基于随机森林的非线性故障检测与诊断方法研究

摘要

工业过程的故障诊断对保障过程安全稳定地运行具有重大的意义。随机森林(Random Forests，RF)方法已被应用于故障诊断领域，但是，该方法主要利用过程数据进行分类，并未考虑数据的非线性、相关性和动态特性。工业过程数据中存在的强耦合性和动态特性对RF的精度有很大影响。为了更好地将RF方法应用于故障诊断领域，本文研究基于随机森林的非线性故障检测与诊断方法。论文的主要研究工作如下：　　传统单类随机森林(One-Class Random Forest，OCRF)方法受变量间相关性和动态特性的影响，其产生的离群点不能很好地代表故障数据，且OCRF方法采用原始投票多数方式检测故障，无法很好地对过程进行监控。针对上述问题，给出一种基于动态单类随机森林(Dynamic One-Class Random Forest，DOCRF)方法的过程监控方法。该方法利用随机原理将变量集分为多个子集，在每个子集利用典型变量分析(Canonical Variate Analysis，CVA)方法提取过程数据的动态特征和相关关系，利用得到的不相关典型特征训练决策树，构成DOCRF模型，并利用求取样本相似度的方法给出了监控统计量和控制阈的计算方法。该方法能够很好地对过程进行监控。　　为了对故障进行进一步的诊断，同时提高随机森林方法的诊断精度，本文提出了典型旋转森林(Canonical Rotation Forest，CRF)方法。通过将CVA方法应用于原始数据变量子集，提取数据的动态不相关特征，提高RF方法的强度，增加诊断精度。通过分析田纳西-伊斯曼(Tennessee-Eastman，TE)过程上的仿真结果，证明CRF故障诊断方法的可行性，同时发现其不足之处。　　针对CRF方法对非线性强耦合故障建模不准确的缺点，以及现代工业过程存在广泛非线性关系的特点，结合改进的核CVA方法，将CRF方法推广到非线性领域，提出了核CRF(Kernel CRF，KCRF)方法。将原始数据映射到高维特征空间，并利用主元分析(Principal Component Analysis,PCA)方法提取核主元特征，避免了直接使用核CVA可能产生的奇异性问题；在核主元空间特征子集，通过CVA方法提取数据的动态相关特性，得到不相关典型变量；利用上述典型变量训练KCRF，可以很好地对过程进行故障诊断。对TE过程的仿真分析验证了基于KCRF的故障诊断方法的有效性。

目录

声明

第1章 前言

1.1 课题背景及研究意义

1.2 故障诊断技术概述

1.3 国内外研究现状

1.3.1 故障诊断技术

1.3.2 随机森林方法

1.3.3 存在的问题

1.4 论文的主要研究内容

第2章 随机森林基本原理

2.1 随机森林的基分类器---CART

2.2 构建随机森林

2.3 随机森林的性能指标

第3章 基于动态单类随机森林的非线性动态过程监控方法

3.1 问题描述

3.2 基于动态单类随机森林的过程监控方法

3.2.1 动态单类随机森林方法原理

3.2.2 过程监控方法

3.3 仿真研究

3.3.1 田纳西-伊斯曼仿真过程

3.3.2 仿真结果

3.4 本章小结

第4章 基于典型旋转森林的动态过程故障诊断方法

4.1 旋转随机森林方法

4.2 基于典型旋转森林的故障诊断方法

4.2.1 典型旋转森林方法原理

4.2.2 故障诊断方法

4.3 仿真研究

4.4 本章小结

第5章 基于核典型旋转森林的非线性动态过程故障诊断方法

5.1 基于核典型旋转森林的故障诊断方法

5.1.1 核典型旋转森林方法原理

5.1.2 故障诊断方法

5.2 仿真研究

5.3 本章小结

总结与展望

参考文献

攻读硕士学位期间取得的学术成果

致谢