礦用千米定向鉆機動作識別方法

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)國家地方聯(lián)合工程實驗室， 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實驗室， 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》中倡導(dǎo)煤炭行業(yè)與現(xiàn)代信息技術(shù)高度結(jié)合，實現(xiàn)煤礦管理無人化、煤炭生產(chǎn)智能化的發(fā)展目標(biāo)[1]。礦用千米定向鉆機是實現(xiàn)煤炭智能化生產(chǎn)必備的裝備。然而目前千米定向鉆機的行走、鉆進等各項操作均由司鉆工人手動操作實現(xiàn)，鉆進效率與司鉆工人經(jīng)驗水平和操控熟練程度密切相關(guān)，嚴重制約了煤層氣抽采效率和煤礦智能化發(fā)展進程。因此，遠程識別鉆機各項動作和智能操控鉆機運行成為實現(xiàn)這一發(fā)展目標(biāo)必須解決的難題。

礦用千米定向鉆機的動作主要包括動力頭不帶鉆桿旋轉(zhuǎn)、帶鉆桿旋轉(zhuǎn)、帶鉆桿向前慢速鉆進、帶鉆桿向前快速鉆進、帶鉆桿慢速后退、帶鉆桿快速后退等類型。液壓泵站作為千米定向鉆機的動力源，為其實現(xiàn)各項動作提供能量。液壓泵站為千米定向鉆機提供動力的過程中會產(chǎn)生一系列與千米定向鉆機當(dāng)前執(zhí)行動作密切相關(guān)的振動信號，如能從這些振動信號中提取某些特征量，就能識別液壓泵站運行狀態(tài)，從而實現(xiàn)鉆機動作類型識別[2]，對于遠程掌握千米定向鉆機狀態(tài)，促進千米定向鉆機控制技術(shù)的智能化發(fā)展具有重要意義。但液壓泵站上的振動信號往往呈現(xiàn)出非線性、非平穩(wěn)、低信噪比等特點，提取這類信號的特征量比較困難，為此不少研究者進行了大量的研究工作。李洪儒等[3]、姜萬錄等[4]、鄭直等[5]分別利用改進多尺度熵故障特征提取方法、遞歸定量法和對數(shù)-頻譜振幅調(diào)制方法提取液壓泵振動信號特征值，能夠有效判別液壓泵的運行狀態(tài)，但這些方法多是針對液壓系統(tǒng)某一部件在單一工況下的振動信號分析，對液壓泵站其他部位（如電動機和聯(lián)軸器等）的振動特征提取效果不佳[6]。杜名喆等[7]、Hu Mantang 等[8]基于經(jīng)驗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)下的振動特征。目前仍缺少對液壓泵站振動狀態(tài)與千米定向鉆機動作類型二者關(guān)聯(lián)性的研究，導(dǎo)致無法有效識別鉆機的具體動作類型。針對該問題，本文提出了一種基于經(jīng)驗小波變換（Empirical Wavelet Transform，EWT）和模糊C均值（Fuzzy C-means，F(xiàn)CM）聚類算法的礦用千米定向鉆機動作識別方法，對5種不同動作下千米定向鉆機液壓泵站的振動數(shù)據(jù)進行處理與分析，利用EWT提取出表征動作類型的特征量，利用FCM聚類算法獲得隸屬度矩陣，實現(xiàn)對千米定向鉆機5種動作類型的智能識別。

1 理論基礎(chǔ)

1.1 EWT

信號特征提取的關(guān)鍵是運用合適的分解算法對信號進行有效分解。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，并通過檢測每個分量自適應(yīng)地構(gòu)建經(jīng)驗小波來分解信號。EWT分解克服了經(jīng)驗?zāi)B(tài)分解及集合經(jīng)驗?zāi)B(tài)分解模態(tài)混疊、復(fù)雜程度高和計算量大等問題，更適合于復(fù)雜非平穩(wěn)信號的分解[8]。

