工程机械在抢险救援、深海油井、高温炙热、核生化污染等不适合操作人员涉入的环境中工作时，对装备的遥控或自主作业需求迫切，作业状态智能识别和作业环境智能感知技术是实现工程装备智能化作业的关键和核心技术^[1-2]. 液压挖掘机是最为常用的工程装备之一，使用工况复杂，负载变化大，易受环境和操作人员影响. 目前对液压挖掘机作业循环状态的智能识别研究刚刚起步.

液压挖掘机作业状态的识别方法大致分为2类：1)通过图像识别技术，对比执行机构的工作图像与标准库工况图像，从而判别工况；2)借助挖掘机的自身参数，包括泵的压力、发动机转矩或转速、机身或部件的振动频谱等，取其中一种或联合几种进行工况识别. Tanaka等^[3]通过多张连续图像与数据库标准工况图像匹配来识别挖掘机工作模式. 柳齐^[4]利用模糊控制方法对液压挖掘机各主阀先导压力和泵出口压力进行计算，然后匹配识别，判断是挖掘工况还是平整工况. 以上2种方法仅区分了整体的作业模式，没有对单独作业循环过程进行划分. 郝鹏等^[5]利用倾角传感器获取工作装置姿态，建立与泵出口压力之间的关系，得到了挖掘机不同工况下的大致压力. Zarotti等^[6]在模拟挖掘（空载）和实际挖掘（负载）时监测对比了挖掘机在做同一完整挖掘循环动作时的压力、流量以及能耗变化. 于洪光等^[7]采用EMD方法分解挖掘机发动机转矩波形，通过特定方法分割并拼接得到不同工作模式下的负载工况. 文献[5~7]给出了不同工况下的参数变化，但没有进一步论证是否能依据这些变化的参数识别各工作状态. Timusk等^[8]依据液压马达转速以及电机组件和变速箱的振动频谱，Mintah等^[9]结合上车回转速度和动臂运动方向与速度，分别对挖掘机是满斗回转还是空斗返回作了区分. 这类通过机身部件和执行机构的参数进行的识别，易受到环境和操作人员的影响而导致误判. 冯培恩等^[10]通过监测挖掘作业循环的主泵压力，以各阶段的头尾压力波段为区分标志，结合DAGSVM方法，并引入智能校验系统，实现了液压挖掘机作业循环阶段的智能识别. 该方法比较完整全面地论述了液压挖掘机作业循环的识别过程，但也存在一些不足. 例如，文中要求选取各作业阶段的起始或结束的压力波段作为区分标志，由于多个相邻作业动作的压力是瞬变的，其波段特征难以获取. 在提取压力信号的特征时，只选取了较少参数，使得直接识别准确率仅为65%左右，相对较低.

通过研究上述方法的优势与不足，本文以主泵压力为研究对象，采用时窗滑移的方法截取压力波段，实现对液压挖掘机循环作业各阶段的状态识别.

本文实验载体是型号为GJW111的轮式反铲液压挖掘机^[11]，其主泵是2个型号为A8V107ER的斜轴式柱塞变量泵，执行机构的主要动作包括整机行走、转台回转、调整臂收放、斗杆伸缩、铲斗装卸，如图1所示. 通过基本动作的相互结合，可完成的作业类型分为挖掘作业和平整作业等，本文主要研究挖掘作业. 根据土壤的工程分类^[12]，实验场地的土壤符合Ⅲ~Ⅳ级标准. 在挖掘作业时，下车保持怠速状态. 为减少挖掘机和操作手的影响，分别让2名熟练操作手先后在2台同型号挖掘机上按照规定流程进行挖掘作业，监测记录整个过程中前、后2个主泵的出口压力信号. 压力传感器型号为YMC621P70，量程为0~60 MPa，测试精度为0.03 MPa，采样频率为1 000 Hz，远离转台的为前泵信号，记为 ${P_1}$，靠近转台的为后泵信号，记为 ${P_2}$，如图2所示. 选择其中20组作业循环为训练样本，另7组为测试样本，每组作业循环有7类状态，故140组状态样本构成训练集，另49组状态样本构成测试集.

