CN105184079A - 一种液压凿岩机的凿岩状态辨识方法 - Google Patents

Abstract

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。

Description

一种液压凿岩机的凿岩状态辨识方法

技术领域

本发明涉及一种机械工作状态辨识方法，特别是涉及一种液压凿岩机的凿岩状态辨识方法。

背景技术

液压凿岩机是一种将压力能转换为机械能，并通过冲击活塞的往复运动和转钎刀具的旋转运动来实现岩石冲击破碎的工程机械，其被广泛应用于隧道掘进、矿山开采、道路施工和水利工程等领域。由于岩石层的地质结构复杂，凿岩过程中凿岩状态(即岩石的特性)处于不断变化中，对凿岩状态的准确判断存在一定难度。传统的液压凿岩机根据操作者的经验知识并通过手动方式来进行冲击能量档位的切换，其工作介质和凿岩机输出参数的耦合性能较差，导致能量利用率不高。虽然目前对液压凿岩机自动控制方面的研究在不断地深入，但还没有一种精确、有效的方法，来实现液压凿岩机凿岩状态的辨识，这严重制约了液压凿岩机向自动化、智能化发展的要求。

发明内容

针对上述现有技术的不足，本发明的目的是提供一种液压凿岩机的凿岩状态辨识方法，可通过液压凿岩机的工作状态参数来实现对凿岩状态的辨识。

本发明的技术方案是这样的：一种液压凿岩机的凿岩状态辨识方法，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—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—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。

优选的，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。

进一步的，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。

进一步的，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。

进一步的，所述归一化数据预处理的公式为：x^*＝(y_max-y_min)*(x-x_min)/(x_max-x_min)+y_min，其中y_max和y_min分别为设定的归一化数据处理后数值范围的上、下极限值，x_max和x_min分别为样本数据的最大值与最小值，x和x^*分别为归一化数据处理前、后样本数据值。

进一步的，为了加快神经网络的收敛速度，并提高凿岩辨识的精度，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： $\left\{\begin{array}{c}W(i+1)=W\left(i\right)-{\[J^{T}J+\mathrm{\μ}J\]}^{-1}{J}^{T}e\\ b(i+1)=b\left(i\right)-{\[J^{T}J+\mathrm{\μ}J\]}^{-1}{J}^{T}e\end{array}\right.,$ 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，J^T为Jacobian矩阵，e为全局网络的误差向量。

更进一步的，为避免神经网络在训练过程中陷入局部最小，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，可以有效地提高整个网络的收敛速度，并获得全局最小。

进一步的，为避免因证据间的冲突而导致融合结果与违背常规逻辑推理，步骤7所述的合成规则的算法公式为：

其中m(A)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0的证据替代数，m_i(A_i)为识别框架下证据基本概率分配未被替代的焦元概率，m_c(A_i)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

本发明技术方案的有益效果是，通过获取与凿岩状态相关的凿岩辨识关键参数，采用BP神经网络技术来构建凿岩状态与液压凿岩机工作状态参数的映射关系。由于标准BP神经网络算法收敛速度较慢、易陷入局部最小，采用LM算法可有效的提高收敛速度和学习精度，同时引入遗传算法对初始权值和阈值进行全局寻优，可以有效地获得全局极小。为了提高辨识结果的可靠性，采用了基于D-S证据理论的数据融合技术，可以有效地避免由于某一凿岩辨识关键参数不准确而导致的辨识结果错误，根据凿岩机系统的组成，使用了2个BP神经网络，将其输出结果作为D-S证据理论合成规则的输入。基于改进型BP神经网络和D-S证据理论的数据融合技术对液压凿岩机凿岩状态的辨识，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。

附图说明

图1为液压凿岩机凿岩状态辨识系统的结构框图；

图2为液压凿岩机工作原理示意图；

图3为本发明的凿岩辨识系统数据采集实现方式原理图；

图4为本发明的技术方案；

图5为本发明的获得最优BP神经网络结构的实现方法示意图；

图6为实现本发明的系统流程图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不作为对本发明的限定。

液压凿岩系统是一个非线性、大迟滞的系统，同时凿岩碎石过程是一个相当复杂的过程，采用传统的数学建模方式无法获得凿岩状态(岩石特性)与液压凿岩机工作状态参数的关系。传统上一般采用经验知识或者某一特征参数(如冲击回弹速度等)来判别凿岩状态，其精度往往比较低。请参见图1，液压凿岩机凿岩状态辨识系统的结构是这样的，压力传感器采集模块实时对液压凿岩机各凿岩状态辨识关键参数进行采集，然后将采集数据通过PCI2366数据采集卡输入至凿岩状态辨识系统进行辨识并显示辨识结果，同时将采集数据储存至储存模块，以备进行离线凿岩状态辨识和凿岩机出现故障时提供故障诊断参考。

