向?qū)W藝，雷志鵬，栗林波，任瑞斌，李杰，王飛宇

（1. 太原理工大學(xué) 礦用智能電器技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室， 山西 太原 030024；2. 太原理工大學(xué) 煤礦電氣設(shè)備與智能控制山西省重點(diǎn)實(shí)驗(yàn)室， 山西 太原 030024；3. 晉能控股山西科學(xué)技術(shù)研究院有限公司（晉城）技術(shù)中心，山西 晉城 048000；4. 山西金鼎高寶鉆探有限責(zé)任公司，山西 晉城 048000）

0 引言

近年，煤炭行業(yè)正邁入智能化轉(zhuǎn)型的關(guān)鍵期，八部委在《關(guān)于加快煤礦智能化發(fā)展的指導(dǎo)意見(jiàn)》中倡導(dǎo)煤炭行業(yè)與現(xiàn)代信息技術(shù)高度結(jié)合，實(shí)現(xiàn)煤礦管理無(wú)人化、煤炭生產(chǎn)智能化的發(fā)展目標(biāo)[1]。礦用千米定向鉆機(jī)是實(shí)現(xiàn)煤炭智能化生產(chǎn)必備的裝備。然而目前千米定向鉆機(jī)的行走、鉆進(jìn)等各項(xiàng)操作均由司鉆工人手動(dòng)操作實(shí)現(xiàn)，鉆進(jìn)效率與司鉆工人經(jīng)驗(yàn)水平和操控熟練程度密切相關(guān)，嚴(yán)重制約了煤層氣抽采效率和煤礦智能化發(fā)展進(jìn)程。因此，遠(yuǎn)程識(shí)別鉆機(jī)各項(xiàng)動(dòng)作和智能操控鉆機(jī)運(yùn)行成為實(shí)現(xiàn)這一發(fā)展目標(biāo)必須解決的難題。

礦用千米定向鉆機(jī)的動(dòng)作主要包括動(dòng)力頭不帶鉆桿旋轉(zhuǎn)、帶鉆桿旋轉(zhuǎn)、帶鉆桿向前慢速鉆進(jìn)、帶鉆桿向前快速鉆進(jìn)、帶鉆桿慢速后退、帶鉆桿快速后退等類(lèi)型。液壓泵站作為千米定向鉆機(jī)的動(dòng)力源，為其實(shí)現(xiàn)各項(xiàng)動(dòng)作提供能量。液壓泵站為千米定向鉆機(jī)提供動(dòng)力的過(guò)程中會(huì)產(chǎn)生一系列與千米定向鉆機(jī)當(dāng)前執(zhí)行動(dòng)作密切相關(guān)的振動(dòng)信號(hào)，如能從這些振動(dòng)信號(hào)中提取某些特征量，就能識(shí)別液壓泵站運(yùn)行狀態(tài)，從而實(shí)現(xiàn)鉆機(jī)動(dòng)作類(lèi)型識(shí)別[2]，對(duì)于遠(yuǎn)程掌握千米定向鉆機(jī)狀態(tài)，促進(jìn)千米定向鉆機(jī)控制技術(shù)的智能化發(fā)展具有重要意義。但液壓泵站上的振動(dòng)信號(hào)往往呈現(xiàn)出非線(xiàn)性、非平穩(wěn)、低信噪比等特點(diǎn)，提取這類(lèi)信號(hào)的特征量比較困難，為此不少研究者進(jìn)行了大量的研究工作。李洪儒等[3]、姜萬(wàn)錄等[4]、鄭直等[5]分別利用改進(jìn)多尺度熵故障特征提取方法、遞歸定量法和對(duì)數(shù)-頻譜振幅調(diào)制方法提取液壓泵振動(dòng)信號(hào)特征值，能夠有效判別液壓泵的運(yùn)行狀態(tài)，但這些方法多是針對(duì)液壓系統(tǒng)某一部件在單一工況下的振動(dòng)信號(hào)分析，對(duì)液壓泵站其他部位（如電動(dòng)機(jī)和聯(lián)軸器等）的振動(dòng)特征提取效果不佳[6]。杜名喆等[7]、Hu Mantang 等[8]基于經(jīng)驗(yàn)小波分解和卷積神經(jīng)網(wǎng)絡(luò)方法，分別建立了聯(lián)軸器和液壓泵的智能診斷模型，但該模型所需數(shù)據(jù)量大，效率低。以上方法為提取液壓泵站狀態(tài)識(shí)別特征量提供了有力借鑒，但都僅研究了液壓泵站自身工作狀態(tài)下的振動(dòng)特征。目前仍缺少對(duì)液壓泵站振動(dòng)狀態(tài)與千米定向鉆機(jī)動(dòng)作類(lèi)型二者關(guān)聯(lián)性的研究，導(dǎo)致無(wú)法有效識(shí)別鉆機(jī)的具體動(dòng)作類(lèi)型。針對(duì)該問(wèn)題，本文提出了一種基于經(jīng)驗(yàn)小波變換（Empirical Wavelet Transform，EWT）和模糊C均值（Fuzzy C-means，F(xiàn)CM）聚類(lèi)算法的礦用千米定向鉆機(jī)動(dòng)作識(shí)別方法，對(duì)5種不同動(dòng)作下千米定向鉆機(jī)液壓泵站的振動(dòng)數(shù)據(jù)進(jìn)行處理與分析，利用EWT提取出表征動(dòng)作類(lèi)型的特征量，利用FCM聚類(lèi)算法獲得隸屬度矩陣，實(shí)現(xiàn)對(duì)千米定向鉆機(jī)5種動(dòng)作類(lèi)型的智能識(shí)別。