本文制定的完整挖掘作业循环包括挖掘、提升、负载回转、卸载、空斗返回、调整准备等6个阶段，外加1个停顿状态（待机状态与作业间隙停顿压力信号一样，后文统一称为停顿状态），共7类状态，如图3所示.

根据GJW111型液压挖掘机的液压系统控制原理（如图4所示）：铲斗阀组由后泵控制，铲斗油缸仅由后泵供油；斗杆阀组由两泵协同控制，斗杆油缸主要由前泵供油，同时通过操纵阀与后泵相连，当工作压力增大时，后泵也参与供油；动臂阀组与斗杆阀组类似，也由两泵协同控制，但是动臂油缸主要由后泵供油，同时通过操纵阀与前泵相连，当工作压力增大时，前泵也参与供油；回转阀组仅由前泵控制，回转马达由前泵单独供油. 各个作业循环阶段状态的具体动作、液压控制以及压力波形如下.

1）挖掘阶段.

反铲挖掘机主要包括3种挖掘方式：铲斗挖掘，由铲斗收放完成；斗杆挖掘，由斗杆收放完成；铲斗和斗杆联合协调动作，实现挖掘. 从铲齿接触土壤开始，到铲斗切削土壤，到充分装填铲斗结束. 根据挖掘机液压系统控制原理可知，压力波形会出现2种情形，如图5所示. 图5(a)为两泵单独供油情形，在土壤负载相对较小时，挖掘的前半程仅需铲斗内收，便能完成切削，后半程斗杆适当收缩，使物料装填铲斗，挖掘过程完成. 图5(b)为两泵联合供油情形，此时负载相对较大，需铲斗和斗杆联动配合才能完成挖掘. 当然，挖掘阶段的供油情况也与操作手的操作习惯有关. 如在小负载时，若联动铲斗和斗杆一起挖掘，两泵也会联合供油.

2）提升阶段.

挖掘结束后，动臂液压缸伸出，将动臂顶起至适当高度. 一般操作手习惯将动臂提升和回转一起进行，最完美的操作是动臂的提升过程和负载回转过程刚好在达到卸载的位置同时完成，为了便于操作以及精确监测每个阶段动作的压力变化，将这2个过程分开进行. 由于负载大小的不同，会出现后泵单独供油以及两泵联动供油情形，如图6所示.

3）负载回转阶段.

当铲斗提升至适当高度后，转台回转相应角度，将铲斗转移到卸载位置. 回转过程的速度受操作手影响，实验时旋转速度尽量平缓，减少冲击. 控制回转的回转马达由前泵供油，受回转机构的结构影响，压力波形呈现明显的周期性震荡，如图3中负载回转阶段所示.

4）卸载阶段.

铲斗回转到卸载点后，铲斗向外打开，将斗中物料清空，如有需要，可适当辅以斗杆动作. 在本实验中，仅铲斗动作，此过程由后泵供油，如图3中卸载阶段所示.

5）空斗返回阶段.

卸载完毕，转台反向回转，使挖掘机铲斗由卸载位置转移至下一挖掘位置的上方. 回转时尽量保持匀速回转，避免急剧冲击. 压力波形中有周期性振动，此过程由前泵供油，如图3中空斗返回阶段所示.

6）挖掘准备阶段.

当回转到挖掘点上方时，转台制动，动臂下降，同时调整斗杆和铲斗，使铲齿转移到新的挖掘点，等待再次挖掘. 此过程压力变化较复杂，同时由于执行动作时无负载，压力值相对较低，压力波形如图3中挖掘准备阶段所示.

7）停顿状态.

停顿状态是指挖掘机启动，未进行作业的待机状态；或在作业过程中，执行机构动作暂停的间歇停顿状态. 这2种情形下，两泵压力波形基本稳定不变，前泵压力保持在4.4 MPa左右，后泵压力保持在4.25 MPa左右，如图3中停顿阶段所示.

