一種基于機器學習的鋼鐵耐磨材料壽命預測方法及系統
專利類型：發明授權申請(專利)號：CN202411572719.2申請日：2024-11-06授權公告號：CN119442903B授權公告日：2025-04-25申請人：南昌工學院地址：330000 江西省南昌市紅谷灘區獅子山大道998號發明人：何苗; 索忠源; 魏坤; 程婷; 陽念; 雷書專輯：信息科技專題：自動化技術主分類號：G06F30/27分類號：G06F30/27;G16C60/00;G06F119/04國省代碼：36頁數：15代理機構：長沙贏德信睿專利代理事務所(普通合伙)代理人：王玲芳主權項：1.一種基于機器學習的鋼鐵耐磨材料壽命預測方法,其特征在于：包括：采集鋼鐵耐磨材料的歷史運行數據,對所述歷史運行數據進行歸一化處理,得到歸一化特征數據,并將所述歸一化特征數據按比例劃分數據集；基于所述數據集,構建第一模型；構建第二模型,將所述第一模型在所述數據集上使用不同參數組合下的預測誤差作為輸入,訓練所述第二模型；根據所述第二模型輸出的最優參數組合更新所述第一模型,將所述數據集輸入更新后的第一模型中,得到鋼鐵耐磨材料的壽命預測結果；所述歷史運行數據包括材料成分數據、工作溫度數據、應力數據以及壽命數據；所述材料成分數據包括碳含量百分比、鉻含量百分比、錳含量百分比、硅含量百分比、磷含量百分比以及硫含量百分比；所述工作溫度數據包括工作過程中的最高溫度值、最低溫度值和平均溫度值；所述應力數據包括實際工況下承受的拉伸應力、壓縮應力和剪切應力數據；所述數據集包括訓練數據集、驗證數據集和測試數據集；所述第一模型的構建包括：構建初始預測函數；基礎預測函數基于權重向量和偏置項將輸入數據映射至預測結果；根據所述訓練數據集的維度特征選擇核函數；根據所述訓練數據集的噪聲水平設置懲罰因子平衡所述第一模型的誤差；基于所述鋼鐵耐磨材料壽命預測的精度要求,利用epsilon參數控制支持向量的數量；構建所述第一模型的損失函數,通過所述損失函數將所述支持向量回歸問題轉化為帶約束的優化問題；將所述帶約束的優化問題分解為二維子問題,并通過迭代優化獲得支持向量和對應的拉格朗日乘子,得到所述第一模型；所述設置懲罰因子平衡所述第一模型的誤差包括：當所述訓練數據集的噪聲較大時,較小的值使模型進行容忍訓練誤差,而當所述訓練數據集的噪聲較小時,較大的值則使模型進行擬合訓練數據,從而建立懲罰因子與數據特性的關聯；當所述訓練數據的標準差超過均值的第一預設值時,判定所述訓練數據集的噪聲較大；當所述訓練數據的標準差小于均值的第二預設值時,判定所述訓練數據集的噪聲較小；其中,平衡后的第一模型的優化函數如下式所示： ；其中,為權重向量,和為松弛變量,為權重向量的范數,為懲罰因子,控制模型對訓練誤差的敏感程度；所述利用epsilon參數控制支持向量的數量包括：當預測值與真實值的偏差小于所述epsilon參數的值時不計算損失,形成對預測誤差的軟間隔約束；所述軟間隔約束如下式所示： ；其中,為偏置項,為第i個訓練樣本的真實值,為容忍帶寬度,為第i個訓練樣本的特征值；所述第二模型根據特征向量進行訓練；所述特征向量的構建包括：構建所述第一模型的參數組合,對于每組參數組合,使用所述每組參數組合更新所述第一模型,利用所述驗證數據集計算預測結果；評估所述預測結果并形成所述特征向量；所述預測結果根據預測精度損失、模型復雜度損失和支持向量比例損失進行評估；所述預測精度損失的計算如下式所示： ；其中,為預測精度損失,為樣本數量,為真實值,為預測值,為預測函數對的偏導數,為預測函數對C的偏導數,為預測函數對的偏導數；所述模型復雜度損失的計算如下式所示： ；其中,為權重向量的范數,為初始懲罰因子值,為拉格朗日乘子的絕對值,為復雜度損失；所述支持向量比例損失的計算如下式所示： ；其中,為支持向量的數量,為期望的支持向量比例,為初始容忍帶寬度,為支持向量比例損失。摘要：本發明公開了一種基于機器學習的鋼鐵耐磨材料壽命預測方法及系統,涉及材料檢測技術領域,包括采集鋼鐵耐磨材料的歷史運行數據,對所述歷史運行數據進行歸一化處理,得到歸一化特征數據,并將所述歸一化特征數據按比例劃分數據集；基于所述數據集,構建第一模型；構建第二模型,將所述第一模型在所述數據集上使用不同參數組合下的預測誤差作為輸入,訓練所述第二模型；根據所述第二模型輸出的最優參數組合更新所述第一模型,將所述數據集輸入更新后的第一模型中,得到鋼鐵耐磨材料的壽命預測結果。本發明通過兩個模型的相互優化獲得最優參數組合提升預測的準確性和適應性,使壽命預測結果更具實際應用價值。
編輯：冶金材料設備網
發布時間：2025-05-28