1 理論基礎(chǔ)

1.1 EWT

信號(hào)特征提取的關(guān)鍵是運(yùn)用合適的分解算法對(duì)信號(hào)進(jìn)行有效分解。EWT是一種基于頻域構(gòu)建自適應(yīng)小波的工具，能夠從目標(biāo)信號(hào)中提取具有緊支撐傅里葉頻譜的調(diào)幅-調(diào)頻分量，并通過(guò)檢測(cè)每個(gè)分量自適應(yīng)地構(gòu)建經(jīng)驗(yàn)小波來(lái)分解信號(hào)。EWT分解克服了經(jīng)驗(yàn)?zāi)B(tài)分解及集合經(jīng)驗(yàn)?zāi)B(tài)分解模態(tài)混疊、復(fù)雜程度高和計(jì)算量大等問(wèn)題，更適合于復(fù)雜非平穩(wěn)信號(hào)的分解[8]。

EWT分解包括2個(gè)步驟：① 將原始信號(hào)傅里葉頻譜進(jìn)行自適應(yīng)分割，得到若干個(gè)連續(xù)區(qū)間。② 構(gòu)建正交小波濾波器組，提取每個(gè)分割區(qū)間的模態(tài)分量，即經(jīng)驗(yàn)小波函數(shù)（Empirical Wavelet Function，EWF）分量[9]。

EWT能快速提取出富含工況信息的特征量，且具備計(jì)算復(fù)雜度低、計(jì)算量小的特點(diǎn)[10]。本文利用EWT在千米定向鉆機(jī)執(zhí)行不同動(dòng)作時(shí)快速分析和處理液壓泵站不同測(cè)振點(diǎn)的多組振動(dòng)信號(hào)，及時(shí)提取表征液壓泵站運(yùn)行狀態(tài)及對(duì)應(yīng)鉆機(jī)動(dòng)作信息的振動(dòng)特征量樣本。

1.2 FCM聚類(lèi)算法

在通過(guò)EWT分解和提取特征量后，為了實(shí)現(xiàn)對(duì)特定動(dòng)作類(lèi)型的識(shí)別，需要對(duì)特征量準(zhǔn)確地進(jìn)行分類(lèi)。傳統(tǒng)分類(lèi)方法往往需要大量的訓(xùn)練樣本，但實(shí)際中并不總是能獲得足夠多的樣本，為減小對(duì)樣本數(shù)量的依賴(lài)，可以利用FCM聚類(lèi)算法進(jìn)行分類(lèi)。FCM聚類(lèi)算法是基于目標(biāo)函數(shù)的一種模糊聚類(lèi)方法，其核心思想是利用模糊數(shù)學(xué)聚類(lèi)分析理論，解決運(yùn)行狀態(tài)和事件之間的模糊問(wèn)題[11]。

