基于动态单类随机森林的非线性过程监控方法-化工学报.pdf

第68 卷 第4 期 化 工 学 报 Vol.68 No.4 April 2017 2017 年4 月 CIESC Journal ·1459 · DOI ：10.11949/j.issn.0438-1157 基于动态单类随机森林的非线性过程监控方法 曹玉苹，卢霄，田学民，邓晓刚 （中国石油大学（华东）信息与控制工程学院，山东青岛 266580 ） 摘要：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。 关键词：过程监控；单类随机森林；单类支持向量机；典型变量分析 中图分类号：TP 277 文献标志码：A 文章编号：0438—1157 （2017 ）04—1459—07 Nonlinear process monitoring using dynamic one-class random forest CAO Yuping, LU Xiao, TIAN Xuemin, DENG Xiaogang (College of Information and Control Engineering, China University of Petroleum, Qingdao 266580, Shandong, China) Abstract: For the nonlinear and dynamic characteristics of chemical processes, a process monitoring method based on dynamic one-class random forest (DOCRF) is proposed. The sparsity of the process data under normal operating conditions is analyzed. Then, outliers are produced according to the inverse distribution of the normal data. Canonical variate analysis is used to analyze the correlation of normal data, and to project the normal data and outliers into canonical variate space. One-class random forest is trained by using the data in canonical variate space. The monitoring statistic is establis