EWT分解包括2個步驟：① 將原始信號傅里葉頻譜進行自適應(yīng)分割，得到若干個連續(xù)區(qū)間。② 構(gòu)建正交小波濾波器組，提取每個分割區(qū)間的模態(tài)分量，即經(jīng)驗小波函數(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，且具備計算復(fù)雜度低、計算量小的特點[10]。本文利用EWT在千米定向鉆機執(zhí)行不同動作時快速分析和處理液壓泵站不同測振點的多組振動信號，及時提取表征液壓泵站運行狀態(tài)及對應(yīng)鉆機動作信息的振動特征量樣本。

1.2 FCM聚類算法

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

FCM聚類算法通過對目標(biāo)函數(shù)的迭代優(yōu)化達到準(zhǔn)確分類的目的，并用隸屬度來描述樣本與對應(yīng)類別的相似程度。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的計算式為

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

液壓泵站每種運行狀態(tài)下的振動數(shù)據(jù)都具有一定的聚類結(jié)構(gòu)特點[12]，為此，本文利用FCM聚類算法獲得隸屬度矩陣，將提取的振動特征量樣本進行分類和比對，實現(xiàn)自動識別千米定向鉆機動作類型的目標(biāo)。

2 基于EWT和FCM聚類算法的動作識別

基于EWT和FCM聚類算法的礦用千米定向鉆機動作識別流程如圖1所示。采用EWT求解信號的特征量，利用FCM聚類算法分類結(jié)果可靠性強的特點，對千米定向鉆機動作類型進行識別。

圖1 基于EWT和FCM聚類算法的礦用千米定向鉆機動作識別流程Fig. 1 Action recognition process of mine directional kilometer drilling rig based on EWT and FCM clustering algorithm

基于EWT和FCM聚類算法的礦用千米定向鉆機動作識別具體步驟如下：

（1） 將千米定向鉆機的啟動和動力頭不帶鉆桿旋轉(zhuǎn)、帶鉆桿旋轉(zhuǎn)、帶鉆桿向前慢速鉆進、帶鉆桿向前快速鉆進5種動作類型分別記為R1，R2，R3，R4和R5。對5種動作下的振動信息進行經(jīng)驗小波分析，選取p個特征明顯的測振點信號作為動作識別原信號組。

（2） 分別對動作識別原信號組進行EWT分解，得到q個EWF分量，分別計算EWF分量與原信號的相關(guān)系數(shù)ri（i=1，2，…，q）[13]。

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

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[14]相關(guān)系數(shù)的選取規(guī)則，在ri≥0.3的條件下，選取與原信號相關(guān)系數(shù)最大的4個EWF分量（如果數(shù)量不足，用0填充），從而達到降維和減少計算量的目的[10]。使用平均能量構(gòu)建每個測振點信號的4維特征量Vx=[v1v2v3v4]（x為測振點個數(shù)，x=1，2，…，p）。

（3） 利用FCM聚類算法研究特征量Vx與千米定向鉆機動作類型的關(guān)系，構(gòu)成4×p維動作識別特征量V：

式中αx為權(quán)重， αx≥0。

（4） 對多組R1，R2，R3，R4，R5動作的振動信號按上述步驟得到多組動作識別特征量V，計算其平均值，得到5種動作識別標(biāo)準(zhǔn)特征量VR1，VR2，VR3，VR4，VR5。

（5） 計算待識別動作的振動特征量與上述5種動作識別標(biāo)準(zhǔn)特征量之間的隸屬度，根據(jù)待識別動作的振動特征量與5種動作識別標(biāo)準(zhǔn)特征量之間隸屬度的大小，判斷千米定向鉆機的動作類型。

