Page 101 - 无损检测2024年第十一期

王煜鑫，等：
基于声发射和 XGBoost 的陶瓷基复合材料剩余强度预测

计数逐步增加。C/SiC加载过程中AE信号绝对能 x代表位移。
量和峰值频率的分布情况如图3所示，可以看出较 预警函数将材料加载过程中的AE信息与力学
多AE信号的峰值频率分布在0~50 kHz，该频率区 载荷信息结合起来，能够为预测模型提供更丰富的
间的AE信号包括了绝对能量从高到低的不同信号， 信息，试件拉伸试验过程中的预警函数值如图4所
50 kHz以上的AE信号绝对能量都较大。 示，可以看出，在加载前期，预警函数值有较短暂的
上升趋势，随后开始逐步下降。

图 3 声发射绝对能量与峰值频率分布 图 4 拉伸试验 C/SiC 试件的预警函数值
2.2 试验结果分析讨论 在构建数据集合后，为了将数据集特征缩放相
2.2.1 数据集特征选择、构建及预处理 同尺度，以提升后续机器学习模型预测能力，文章选
材料在加载过程中产生的AE信号由AE系统记 择数据标准化方法为
i
录。AE部分参数特征的时间历程可以反映材料损   x   - µ x
i
伤的演变。在材料加载试验中，从加载开始到材料 x std = σ x （2）
加载应力预测的当前阶段，AE信号伴随着加载的进
式中：µ 为第i个特征列的样本均值；σ 为第i个特
行持续产生。因此，在材料剩余强度预测方面，当前 x x
征列的标准差。
AE信号和前期加载产生的AE历史信号都包含着预
2.2.2 剩余强度预测模型构建及评价指标
测所需的有效信息。AE参数特征中，计数、持续时
（1）机器学习模型选择
间、绝对能量、峰值频率等参数特征能够反映对应损
为了实现有效的数据驱动建模，文章选择4种
伤的物理信息，累积绝对能量又可代表材料损伤发
不同类型的机器学习算法构建陶瓷基复合材料剩余
展的累积效应，反映材料损伤发展历程。因此，文章
强度预测模型。4种模型分别为：① 自适应提升回
选择AE信号的计数、绝对能量、持续时间、峰值频
归（Adaptive Boost Regressor，AdaBoost），该模型
率及累积绝对能量作为构成材料剩余强度预测数据
根据低级模型的错误率调整训练示例的权重，以提
集合的一部分。进一步地，材料的承载方式不同，其
高整个模型的准确性 [14] ，其比其他算法更不容易过
剩余载荷状态也不一致，所以，将材料的拉伸状态和
拟合，但是，对噪声数据和异常值敏感；② 极端梯
压缩状态通过加载模式数据列加入数据集合，0表示
度提升回归（Extreme Gradient Boosting Regressor，
压缩加载，1表示拉伸加载。
XGBoost） ，是一种高效的梯度提升决策树算法，
[15]
在确定以上数据项后，引入预警函数（Sentry
其核心是采用Boosting的整合思想，通过一定的方
Function）作为预测模型的数据特征之一。预警函
法将多个弱学习者整合成一个强学习者；③ K邻近
数F(x)为
回归（KNeighbors Regressor，KNR），是一种非参数
Ex
()
Fx S （1） 方法，能直观地通过对同一邻域内的观测值进行平
( )=ln
E ()
x
AE 均来近似表达自变量与连续结果之间的关联；④ 线
式中：E（x）为存储的应变能；E 为累积的AE信 性回归（Linear Regression，LR），可用于预测连续
S AE
号能量；x为函数自变量，通常为位移或应变。文 的数值变量，其主要优点是线性回归模型系数具有
中加载试验是在位移控制模式下进行的，因此， 明确的物理意义，可以解释自变量对因变量的影

63
2024 年 第 46 卷 第 11 期
无损检测