基于特征优选和随机森林的掘进机多工况截割岩石硬度识别

作者：常聚才; 戚鹏飞; 陈潇

来源：煤炭学报, 2023, 48(02): 1070-1084.

DOI：10.13225/j.cnki.jccs.2022.1103

• 掘进岩石硬度识别
• 二次分解
• Relif-F算法
• Pearson相关系数
• 随机森林

为了实现岩巷掘进机不同工况截割岩壁岩石硬度的识别，通过掘进机多截割工况岩石硬度识别实验平台，获得不同工况截割不同硬度岩石的截割电机电流及扭矩信号，提出一种基于特征优选和随机森林(RF)的掘进机截割岩壁岩石硬度识别方法。该方法首先利用自适应噪声的完全集合经验模态分解(CEEMDAN)对实验获得的电流及扭矩信号进行分解，获得本征模态分量(IMF)并计算IMF的样本熵(SE),将SE最高的IMF进行变分模态(VMD)二次分解。计算二次分解IMF的模糊熵后对电流及扭矩信号重构，再计算重构信号的时频特征，与二次分解IMF的模糊熵组成电流及扭矩信号的时-频-熵特征。为了避免特征过多影响模型识别，提出Relief-F结合Pearson相关系数的特征选择方法，最后通过乌燕鸥算法(STOA)优化随机森林(RF)的最大特征数和决策树个数，完成了不同截割工况下岩石硬度识别模型的建立。结果表明：(1)对电流及扭矩信号先CEEMDAN分解再VMD分解可以降低原始信号的随机性和波动性，相较于CEEMDAN及VMD的一次分解，岩石硬度识别准确度分别提升15.2%和23.9%;(2)不同截割工况下岩石硬度识别，电流信号的时域特征占岩石硬度识别准确度权重最大；(3)提出的Relief-F结合Pearson相关系数的特征优选方法对3种工况下截割4种硬度岩石的电流及扭矩信号特征聚类明显；(4) STOA对RF关键系数的选取有优化效果，且算法迭代次数少，相较于传统的粒子群优化算法，以不同工况截割不同硬度岩石识别准确度提高7.2%。

• 出版日期2023
• 单位安徽理工大学