礦用千米定向鉆機動作識別方法

向學藝，雷志鵬，栗林波，任瑞斌，李杰，王飛宇

（1. 太原理工大學 礦用智能電器技術國家地方聯合工程實驗室， 山西 太原 030024；2. 太原理工大學 煤礦電氣設備與智能控制山西省重點實驗室， 山西 太原 030024；3. 晉能控股山西科學技術研究院有限公司（晉城）技術中心，山西 晉城 048000；4. 山西金鼎高寶鉆探有限責任公司，山西 晉城 048000）

0 引言

近年，煤炭行業正邁入智能化轉型的關鍵期，八部委在《關于加快煤礦智能化發展的指導意見》中倡導煤炭行業與現代信息技術高度結合，實現煤礦管理無人化、煤炭生產智能化的發展目標[1]。礦用千米定向鉆機是實現煤炭智能化生產必備的裝備。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，鉆進效率與司鉆工人經驗水平和操控熟練程度密切相關，嚴重制約了煤層氣抽采效率和煤礦智能化發展進程。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這一發展目標必須解決的難題。

礦用千米定向鉆機的動作主要包括動力頭不帶鉆桿旋轉、帶鉆桿旋轉、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生一系列與千米定向鉆機當前執行動作密切相關的振動信號，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，從而實現鉆機動作類型識別[2]，對于遠程掌握千米定向鉆機狀態，促進千米定向鉆機控制技術的智能化發展具有重要意義。但液壓泵站上的振動信號往往呈現出非線性、非平穩、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-頻譜振幅調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，但這些方法多是針對液壓系統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]基于經驗小波分解和卷積神經網絡方法，分別建立了聯軸器和液壓泵的智能診斷模型，但該模型所需數據量大，效率低。以上方法為提取液壓泵站狀態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下的振動特征。目前仍缺少對液壓泵站振動狀態與千米定向鉆機動作類型二者關聯性的研究，導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驗小波變換（Empirical Wavelet Transform，EWT）和模糊C均值（Fuzzy C-means，FCM）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據進行處理與分析，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，實現對千米定向鉆機5種動作類型的智能識別。

1 理論基礎

1.1 EWT

信號特征提取的關鍵是運用合適的分解算法對信號進行有效分解。EWT是一種基于頻域構建自適應小波的工具，能夠從目標信號中提取具有緊支撐傅里葉頻譜的調幅-調頻分量，并通過檢測每個分量自適應地構建經驗小波來分解信號。EWT分解克服了經驗模態分解及集合經驗模態分解模態混疊、復雜程度高和計算量大等問題，更適合于復雜非平穩信號的分解[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分割，得到若干個連續區間。② 構建正交小波濾波器組，提取每個分割區間的模態分量，即經驗小波函數（Empirical Wavelet Function，EWF）分量[9]。

EWT能快速提取出富含工況信息的特征量，且具備計算復雜度低、計算量小的特點[10]。本文利用EWT在千米定向鉆機執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及對應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，為了實現對特定動作類型的識別，需要對特征量準確地進行分類。傳統分類方法往往需要大量的訓練樣本，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函數的一種模糊聚類方法，其核心思想是利用模糊數學聚類分析理論，解決運行狀態和事件之間的模糊問題[11]。

FCM聚類算法通過對目標函數的迭代優化達到準確分類的目的，并用隸屬度來描述樣本與對應類別的相似程度。隸屬度越大，兩者的相似度就越大。目標函數為

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；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，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下的振動數據都具有一定的聚類結構特點[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，實現自動識別千米定向鉆機動作類型的目標。

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、帶鉆桿旋轉、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系數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分量的標準差；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，結合文獻[14]相關系數的選取規則，在ri≥0.3的條件下，選取與原信號相關系數最大的4個EWF分量（如果數量不足，用0填充），從而達到降維和減少計算量的目的[10]。使用平均能量構建每個測振點信號的4維特征量Vx=[v1v2v3v4]（x為測振點個數，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系，構成4×p維動作識別特征量V：

式中αx為權重， 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種動作識別標準特征量VR1，VR2，VR3，VR4，VR5。

（5） 計算待識別動作的振動特征量與上述5種動作識別標準特征量之間的隸屬度，根據待識別動作的振動特征量與5種動作識別標準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，液壓泵站主要由電動機、液壓泵和聯軸器組成，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，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種動作下的振動數據，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 ，每組數據采樣時間為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）和聯軸器頂部，x，y，z方向分別對應軸向、水平徑向和垂直徑向。5種動作下的典型振動數據如圖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，并提取相應的振動特征量。5種動作下電動機軸向振動信號經EWT分解的頻譜如圖4所示?？煽闯鱿噜?個EWF分量的頻帶沒有出現交叉，即沒有出現模態混疊現象，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，相應的振動能量越大，特征越明顯。在執行R1動作時，e1和e2幅值相對較大，特征顯著；在執行R2動作時，e4和e5特征比較顯著，且e4幅值最大；在執行R3動作時，e2，e3，e4，e7特征比較顯著；在執行R4動作時，e4和e5特征比較顯著，且e5幅值比e4略大；在執行R5動作時，e4特征最顯著。由此可以得出，鉆機執行不同動作時，EWF分量ei幅值分布情況呈現不同特征，提取的特征量也不同，所以，根據提取的特征量在不同動作下的差異性可實現對動作類型的區分。

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，振動能量主要集中在1.5～1.6 kHz頻段；在執行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；在執行R4動作時，Hilbert譜在1.55 kHz處分布明顯，但不連續，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；在執行R5動作時，Hilbert譜在1.3 kHz處分布明顯且連續，而在1.55 kHz處分布明顯，但不連續，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 動作識別標準特征量構建

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，所以需要結合液壓泵和聯軸器振動信號進行綜合分析判別。經過對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對應的信號）作為動作識別原信號組，用來構建動作識別特征量。

針對5種動作各選取10組振動數據，每組數據樣本長度均為5 000，提取電動機軸向、液壓泵軸向和聯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

由特征量構建動作識別特征量V =[α1V1α2V2α3V3]，應 用FCM聚 類 算 法，改 變 權 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重構建動作識別特征量。在千米定向鉆機工作時，動力頭帶動鉆桿旋轉，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占比應相對較大。

當α1=1，α2=α3=0時，5種動作識別特征量聚類結果如圖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象出現，而且在執行R3，R4，R5動作時有3組數據識別錯誤。當α1=α3=0，α2=1時，5種動作識別特征量聚類結果如圖6（b）所示，可看出鉆機執行5種動作時的振動特征量被完全區分開，而且類內聚合度高，聚類性能較好。當α1=α2=0，α3=1時，5種動作的識別特征量聚類結果如圖6（c）所示，可看出雖然振動特征量被區分開，但在執行R2動作時，數據比較分散，類內聚合度較低，聚類性能一般。

圖6 不同權重下動作識別特征量聚類結果Fig. 6 Clustering results of action recognition characteristic quantities under different weights

在分別執行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，結論與分析結果相符。

分別求取5種動作下各10組V2的平均值，得到動作識別標準特征量依次為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組振動數據，即125組數據作為測試樣本，利用FCM聚類算法計算待識別動作的振動特征量與狀態識別標準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，最終導致這4組測試樣本與R1動作的隸屬度較小。實驗結果表明，本文所述方法在隸屬度大于0.9的條件下判別準確率達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 結論

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

（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，結果表明：在待識別動作與標準識別特征量之間的隸屬度大于0.9的條件下，識別準確率達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確性，為實現遠程監測千米定向鉆機運行狀態提供了技術支持。

（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確性。