10.16351/j.1672-6987.2022.05.014
基于RF-RFECV和PSO-SVM的化工过程故障诊断方法
针对复杂化工生产过程数据多样性、高维性以及耦合性的特点,提出一种基于交叉验证递归特征消除算法(RFECV)、粒子群优化算法(PSO),并结合随机森林(RF)和支持向量机(SVM)的故障诊断方法.首先利用RF-RFECV方法对混合运行数据进行K折交叉验证学习与重要性排序,抽取并重构故障特征信息;将预处理后的数据作为输入样本,利用PSO与序列最小优化算法(SMO)搜索超参数得到最佳SVM分类器,实现故障诊断.应用于田纳西-伊斯曼(Tennessee Eastman,TE)过程的仿真实验结果表明:RF-RFECV与PSO-SVM融合故障诊断方法泛化能力强、诊断准确率高,识别准确率可达到99.5%以上.
粒子群优化算法、交叉验证递归特征消除算法、随机森林、支持向量机、田纳西-伊斯曼过程
43
TP277(自动化技术及设备)
国家自然科学基金61971253
2022-10-27(万方平台首次上网日期,不代表论文的发表时间)
共8页
101-108