Page 83 - 无损检测2023年第一期

李 伟, 等:

基于 SMOTE-GWO-SVM 模型的储罐底板腐蚀声发射检测智能评价

在众多支持向量机的优化方法中, 灰狼优化算法 攻击, 捕获猎物位置进行局部搜索, 当 A ≥1 时
( GWO ) 与其他传统方法相比具有在复杂空间的全局 狼群发散, 远离猎物进行全局搜索。
搜索能力, GWO 算法是受狼群捕猎行为启发而提出 1.3 SMOTE-GWO-SVM 模型构建
的群体优化算法, 优化过程分为以下3个部分 [ 10 ] 。 首先利用SMOTE算法处理扩充数据集, 实现样

( 1 )包围猎物。狼群在狩猎过程中需要确定猎 本数据的平衡, 利用SVM 算法进行训练, 并采用 GWO
物位置并包围猎物, 用数学方程描述为 算法优化SVM 算法中的参数, 从而得出使储罐底板
D = SX P t -X ( t ) ( 6 ) 腐蚀等级评价精度最高的最佳参数, 优化评价结果。
()
X ( t+1 ) X P t -AD ( 7 ) SMOTE-GWO-SVM 模型的流程图如图2所示。
=
()
A = 2 ar 1- a ( 8 )
a= 2-2t / T ( 9 )
( 10 )
S= 2r 2
式中: D 为灰狼与猎物之间的距离; X P t 为当前
()
最优解即猎物位置; X ( t ) 表示灰狼当前位置; X ( t
+1 ) 为迭代至 t+1次时灰狼的位置; A 和S 为系
为在 [ 0 , 1 ] 区间内的随机数; a 为收敛

数; r 1 和 r 2
因子, 随着迭代次数增加从2线性递减到0 ; T 为最
大迭代数。

( 2 )狩猎过程。在狩猎时, 狼群的位置不断变
化, 此过程在α 狼、 狼、 δ 狼的引导下, 计算ω 狼群
β
与前3个狼的距离并不断更新位置, 接近猎物, 此过
程的数学描述为
图2 SMOTE-GWO-SVM 模型流程图
D α = S 1 X α -X ( t )

2 储罐底板腐蚀状态声发射智能评价模型

D β = S 2 X β -X ( t )
( 11 )
的应用
D δ = S 3 X δ -X ( t )

2.1 数据预处理
X 1=X α -A 1 D α

( 12 ) 储罐声发射检测数据均来源于课题组所依托的
X 2=X β -A 2 D β

国家认证声发射检测实验室近年来进行现场储罐声

X 3=X δ -A 3 D δ
(
)/
X t + 1= X 1+X 2+X 3 3 ( 13 ) 发射检测所建立的数据库。每条数据有两类特征

, , 分别为 α ,, δ 狼与其他狼之间的 ( 宏观特征和声发射特征), 共20个特征参数, 具体
式中: D α D β D δ β

, , ,
β
距离; X α X β X δ 分别为 α ,, δ 狼的当前位置; S 1 如表1所示。
, , , , , , 为普通灰狼 表1中数据类型复杂, 部分宏观特征并不是数
S 2 S 3 A 1 A 2 A 3 为系数; X 1 X 2 X 3

β
向α ,, δ 狼移动的步长; X t + 1 为迭代至 t+1次时 值型数据, 考虑到不同条件底板腐蚀的情况不同, 因
猎物的位置。 此并没有直接采用 one-hot编码, 而是以可能的腐
( 3 )攻击猎物。 在最后阶段, 狼群攻击追捕猎 蚀状况为导向对储罐字符型宏观特征进行预处理,

物即完成寻优过程, 获取最优解。在收敛因子a 从 预处理结果如图3所示( 腐蚀速率为归一化数值, 无
2 线性递减到 0 的过程中, 当 A ≤1 时狼群集中 量纲)。处理分析如下所述。
表1 储罐宏观特征和声发射特征数据
储罐 传感器 使用 储存 运行温度 / 外观腐蚀 基础完好 保温 结构 材料
3
容积 / m
编号 数量 / 个 年限 / a 介质 ℃ 情况 情况 结构 形式 类别

241-T-06 24 100000 7 原油 ( 28 , 40 ] 腐蚀轻微 较好 有保温 浮顶 低碳钢
定位事件 定位事件密 最大撞击 最小撞击 总撞击值 / 撞击平均 能量 能量 振铃计数 振铃计数
等级
-2 ) 值 / 个 值 / 个 个 值 / 个 平均值 标准差 平均值 标准差
集中度 / 个 度 /( 个 · m

99 0.0195 297 7 2655 110 17037 944 29307 1250 2
9
4
2023年 第45卷 第1期
无损检测