一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能BIT设计方法

一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法
技术领域
1.本发明属于测试和人工智能领域，具体涉及一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法。


背景技术：

2.在重型燃气轮机控制系统中，控制器作为整个控制系统的“大脑”，承担着调节整个系统的任务。控制器模块的可靠性程度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。为了提升控制器模块的可靠性，许多学者将机内测试技术(built-in test，bit)引入其中，提升控制器模块的可靠性。然而常规bit技术往往伴随着较高的虚警率，高虚警的产生会给控制器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，当故障真正发生时，故障原因的快速溯源和维护方案的快速匹配具有重要意义。
3.近年来，深度学习由于具有优秀的数据特征提取与模式识别能力而被开始应用于bit领域，相关学者做了大量研究。知识图谱作为新兴的知识存储手段，以其高效的信息搜索和推理能力，被广泛应用于智能搜索领域。本文涉及一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，利用改进的深度森林准确识别控制器模块模拟量的bit状态，降低虚警率，当真正发生故障时，通过构建的重型燃气轮机控制系统bit知识图谱快速搜索推理，进行故障原因溯源和维护手段的辅助决策，提升控制器模块的可靠性。


技术实现要素：

4.本发明提供一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法。
5.本发明采用如下的技术方案。
6.一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，包括以下步骤：
7.对控制器模块设置激励信号，通过对每个功能电路进行虚警或故障注入，收集各个功能电路响应端数据，最终得到各个功能电路正常、虚警、故障三种状态的响应端数据，即控制器模块功能电路bit采样数据集x。
8.分析数据集x，对数据进行标注，虚警分为误报和漏报两种情况，分别对应的真实状态为正常和故障，组成数据集d。
9.采用k折交叉验证，将数据集d划分为k个训练集和测试集。
10.将k组训练集分别训练极端随机决策树，在数据集d的全部a个特征中随机选取一个特征作为属性特征继续参与下次分支，重复此分支过程直至当前节点所包含的样本都属于同一类别，最终训练得到n棵极端随机决策树。
11.将每棵极端随机决策树以投票的方式生成极端随机森林。
12.将每组训练集进行75％重采样得到训练样本d
′m，采用主成分分析(principle component analysis，pca)对训练样本d
′m进行变换，得到该训练样本的主成分系数特征向量pk＝[p
1m
,p
2m
,
…
,p
dm
]，将m个特征向量合并成对角系数矩阵，并根据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x
new
＝x*r。用x
new
训练n棵旋转森林决策树。
[0013]
将每棵旋转森林决策树以投票的方式生成旋转森林。
[0014]
将两个极端随机森林和两个旋转森林组合构成改进深度森林的一层，将极端随机森林和旋转森林的决策结果与数据集d作为改进深度森林下一层的输入，按照[0009]-[0013]所述过程进行训练，最后一层改进深度森林决策结果投票决定bit数据分类结果。
[0015]
改进的深度森林模型对控制器模块数据进行bit状态诊断，得到真实的bit状态。
[0016]
构建重型燃气轮机控制系统bit知识图谱。
[0017]
根据改进深度森林模型诊断得到的bit状态，当故障发生时，将故障类型作为搜索依据，在知识图谱中进行搜索，匹配故障原因和相关维护建议，完成辅助决策支持。
[0018]
采用本发明具有如下的有益效果：该设计方法针对重型燃气轮机控制系统控制器模块bit虚警率高的问题，通过改进深度森林算法对控制器模块bit检测数据的状态进行分类，正确知识bit状态，有效降低控制器模块bit的虚警率，当bit状态为故障时，通过知识图谱进行推理和搜索，完成故障原因快速溯源，匹配维护建议，实习辅助决策支持，为可靠性的提升提供了一个有效的方法思路。
附图说明
[0019]
图1为本发明实施例的一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法流程图。
[0020]
图2为改进的深度森林模型结构。
[0021]
图3为重型燃气轮机控制系统控制器模块bit知识图谱。
具体实施方式
[0022]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0023]
在本实例中，参照图1所示，本发明提出了一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，具体包括步骤：
[0024]
(1)采集控制器模块功能电路bit数据集x；
[0025]
(2)标注数据集x，组成数据集d；
[0026]
(3)采用k折交叉验证划分数据集；
[0027]
为保证数据的均匀性和分布的一致性，在训练决策树之前，先将数据集d进行划分，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。
[0028]
(4)训练极端随机决策树；
[0029]
将k组训练集分别训练极端随机决策树，在数据集d的全部a个特征中随机选取一个特征作为属性特征继续参与下次分支，重复此分支过程直至当前节点所包含的样本都属于同一类别，最终训练得到n棵极端随机决策树。
[0030]
(5)训练旋转森林决策树；
[0031]
将每组训练集进行75％重采样得到训练样本d
′k，采用主成分分析(principle component analysis，pca)对训练样本d
′k进行变换，得到该训练样本的主成分系数特征向量pk＝[p
1k
,p
2k
,
…
,p
dk
]，将k个特征向量合并成对角系数矩阵r，并根据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x
new
＝x*r
*
。用x
new
训练旋转森林决策树。
[0032]
将每棵旋转森林决策树以投票的方式生成旋转森林。
[0033]
(6)训练改进的深度森林；
[0034]
将随机森林和旋转森林组合构成改进的深度森林的一层，将极端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，按照(4)、(5)所述过程进行训练。
[0035]
(7)采用改进的深度森林进行决策；
[0036]
将重型燃气轮机控制系统控制器模块主要功能电路的bit检测数据输入到由步骤(6)产生的改进的深度森林网络中，进行投票选择，最终判断出该数据属于何种状态，分类的结果由决策树投票数量的多少来决定，投票过程为：其中
[0037]
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cj作为最终的改进的深度森林分类结果，也就是控制器模块功能电路状态的识别结果。
[0038]
(8)构建重型燃气轮机控制系统bit知识图谱；
[0039]
整合专家知识，将每种故障作为图谱中的每个节点，图谱中每个节点包括节点名、节点解释、维护建议、权重，节点之间建立“导致”的关系，构建重型燃气轮机控制系统智能bit知识图谱。
[0040]
(9)故障溯源与辅助决策；
[0041]
根据改进深度森林模型诊断得到的bit状态，当故障发生时，将故障类型作为搜索依据，在知识图谱中进行搜索，匹配故障原因和相关维护建议，完成辅助决策支持。
[0042]
该设计方法针对重型燃气轮机控制系统控制器模块bit虚警率高的问题，通过改进的深度森林算法对控制器模块bit检测数据的状态进行分类，准确识别控制器模块的bit状态，有效降低控制器模块bit的虚警率，当bit状态为故障时，通过知识图谱进行推理和搜索，完成故障原因快速溯源，匹配维护建议，实习辅助决策支持，为可靠性的提升提供了一
个有效的方法思路。
[0043]
应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。