FCM聚類(lèi)算法通過(guò)對(duì)目標(biāo)函數(shù)的迭代優(yōu)化達(dá)到準(zhǔn)確分類(lèi)的目的，并用隸屬度來(lái)描述樣本與對(duì)應(yīng)類(lèi)別的相似程度。隸屬度越大，兩者的相似度就越大。目標(biāo)函數(shù)為

隸屬度μkj的計(jì)算式為

式中：U為樣本集的隸屬矩陣；Z為聚類(lèi)中心；k為類(lèi)別，k=1，2，…，c，c為類(lèi)別總數(shù)；j為樣本，j=1，2，…，n,n為樣本長(zhǎng)度；μkj為第j個(gè)樣本屬于第k類(lèi)的隸屬度，其值為0～1；m為模糊指數(shù)，用來(lái)控制模糊程度，m＞1，本文取1.5；dkj為第j個(gè)樣本到第k類(lèi)聚類(lèi)中心的歐氏距離；dlj為第j個(gè)樣本到第l類(lèi)聚類(lèi)中心的歐氏距離。

液壓泵站每種運(yùn)行狀態(tài)下的振動(dòng)數(shù)據(jù)都具有一定的聚類(lèi)結(jié)構(gòu)特點(diǎn)[12]，為此，本文利用FCM聚類(lèi)算法獲得隸屬度矩陣，將提取的振動(dòng)特征量樣本進(jìn)行分類(lèi)和比對(duì)，實(shí)現(xiàn)自動(dòng)識(shí)別千米定向鉆機(jī)動(dòng)作類(lèi)型的目標(biāo)。

2 基于EWT和FCM聚類(lèi)算法的動(dòng)作識(shí)別

基于EWT和FCM聚類(lèi)算法的礦用千米定向鉆機(jī)動(dòng)作識(shí)別流程如圖1所示。采用EWT求解信號(hào)的特征量，利用FCM聚類(lèi)算法分類(lèi)結(jié)果可靠性強(qiáng)的特點(diǎn)，對(duì)千米定向鉆機(jī)動(dòng)作類(lèi)型進(jìn)行識(shí)別。

圖1 基于EWT和FCM聚類(lèi)算法的礦用千米定向鉆機(jī)動(dòng)作識(shí)別流程Fig. 1 Action recognition process of mine directional kilometer drilling rig based on EWT and FCM clustering algorithm

基于EWT和FCM聚類(lèi)算法的礦用千米定向鉆機(jī)動(dòng)作識(shí)別具體步驟如下：

（1） 將千米定向鉆機(jī)的啟動(dòng)和動(dòng)力頭不帶鉆桿旋轉(zhuǎn)、帶鉆桿旋轉(zhuǎn)、帶鉆桿向前慢速鉆進(jìn)、帶鉆桿向前快速鉆進(jìn)5種動(dòng)作類(lèi)型分別記為R1，R2，R3，R4和R5。對(duì)5種動(dòng)作下的振動(dòng)信息進(jìn)行經(jīng)驗(yàn)小波分析，選取p個(gè)特征明顯的測(cè)振點(diǎn)信號(hào)作為動(dòng)作識(shí)別原信號(hào)組。

（2） 分別對(duì)動(dòng)作識(shí)別原信號(hào)組進(jìn)行EWT分解，得到q個(gè)EWF分量，分別計(jì)算EWF分量與原信號(hào)的相關(guān)系數(shù)ri（i=1，2，…，q）[13]。

式中：f為原信號(hào)；ei為第i個(gè)EWF分量；σf和σei分別為原信號(hào)和第i個(gè)EWF分量的標(biāo)準(zhǔn)差；fj為原信號(hào)中第j個(gè)元素；和分別為原信號(hào)和第i個(gè)EWF分量的均值；eij為第i個(gè)EWF分量的第j個(gè)元素。

