[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

摘要

本发明提供一种基于遗传算法优化多传感监测刀具状态的方法，首先通过多种传感器通道测量多个物理场信号，计算每个传感通道信号的若干时域和频域统计特征参数；进而以识别精度为优化目标，构造多传感布局优化模型，提出基于多核学习的极限学习机分类算法，得到最优的传感配置和特征参数集；然后，根据得到最优的传感配置进行信号采集，计算出待测刀具的各传感通道的有效特征参数；进而采用多核极限学习机计算刀具状态的类别概率，类别概率中概率最大对应的刀具状态即为待测刀具当前的状态。实施本发明，避免现有的多传感器监测与诊断刀具状态方法通过组合式特征提取与信号分析所带来的有效信息损失风险，提高了刀具状态的识别精度。

主权项

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；步骤(3)、构造优化模型，所述优化模型具体如下：Max Z＝D(aij),i＝1,2,...,M,j＝1,2,...,F；其中，D(aij)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；aij表示第i个传感器的第j个特征参数的有效值，其中，aij＝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wm＝{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：am＝(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ti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*：