典型文献
基于RF-RFECV和PSO-SVM的化工过程故障诊断方法
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
张伟;王连彪;张广帅
作者机构：
青岛科技大学 自动化与电子工程学院,山东 青岛 266061
文献出处：
引用格式：
[1]张伟;王连彪;张广帅-.基于RF-RFECV和PSO-SVM的化工过程故障诊断方法)[J].青岛科技大学学报（自然科学版）,2022(05):101-108
A类：
交叉验证递归特征消除算法
B类：
RFECV,PSO,化工过程,故障诊断方法,化工生产过程,过程数据,数据多样性,高维性,耦合性,粒子群优化算法,混合运行,运行数据,重要性排序,故障特征,特征信息,SMO,超参数,分类器,于田,田纳西,伊斯曼,Tennessee,Eastman,TE,泛化能力,诊断准确率,识别准确率
AB值：
0.30051
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
