基于HBA-KNN的挖掘机典型作业工况智能识别方法技术

本发明专利技术提供一种基于HBA

【技术实现步骤摘要】
基于HBA
‑
KNN的挖掘机典型作业工况智能识别方法


[0001]本专利技术涉及工程机械
，具体涉及一种基于HBA
‑
KNN的挖掘机典型作业工况智能识别方法。

技术介绍

[0002]挖掘机作为典型的工程机械，由于其操作灵活、适应性强，广泛应用于各种工程项目中。由于对高完工效率和低能源消耗的双向需求，促进了对挖掘机操作收费统计、施工现场监测、挖掘机功率匹配和分段节能控制等的相关研究，这其中对液压挖掘机典型作业工况的高精度识别是上述研究的重要保证。
[0003]目前对挖掘机作业工况的识别，最直接的方法是人工现场识别，但这是费时费力，且结果的可靠性也不高的方法。因此通过人工智能技术对其进行精确的识别有很重要的理论和现实意义，现在的技术根据识别的对象和实现的技术手段主要可分为计算机视觉和传感器技术两个方面。虽然通过计算机视觉对挖掘机所处工况的识别，利用了一些较为先进的机器学习和深度学习算法，但是它无法避免遮挡、光线暗和比例偏差等问题，并且计算量大，识别的结果也不能直接用于分段节能控制的信号；其次传感器技本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：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＝max(b1)；
ꢀꢀ
最小值：f2＝min(b1)；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；s
k
为幅度频谱，k＝1,2,
…
K；f
k
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t
max
，各k值的具体公式如下：k
i
＝lk
i
+r1×
(uk
i
‑
lk
i
)式中，k
i
为第i个蜜獾的位置即本发明的第i个k值，r1为0到1之间的随机数，uk
i
为搜索的k值上限，lk
i
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k
max
，并定义搜索强度，具体公式如下：S＝(k
i
‑
k
i+1
)2d
i
＝k
max
‑
k
i
式中，I
i
为搜索强度，r2为0到1之间的随机数，S为k值集中度，k
i
为第i个k值的位置，k
i+1
为第i+1个k值的位置，d
i
为第i个k值与k
max
的距离，k
max
...

【专利技术属性】
技术研发人员：李永泉，陈宁超，陈伯文，胡双，王力航，张立杰，
申请(专利权)人：燕山大学，
类型：发明
国别省市：