《表3 环己烷无催化氧化过程故障检测训练和测试结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于稀疏过滤特征学习的化工过程故障检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通过对不同的特征数量L(L=10～500）进行分析，每个特征数量采用十次平均试验，得到训练平均故障检出率、测试平均故障检出率、训练平均误报率、测试平均误报率、训练和测试总运行时间的结果如图9、图10所示。从图9可以看出，随着特征数量的增大，其测试检出率和训练检出率均先增大后保持平稳，说明该方法具有一定的故障检出极限能力，同时，随着特征数量的增大，运行时间也不断延长，从图10可以看出，对于特征数量较小（L=10～50）时，随着特征数量的增大，其测试误报率和训练误报率均不断地减小，且标准偏差也在不断变小，当特征数量较大（100～500）时，随着特征数量的增大，训练误报率逐渐减小，测试误报率反而逐渐增大，这说明对于环己酮生产过程建立的模型特征数量不宜太大，否则容易出现训练结果比较好而测试结果并不好的机器学习中的“过拟合”现象。综合考虑较高的检出率和较低的误报率、计算时间不要太长以及稳定性好，最终选择L=75作为环己酮生产过程特征个数。在该特征数量下，测试平均故障检出率为80.08%，测试平均误报率为5.50%。表3给出了基于SFLR方法环己酮生产过程的故障检测训练和测试成果。