3 實驗驗證

3.1 動作原信號組獲取

本文以ZYL-17000D型礦用千米定向鉆機（圖2）為研究對象，對基于EWT和FCM聚類算法的礦用千米定向鉆機動作識別方法的可靠性進行實驗驗證。千米定向鉆機的不同動作通過控制液壓泵站實現(xiàn)，液壓泵站主要由電動機、液壓泵和聯(lián)軸器組成，這3處的振動情況能夠比較完整地反映出液壓泵站的運行狀態(tài)，即千米定向鉆機的動作類型[15-16]。實驗采集了ZYL-17000D型礦用千米定向鉆機的電動機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種動作下的振動數(shù)據(jù)，振動方向編號見表1。實驗所用采集儀為DEWESoft Sirius，采樣頻率為10 kHz ，每組數(shù)據(jù)采樣時間為0.25 s。所用振動傳感器為Kistler 8692C10三軸加速度傳感器，分別安裝在電動機、液壓泵（遠離支撐點位置）和聯(lián)軸器頂部，x，y，z方向分別對應(yīng)軸向、水平徑向和垂直徑向。5種動作下的典型振動數(shù)據(jù)如圖3所示。

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

圖3 5種動作下8路振動原信號Fig. 3 Eight channels original vibration signals under five actions

表1 振動方向編號Table 1 Label of vibration direction

3.2 EWT分析波形

將獲取的動作原信號組進行EWT分解得到8個EWF分量，并提取相應(yīng)的振動特征量。5種動作下電動機軸向振動信號經(jīng)EWT分解的頻譜如圖4所示。可看出相鄰2個EWF分量的頻帶沒有出現(xiàn)交叉，即沒有出現(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幅值與振動能量成正比，幅值越大，電動機軸向信號在該頻段的振動加速度越大，相應(yīng)的振動能量越大，特征越明顯。在執(zhí)行R1動作時，e1和e2幅值相對較大，特征顯著；在執(zhí)行R2動作時，e4和e5特征比較顯著，且e4幅值最大；在執(zhí)行R3動作時，e2，e3，e4，e7特征比較顯著；在執(zhí)行R4動作時，e4和e5特征比較顯著，且e5幅值比e4略大；在執(zhí)行R5動作時，e4特征最顯著。由此可以得出，鉆機執(zhí)行不同動作時，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作下的差異性可實現(xiàn)對動作類型的區(qū)分。

圖4 5種動作下電動機軸向振動信號的EWF各分量頻譜Fig. 4 Spectrum of EWF components of motor axial vibration signal under five actions

從電動機軸向振動信號的EWT時頻譜（圖5）中可更直觀地分析執(zhí)行5種不同動作時振動信號所包含的頻率和瞬時能量等特征信息。從圖5可看出，在執(zhí)行R1動作時，振動能量主要集中在電動機啟動瞬間（約0.06 s時）；在執(zhí)行R2動作時，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)，振動能量主要集中在1.5～1.6 kHz頻段；在執(zhí)行R3動作時，Hilbert譜在1.3 kHz和1.6 kHz處分布明顯，且振動能量集中在1.55～1.65 kHz頻段內(nèi)；在執(zhí)行R4動作時，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，且振動能量主要集中在1.55 kHz左右；在執(zhí)行R5動作時，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，振動能量主要集中在1.55 kHz左右。

圖5 電動機軸向振動信號EWT時頻譜Fig. 5 The EWT time-frequency spectrum of the motor axial vibration signal

3.3 動作識別標(biāo)準(zhǔn)特征量構(gòu)建

除R1動作外，其他4種動作下電動機軸向振動信號能量主要分布頻帶非常接近，提取的特征量差異較小，會降低千米定向鉆機動作類型的識別精度，所以需要結(jié)合液壓泵和聯(lián)軸器振動信號進行綜合分析判別。經(jīng)過對8組振動信號的時頻能量進行分析，分別選取電動機、液壓泵和聯(lián)軸器振動能量分布較為明顯的方向上的信號（即表1中編號為2，5，8對應(yīng)的信號）作為動作識別原信號組，用來構(gòu)建動作識別特征量。