由于并非所有的EWF分量都包含豐富的特征信息，結(jié)合文獻(xiàn)[14]相關(guān)系數(shù)的選取規(guī)則，在ri≥0.3的條件下，選取與原信號(hào)相關(guān)系數(shù)最大的4個(gè)EWF分量（如果數(shù)量不足，用0填充），從而達(dá)到降維和減少計(jì)算量的目的[10]。使用平均能量構(gòu)建每個(gè)測(cè)振點(diǎn)信號(hào)的4維特征量Vx=[v1v2v3v4]（x為測(cè)振點(diǎn)個(gè)數(shù)，x=1，2，…，p）。

（3） 利用FCM聚類(lèi)算法研究特征量Vx與千米定向鉆機(jī)動(dòng)作類(lèi)型的關(guān)系，構(gòu)成4×p維動(dòng)作識(shí)別特征量V：

式中αx為權(quán)重， αx≥0。

（4） 對(duì)多組R1，R2，R3，R4，R5動(dòng)作的振動(dòng)信號(hào)按上述步驟得到多組動(dòng)作識(shí)別特征量V，計(jì)算其平均值，得到5種動(dòng)作識(shí)別標(biāo)準(zhǔn)特征量VR1，VR2，VR3，VR4，VR5。

（5） 計(jì)算待識(shí)別動(dòng)作的振動(dòng)特征量與上述5種動(dòng)作識(shí)別標(biāo)準(zhǔn)特征量之間的隸屬度，根據(jù)待識(shí)別動(dòng)作的振動(dòng)特征量與5種動(dòng)作識(shí)別標(biāo)準(zhǔn)特征量之間隸屬度的大小，判斷千米定向鉆機(jī)的動(dòng)作類(lèi)型。

3 實(shí)驗(yàn)驗(yàn)證

3.1 動(dòng)作原信號(hào)組獲取

本文以ZYL-17000D型礦用千米定向鉆機(jī)（圖2）為研究對(duì)象，對(duì)基于EWT和FCM聚類(lèi)算法的礦用千米定向鉆機(jī)動(dòng)作識(shí)別方法的可靠性進(jìn)行實(shí)驗(yàn)驗(yàn)證。千米定向鉆機(jī)的不同動(dòng)作通過(guò)控制液壓泵站實(shí)現(xiàn)，液壓泵站主要由電動(dòng)機(jī)、液壓泵和聯(lián)軸器組成，這3處的振動(dòng)情況能夠比較完整地反映出液壓泵站的運(yùn)行狀態(tài)，即千米定向鉆機(jī)的動(dòng)作類(lèi)型[15-16]。實(shí)驗(yàn)采集了ZYL-17000D型礦用千米定向鉆機(jī)的電動(dòng)機(jī)和液壓泵站的液壓泵、聯(lián)軸器的軸向、水平徑向、垂直徑向等方向在5種動(dòng)作下的振動(dòng)數(shù)據(jù)，振動(dòng)方向編號(hào)見(jiàn)表1。實(shí)驗(yàn)所用采集儀為DEWESoft Sirius，采樣頻率為10 kHz ，每組數(shù)據(jù)采樣時(shí)間為0.25 s。所用振動(dòng)傳感器為Kistler 8692C10三軸加速度傳感器，分別安裝在電動(dòng)機(jī)、液壓泵（遠(yuǎn)離支撐點(diǎn)位置）和聯(lián)軸器頂部，x，y，z方向分別對(duì)應(yīng)軸向、水平徑向和垂直徑向。5種動(dòng)作下的典型振動(dòng)數(shù)據(jù)如圖3所示。

圖2 ZYL-17000D型礦用千米定向鉆機(jī)Fig. 2 ZYL-17000D mine kilometer directional drilling rig

圖3 5種動(dòng)作下8路振動(dòng)原信號(hào)Fig. 3 Eight channels original vibration signals under five actions

