基于随机森林的管网漏失诊断方法

摘要

针对管道漏失诊断多层信息融合决策复杂的问题,提出了一种基于随机森林(RF)融合的管网漏失诊断方法。该方法使用随机森林基于非参数数据驱动的分类特性,利用随机森林的自动抽样技术和节点随机分裂技术,采用独立分量分析(ICA)对负压波和流量信号进行降噪并选择其中的泄漏特征参数作为随机森林的输入,充分利用了不同传感器群组互补和冗余的有效信息进行管道和管网的工况判别。并且随机森林可以衡量传入特征向量中各个特征的重要程度,起到了特征参数数据挖掘的作用,可以进一步简化系统的复杂程度。实验结果表明,该种融合算法相比基于反向传播神经网络(BPNN)及基于支持向量机(SVM)的D-S证据理论算法分别提高了2.2%和6.4%管道漏失诊断的准确率。