針對5種動作各選取10組振動數(shù)據(jù)，每組數(shù)據(jù)樣本長度均為5 000，提取電動機軸向、液壓泵軸向和聯(lián)軸器垂直徑向振動信號的特征量，分別記為V1，V2，V3，見表2。可看出相同動作下，特征量相似；而不同動作下，特征量差別較大， 可通過提取的特征量識別動作。

表2 5種動作識別原信號組的特征量Table 2 Eigenvectors of the original signal group for action recognition under five working conditions

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

當(dāng)α1=1，α2=α3=0時，5種動作識別特征量聚類結(jié)果如圖6（a）所示，可看出聚類性能較差，R1和R4、R4和R5動作間有交叉混疊現(xiàn)象出現(xiàn)，而且在執(zhí)行R3，R4，R5動作時有3組數(shù)據(jù)識別錯誤。當(dāng)α1=α3=0，α2=1時，5種動作識別特征量聚類結(jié)果如圖6（b）所示，可看出鉆機執(zhí)行5種動作時的振動特征量被完全區(qū)分開，而且類內(nèi)聚合度高，聚類性能較好。當(dāng)α1=α2=0，α3=1時，5種動作的識別特征量聚類結(jié)果如圖6（c）所示，可看出雖然振動特征量被區(qū)分開，但在執(zhí)行R2動作時，數(shù)據(jù)比較分散，類內(nèi)聚合度較低，聚類性能一般。

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

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

分別求取5種動作下各10組V2的平均值，得到動作識別標(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 動作類型識別

分別選取千米定向鉆機5種動作下各25組振動數(shù)據(jù)，即125組數(shù)據(jù)作為測試樣本，利用FCM聚類算法計算待識別動作的振動特征量與狀態(tài)識別標(biāo)準(zhǔn)特征量之間的隸屬度，隸屬度越大，表明該待測樣本屬于對應(yīng)動作的概率越大。分別列舉5種動作下前2組樣本，共計10組樣本的隸屬度，見表3。其中，加粗部分為測試樣本判定動作與樣本實際動作之間的隸屬度。從表3可看出，樣本的特征量與對應(yīng)的動作識別特征量的隸屬度遠大于與其他動作識別特征量的隸屬度，且隸屬度均大于0.98，判別結(jié)果與鉆機實際動作類型一致。125組測試樣本中僅有4組測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組測試樣本屬于R1動作，由于R1動作時間短，在采集R1動作信號時，采集了一部分R2動作信號，使得這4組測試樣本與R2動作的隸屬度達到了0.3以上，最終導(dǎo)致這4組測試樣本與R1動作的隸屬度較小。實驗結(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96.8%。

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

4 結(jié)論

（1） 千米定向鉆機執(zhí)行不同動作時，其電動機、液壓泵和聯(lián)軸器振動信息的經(jīng)驗小波函數(shù)可體現(xiàn)出不同的特征。

（2） EWT時頻譜圖表明，電動機軸向、液壓泵軸向和聯(lián)軸器垂直徑向振動信號可作為千米定向鉆機動作識別原信號組，其中液壓泵軸向的振動信號表征千米定向鉆機動作類型的效果最佳。

（3） 利用FCM聚類算法對提取的千米定向鉆機動作類型特征量進行識別，結(jié)果表明：在待識別動作與標(biāo)準(zhǔn)識別特征量之間的隸屬度大于0.9的條件下，識別準(zhǔn)確率達96.8%，驗證了基于EWT和FCM聚類算法的千米定向鉆機動作識別方法的準(zhǔn)確性，為實現(xiàn)遠程監(jiān)測千米定向鉆機運行狀態(tài)提供了技術(shù)支持。

（4） 該方法利用加載試驗臺模擬千米定向鉆機運行負載，與實際工況存在一定的差距。因此，下一階段的研究工作是進行現(xiàn)場試驗，以進一步提高千米定向鉆機動作識別方法的有效性和準(zhǔn)確性。