Page 89 - 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

表2 储罐外观和声发射数据预处理后的数据
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 1 1 0.116 1 0.222 0 0 1 1 1
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 个 值 / 个 平均值 标准差 平均值 标准差
集中度 / 个 度 /( 个 · m ) 值 / 个
0.070 0.001 0.039 0.004 0.099 0.040 0.009 0.012 0.011 0.010 2
g=1.79 , 图 4 为
试验, 最终寻参结果为 C=3.97 , 型的混淆矩阵如图5所示。
SVM 参数寻优过程示意。 表3 各模型准确率对比
准确率 / %
模型
未进行SMOTE处理 进行SMOTE处理
GWO-SVM 71.67 96.25
BP 71.67 93.75
RF 63.00 91.25

由分析结果可知, 在进行 SMOTE 处理之前,
储罐底板腐蚀1级和4级的样本数量较少, 模型得

不到充分训练, 导致这两类数据的分类准确率极低。
图4 SVM 参数寻优过程示意 对数据集进行SMOTE处理后, 针对不平衡小样本数
为验证 SMOTE-GWO-SVM 模型用于储罐底 据的分类准确率有较明显提升, 准确率从71.67%提
板腐蚀等级评价的有效性, 将未进行 SMOTE 处理 升至96.25% 。
和 SMOTE 处理后数据的分类结果进行对照, 其中 从模 型 准 确 率 的 角 度 分 析, SOMTE-GWO-
SVM 模型的准确率最高, 从模型安全性的角度分析
未经过 SMOTE 处理的数据中1级、 4级各10个, 2
级、 3级各 20 个原数据集样本作为测试集, 其余作 SOMTE-GWO-SVM 模型将低腐蚀等级预测为高

为训练集。同时与 BP 神经网络和随机森林( RF ) 腐蚀等级, 虽然可能会提高后续储罐的维护成本, 但
算法进行分类准确性对比, 结果如表3所示, 各个模 是更好地满足了石化行业对安全性的高要求, 因此

图5 各预测模型的混淆矩阵

1
5
2023年 第45卷 第1期
无损检测