仪器仪表学报

作者：罗柯达，张登峰，周通，王村松，张泉灵

单位：罗柯达,南京工业大学智能制造研究院南京210009,,张登峰,南京工业大学智能制造研究院南京210009,zhdf@njtech.edu.cn,周通,南京工业大学智能制造研究院南京210009,,王村松,南京工业大学智能制造研究院南京210009,,张泉灵,南京工业大学智能制造研究院南京210009,

关键词：调节阀;故障诊断;麻雀搜索算法;自适应随机森林;超参数优化

基金：国家自然科学基金（62333010）、国家自然科学基金（62573223）项目资助

调节阀在实际工作过程中需要运行于多种控制方式,使相同故障在不同控制工况下常呈现出差异的特征信息,导致基于单一工况数据训练的机器学习诊断模型难以泛化、性能下降。为此,提出了一种基于量子注意力麻雀搜索算法(QA-SSA)与弹性自适应随机森林(EARF)模型相结合的调节阀多工况故障分类诊断方法。所提EARF模型在自适应随机森林(ARF)模型基础上,通过引入两级决策机制、优化全局漂移检测器位置、设计局部剪枝策略,并动态调节决策树数量,减少ARF模型的计算量,提高建模效率与诊断精度,增强对工况变化的自适应能力。针对EARF模型超参数耦合难以优化的难题,设计了一种QA-SSA优化算法,通过在传统麻雀搜索算法(SSA)中引入量子行为与玻尔兹曼选择策略,提高了算法在高维超参数空间的搜索效率与鲁棒性。最后,利用实验室电动调节阀流体控制系统平台,分别在流量、压力、液位等3种控制工况下针对调节阀的6类故障进行了模拟试验验证。结果表明,所提出的QA-SSA-EARF模型方法对单一工况下的分类诊断准确率达到97.47%,比优化后的随机森林(RF)模型和ARF模型分别提高了9.65%和3.64%;多工况下的平均分类诊断准确率达到93.12%,比其他两种模型方法分别提高了2.59%和8.9%,充分证明了该方法在多工况故障诊断任务中的有效性与鲁棒性。

来源：2026年第1期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2026年第1期