结合图2，液压凿岩机由冲击系统、回转系统和推进系统三部分组成，其工作原理如下：

冲击系统25主要由冲击器1和钎杆5组成，冲击器1通过活塞杆11撞击钎杆5使得其破碎岩石。高压油液由进油口14进入，经过冲击器1相应油路后从出油口16流出，在液压流经油路的过程中使冲击活塞分别做回程加速、回程减速和冲程加速。冲程加速阶段，冲击活塞撞击钎杆5，并将其动能以波的形式传递给钎杆5，从而使钎杆5前端克服岩石阻力进行冲击碎石。

回转系统27主要由液压马达2、小齿轮3和大齿轮4构成，油液进入液压马达2使其进行回转运动，然后经由小齿轮3和大齿轮4组成的减速机构使回转速度减小，并将回转动力矩传递给钎杆，使钎杆前端刀具在回转运动过程中克服岩石阻力对岩石进行切削。

推进系统26主要由导轨6、推进液压缸7、钢丝绳8、托盘9和滑轮10组成，推进液压缸活塞杆71固定在机座上，滑轮10固连在推进液压缸7上，托盘9安装于导轨6上，钢丝绳8绕过滑轮10一端连接于机座，另一端连接于托盘9，托盘9与冲击器1固定连接。推进系统的工作过程为：油液进入推进液压缸7，在油液作用下推进液压缸体向右运动，经由滑轮10的作用，钢丝绳8带动托盘9向右运动，此时冲击器也跟随托盘向右运动，从而保证了冲击破碎岩石过程的连续性，同时为避免凿岩机体产生后退现象，为凿岩机体提供了必要的轴推力。

请参见图3，液压凿岩机凿岩状态辨识系统的压力传感器采集模块由冲击系统压力变送器21、推进系统压力变送器22、回转系统压力变送器23和缓冲腔压力变送器24构成。

冲击系统25由冲击器缸体、活塞杆11、氮气室28、钎杆5、前腔蓄能器29和后腔蓄能器30组成。冲击系统压力变送器21用于测量氮气室压力，为方便压力测量，在氮气室28尾部设置了一小孔，将冲击系统压力变送器21安装在该小孔处。

推进系统26由推进液压缸7、高速电磁开关阀31和先导式比例减压阀32组成，先导式比例减压阀32用于控制推进液压缸7的工作压力，高速电磁开关阀31用于实现推进液压缸7的前进和后退运动，推进系统压力变送器22设置在推进液压缸7油路，用于测量推进系统的工作压力。

回转系统27由液压马达2、电液换向阀33和单向阀34组成，电液换向阀控制液压马达的正反转，回转系统压力变送器用于测量液压马达进出口的压差。

缓冲腔设置在冲击器缸体中，缓冲腔压力变送器24设置在缓冲腔上，检测缓冲腔的油液压力。

进一步地，整个凿岩机采用定量泵35的双泵系统，一个泵为冲击系统25和推进系统26提供油液，另一个泵为回转系统27提供油液，并在系统进油口旁路均设置了溢流阀36。

再进一步地，我们最终需要获得的是冲击活塞的运动参数，即冲击末速度和回弹速度，于是需要将测量的氮气室压力参数转换为冲击末速度和回弹速度，其转换过程经放大器、采集卡输入上位机后，由编写的相关Labview程序完成。

更进一步地，液压马达进出口压力表征转钎的阻力矩参数，推进缸工作压力表征推进力参数，于是将测量获得的液压马达进出口压力、推进缸工作压力直接输入凿岩状态辨识系统。

由于测量得到压力信号与PCI数据采集卡38能够接受的电压信号不匹配，于是在压力传感器检测模块的输出端口均连接了放大器模块37。

将经过处理的采集数据输入凿岩状态辨识系统，通过辨识系统算法的辨识处理即可获得凿岩状态(即岩石的类别)。

凿岩冲击碎石是一个复杂的系统，涉及到许多液压凿岩机的工作参数，在分析凿岩机凿岩破碎过程的基础上，确定了与液压凿岩机凿岩状态相关的凿岩辨识关键参数。即冲击活塞运动参数、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。参见图4，液压凿岩机的凿岩状态辨识方法的具体过程包括如下步骤：

步骤1、采集不同凿岩状态下凿岩状态辨识的关键参数。利用压力传感器来对凿岩状态辨识的关键参数进行测量，需要说明的是冲击活塞的运动参数是通过测量氮气室压力转换而来的。

