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

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%。