Page 102 - 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

响，但处理非线性关系时效果不佳。 2.2.3 陶瓷基复合材料剩余强度预测模型
（2）模型评价准则 通过陶瓷基复合材料C/SiC的加载试验，文章
用于衡量模型有效性和进行比较的性能指标是 收集了有效的声发射信号，然后，对用于预测的声
平均绝对误差（Mean Absolute Error，MAE），平均 发射信号数据集进行了设计，形成了包含计数、绝
相对误差（Mean Relative Error，MRE）和均方误差 对能量、持续时间、峰值频率、累积绝对能量、预警
（Mean Square Error，MSE）。 函数值及对应材料剩余强度的数据集合。材料剩
平均绝对误差由式（3）定义为 余强度为数据标签，是预测模型的预测目标，其他
数据列为数据特征列。文章共收集了 75 131 个数
（3）
据点，其中70 581条声发射数据作为模型的训练及
平均相对误差由式（4）定义为 测试集，训练、测试集的比例为 8∶2；其余 4 550 条
-y
n
i
M = 1 ∑ y � i × 100% （4） 数据作为新试件的声发射数据，验证模型的泛化
性能。
RE n i= 1 y
i
采用不包括预警函数值的数据集合进行模型
均方误差由式（5）定义为
训练，对比基于不同机器学习算法构建的剩余强
度模型性能，结果如表 1 所示。由表 1 可以看出，
（5）
基于 XGBoost 的模型在 3 个数据集上的模型性能
式中：y 为实际值； 为预测值；y 为实际数值的平 指标均优于其他 3 种算法，其在测试集和新试件测
i
i
均值；n为样本总数。 试集上的预测结果如图 5 所示（特征不包括预警函
（3）基于夏普系数的模型可解释性分析 数）。由表 1 和图 5 可以看出，在两个测试集上模
夏普系数（Shapley Additive Explanation，SHAP） 型预测结果的平均绝对误差分别为 2. 25 MPa 和
的目标是通过计算每个特征对预测的贡献来解释实 7. 75 MPa。
例的预测。SHAP解释方法根据博弈论计算夏普值 为提升基于XGBoost的剩余强度预测模型性
（Shapley Value） ，被表示为一种加性特征归因方 能，在数据特征中加入预警函数值，其测试结果如
[16]
法，其核心是计算特征对模型输出的边际贡献。 表2所示。
表1 不含预警函数特征的各模型预测性能
训练集（56 464） 测试集（14 117） 新试件数据（4 550）
学习算法
M RE /% M AE /Mpa M RE /% M AE /Mpa M AE /Mpa
M SE M SE M SE M RE
XGBoost 12.023 13.9 1.892 7 18.704 7 21.64 2.254 6 88.050 2 181.49 7.7463
KNN 124.596 4 43.4 7.8 197.928 69.35 9.957 5 185.853 1 374.66 11.606 5
AdaBoost 202.201 195.16 12.181 203.111 5 230.15 12.269 7 119.971 1 439.11 9.211 7
LR 494.090 9 231.84 17.283 504.472 9 233.43 17.494 7 284.287 4 584.41 14.527

图 5 不含预警函数特征下，基于 XGBoost 的预测模型预测结果

64
2024 年 第 46 卷 第 11 期
无损检测