步骤2、将凿岩状态辨识的关键参数分成两组，并建立凿岩辨识的标准样本集。

步骤3、利用两组标准样本集分别对两个BP神经网络进行训练，建立最优的凿岩状态辨识模型。

步骤4、实时测量凿岩状态辨识的关键参数，并将其分别输入到对应的BP神经网络中。

步骤5、获得BP神经网络的辨识结果，对辨识结果进行数学处理，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：

$\frac{S^1+S^3}{2}\≤S^2\≤\sqrt{S^1+S^3}+c_0.$

其中，S¹、S²和S³分别为输入层、隐含层和输出层的神经元数目，c₀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(0,0,1)代表坚硬岩石，(0,1,0)代表中等硬度岩石，(1,0,0)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： $\left\{\begin{array}{c}{g_{ki}}^{\′}=g_{ki}*(1-rank())+g_{li}*rank\left(\right)\\ {g_{li}}^{\′}=g_{li}*(1-rank())+g_{ki}*rank\left(\right)\end{array}\right..$

其中，g_ki，g_li分别为交叉前第k、l个编码个体的第i位数值；g_ki′，g_li′分别为交叉后第k、l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： ${g_{ki}}^{\&prime;\&prime;}=\left\{\begin{array}{cc}{g_{ki}}^{\&prime;}+f(t,a-{g_{ki}}^{\&prime;})& r<0.5\\ {g_{ki}}^{\&prime;}+f(t,{g_{ki}}^{\&prime;}-b)& r\&GreaterEqual;0.5\end{array}\right..$

其中，g_ki′，g_ki″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g_ki′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 $y_k^1\left(i\right)=f^1\left({\mathrm{net}}_k\right)=f^1\left(\underset{n=1}{\overset{S^1}{\&Sigma;}}\right(w_{kn}^1\left(i\right)\&CenterDot;P_n+b_{kn}^1\left(i\right))).$

输出层第l个节点的输出为 $y_l^2\left(i\right)=f^2\left({\mathrm{net}}_l\right)=f^2\left(\underset{k=1}{\overset{S^2}{\&Sigma;}}\right(w_{lk}^2\left(i\right)\&CenterDot;y_k^1+b_{lk}^2\left(i\right))).$

BP神经网络全局误差为

训练过程中权值向量和阈值向量的修正公式为：

$\left\{\begin{array}{c}W(i+1)=W\left(i\right)-{\&lsqb;J^{T}J+\mathrm{\&mu;}J\&rsqb;}^{-1}{J}^{T}e\\ b(i+1)=b\left(i\right)-{\&lsqb;J^{T}J+\mathrm{\&mu;}J\&rsqb;}^{-1}{J}^{T}e\end{array}\right.;$

其中，f¹(x)和f²(x)分别为隐含层和输出层的传输函数；和分别为第i次迭代过程隐含层和输出层的输出值；和为第i次迭代过程输入层第n个节点到隐含层第k个节点的权值和阈值；和为第i次迭代过程隐含层第k个节点到输出层第l个节点的权值和阈值；t_l为输出层第l个节点的期望输出值。

Jacobian矩阵公式为：

$J^T=\left[\begin{array}{cccccccccccc}\frac{\&part;e_1\left(i\right)}{\&part;w_{11}^1}& ...& \frac{\&part;e_1\left(i\right)}{\&part;w_{1s^2}^1}& \frac{\&part;e_1\left(i\right)}{\&part;w_{11}^2}& ...& \frac{\&part;e_1\left(i\right)}{\&part;w_{s^2{s}^3}^2}& \frac{\&part;e_1\left(i\right)}{\&part;b_{11}^1}& ...& \frac{\&part;e_1\left(i\right)}{\&part;b_{1s^2}^1}& \frac{\&part;e_1\left(i\right)}{\&part;b_{11}^2}& ...& \frac{\&part;e_1\left(i\right)}{\&part;b_{s^2{s}^3}^2}\\ \frac{\&part;e_2\left(i\right)}{\&part;w_{11}^1}& ...& \frac{\&part;e_2\left(i\right)}{\&part;w_{1s^2}^1}& \frac{\&part;e_2\left(i\right)}{\&part;w_{11}^2}& ...& \frac{\&part;e_2\left(i\right)}{\&part;w_{s^2{s}^3}^2}& \frac{\&part;e_2\left(i\right)}{\&part;w_{s^2{s}^3}^2}& ...& \frac{\&part;e_2\left(i\right)}{\&part;w_{s^2{s}^3}^2}& \frac{\&part;e_2\left(i\right)}{\&part;b_{11}^2}& ...& \frac{\&part;e_2\left(i\right)}{\&part;b_{s^2{s}^3}^2}\\ ...& ...& ...& ...& ...& ...& ...& ...& ...& ...& ...& ...\\ \frac{\&part;e_{s^3}\left(i\right)}{\&part;w_{11}^1}& ...& \frac{\&part;e_{s^3}\left(i\right)}{\&part;w_{1s^2}^1}& \frac{\&part;e_{s^3}\left(i\right)}{\&part;w_{11}^2}& ...& \frac{\&part;e_{s^3}\left(i\right)}{\&part;w_{s^2{s}^3}^2}& \frac{\&part;e_{s^3}\left(i\right)}{\&part;w_{s^2{s}^3}^2}& ...& \frac{\&part;e_{s^3}\left(i\right)}{\&part;w_{s^2{s}^3}^2}& \frac{\&part;e_{s^3}\left(i\right)}{\&part;b_{11}^2}& ...& \frac{\&part;e_{s^3}\left(i\right)}{\&part;b_{s^2{s}^3}^2}\end{array}\right]$

