一种基于集成学习算法的油井管特殊扣拧接质量判定方法

技术特征：
1.一种基于集成学习算法的油井管特殊扣拧接质量判定方法，用于对油井管特殊扣产品的拧接质量是否合格进行判定，其特征在于，包括以下步骤：步骤s1，采集油井管特殊扣生产过程中的参数，预处理后作为原始数据集，并采用分层抽样将所述原始数据集分为训练集和测试集；步骤s2，基于采集的参数选取四类参数作为已知特征，根据所述已知特征创建一维附加特征并入至所述已知特征从而生成初始特征；步骤s3，采用集成筛选算法从所述初始特征中筛选得到关键特征；步骤s4，基于集成学习算法构建初始二分类模型，所述初始二分类模型还具有硬投票模块；步骤s5，利用所述训练集和所述关键特征对所述初始二分类模型进行调优训练，得到投票集成分类模型；步骤s6，利用所述投票集成分类模型对待测油井管特殊扣进行质量判定，并输出最终判定结果，所述最终判定结果为合格或不合格。2.根据权利要求1所述的基于集成学习算法的油井管特殊扣拧接质量判定方法，其特征在于：其中，所述参数为数据库中的管拧机各传感器的拧接过程参数，所述预处理为：将不合格类样本所对应的参数打标签为0，将合格类样本所对应的参数打标签为1。3.根据权利要求1所述的基于集成学习算法的油井管特殊扣拧接质量判定方法，其特征在于：其中，所述四类参数分别为当前点扭矩参数、拧紧扭矩参数、当前点圈数以及拧紧圈数，所述一维附加特征为所述拧紧扭矩参数与当前点扭矩参数之差比拧紧圈数与当前点圈数之差。4.根据权利要求1所述的基于集成学习算法的油井管特殊扣拧接质量判定方法，其特征在于：其中，所述筛选为：使用所述集成筛选方法集成对大量冗余初始特征按照重要性进行排序，从而筛选出对分类效果影响最显著且该类特征累计贡献度为剩余特征总贡献度的前a％作为所述关键特征。5.根据权利要求4所述的基于集成学习算法的油井管特殊扣拧接质量判定方法，其特征在于：其中，所述集成筛选算法包括方差过滤法、相关系数过滤法以及随机森林平均不纯度减少法。6.根据权利要求5所述的基于集成学习算法的油井管特殊扣拧接质量判定方法，其特征在于：其中，所述步骤s3包括以下子步骤：步骤s3-1，由所述方差过滤法舍弃所述初始特征中方差接近零值的初始特征；步骤s2，由所述相关系数过滤法在剩余初始特征中舍弃与目标变量pearson相关系数
较低以及自变量特征强自相关的初始特征；步骤s3，由所述随机森林平均不纯度减少法根据剩余各特征的贡献度做阈值遍历筛选，得到最优特征数为剩余特征总贡献度的前a％，其中，a％为[65％-100％]区间中的一个固定值，由具体输入数据样本及阈值寻优算法决定。7.根据权利要求2所述的基于集成学习算法的油井管特殊扣拧接质量判定方法，其特征在于：其中，在所述训练中，还包括对所述训练集中两类标签不同的数据赋予不同权重以均衡重要性。8.根据权利要求1所述的基于集成学习算法的油井管特殊扣拧接质量判定方法，其特征在于：其中，所述集成学习算法包括逻辑回归算法、支持向量机算法以及随机森林算法。9.根据权利要求8所述的基于集成学习算法的油井管特殊扣拧接质量判定方法，其特征在于：其中，所述质量判定的过程为：基于所述逻辑回归算法、所述支持向量机算法以及所述随机森林算法分别独立计算所述待测油井管特殊扣的三个分级概率结果，将三个分级概率结果进行汇总，通过所述硬投票模块基于投票法则输出最终判定结果，所述最终判定结果为汇总后票数最多的分级概率结果。10.根据权利要求9所述的基于集成学习算法的油井管特殊扣拧接质量判定方法，其特征在于：其中，当所述分级概率结果大于等于0.6，则分类为合格类，当所述分级概率结果小于0.6，则分类为不合格类。

技术总结
本发明提供一种基于集成学习算法的油井管特殊扣拧接质量判定方法，基于拧接参数创建了描述螺纹和密封面状态的初始特征，利用集成筛选算法识别出对分类效果影响最显著的关键特征，在此基础上，融合投票集成学习算法对数据样本分类，从而实现油井管特殊扣产品质量的智能判定。通过该质量智能判定方法，提高了油井管特殊扣拧接质量判定的准确率，加快了特殊扣拧接质量判定自动化进程，节省了人工对产品过程参数判定的劳动成本，同时降低了产品质量判定的误判率，提高了出场合格率。同时，不仅解决了油井管特殊扣拧接过程中质量判定容易出现漏判、误判等难题，极大减少了油气采收过程的安全隐患，还避免了由于不合格产品外流带来的安全隐患。的安全隐患。的安全隐患。


技术研发人员：吴明光 郭慧茹 刘琼 吴婷 周官皓
受保护的技术使用者：上海海事大学
技术研发日：2022.04.01
技术公布日：2022/7/12