买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：燕山大学

摘要：本发明提供一种基于HBA‑KNN的挖掘机典型作业工况智能识别方法，其包括以下步骤：S1、分别采集液压挖掘机的两个泵出口处的压力信号；S2、对步骤S1采集到的两个泵出口处的压力信号及两个泵的压差数据进行预处理；S3、搭建HBA‑KNN分类模型，将步骤S25处理得到的特征数据作为输入，进行挖掘机的典型作业工况识别判断。本发明基于主泵压力信号及两个泵的压力差信号在不同工况之间具有明显特征差异的特点，利用蜜獾算法HBA优化的K最近邻优化算法KNN对其进行工况识别，能够在替代人工识别的基础上保证识别的精度和结果的准确度，识别效率快，识别结果正确率高，能够为施工现场监督和分段节能控制提供重要保障。

主权项：1.一种基于HBA-KNN的挖掘机典型作业工况智能识别方法，其特征在于：其包括以下步骤：S1、分别采集液压挖掘机的两个泵出口处的压力信号；S2、对步骤S1采集到的两个泵出口处的压力信号及两个泵的压差数据进行预处理，具体包括以下子步骤：S21、利用小波阈值降噪对步骤S1采集到的出口压力信号数据进行降噪滤波处理，以降噪比SNR尽量大且均方根误差RMSE尽量小为约束条件，选取符合约束条件的小波基函数进行降噪；信噪比SNR和均方根误差RMSE的具体计算公式分别如下： 其中，b为降噪前的泵压力信号，b1为降噪后的泵压力信号，n为样本个数，i为样本个体，lg为对数运算符；S22、按照设定的样本大小跟更新率对步骤S21降噪后的压力信号数据进行实时采样，得到n组两个泵的压力信号及对应的压差数据，更新率公式如下： 式中，η为样本更新率，ΔT为样本大小，ΔT′1为第一个样本的结束时间，ΔT′2为第二个样本的结束时间；S23、对步骤S22采样到的n组数据进行时频域特征提取，具体包括以下子步骤：S231、提取步骤S22采样数据的时域特征信号，共提取7个有量纲指标和4个无量纲指标，具体如下：有量纲指标f1-f7：最大值：f1＝maxb1；最小值：f2＝minb1；均值：峰峰值：f4＝f1-f2；方根幅值：方差：均方值：无量纲指标f8-f11：峭度：脉冲因子：波形因子：裕度因子：式中，n为样本个数，i为样本个体，b1为降噪后的泵压力信号；S232、对步骤S22的采样数据进行快速傅里叶变换，并提取频域特征信号，共提取4个频域特征信号f12-f15，具体如下：平均频率：重心频率：频率均方根：频率方差：式中，K为幅度频谱的谱线数；sk为幅度频谱，k＝1,2,…K；fk为第k条幅度谱线的频率值；S24、对步骤S23提取的时频域特征信号进行PCA降维；S25、将步骤S24得到的降维数据集按7:3的比例分成训练集跟测试集，并进行归一化处理；S3、搭建HBA-KNN分类模型，将步骤S25处理得到的特征数据作为输入，进行挖掘机的典型作业工况识别判断，具体包括以下子步骤：S31、将步骤S25得到的不同样本大小跟更新率的训练数据集用于HBA算法对KNN的k值寻优，具体包括以下子步骤：S311、初始化蜜獾的种群数量N及k值大小，定义寻优最大迭代次数tmax，各k值的具体公式如下：ki＝lki+r1×uki-lki式中，ki为第i个蜜獾的位置即第i个k值，r1为0到1之间的随机数，uki为搜索的k值上限，lki为搜索的k值下限；S312、通过训练集对步骤S311得到的初始k值进行逐一仿真验证，得到正确率最高对应的k值即kmax，并定义搜索强度，具体公式如下： S＝ki-ki+12di＝kmax-ki式中，Ii为搜索强度，r2为0到1之间的随机数，S为k值集中度，ki为第i个k值的位置，ki+1为第i+1个k值的位置，di为第i个k值与kmax的距离，kmax为正确率最高对应的k值的位置；S313、更新密度因子α，具体公式如下： 式中，C为大于1的常数，默认为2，e为欧拉数，t为训练的迭代次次数，tmax为最大的训练迭代次数；S314、通过挖掘或者跟随蜜蜂鸟两个方式更新kmax值，跳出局部最优，寻找全局最优，挖掘跟随蜜蜂鸟两种方式的公式分别如下：kd＝kmax+F×β×I×kmax+F×r3×α×di×|cos2πr4×[1-cos2πr5]|kh＝kmax+F×r6×α×di 式中，kd为挖掘搜索部分更新的k值，kh为跟随蜜蜂鸟搜索部分更新的k值，β代表搜索能力，默认为6，I为搜索强度，F为搜索方向，r3、r4、r5、r6分别为0到1之间的随机数；S315、通过步骤S314不断搜索正确率更高的k值，进行tmax次迭代后，得到全局最优值的多个kmax；S32、采用步骤S315中HBA寻优得到的kmax值，利用KNN对S25得到的测试集进行挖掘机典型工况识别预测，具体包括以下子步骤:S321、利用欧式距离计算待测试数据跟训练样本的相似度，其具体公式如下： 式中，d为x、y两个数据点之间的距离，x、y分别为两个数据点；S322、根据步骤S315中得到的kmax值，提取相似度从大到小排列的kmax个d值；S323、通过检测提取的前kmax个相似度，计算每种工况类别所占的比例，预测所占比例最大的工况为挖掘机典型工况，具体计算方法如下：output＝maxk1,k2,k3,k4式中，output为待测试数据测试得到的对应工况类别，max为取最大值符号，k1～4分别代表前kmax个相似度中四种工况各自的数量。

全文数据：

权利要求：

百度查询： 燕山大学 基于HBA-KNN的挖掘机典型作业工况智能识别方法