基于RF-RFECV和PSO-SVM的化工过程故障诊断方法

作者：张伟; 王连彪; 张广帅

来源：青岛科技大学学报(自然科学版), 2022, 43(05): 101-108.

DOI：10.16351/j.1672-6987.2022.05.014

• 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

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。

• 单位
  电子工程学院; 青岛科技大学