本文采用基于时窗滑移的特征提取与PCA-SVM相结合的方法对液压挖掘机作业循环各阶段状态进行智能识别，主要分为以下几个步骤（具体的训练以及识别流程如图7所示）：

1）通过多通道动态信号采集系统获取挖掘作业循环的2个主泵压力信号；

2）采用时窗滑移方法截取压力波段，提取时频特征参数，得到初始特征集；

3）对初始特征集进行特征值归一化处理以及PCA降维，得到输入特征集；

4）采用SVM分类学习算法，对液压挖掘机作业循环各阶段的状态信号进行自动识别分类；

5）引入即时校正策略，对识别结果中不合逻辑原则的结果进行检验校正，输出最终识别结果.

本文研究目的是实现液压挖掘机作业循环各个阶段状态的自动识别，同时满足在线监测的实时性要求，以便给遥控或自主作业的控制提供状态反馈. 因此，在实际监测识别时，截取的压力波段长度要远小于作业循环各阶段的持续长度，理论上压力波段越短，反应越灵敏，有更长的反馈时间，但同时会造成识别困难，需要确定合适的压力波段长度，即压力信号的时窗宽度，记为 $\Delta t$.

针对训练样本的压力信号，在进行时窗滑移提取压力波段时频特征时，引入重叠率 $\varphi $，即相邻2个时窗的重叠程度，在滑移时与 $\Delta t$配合使用. 引入重叠率的目的主要有：1）提高数据样本的利用率，如果在滑移时相邻的2次压力波段无重叠部分，那么等同于直接将数据样本按 $\Delta t$的长度等间距分割，加入重叠率能够使有限的数据样本提取出更多的输入向量；2）增加截取的压力波段的多样性，提高待识别压力波段能被准确识别的可能性. 识别的基础是待识别信号能在训练样本中找到相同或类似特征的信号，如图8所示. A为幅值， ${S_x}$为一待识别压力波段， ${S_1}$为某训练样本中截取的第一个压力波段， ${S_5}$为不考虑重叠时截取的第5个压力波段， ${S_y}$为与 ${S_x}$最相似的波段. 显然，只有在引入重叠率时， ${S_y}$才有可能被截取出来. 由于采集的信号样本之间存在差别性，重叠率取值需要结合具体的样本来确定.

压力信号的时窗滑移具体过程如下.

1）压力信号样本 $S$包含前、后两泵的压力波形 ${p_1}$和 ${p_2}$，采样频率为 $f$，经过时窗滑移，截取第1个压力波段 ${S_1}$，其中两泵的压力波形分别记为 ${p_{11}}$和 ${p_{22}}$，对应的起止横坐标（时间）为

(1) $ {t_{\rm{s}}}\left( 1 \right) = 1/f,\;{t_{\rm{e}}}\left( 1 \right) = \Delta t. $

式中： ${t_{\rm{s}}}$、 ${t_{\rm{e}}}$分别为滑移的起、止时刻序列.

1）对 ${p_{11}}$和 ${p_{22}}$进行时频特征提取，得到第1个时频特征向量 ${{F}}(1)$.

3）进行第 $i$次滑移. 判断上一次滑移的结束横坐标 ${t_{\rm{e}}}(i - 1)$是否大于 $S$的时间终点 ${t_{{\rm{end}}}}$. 若是，循环终止；若否，执行滑移，得到第 $i$个压力波段 ${S_i}$，对应的起止横坐标分别为

(2) $ \left. \begin{array}{l} {t_{\rm{s}}}\left( i \right) = {t_{\rm{s}}}\left( {i - 1} \right) + \left( {1 - \varphi } \right)\Delta t,\\ {t_{\rm{e}}}\left( i \right) = {t_{\rm{e}}}\left( {i - 1} \right) + \left( {1 - \varphi } \right)\Delta t. \end{array} \right\} $

式中： $\varphi \in \left\{ {0,1/8,1/4,3/8,1/2,5/8,3/4} \right\}$.

