不同机器学习模型的流化床状态识别和故障诊断效果
凡简1
窦明莹1
赵飞1
马存志2
张如昕1
金云峰2
李舒月1
张永民1
1.中国石油大学(北京)重质油全国重点实验室,北京 1022492.南京天洑软件有限公司,江苏 南京 211100
摘要：[目的]验证机器学习方法应用于气固流化床状态识别和故障诊断的可行性,并进一步对比不同机器学习模型的优劣.[方法]针对流化床常见的内部颗粒结块、分布板堵塞2种类型的故障,考察不同机器学习模型用于流化床状态识别和故障诊断的可行性;考察半径近邻回归模型(radius nearest neighbor,RNN)、支持向量回归(support vector regres-sion,SVR)、K近邻算法(K-nearest neighbor,KNN)和随机森林算法(random forest,RF)4种传统机器学习模型与智能算法AI-agent在故障诊断方面的应用,利用不同运行状态下测量得到的实验室小型流化床动态压力信号进行不同模型预测质量的评判.[结果]机器学习模型可以通过测得的动态压力信号进行流化床的状态识别与故障诊断,在所选择的传统模型中,KNN具有最高的准确率和区分率,分别达到93.75％和81.25％,自研算法AI-agent的也展现出优良的诊断效果.[结论]通过对比5类较为主流的机器学习模型,确定针对流化床状态监测与故障诊断的最优模型KNN.
关键词：流化床智能算法压力脉动故障诊断
分类号：TQ051.13(一般性问题)TP181(自动化基础理论)TB44(工业通用技术与设备)
论文发表日期：2025-11-01
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：12( 122-133 )
英文信息