技术特征：
1.一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于，包括以下步骤：步骤1、采集控制器模块功能电路bit数据集x；步骤2、标注数据集x，组成数据集d；步骤3、采用k折交叉验证划分数据集；步骤4、训练极端随机决策树；步骤5、训练旋转森林决策树；步骤6、训练改进的深度森林；步骤7、采用改进的深度森林进行决策；步骤8、构建重型燃气轮机控制系统bit知识图谱；步骤9、故障溯源与辅助决策。2.如权利要求1所述的一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于步骤3具体实施方法为：先将数据集d进行划分，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。3.如权利要求1所述的一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于步骤4具体实施方式为：将k组训练集分别训练极端随机决策树，在数据集d的全部a个特征中随机选取一个特征作为属性特征继续参与下次分支，重复此分支过程直至当前节点所包含的样本都属于同一类别，最终训练得到n棵极端随机决策树。4.如权利要求1所述的一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于步骤5具体实施方式为：将每组训练集进行75％重采样得到训练样本d
′
k
，采用主成分分析(principle component analysis，pca)对训练样本d
′
k
进行变换，得到该训练样本的主成分系数特征向量p
k
＝[p
1k
,p
2k
,
…
,p
dk
]，将k个特征向量合并成对角系数矩阵r，并根据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x
new
＝x*r
*
。用x
new
训练旋转森林决策树。将每棵旋转森林决策树以投票的方式生成旋转森林。5.如权利要求1所述的一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于步骤6具体实施方式为：将随机森林和旋转森林组合构成改进的深度森林的一层，将极端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，按照3、4所述过程进行训练。6.如权利要求1所述的一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于步骤7具体实施方式为：重型燃气轮机控制系统控制器模块主要功能电路的bit检测数据输入到由步骤6产生的改进的深度森林网络中，进行
投票选择，最终判断出该数据属于何种状态，分类的结果由决策树投票数量的多少来决定，投票过程为：其中其中，h
i
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c
j
作为最终的改进的深度森林分类结果，也就是控制器模块功能电路状态的识别结果。7.如权利要求1所述的一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于步骤8具体实施方式为：整合专家知识，将每种故障作为图谱中的每个节点，图谱中每个节点包括节点名、节点解释、维护建议、权重，节点之间建立“导致”的关系，构建重型燃气轮机控制系统智能bit知识图谱。8.如权利要求1所述的一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于步骤9具体实施方式为：根据改进深度森林模型诊断得到的bit状态，当故障发生时，将故障类型作为搜索依据，在知识图谱中进行搜索，匹配故障原因和相关维护建议，完成辅助决策支持。

技术总结
本发明提供了一种基于改进深度森林与知识图谱的重型燃气轮机控制系统控制器模块智能BIT设计方法，属于测试和人工智能领域。该方法用于提高现有重型燃气轮机控制系统控制器模块的可靠性，解决虚警率较高的问题并完成故障溯源与辅助决策。步骤如下：采集并标注重型燃气轮机控制系统控制器模块数据，采用K折交叉验证划分数据集，训练极端随机决策树和旋转森林决策树，将极端随机森林和旋转森林组合构成改进的深度森林的一层，将极端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，训练改进的深度森林，采用改进的深度森林进行决策，准确识别控制器模块的BIT状态；构建重型燃气轮机控制系统BIT知识图谱，根据改进深度森林模型识别到的BIT状态，当故障发生时，将故障类型作为搜索依据，在知识图谱中进行搜索，匹配故障原因和相关维护建议，完成辅助决策支持。成辅助决策支持。


技术研发人员：黄从智 郭云泉
受保护的技术使用者：华北电力大学
技术研发日：2023.06.06
技术公布日：2023/9/23