其中，e_k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m₁(A)、m₁(B)和m₁(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m₁、m₂的相似系数d₁₂，其运算公式为：

$d_{12}=\frac{{\mathrm{\&Sigma;m}}_1\left(C_k\right)m_2\left(C_k\right)}{\sqrt{\left({\mathrm{\&Sigma;m}}_1^2\right(C_k\left)\right)\left({\mathrm{\&Sigma;m}}_2^2\right(C_k\left)\right)}}$

其中，C_k＝A_i∩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＝d₂₁，d₁₁＝d₂₂＝1。

于是可获得基本概率分配m₁、m₂的可信度分别为

$Crd\left(m_i\right)=\frac{\underset{j=1}{\overset{2}{\&Sigma;}}{d}_{ij}}{\underset{i=1}{\overset{2}{\&Sigma;}}\underset{j=1}{\overset{2}{\&Sigma;}}{d}_{ij}},i,j=1,2$

对基本概率分配进行加权平均运算，可得

$\left\{\begin{array}{c}{m}_c\left(A\right)=Crd\left(m_1\right)\&CenterDot;m_1\left(A\right)+Crd\left(m_2\right)\&CenterDot;m_2\left(A\right)\\ m_c\left(B\right)=Crd\left(m_1\right)\&CenterDot;m_1\left(B\right)+Crd\left(m_2\right)\&CenterDot;m_2\left(B\right)\\ m_c\left(C\right)=Crd\left(m_1\right)\&CenterDot;m_1\left(C\right)+Crd\left(m_2\right)\&CenterDot;m_2\left(C\right)\end{array}\right.$

当证据可信度小于可信度阈值B_Crd时，其基本概率分配由加权平均后的基本概率分配代替，即m_i＝m_c。

可信度阈值其中n为证据个数，此例n＝2。

设替代基本概率分配后某一焦元基本概率分配为0的数目为N，当用加权平均后的基本概率分配m_c取代所有存在某一焦元基本概率分配为0的证据的基本概率分配。

决策为坚硬岩石的概率为

$m\left(A\right)=\frac{\underset{\&cap;A_i=A}{\&Sigma;}\&lsqb;\underset{1\&le;i\&le;n-N_1-N_2}{\&Pi;}{m}_i\left(A_i\right)\&rsqb;{\&lsqb;m_c\left(A_i\right)\&rsqb;}^{N_1+N_2}}{1-K},$

其中，当时，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。

Claims (8)

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—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—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：x^*＝(y_max-y_min)*(x-x_min)/(x_max-x_min)+y_min，其中y_max和y_min分别为设定的归一化数据处理后数值范围的上、下极限值，x_max和x_min分别为样本数据的最大值与最小值，x和x^*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： $\left\{\begin{array}{c}W(i+1)=W\left(i\right)-{\&lsqb;J^{T}J+\mathrm{\&mu;}J\&rsqb;}^{-1}{J}^{T}e\\ b(i+1)=b\left(i\right)-{\&lsqb;J^{T}J+\mathrm{\&mu;}J\&rsqb;}^{-1}{J}^{T}e\end{array}\right.,$ 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，J^T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： $m\left(A\right)=\frac{\underset{\&cap;A_i=A}{\&Sigma;}\&lsqb;\underset{1\&le;i\&le;n-N_1-N_2}{\&Pi;}{m}_i\left(A_i\right)\&rsqb;{\&lsqb;m_c\left(A_i\right)\&rsqb;}^{N_1+N_2}}{1-K},$ 其中m(A)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0的证据替代数，m_i(A_i)为识别框架下证据基本概率分配未被替代的焦元概率，m_c(A_i)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