练，获得M个ELM分类器；

步骤S32：将所述测试集中的测试输入集输入各所述ELM分类器进行预测，获得各所述ELM分类器对应的预测输出集；

步骤S33：利用Python中的sklearn.metircs库，计算所述预测输出集与各所述ELM分类器对应的测试输出集之间的准确率；

步骤S34：绘制所述准确率与ELM分类器个数的关系折线图，确定最高准确率对应的ELM分类器个数作为最优ELM分类器个数m，其中，1≤m≤M。

4.根据权利要求1所述的应力腐蚀开裂预测方法，其特征在于，所述根据所述最优ELM分类器个数m、所述训练集和所述测试集确定m个分类器，具体包括：

步骤S41：初始化i＝1，k＝1，并给定第i个ELM分类器对应的各训练样本的初始权重；

步骤S42：从所述训练集中分别有放回地循环随机抽样，获得N个训练样本；

步骤S43：将N个训练样本按照所述初始权重输入ELM极限学习机进行训练，获得第k个局部分类器；

步骤S44：判断k是否大于或等于设定值Q；如果k大于或等于设定值Q，则执行“步骤S45”；如果k小于设定值Q，则令k＝k+1，返回“步骤S42”；

步骤S45：选取Q个局部分类器中误差最小的局部分类器作为第i个ELM分类器；

步骤S46：基于所述测试集确定第i个ELM分类器对应的权重；

步骤S47：根据第i个ELM分类器对应的权重更新各训练样本的初始权重；

步骤S48：判断i是否大于或等于m；如果i大于或等于m，则输出m个ELM分类器；如果i小于m，则令i＝i+1，返回“步骤S42”。

5.根据权利要求4所述的应力腐蚀开裂预测方法，其特征在于，所述基于所述测试集确定第i个ELM分类器对应的权重，具体包括：

步骤S461：将所述测试集输入第i个ELM分类器进行预测，获得多个第i个ELM分类器对应预测分类结果；

步骤S462：将所述训练集中应力腐蚀开裂的实际分类结果与所述预测分类结果进行对比，确定第i个ELM分类器对应的错误率；

步骤S463：根据第i个ELM分类器对应的错误率确定第i个ELM分类器对应的权重。