[发明专利]一种基于改进深度森林的智能BIT设计方法

说明书

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，包括，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；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；S3，将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；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；本发明通过构建深度森林，对模拟量输出通道电路BIT状态的精准分类。

技术领域

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

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。

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。

发明内容

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。

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。

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。

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，

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。