本站小編為你精心準備了隨機森林的燃氣輪機故障檢測方法研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：本文提出一種通過隨機森林算法訓練組合分類器，對燃氣輪機進行故障檢測診斷的方法，以提升故障檢測的精度，避免過擬合現象，保障燃氣輪機穩定安全運行。

關鍵詞：燃氣輪機；故障檢測；隨機森林

引言

燃氣輪機作為新型的動力能源設備，具有熱效率較高、運行安全可靠、污染較低等優點［1］。但燃氣輪機結構復雜，一旦出現故障就會給電廠帶來嚴重影響。因此避免或及時診斷處理燃氣輪機運行故障尤為重要。燃氣輪機狀態監控和故障診斷可以大大提高機組運行的可靠性和安全性［3］，大幅降低燃氣輪機維護和維修成本。分類是故障診斷中的一個重要思路，近年來，燃氣輪機的故障診斷也開始運用分類，但仍存在對單一分類器診斷精度不高，過擬合等問題。本文提出運用隨機森林算法建立組合分類器，提升故障診斷精度，避免過擬合，同時擁有更好的泛化能力。

1基于Autoencoder的故障特征

壓縮由于燃氣輪機部件繁多，在故障檢測階段需逐一排查，自編碼網絡通過學習發現并去掉診斷數據中的冗余信息。Autoencoder是一個恒等函數，如圖1所示。Antoen－coder的中間“隱藏層”，通過對輸入向量的良好表示，起到了壓縮降維的作用。假設固定樣本集｛（x（1），y（1）），．．．（x（m），y（m））｝有m個樣例，對于單個樣例（x，y），其代價函數為：針對參數W和b來求其函數J（W，b）的最小值。對于梯度下降法都按照如下公式對參數W和b進行更新： 

2決策樹與隨機森林原理

隨機森林的基分類器為決策樹，其可用于分類問題和回歸問題［2］。隨機森林的決策樹構建過程主要包括：

（1）隨機選取待選特征。該特征的構建過程并未用到所有的待選特征，而是從待選特征集合中隨機地選取一定數量的特征，利用選取的特征來構建決策樹。這樣便使隨機森林各個子樹之間具有一定的差異性并提升了隨機森林的分類性能。

（2）選擇決策樹的節點分裂屬性。隨機森林中決策樹的節點分裂屬性的選擇準則為CART（ClassificationAndRegressionTree）。CART決策樹算法的衡量指標為Gini系數，在決策樹的構建過程中，選擇Gini系數最小的屬性和屬性分割閾值來進行節點分裂［7］。

（3）節點終止分裂的判斷。隨機森林中決策樹需要充分的生長，且在生長過程中不需要剪枝，然而決策樹不能無限制地增長下去，其節點需要遵守一定的終止分裂的原則［4］。

（4）確定葉子節點類別。

隨機森林的決策樹具體構建步驟為：

（1）創建決策樹的根節點，輸入訓練樣本集。

（2）隨機選取決策樹的待選特征，依據CART算法在待選特征中選擇根結點的最優分裂屬性和最優的分裂閾值。

（3）根據所選屬性將節點進行分裂，產生兩個子節點。（4）判斷節點是否滿足節點終止分裂的準則，若滿足則確定該節點的類別，若不滿足，則重復執行步驟

（2），直到滿足節點終止分裂條件為止。

3基于隨機森林的故障診斷方法

模型隨機森林的決策樹是一種弱分類器，其在構建和決策過程中容易產生過擬合，導致其預測的精度不高。為削弱單棵決策樹對分類的不利影響，隨機森林采用組合分類器的方式，將訓練樣本集來源于同個總體樣本集的多顆決策樹集合在一起，共同對同一分類預測問題進行投票決策，進而提升預測分類的精度。

（1）隨機選取決策樹的訓練集。本文中燃氣輪機故障診斷中的參數一般為性能參數和振動參數（功率、溫度、壓力、流量、轉速、和振幅等數值）。假設燃氣輪機故障總體樣本集為U，隨機森林的訓練樣本集為D。通過集成學習算法Bagging獨立隨機地從總體樣本集U中選取k個訓練樣本集記為Dj，其中j＝1，2，3．．．，k。各決策樹的訓練樣本集Dj中樣本的個數相同且均約為訓練樣本集Dj的2／3。

（2）由Autoencoder神經網絡算法處理的故障特征，訓練隨機森林。假設需要生成的決策樹的棵數為k，從燃氣輪機故障數據庫中每次隨機抽取（有放回）此特征的個數為f，為k棵決策樹依次隨機地抽取k組此特征集并將其作為相應決策樹的待選特征。這樣提升了隨機森林的分類精度并減少了各決策樹間的相關性。

（3）根據決策樹的訓練集和決策樹的待選燃氣輪機故障特征來構建隨機森林的決策樹。

（4）將生成的決策樹組合形成隨機森林，其輸出結果采用大多數投票法給出。模型構建示意圖如圖2所示。4結語本文將隨機森林算法和Autoencoder降維運用于燃氣輪機故障診斷中，提出了一種基于隨機森林的燃氣輪機故障檢測的方法，通過組合分類器投票決策對燃氣輪機故障進行診斷，提升檢測精度、穩定性和泛化能力，對燃氣輪機故障診斷具有一定的參考價值。

參考文獻

［1］謝春玲，戴景民．燃氣輪機故障診斷技術研究綜述與展望［J］．燃氣輪機故障診斷技術研究綜述與展望，2010，52（1）：1－3．

［2］曹正鳳．隨機森林算法優化研究［D］．北京：首都經濟貿易大學，2014．

［3］李孝堂．現代燃氣輪機技術［M］．北京：航空工業出版社，2006．

［4］馬驪．隨機森林算法的優化改進研究［D］．廣州：暨南大學，2016．

［7］蔡林霖．隨機森林的模型化選擇及其并行化方法［D］．哈爾濱：哈爾濱工業大學，2012．

作者：熊毅 李永剛 單位：京能集團北京京西燃氣熱電有限公司