4）对第 $i$个压力波段 ${S_i}$中的两泵压力波形 ${p_{1i}}$和 ${p_{2i}}$进行时频特征提取，得到第 $i$个时频特征向量 ${{F}}(i)$.

5）末端处理. 最后一次滑移时压力波段的长度可能小于 $\Delta t$对应的波段长度，因此需要作末端处理，若 ${t_{\rm{e}}} - {t_{\rm{end}}} < \Delta t - f^{-1}$，则令最后压力波段 ${S_{{\rm{end}}}}$中超出压力信号样本 $S$的部分全取 $S$的末端值（即 ${p_1}$和 ${p_2}$的末端值），然后提取最后时频特征向量 ${{F}}_{\rm{end}}$.

对所有截取的压力波段进行时频特征提取，构建输入特征向量，列出了30种常用的信号时频统计参数如（3）~（32）所示^[13-14]. 式中： $x$为信号的时域序列( $i = 1,2, \cdots ,n$)， $n$为样本点数； $s(k)$为信号的频谱， ${f_k}$为第 $k$条谱线的频率值( $k = 1,2, \cdots ,M$)， $M$为谱线条数. 时域特征参数T₁~T₃、T₅、T₉、T₁₀反映时域振动幅值和能量大小，T₄、T₇、T₈~T₁₆反映信号时间序列分布情况；频域特征参数T₁₇、T₂₁反映频域振动能量的大小，T₁₈~T₂₀反映频谱的分散或集中程度，T₂₂~T₃₀反映主频带位置的变化.

(3) ${T_1} = \frac{1}{n}\sum\limits_{i = 1}^n {{x_i}} ,$

(4) ${T_2} = \frac{1}{n}\sum\limits_{i = 1}^n {\left| {{x_i}} \right|} ,$

(5) ${T_3} = {\rm{max}}\;(|{x_i}|),$

(6) ${T_4} = \frac{1}{n}\sum\limits_{i = 1}^n {{{({x_i} - {T_1})}^2}} ,$

(7) ${T_5} = \frac{1}{n}\sum\limits_{i = 1}^n {{{({x_i} - {T_1})}^3}} ,$

(8) ${T_6} = \frac{1}{n}\sum\limits_{i = 1}^n {{{({x_i} - {T_1})}^4}}, $

(9) ${T_7} = {\left( {\frac{1}{n}\sum\limits_{i = 1}^n {x_i^2} } \right)^{1/2}},$

(10) ${T_8} = {\left( {\frac{1}{{n - 1}}\sum\limits_{i = 1}^n {{{({x_i} - {T_1})}^2}} } \right)^{1/2}},$

(11) ${T_9} = {\rm{max}}\;\left( x \right) - {\rm{min}}\;\left( x \right),$

(12) ${T_{10}} = {\left( {\frac{1}{n}\sum\limits_{i = 1}^n {\sqrt {|{x_i}|} } } \right)^2},$

(13) ${T_{11}} = {\rm{max}}\;\left( {|{x_i}|} \right)\Bigg/{\left( {\frac{1}{n}\sum\limits_{i = 1}^n {x_i^2} } \right)^{1/2}},$

(14) ${T_{12}} = \sum\limits_{i = 1}^n {{{\left( {{x_i} - {T_1}} \right)}^3}\Big/\left[ {\left( {n - 1} \right)T_8^3} \right]} ,$

(15) ${T_{13}} = \sum\limits_{i = 1}^n {{{\left( {{x_i} - {T_1}} \right)}^4}\Big/\left[ {\left( {n - 1} \right)T_8^4} \right]} ,$

(16) ${T_{14}} = {\rm{max}}\;\left( {|{x_i}|} \right)\Bigg/{\left( {\frac{1}{n}\sum\limits_{i = 1}^n {\sqrt {|{x_i}|} } } \right)^2},$

