[发明专利]一种基于改进深度森林的智能BIT设计方法

权利要求书

1.一种基于改进深度森林的智能BIT设计方法，其特征在于，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；

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；

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；

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。

2.根据权利要求1所述的基于改进深度森林的智能BIT设计方法，其特征在于，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采样历史数据集，采用所述经验模态分解算法对功能电路BIT采样历史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，

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；

第二步，由上包络线和下包络线的平局值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；

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＝h1 p；

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

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，

第六步，用各IMF分量构造特征向量，

将所有的样本都进行EMD特征提取后，组成数据集D，

其中T_n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，代表第n种状态的第q个IMF分量。

3.根据权利要求2所述的基于改进深度森林的智能BIT设计方法，其特征在于，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T_n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。

4.根据权利要求3所述的基于改进深度森林的智能BIT设计方法，其特征在于，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：

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。