基于机器学习的湿化仪温度预测建模与仿真

高流量呼吸湿化仪作为一种典型的非线性、大滞后且对象参数随流量变化的变结构温度控制系统，出气温度会随流量不断变化且易受到各种参数影响。鉴于对象的特殊性及复杂性考虑，无法通过传统的机理建模方法进行模型搭建。针对这一问题的出现，以大量的历史数据为基础，使用机器学习方法进行建模。整个建模过程，选用多元线性回归、随机森林和支持向量机三种算法进行模型训练；在性能效果评估方面，选用可解释方差（VS）、平均绝对误差（MAE）、均方误差（MSE）、判定系数（R2）四种指标进行效果评估。仿真实验结果表明，在不同工况条件下，三种模型皆可以对出气温度做出预测，且通过性能对比分析，相同条件下随机森林的预测效果要优于另外两种算法。实现对出气温度预测，不仅使湿化仪的性能得到提升，同时对于仪器的安全使用也具备一定的指导意义。