基于多标签随机森林的固体氧化物燃料电池系统并发故障识别

为了快速准确地识别SOFC系统的并发故障,将多标签技术和机器学习算法相结合,实现了复杂非线性系统中并发故障数据稀少情况下的故障快速识别。研究了多标签随机森林故障识别方法,通过集成多个随机森林,系统地提升了并发故障的识别率。针对并发故障识别的多维标签输出的特殊性,采用F1-Measure准则来评价多维标签识别精度,从而实现对并发故障的识别精度评价。实验结果表明:多标签并发故障识别框架能够在并发故障训练数据稀少的情况下,高效地识别故障样本。