表1 振動(dòng)方向編號(hào)Table 1 Label of vibration direction

3.2 EWT分析波形

將獲取的動(dòng)作原信號(hào)組進(jìn)行EWT分解得到8個(gè)EWF分量，并提取相應(yīng)的振動(dòng)特征量。5種動(dòng)作下電動(dòng)機(jī)軸向振動(dòng)信號(hào)經(jīng)EWT分解的頻譜如圖4所示?？煽闯鱿噜?個(gè)EWF分量的頻帶沒(méi)有出現(xiàn)交叉，即沒(méi)有出現(xiàn)模態(tài)混疊現(xiàn)象，且EWF分量在各自頻帶上的幅值有差異；ei幅值與振動(dòng)能量成正比，幅值越大，電動(dòng)機(jī)軸向信號(hào)在該頻段的振動(dòng)加速度越大，相應(yīng)的振動(dòng)能量越大，特征越明顯。在執(zhí)行R1動(dòng)作時(shí)，e1和e2幅值相對(duì)較大，特征顯著；在執(zhí)行R2動(dòng)作時(shí)，e4和e5特征比較顯著，且e4幅值最大；在執(zhí)行R3動(dòng)作時(shí)，e2，e3，e4，e7特征比較顯著；在執(zhí)行R4動(dòng)作時(shí)，e4和e5特征比較顯著，且e5幅值比e4略大；在執(zhí)行R5動(dòng)作時(shí)，e4特征最顯著。由此可以得出，鉆機(jī)執(zhí)行不同動(dòng)作時(shí)，EWF分量ei幅值分布情況呈現(xiàn)不同特征，提取的特征量也不同，所以，根據(jù)提取的特征量在不同動(dòng)作下的差異性可實(shí)現(xiàn)對(duì)動(dòng)作類(lèi)型的區(qū)分。

圖4 5種動(dòng)作下電動(dòng)機(jī)軸向振動(dòng)信號(hào)的EWF各分量頻譜Fig. 4 Spectrum of EWF components of motor axial vibration signal under five actions

從電動(dòng)機(jī)軸向振動(dòng)信號(hào)的EWT時(shí)頻譜（圖5）中可更直觀地分析執(zhí)行5種不同動(dòng)作時(shí)振動(dòng)信號(hào)所包含的頻率和瞬時(shí)能量等特征信息。從圖5可看出，在執(zhí)行R1動(dòng)作時(shí)，振動(dòng)能量主要集中在電動(dòng)機(jī)啟動(dòng)瞬間（約0.06 s時(shí)）；在執(zhí)行R2動(dòng)作時(shí)，Hilbert譜在1 kHz處分布不均且有間斷，而在1.3 kHz和1.55 kHz處分布明顯且連續(xù)，振動(dòng)能量主要集中在1.5～1.6 kHz頻段；在執(zhí)行R3動(dòng)作時(shí)，Hilbert譜在1.3 kHz和1.6 kHz處分布明顯，且振動(dòng)能量集中在1.55～1.65 kHz頻段內(nèi)；在執(zhí)行R4動(dòng)作時(shí)，Hilbert譜在1.55 kHz處分布明顯，但不連續(xù)，在0.12 s和0.2 s左右處有間斷，且振動(dòng)能量主要集中在1.55 kHz左右；在執(zhí)行R5動(dòng)作時(shí)，Hilbert譜在1.3 kHz處分布明顯且連續(xù)，而在1.55 kHz處分布明顯，但不連續(xù)，在0.05 s左右處有間斷，振動(dòng)能量主要集中在1.55 kHz左右。

圖5 電動(dòng)機(jī)軸向振動(dòng)信號(hào)EWT時(shí)頻譜Fig. 5 The EWT time-frequency spectrum of the motor axial vibration signal

3.3 動(dòng)作識(shí)別標(biāo)準(zhǔn)特征量構(gòu)建

除R1動(dòng)作外，其他4種動(dòng)作下電動(dòng)機(jī)軸向振動(dòng)信號(hào)能量主要分布頻帶非常接近，提取的特征量差異較小，會(huì)降低千米定向鉆機(jī)動(dòng)作類(lèi)型的識(shí)別精度，所以需要結(jié)合液壓泵和聯(lián)軸器振動(dòng)信號(hào)進(jìn)行綜合分析判別。經(jīng)過(guò)對(duì)8組振動(dòng)信號(hào)的時(shí)頻能量進(jìn)行分析，分別選取電動(dòng)機(jī)、液壓泵和聯(lián)軸器振動(dòng)能量分布較為明顯的方向上的信號(hào)（即表1中編號(hào)為2，5，8對(duì)應(yīng)的信號(hào)）作為動(dòng)作識(shí)別原信號(hào)組，用來(lái)構(gòu)建動(dòng)作識(shí)別特征量。

