基于EasyEnsemble的化工过程故障诊断性能改进
化工过程故障诊断中样本数据分布不均衡现象普遍存在.在使用不均衡样本作为训练集建立各类故障诊断分类器时,易出现分类器的识别率偏置于多数类样本的结果,由此产生虽正常状态易识别,但更受关注的故障状态却难以被诊断的现象.针对该问题,本文提出一种基于EasyEnsemble思想的主元分析-支持向量机(EasyEnsemble based principle component analysis-support vector machine,EEPS)故障诊断算法,通过欠采样方法抽取多数类样本子集组建多个新的均衡数据样本集,使用主元分析(principle component analysis,PCA)进行特征提取并使用支持向量机(support vector machine,SVM)算法进行训练,得到多个基于SVM的故障诊断分类器,然后使用Adaboost算法集成最终的分类,从而提高故障诊断准确性.所提方法被用于TE(Tenessee Eastman)化工过程,实验结果表明,EEPS算法能够有效提高分类器在不均衡数据集上的诊断性能和预报能力.
化工过程、数据不均衡、EasyEnsemble、故障诊断
34
TP277(自动化技术及设备)
上海高校青年教师培养资助计划10-15-303-808资助. Supported by Foundation for Young Teachers in Shanghai Higher Education Institutions 10-15-303-808
2017-04-24(万方平台首次上网日期,不代表论文的发表时间)
共5页
49-53