[发明专利]一种基于遗传算法优化多传感监测刀具状态的方法

权利要求书

1.一种基于遗传算法优化多传感监测刀具状态的方法，其特征在于，包括以下步骤：

步骤(1)、采集C种刀具状态下的M个物理场传感通道的时域信号，每种刀具状态分别采集T次形成训练样本集其中，c＝1,2,...,C,m＝1,2,...,M，t＝1,2,...,T，m表示第m个物理场传感器，c表示第c类，t表示第t次采集的信号，N_m表示第m个物理场传感通道每次采样的信号点数；C、M、N_m和T均为大于1的正整数；

步骤(2)、计算训练样本集中时域信号的F个统计特征参数，构成的特征参数集其中，F为正整数；

F＝10，10个统计特征参数包括6个时域统计特征参数和4个频域统计特征参数，参见下式：

时域序号1，特征参数表达式

时域序号2，特征参数表达式

时域序号3，特征参数表达式

时域序号4，特征参数表达式

时域序号5，特征参数表达式

时域序号6，特征参数表达式

频域序号7，特征参数表达式

频域序号8，特征参数表达式

频域序号9，特征参数表达式

频域序号10，特征参数表达式

其中，是时域信号经过FFT变换后的频域信号，是的功率谱，i＝1,2…,N_m；

步骤(3)、构造优化模型，所述优化模型具体如下：

Max Z＝D(a_ij),i＝1,2,...,M,j＝1,2,...,F；

其中，D(a_ij)表示某种“传感器—特征参数”组合下的刀具状态识别率，并通过预设的极限学习机算法来获得；a_ij表示第i个传感器的第j个特征参数的有效值，其中，a_ij＝1表示本次组合包含第i个传感器的第j个特征参数；否则，表示不包含；

步骤(4)、采用遗传算法求解优化模型的全局最优解，求得最优的传感器配置及其有效特征参数集，具体如下：

(4.1)初始种群设定与遗传编码：确定每次迭代个体的数量为s，采用二进制编码方式对个体进行编码，个体长度为M*F个；其中，s为正整数；

(4.2)初始进化代数t＝0，设定最大进化代数为max_t，随机生成s个个体，形成初始种群S(0)，每个个体即为一个“传感器—特征参数”组合；

(4.3)对s个个体通过多核极限学习机进行分类训练，获得每个个体的刀具状态识别率；其中，

针对某一“传感器—特征参数”组合表示该Ψ组合使用的第m个传感器的若干特征参数，其多核极限学习机分类训练算法如下：

(4.3.1)选取K种核函数，计算训练样本的K个核函数矩阵为训练样本中任意两个样本点i和j的第k个核函数值；其中，i、j和K均为大于1的正整数；

(4.3.2)令初始核函数权重向量为w_m＝{1/K,1/K,…,1/K}，即平均分配权重，构造样本-类别矩阵Q＝(q_ij)_CT×C，其中c_i表示第i个样本对应的类别；

(4.3.3)计算总核函数矩阵：

(4.3.4)计算结构参数：a^m＝(H+E/2)^-1Q，其中E表示单位矩阵；

(4.3.5)更新核函数权重向量：其中

(4.3.6)当时，令返回步骤(4.3.3)迭代更新结构参数a^m和核函数权重向量否则，进入下一步骤(4.3.7)；

(4.3.7)输出优化的结构参数和核函数权重向量构成该Ψ组合下的多核极限学习机；

(4.3.8)计算属于第i类刀具状态的概率构成的刀具状态分类概率向量G＝{g₁,g₂,...,g_C}；

(4.3.9)依照概率最大原则，判断所属刀具状态xc：

(4.3.10)计算检验正确数umt：

(4.3.11)对所有训练样本进行分类检验，得到Ψ组合的刀具状态识别率d(Ψ)：

(4.4)执行遗传操作，经过此过程个体产生后代s’(t)，后代继续被评价优劣的操作，父代与子代中，择优个体组成新种群S(t+1)；

(4.5)当tmax_t，则t＝t+1，返回步骤(4.3)；否则，认为运算中刀具状态识别率最大的个体为最优解Ψ*；

步骤(5)、定期周期性在线采集加工过程中待测刀具状态P个物理场时域信号ζ＝{ζ_i,i＝1,2,...,P}，其中，ζ_i表示第i个传感器采集的信号，P为正整数；

步骤(6)、采用步骤(2)计算待测刀具状态P个物理场时域信号ζ＝{ζ_i,i＝1,2,...,P}的最优特征参数集；

步骤(7)、利用步骤(4.3)中Ψ*对应的多核极限学习机对ζ_i′进行分类，计算ζ_i′属于第c类刀具状态的概率构成ζ_i′刀具状态类别概率向量G＝{gg₁,gg₂,...,gg_c}，i＝1,2,...,P；

步骤(8)、依据最大概率原则，求出ζ_d中类别概率最大对应的刀具状态即为待测刀具当前的状态c*：