基于python甲醇合成塔故障诊断模型设计

项目说明

该项目在代码编辑器中运行 main.py，左侧项目目录包含 data、models、results、src 等文件夹。运行日志显示：进行特征选择并保留 50 个特征，执行显著性检验（30/30 个特征差异显著），生成 t-SNE 可视化图并保存，按 6:2:2 划分数据（训练集 5700、验证集 1900、测试集 1900），随后训练 XGBOOST 模型并执行超参数优化。results/figures 目录下保存了混淆矩阵、检测时间线、特征重要性、模型对比、ROC 曲线、严重度分析和 t-SNE 可视化等图片。日志还列出故障检测率、识别准确率、误报率、检测延迟、鲁棒性、提升比和推理时间等指标，并显示总体结果达标。