摘要：【目的】验证机器学习方法应用于气固流化床状态识别和故障诊断的可行性，并进一步对比不同机器学习模型的优劣。【方法】针对流化床常见的内部颗粒结块、分布板堵塞2种类型的故障，考察不同机器学习模型用于流化床状态识别和故障诊断的可行性；考察半径近邻回归模型（radius nearest neighbor, RNN）、支持向量回归（support vector regression, SVR）、 K近邻算法（K-nearest neighbor, KNN）和随机森林算法（random forest, RF）4种传统机器学习模型与智能算法AI-agent在故障诊断方面的应用，利用不同运行状态下测量得到的实验室小型流化床动态压力信号进行不同模型预测质量的评判。【结果】机器学习模型可以通过测得的动态压力信号进行流化床的状态识别与故障诊断，在所选择的传统模型中，KNN具有最高的准确率和区分率，分别达到93.75%和81.25%，自研算法AI-agent的也展现出优良的诊断效果。【结论】通过对比5类较为主流的机器学习模型，确定针对流化床状态监测与故障诊断的最优模型KNN。

关键字：流化床;智能算法;压力脉动;故障诊断

ISSN号：1008-5548

卷、期、页：网络发表

期刊分区（SCI为中科院分区）：无

收录情况：CSCD（中国科技引文期刊）（扩展）

发表期刊名称：中国粉体技术

参与作者：马存志,金云峰

通讯作者：凡简,窦明莹,赵飞,张如昕

第一作者：李舒月,张永民

论文类型：期刊论文

论文概要：凡简,窦明莹,赵飞,马存志,张如昕,金云峰,李舒月,张永民，不同机器学习模型的流化床状态识别和故障诊断效果，中国粉体技术，，网络发表

论文题目：不同机器学习模型的流化床状态识别和故障诊断效果