基于RF-RFECV和PSO-SVM的化工过程故障诊断方法

摘要：

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.

关键词：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

所属期刊栏目：43

分类号：TP277(自动化技术及设备)

资助基金：国家自然科学基金61971253

在线出版日期：2022-10-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：101-108