基于改进随机森林的故障诊断方法研究

为解决不可识别故障诊断中无法有效定位的问题，提出一种基于改进随机森林的故障诊断方法。该方法通过改进决策树的bagging方式，采用条件概率指数进行决策树的无偏节点分裂，并以权重投票法综合决策树的分类结果。在此基础上，利用变量重要性测量来获取辅助故障定位的故障原型指数，从而较好地弥补了随机森林和传统机器学习在故障诊断中的不足和局限性。最后在一个标准数据集和田纳西-伊斯曼故障诊断的问题上进行验证，结果证明了该方法的有效性与可行性。