針對(duì)5種動(dòng)作各選取10組振動(dòng)數(shù)據(jù)，每組數(shù)據(jù)樣本長(zhǎng)度均為5 000，提取電動(dòng)機(jī)軸向、液壓泵軸向和聯(lián)軸器垂直徑向振動(dòng)信號(hào)的特征量，分別記為V1，V2，V3，見(jiàn)表2?？煽闯鱿嗤瑒?dòng)作下，特征量相似；而不同動(dòng)作下，特征量差別較大， 可通過(guò)提取的特征量識(shí)別動(dòng)作。

表2 5種動(dòng)作識(shí)別原信號(hào)組的特征量Table 2 Eigenvectors of the original signal group for action recognition under five working conditions

由特征量構(gòu)建動(dòng)作識(shí)別特征量V =[α1V1α2V2α3V3]，應(yīng) 用FCM聚 類(lèi) 算 法，改 變 權(quán) 重α1，α2，α3取值，獲得一系列不同動(dòng)作下的特征量聚類(lèi)效果圖，選擇聚類(lèi)效果最佳的一組權(quán)重構(gòu)建動(dòng)作識(shí)別特征量。在千米定向鉆機(jī)工作時(shí)，動(dòng)力頭帶動(dòng)鉆桿旋轉(zhuǎn)，而液壓泵的位置距離動(dòng)力頭最近，因此液壓泵軸向信號(hào)更有利于表征千米定向鉆機(jī)的動(dòng)作信息，則α2占比應(yīng)相對(duì)較大。

當(dāng)α1=1，α2=α3=0時(shí)，5種動(dòng)作識(shí)別特征量聚類(lèi)結(jié)果如圖6（a）所示，可看出聚類(lèi)性能較差，R1和R4、R4和R5動(dòng)作間有交叉混疊現(xiàn)象出現(xiàn)，而且在執(zhí)行R3，R4，R5動(dòng)作時(shí)有3組數(shù)據(jù)識(shí)別錯(cuò)誤。當(dāng)α1=α3=0，α2=1時(shí)，5種動(dòng)作識(shí)別特征量聚類(lèi)結(jié)果如圖6（b）所示，可看出鉆機(jī)執(zhí)行5種動(dòng)作時(shí)的振動(dòng)特征量被完全區(qū)分開(kāi)，而且類(lèi)內(nèi)聚合度高，聚類(lèi)性能較好。當(dāng)α1=α2=0，α3=1時(shí)，5種動(dòng)作的識(shí)別特征量聚類(lèi)結(jié)果如圖6（c）所示，可看出雖然振動(dòng)特征量被區(qū)分開(kāi)，但在執(zhí)行R2動(dòng)作時(shí)，數(shù)據(jù)比較分散，類(lèi)內(nèi)聚合度較低，聚類(lèi)性能一般。

圖6 不同權(quán)重下動(dòng)作識(shí)別特征量聚類(lèi)結(jié)果Fig. 6 Clustering results of action recognition characteristic quantities under different weights

在分別執(zhí)行5種動(dòng)作時(shí)，液壓泵軸向振動(dòng)信號(hào)特征量的聚類(lèi)效果最顯著。當(dāng)選取α1=α3=0，α2=1，以液壓泵軸向振動(dòng)特征量作為動(dòng)作識(shí)別特征量時(shí)，識(shí)別效果最佳，結(jié)論與分析結(jié)果相符。

分別求取5種動(dòng)作下各10組V2的平均值，得到動(dòng)作識(shí)別標(biāo)準(zhǔn)特征量依次為VR1=[5.786 7.317 11.32 0]，VR2=[7.416 13.75 8.44 11.32]，VR3=[7.375 9.135 5.390 3.384]，VR4=[5.897 5.431 5.295 3.954]，VR5=[12.51 11.74 0 0]。

