【论文】基于随机森林的不可靠数据化工过程故障诊断方法

qq_1537237806

针对化工过程的监测数据存在数据缺失、漂移和卡死等不可靠现象可能严重影响故障诊断的准确性问题,提出了一种基于随机森林（RF）的故障诊断方法。利用训练集对RF分类器进行训练和调优,得到最优的RF分类器模型,确定决策树数量和随机属性个数,最后将存在不可靠变量的测试集数据输入RF分类器模型,利用随机森林方法的强抗干扰能力,实现对存在不可靠数据的化工过程进行诊断。将该方法应用到田纳西-伊斯曼（TE）过程的故障诊断,并与反向传播神经网络（BPNN）、径向基函数神经网络（RBFNN）和深度信念网络（DBN）方法相比,结果表明,基于RF的故障诊断方法能在数据不可靠的条件下,更加有效地检测并识别故障类型,在实际工业环境的应用中具有一定的优越性。