针对高维化工过程中存在的非线性和动态特性,提出了一种基于动态单类随机森林(dynamic one-class random forest,DOCRF)的过程监控方法。对正常运行状态下的过程数据进行稀疏性分析,根据其反分布产生离群点数据。利用典型变量分析对正...针对高维化工过程中存在的非线性和动态特性,提出了一种基于动态单类随机森林(dynamic one-class random forest,DOCRF)的过程监控方法。对正常运行状态下的过程数据进行稀疏性分析,根据其反分布产生离群点数据。利用典型变量分析对正常数据进行相关性分析,分别将正常数据和离群点数据投影到典型变量空间,利用典型变量空间数据训练单类随机森林。基于单类随机森林模型根据待检测样本与正常数据的相似度构造监控统计量进行故障检测。在Tennessee Eastman过程的仿真结果表明,所提DOCRF方法总体优于单类支持向量机方法。展开更多
文摘针对高维化工过程中存在的非线性和动态特性,提出了一种基于动态单类随机森林(dynamic one-class random forest,DOCRF)的过程监控方法。对正常运行状态下的过程数据进行稀疏性分析,根据其反分布产生离群点数据。利用典型变量分析对正常数据进行相关性分析,分别将正常数据和离群点数据投影到典型变量空间,利用典型变量空间数据训练单类随机森林。基于单类随机森林模型根据待检测样本与正常数据的相似度构造监控统计量进行故障检测。在Tennessee Eastman过程的仿真结果表明,所提DOCRF方法总体优于单类支持向量机方法。