3.4 動(dòng)作類(lèi)型識(shí)別

分別選取千米定向鉆機(jī)5種動(dòng)作下各25組振動(dòng)數(shù)據(jù)，即125組數(shù)據(jù)作為測(cè)試樣本，利用FCM聚類(lèi)算法計(jì)算待識(shí)別動(dòng)作的振動(dòng)特征量與狀態(tài)識(shí)別標(biāo)準(zhǔn)特征量之間的隸屬度，隸屬度越大，表明該待測(cè)樣本屬于對(duì)應(yīng)動(dòng)作的概率越大。分別列舉5種動(dòng)作下前2組樣本，共計(jì)10組樣本的隸屬度，見(jiàn)表3。其中，加粗部分為測(cè)試樣本判定動(dòng)作與樣本實(shí)際動(dòng)作之間的隸屬度。從表3可看出，樣本的特征量與對(duì)應(yīng)的動(dòng)作識(shí)別特征量的隸屬度遠(yuǎn)大于與其他動(dòng)作識(shí)別特征量的隸屬度，且隸屬度均大于0.98，判別結(jié)果與鉆機(jī)實(shí)際動(dòng)作類(lèi)型一致。125組測(cè)試樣本中僅有4組測(cè)試樣本的隸屬度較低，依次為0.619，0.684，0.602，0.667。經(jīng)分析，這4組測(cè)試樣本屬于R1動(dòng)作，由于R1動(dòng)作時(shí)間短，在采集R1動(dòng)作信號(hào)時(shí)，采集了一部分R2動(dòng)作信號(hào)，使得這4組測(cè)試樣本與R2動(dòng)作的隸屬度達(dá)到了0.3以上，最終導(dǎo)致這4組測(cè)試樣本與R1動(dòng)作的隸屬度較小。實(shí)驗(yàn)結(jié)果表明，本文所述方法在隸屬度大于0.9的條件下判別準(zhǔn)確率達(dá)96.8%。

表3 10組測(cè)試樣本的隸屬度Table 3 Membership degree of test samples （group 1-10）

4 結(jié)論

（1） 千米定向鉆機(jī)執(zhí)行不同動(dòng)作時(shí)，其電動(dòng)機(jī)、液壓泵和聯(lián)軸器振動(dòng)信息的經(jīng)驗(yàn)小波函數(shù)可體現(xiàn)出不同的特征。

（2） EWT時(shí)頻譜圖表明，電動(dòng)機(jī)軸向、液壓泵軸向和聯(lián)軸器垂直徑向振動(dòng)信號(hào)可作為千米定向鉆機(jī)動(dòng)作識(shí)別原信號(hào)組，其中液壓泵軸向的振動(dòng)信號(hào)表征千米定向鉆機(jī)動(dòng)作類(lèi)型的效果最佳。

（3） 利用FCM聚類(lèi)算法對(duì)提取的千米定向鉆機(jī)動(dòng)作類(lèi)型特征量進(jìn)行識(shí)別，結(jié)果表明：在待識(shí)別動(dòng)作與標(biāo)準(zhǔn)識(shí)別特征量之間的隸屬度大于0.9的條件下，識(shí)別準(zhǔn)確率達(dá)96.8%，驗(yàn)證了基于EWT和FCM聚類(lèi)算法的千米定向鉆機(jī)動(dòng)作識(shí)別方法的準(zhǔn)確性，為實(shí)現(xiàn)遠(yuǎn)程監(jiān)測(cè)千米定向鉆機(jī)運(yùn)行狀態(tài)提供了技術(shù)支持。

（4） 該方法利用加載試驗(yàn)臺(tái)模擬千米定向鉆機(jī)運(yùn)行負(fù)載，與實(shí)際工況存在一定的差距。因此，下一階段的研究工作是進(jìn)行現(xiàn)場(chǎng)試驗(yàn)，以進(jìn)一步提高千米定向鉆機(jī)動(dòng)作識(shí)別方法的有效性和準(zhǔn)確性。