石油学报(石油加工) ›› 2021, Vol. 37 ›› Issue (1): 121-129.doi: 10.3969/j.issn.1001-8719.2021.01.012
冯子芸1,王治红1,戴一阳2
FENG Ziyun1, WANG Zhihong1, DAI Yiyang2
摘要: 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。
中图分类号: