理，使其作为D-S证据理 论的基本概率分配。 步骤6、利用D-S证据理论对BP神经网络的辨识结果进行数据融合，根据融合判决结果 获得最终的凿岩状态辨识结果。 参见图5, 一种获得最优BP神经网络结构的实现方法示意图，其实现过程包括如下步 骤： 步骤1、根据凿岩状态辨识的关键参数输入和待辨识岩石状态的种类确定BP神经网络 的输入层、输出层神经元数目。 步骤2、通过BP神经网络的输入、输出神经元数目初步估计隐含层神经元数目的范围， 其计算公式为：
其中，S1、S2和S 3分别为输入层、隐含层和输出层的神经元数目，c。为[1，10]的常数。 步骤3、采用试凑法分别建立隐含层神经元数目范围内的BP神经网络结构。 步骤4、输入标准样本数据，获得各BP神经网络的误差值。 步骤5、选取网络误差最小的神经网络为最优BP神经网络结构。 参见图6, 一个具体的液压凿岩机的凿岩状态辨识方法，主要包括如下步骤： 步骤1、根据图5确定的最优BP神经网络结构计算编码长度，对神经网络的权值向量和 阈值向量进行实数编码。 步骤2、将两组标准样本数据分别输入两个神经网络进行训练，需要说明的是标准样本 数据由输入向量（即凿岩辨识关键参数）和目标向量（凿岩状态）构成，冲击活塞运动参 数和缓冲装置压力参数组成一组输入向量，回转系统转钎阻力矩参数和推进系统推进力参 数组成另外一组输入向量，目标向量根据待辨识的岩石种类来设定，例如假设有3种类型 待辨识岩石，可设定（〇, 〇, 1)代表坚硬岩石，（〇, 1，〇)代表中等硬度岩石，（1，〇, 〇)代表硬度 较软岩石。 步骤3、获得网络误差，并以网络的均方误差的倒数作为遗传算法的适应度函数，对编 码个体进行选择操作，采用轮盘赌法来选择最优编码个体。 步骤4、对不良编码个体进行交叉、变异操作，直至获得最优编码个体。 交叉操作公式为：
其中，gkygii*别为交叉前第k、l个编码个体的第i位数值；gk/，gj分别为交叉后 第k、1个编码个体的第i位数值；rank()为产生[0, 1]的随机函数。 非均匀变异操作公式为：
其中，gk/，Sk1 "分别为变异前后第k个编码个体的第i位数值；a，b分别为gk/的上 下极限；r为范围在[0, 1]的随机数，f (X，y)为范围在（0, y)内的函数。 步骤5、取优良个体的编码值作为BP神经网络的初始权值向量和阈值向量，将标准样 本数据输入神经网络进行训练。
隐含层第k个节点的输出为 输出层第1个节点的输出为 BP神经网络全局误差为
[0079] 训练过程中权值向量和阈值向量的修正公式为：
其中，f1 (X)和f2 (X)分别为隐含层和输出层的传输函数；乂 (ο和分别为第i次迭 代过程隐含层和输出层的输出值；wL(/)和私,(〇为第i次迭代过程输入层第η个节点到隐 含层第k个节点的权值和阈值；>4⑴和衫(〇为第i次迭代过程隐含层第k个节点到输出 层第1个节点的权值和阈值山为输出层第1个节点的期望输出值。 Jacobian矩阵公式为：
其中，ek为第i次迭代过程输出层第k个节点的误差。 需要说明的是，在迭代训练过程中，BP神经网络的权值向量和阈值向量根据正向传播 计算的网络误差值进行反向传播修正更新，直至网络误差满足设定条件时训练停止，即获 得了最优的BP神经网络映射。 步骤6、实时采集凿岩机工作过程的凿岩辨识关键参数，经过数据处理后输入至BP神 经网络。 步骤7、获得BP神经网络的辨识结果，进行数据处理后作为D-S证据理论合成规则的基 本概率分配。 步骤8、运用证据理论合成规则进行数据融合。假设待辨识的岩石种类有3种，即识别 框架Θ = {A，B，C}，A代表坚硬岩石，B代表中等坚硬岩石，C代表较软岩石，BP神经网络 1输出结果经处理后得到的坚硬岩石、中等坚硬岩石、较软岩石的基本概率分配为Hi1 (A)、 Hi1⑶和Hi1 (C)，BP神经网络2输出结果经处理后得到的坚硬岩石、中等坚硬岩石、较软岩石 的基本概率分配为m2 (A)、m2 (B)和m2 (C)。 计算基本概率分配mi、IH2的相似系数d 12，其运算公式为：
其中，Ck = A i n B j，相似系数表示两证据间的相似程度，其值越大表明两证据间的冲突 越小；由上式可知d12= d 21，dn= d 22= 1。 于是可获得基本概率分配叫、!112的可信度分别为
对基本概率分配进行加权平均运算，可得
当证据可信度小于可信度阈值B&d时，其基本概率分配由加权平均后的基本概率分配 代替，即Ini= mc。 可信度阈值
其中η为证据个数，此例η = 2。 设替代基本概率分配后某一焦元基本概率分配为〇的数目为Ν，当·用加权平均 后的基本概率分配m。取代所有存在某一焦元基本概率分配为O的证据的基本概率分配。 决策为坚硬岩石的概率为
