資源描述：
《基于改進(jìn)隨機(jī)森林的故障診斷方法研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、基于改進(jìn)隨機(jī)森林的故障診斷方法研究*摘要：針對機(jī)器學(xué)習(xí)方法作為故障模式識別工具具有廣泛的應(yīng)用，但是在一類不叮識別故障的診斷方面存在不能有效定位故障的不足，提出應(yīng)用改進(jìn)隨機(jī)森林組合分類器算法進(jìn)行改進(jìn)。改進(jìn)隨機(jī)決策樹的bagging方式，采用條件概率指數(shù)進(jìn)行決策樹無偏節(jié)點(diǎn)分裂，改進(jìn)變量重耍性計(jì)算算法來獲取輔助故障定位的故障原型指數(shù)，較好地克服了原隨機(jī)森林和機(jī)器學(xué)習(xí)在故障診斷中的不足和局限性。最后在一個標(biāo)準(zhǔn)數(shù)據(jù)集和TennesseeEastmanProblem(TEP)故障診斷的問題上進(jìn)行驗(yàn)證，結(jié)果證明了該法的有效性和優(yōu)越性關(guān)鍵詞：故障診斷；隨機(jī)森林；故障原型；TEPResearchon
2、FaultDiagnosisMethodBasedonModifiedRandomForestsAbstract:Toavoidtraditionalmachinelearningtechniquesnottoeffectivelylocatethefaultlocationinfaultdiagnosticapplication,inthispaper,afaultdiagnosismethodbasedonmodifiedrandomforestsispresented.Modifythealgorithmofbaggingsample、splitmethod,variable
3、simportancemeasureinrandomforestsbyanalysisoflimitationoftraditionalmachinelearningfaultdiagnosismethodandoriginalrandomforests.ThepresentedmethodisillustratedanddocumentedthoroughlyinanapplicationofTennesseeEastmanProcess(TEP)andstanderdata?Theresultsverifiedthefeasibilityandeffectivenessofth
4、ispresentedapproach?Keywords:FaultdiagnosisRandomforestsFaultprototypeTEP0刖呂故障是指系統(tǒng)的非正常狀態(tài)，即在正常條件下，系統(tǒng)實(shí)際功能輸出或附加輸汕偏離規(guī)定界限的現(xiàn)象，從而造成系統(tǒng)或部件的破壞厲役故障從確定性角度可以分為兩類：可識別故障與不可識別故障?？勺R別故障主要是指故障的發(fā)生位直能夠從故障類別信息中直接確定，如經(jīng)過確診的故障，其發(fā)生位置與故障類別是一一對應(yīng)關(guān)系；不可識別故障是指故障的發(fā)生位置暫fl.無法從故障類別信息中直接確定，如一類未經(jīng)過確診的新故障，在允許的診斷時間內(nèi)，工程人員可以判定這是屬于一類故障，
5、但是故障的發(fā)生位置暫且不能確定需經(jīng)過一定時間的杳找才能確定故障發(fā)生的位直，經(jīng)查找出故障發(fā)生位置片即可建立故障發(fā)生位置與故障類別一一對應(yīng)關(guān)系。故障診斷就是判斷一個系統(tǒng)是否有故障發(fā)生，如果有故障發(fā)牛那么其故障發(fā)牛的位置在哪里，它主要包括三個方而：故障的檢測一一判斷一個系統(tǒng)是否有故障發(fā)生；故障的識別一一如果故障發(fā)生，顯示與故障最相關(guān)的監(jiān)控變暈；故障位置的確疋一—確定故障的真正位置⑶故障診斷在確保工業(yè)系統(tǒng)正常運(yùn)行和女全生產(chǎn)等方面起著重要的作用。故障診斷的理論和方法也經(jīng)歷了不同的階段發(fā)展。迄今，多個領(lǐng)域的研究者已提出了多種故障診斷方法，如基于模型的故障診斷（包括基于輸入輸出和信號處理的方法、
6、基于狀態(tài)估計(jì)的方法、基于過程參數(shù)估計(jì)的方法）、基于人工智能的方法（包插基于機(jī)器學(xué)習(xí)的方法、基于進(jìn)化計(jì)算的方法、基于模糊數(shù)學(xué)等）⑷，這些故障診斷方法在流程工業(yè)、電力系統(tǒng)安全檢測等多個領(lǐng)域都有廣泛的應(yīng)用。基于模型的故障診斷是在已知系統(tǒng)數(shù)淫模型的情況下，通過比較實(shí)際系統(tǒng)輸出和數(shù)學(xué)模型的輸出來產(chǎn)生殘余謀差，當(dāng)系統(tǒng)沒有故障發(fā)生時，殘余課差為零，否則殘余謀差不為零。在與其它的故障診斷方法相比，基于模型的故障診斷效杲是最好的，但是隨著現(xiàn)代工業(yè)系統(tǒng)復(fù)雜程度的增加、系統(tǒng)規(guī)模的擴(kuò)人，其數(shù)學(xué)模型已經(jīng)很難獲取到，因此基于模型的故障診斷的應(yīng)用受到限制?；跈C(jī)器學(xué)習(xí)方法是一-類有效的智能診斷方法，它不需要系統(tǒng)
7、準(zhǔn)確模型，而是通過歷史的監(jiān)控輸入輸出數(shù)據(jù)來建立系統(tǒng)的黑箱故障診斷模型，這類方法往往集中了故障檢查、識別與定位的故障診斷功能，并R成為該領(lǐng)域的一個研究熱點(diǎn)。在現(xiàn)有的基于機(jī)器學(xué)習(xí)的故障診斷研究中，如基于BP、SVM等故障診斷，很多研究者宙宀都是把重點(diǎn)放在對可識別故障的診斷上，即只是對故障的類別進(jìn)行判別從而根據(jù)故障類別找出故障的發(fā)生位置，當(dāng)然這些方法在可識別故障的診斷中取得了不錯的效果。而當(dāng)一個新的不可識別故障產(chǎn)生時，這種基于機(jī)器學(xué)習(xí)方法的故障診斷顯然無法輔助和關(guān)的工程人員
