一种基于改进深度森林的智能BIT设计方法

本发明涉及人工智能领域，尤其涉及一种基于改进深度森林的智能bit设计方法。

背景技术：

1、在重型燃气轮机控制系统中，控制器可以通过模拟量输出模块，将模拟信号传输至现场阀门、给水泵等执行机构，实现远距离传输控制的任务。模拟量输出模块的可靠性水平一定程度上影响着整个控制任务的稳定性，决定了整个控制任务的成败。为了提升模拟量输出模块的可靠性，许多学者将机内测试技术(built-in test，bit)引入其中，通过闭环回绕测试法设计bit检测电路，从而提升模拟量输出模块的可靠性。然而常规bit技术往往伴随着较高的虚警率，高虚警的产生会给模拟量输出模块的可靠性带来严重的负面影响，从而造成用户对整个控制系统信心的丧失，同时，高虚警率对模拟量输出模块的复检维修也会造成困难。

2、拟量输出模块一般包含d/a输出、信号放大电路和v/i(电压/电流)转换电路。模拟量输出模块在实际工作中，经常由于运算放大器的负反馈开路、电路中电阻老化、二极管开路、三极管短路等原因发生间歇故障。但是由于间歇故障信号发生具有随机性，且没有明确的频率或波形，同时包含永久故障信号和正常信号的部分特性，在实际工作中采集到的间歇故障信号样本集较少，约占全部数据集的百分之零点几。因此，间歇故障信号具有采集成本高、辨识难、可重复出现、样本集小的特点，由此可见，如何有效降低模拟量输出模块bit的虚警率，提高可靠性，成为目前亟待解决的问题。

技术实现思路

1、为此，本发明提供一种基于改进深度森林的智能bit设计方法，用以克服现有技术中模拟量输出模块bit的虚警率高，可靠性低的问题。

2、为实现上述目的，本发明提供一种基于改进深度森林的智能bit设计方法，包括，步骤s1，对重型燃气轮机控制系统的模拟量输出模块进行bit数据采集，形成模拟量输出模块的功能电路bit采样历史数据集。

3、步骤s2，采用经验模态分解算法对所述功能电路bit采样历史数据集进行特征提取。

4、步骤s3，将步骤s2中提取到的特征向量采用分类树回归算法训练随机森林决策树；并将提取到的特征向量采用旋转策略训练旋转森林。

5、步骤s4，训练改进的深度森林，采集模拟量输出模块的功能电路bit采样在线数据集，并通过改进的深度森林对功能电路bit采样在线数据集进行正常、间歇故障和永久故障三种状态的识别。

6、进一步地，对不同工作状态下的模拟量输出通道电路可表征功能电路状态的电流或电压进行采样，其中包括模拟量输出通道电路主要功能电路的正常数据、所述永久故障数据和所述间歇故障数据，得到所述功能电路bit采样数据集，采用所述经验模态分解算法对采样数据集进行特征提取，并构造每种状态的所述特征向量，作为训练决策树的输入，包括下述步骤，

7、第一步，寻找数据集x中的全部极值点，通过样条曲线将局部极大值点连成上包络线，局部极小值点连成下包络线，上下包络线之间包含全部数据点。

8、第二步，由上包络线和下包络线的平均值m1，得出，h1＝x－m1，若h1满足内涵模态分量，在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不超过1个，在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，则可认为h1是x的第一个imf分量。

9、第三步，若不符合imf条件，则将h1作为原始数据，重复所述第一步、所述第二步，得到上、下包络的均值m11，通过计算h11＝h1－m11是否适合imf分量的必备条件，若不满足，重复如上两步p次，直到满足imf条件，得到第一个imf分量c1，c1＝h1p。

10、第四步：将c1从x中分离得到r1，r1＝x－c1将r1作为原始信号重复第一步至第三步，循环q次，得到第二个至第q个imf分量c2至cq，则

11、

12、第五步，当rq变成单调函数后，rq称为残余分量，停止分解，此时原始信号被分解为q个imf分量和一个单点函数rq之和，即：

13、

14、第六步，用各imf分量构造特征向量，

15、

16、将所有的样本都进行emd特征提取后，组成数据集d：

17、

18、其中tn代表第n种状态的特征向量，代表第n种的第q个样本向量。

19、可选的，为保证所述数据的均匀性和分布的一致性，对提取到的所述特征向量进行k折交叉验证，数据集d是由特征向量tn组成的，将数据集d等比例化为k个大小互斥的子集，每次将k－1个子集的并集作训练集，另一份作验证集，最终得到k组训练样本，将此k组数据作为训练决策树的输入。

20、将所述k组数据集采用cart算法训练随机森林决策树，从所述数据集d所有的a个属性中随机选出一个包含a′＝log2a个属性的子集，再在a′中以当前数据基尼指数最小的作为属性特征继续参与下次分支，基尼指数公式为：

21、

22、用gini(a)决定随机森林决策树分支的生长方向，当前节点所包含的样本都属于同一类别，或当前节点所覆盖的样本个数小于某一阈值分裂停止，然后对这棵树采用错误率降低剪枝法(reduced-error pruning，rep)进行适当剪枝，从而生产一棵随机森林决策树，对其余的k-1组数据分别采用cart算法训练随机森林决策树，得到k棵随机森林决策树。

23、将提取到的所述特征向量采用旋转策略训练旋转森林。

24、进一步地，将每组训练集进行75％重采样得到所述数据集d中的训练样本dk，采用主成分分析(principle component analysis，pca)对所述训练样本dk进行变换，得到该训练样本的主成分系数特征向量pk＝[p1k,p2k,…,pdk]，将k个所述特征向量合并成对角系数矩阵r，

25、

26、并根据所述特征向量对应的原始样本特征位置重新旋转得到矩阵r*，重构新样本xnew＝x*r*。用xnew训练旋转森林决策树。

27、将随机森林和旋转森林组合构成改进的深度森林的一层，将随机森林和旋转森林的决策结果与数据集d作为深度森林下一层的输入。

28、在所述步骤s4中，将模拟量输出模块主要功能电路的bit检测数据采用emd算法提取特征向量后，输入到改进的深度森林网络中，进行投票选择，完成状态的识别，识别的状态包括，正常状态、间歇故障状态和永久故障状态。

29、在进行投票选择时，投票过程为，

30、

31、

32、其中，hi代表改进的深度森林不同的森林，为每个森林的预测结果，的大小作为投票的依据，选择能够使最大的作为最终的改进的深度森林分类结果，即模拟量输出模块功能电路状态的识别结果。

33、与现有技术相比，本发明的有益效果在于，针对重型燃气轮机控制系统模拟量输出模块bit虚警率高的问题，通过改进深度森林算法对模拟量输出模块bit检测数据的状态进行分类，准确识别模拟量输出模块的间歇状态，有效降低模拟量输出模块bit的虚警率，为可靠性的提升提供了一个有效的方法思路。