η 其中，当Λ ^ ;时，N2= N ;反之则N2= 0。 按上述方法依次计算其他各岩石状态的概率。 根据数据融合判决结果获得最终的凿岩状态结果。 本发明提出一种液压凿岩机的凿岩状态辨识方法采用基于BP神经网络和D-S证据理 论的数据融合技术，其核心在于通过BP神经网络来获得凿岩状态的基本概率分配，进而采 用数据融合技术来对凿岩状态进行判决与辨识。 本发明的BP神经网络采用了改进的L-M算法，同时运用了遗传算法对神经网络的初始 权值和阈值进行全局自寻优，其可以有效地提高收敛速度和辨识精度，并避免陷入局部最 小。 本发明提出的一种处理冲突证据的合成方法符合常规的逻辑推理习惯，其结果具有良 好的准确性和可靠性。 本发明的优点在于提出了一种现实可行的凿岩机工作过程在线凿岩状态辨识的方法， 与传统采用经验方式进行辨识相比，其可以大幅度提高辨识的精确度。采用凿岩状态的在 线辨识，可以为凿岩机工作参数的自适应输出提供技术参考，有效地提高工作效率，并极大 地促进液压凿岩设备自动化、智能化的发展。
【主权项】
1. 一种液压凿岩机的凿岩状态辨识方法，其特征在于，包括以下步骤： 步骤1、确定液压凿岩机凿岩状态辨识关键参数，并建立凿岩状态的标准样本数据； 步骤2、对标准样本数据进行归一化数据预处理； 步骤3、确定BP神经网络结构参数，将归一化后的标准样本数据作为训练样本输入至 BP神经网络进行学习训练，经过网络学习后，建立BP神经网络的输入一输出映射； 步骤4、实时采集液压凿岩机凿岩状态辨识的关键参数，并进行归一化数据处理； 步骤5、将归一化的实时采集的关键参数数据输入至已建立的BP神经网络的输入一输 出映射，获得凿岩状态的初步估计； 步骤6、将凿岩状态的初步估计作为识别框架下的证据，进行归一化处理后作为D-S证 据理论合成规则的基本概率分配； 步骤7、运用D-S证据理论合成规则进行决策层的融合判决； 步骤8、根据融合判决结果获得凿岩状态的最终结果。2. 根据权利要求1所述的液压凿岩机的凿岩状态辨识方法，其特征在于，所述关键参 数为由氮气室压力转换的冲击活塞运动参数、缓冲装置的油液压力参数、回转系统转钎的 阻力矩参数和推进系统推进力参数。3. 根据权利要求2所述的液压凿岩机的凿岩状态辨识方法，其特征在于，所述冲击活 塞运动参数为冲击末速度和回弹速度，所述回转系统转钎的阻力矩参数为液压马达进出口 压力差，所述推进系统推进力参数为推进缸工作压力。4. 根据权利要求2所述的液压凿岩机的凿岩状态辨识方法，其特征在于，所述BP神经 网络设有第一 BP神经网络和第二BP神经网络，所述冲击活塞运动参数、缓冲装置的油液压 力参数和凿岩状态构成的标准样本数据进行归一化数据预处理后输入第一 BP神经网络进 行学习训练，所述回转系统转钎的阻力矩参数、推进系统推进力参数和凿岩状态构成的标 准样本数据进行归一化数据预处理后输入第二BP神经网络进行学习训练。5. 根据权利要求1所述的液压凿岩机的凿岩状态辨识方法，其特征在于，所述归一化 数据预处理的公式为Y= (y nax-y_) * (χ-χ_) Λχ_-χ_) +y_，其中ynjP y _分别为设定 的归一化数据处理后数值范围的上、下极限值，χ_和χ_分别为样本数据的最大值与最小 值，X和f分别为归一化数据处理前、后样本数据值。6. 根据权利要求1所述的液压凿岩机的凿岩状态辨识方法，其特征在于，所述BP神 经网络进行学习训练采用LM-BP神经网络算法进行，权值向量和阈值向量的修正公式为：，其中W(i)和b(i)分别为经过第i次迭代运算后的权 值向量和阈值向量，Jt为Jacobian矩阵，e为全局网络的误差向量。7. 根据权利要求6所述的液压凿岩机的凿岩状态辨识方法，其特征在于，采用遗传算 法来对BP神经网络的初始权值和阈值进行全局自寻优。8. 根据权利要求1所述的液压凿岩机的凿岩状态辨识方法，其特征在于，步骤7所 述的合成规则的算法公式为：其中m㈧为 凿岩状态（岩石的种类）的概率，N1为可信度小于可信度阈值的证据数，N2为焦元 基本概率分配为O的证据替代数，Hii(A1)为识别框架下证据基本概率分配未被替代 的焦元概率，A(A 1)为加权平均后的基本概率分配，K为证据间的冲突程度，其值为
【专利摘要】本发明公开了一种液压凿岩机的凿岩状态辨识方法，确定了液压凿岩机凿岩状态辨识关键参数，并将其作为标准样本数据来训练BP神经网络以建立BP神经网络的输入—输出映射；通过实时采集液压凿岩机凿岩状态辨识的关键参数输入BP神经网络后得到凿岩状态的初步估计；将凿岩状态的初步估计作为识别框架下的证据，作为D-S证据理论合成规则的基本概率分配；运用D-S证据理论合成规则进行决策层的融合判决并判断凿岩状态结果。该方法可以有效地对凿岩状态进行辨识，并具有较高的辨识精度，具有良好的可行性和工程应用价值。
【IPC分类】G06N3/02, G06F19/00
【公开号】CN105184079
【申请号】CN201510564199
【发明人】刘忠, 邹宇, 杨莉, 赵飞, 刘军军, 马文斌, 高站伟, 杨能
【申请人】常熟理工学院
【公开日】2015年12月23日
【申请日】2015年9月8日