(17) ${T_{15}} = {\left( {\frac{1}{n}\sum\limits_{i = 1}^n {{x_i}^2} } \right)^{1/2}}\Bigg/\left( {\frac{1}{n}\sum\limits_{i = 1}^n {\left| {{x_i}} \right|} } \right),$

(18) ${T_{16}} = {\rm{max}}\;\left( {|{x_i}|} \right)\Bigg/\left( {\frac{1}{n}\sum\limits_{i = 1}^n {|{x_i}|} } \right),$

(19) ${T_{17}} = \sum\limits_{k = 1}^M {s\left( k \right)/M} ,$

(20) ${T_{18}} = {\left[ {\sum\limits_{k = 1}^M {{{\left( {s\left( k \right) - {T_{17}}} \right)}^2}/\left( {M - 1} \right)} } \right]^{1/2}},$

(21) ${T_{19}} = \sum\limits_{k = 1}^M {{{\left( {s(k) - {T_{17}}} \right)}^3}\Big/\left[ {\left( {M - 1} \right)T_{18}^3} \right]} $

(22) ${T_{20}} = \sum\limits_{k = 1}^M {{{\left( {s(k) - {T_{17}}} \right)}^4}\Big/\left[ {\left( {M - 1} \right)T_{18}^4} \right]} ,$

(23) ${T_{21}} = {\rm{max}}\;(s(k),1),$

(24) ${T_{22}} = {\rm{max}}\;(s(k),2),$

(25) ${T_{23}} = \sum\limits_{k = 1}^M {{f_k}s\left( k \right)\Bigg/\sum\limits_{k = 1}^M {s\left( k \right)} } ,$

(26) ${T_{24}} = {\left( {\sum\limits_{k = 1}^M {f_k^2s\left( k \right)\Bigg/\sum\limits_{k = 1}^M {s\left( k \right)} } } \right)^{1/2}},$

(27) ${T_{25}} = {\left( {\sum\limits_{k = 1}^M {f_k^4s\left( k \right)\Bigg/\sum\limits_{k = 1}^M {f_k^2s\left( k \right)} } } \right)^{1/2}},$

(28) ${T_{26}} = \sum\limits_{k = 1}^M {f_k^2s\left( k \right)\Bigg/{{\left( {\sum\limits_{k = 1}^M {s\left( k \right)} \sum\limits_{k = 1}^M {f_k^4s\left( k \right)} } \right)}^{1/2}}} ,$

(29) ${T_{27}} = {\left( {\sum\limits_{k = 1}^M {{{\left( {{f_k} - {T_{23}}} \right)}^2}s\left( k \right)\Bigg/\sum\limits_{k = 1}^M {s\left( k \right)} } } \right)^{1/2}},$

(30) ${T_{28}} = {T_{27}}/{T_{23}},$

(31) ${T_{29}} = \sum\limits_{k = 1}^M {{{\left( {{f_k} - {T_{23}}} \right)}^3}s\left( k \right)\Big/\left[ {\left( {M - 1} \right)T_{27}^3} \right]} ,$

(32) ${T_{30}} = \sum\limits_{k = 1}^M {{{\left( {{f_k} - {T_{23}}} \right)}^4}s\left( k \right)\Big/\left[ {\left( {M - 1} \right)T_{27}^4} \right]} .$

根据压力信号的时窗滑移方法，截取到的一个压力波段包含前、后两泵的压力波形 ${p_1}$和 ${p_2}$，在对该压力波段进行时频特征提取时，需要综合考虑两泵的压力值，使得提取的特征向量能准确描述信号的状态. 令特征集 $T = \{ {T_1},{T_2}, \cdots ,{T_{30}}\} $，特征向量的构成为 ${{F}} = [T({p_1}),T({p_2})]$，可知特征向量为一个60维的向量.

大部分的分类器都要求对输入特征向量进行归一化处理，以避免取值范围偏大的特征值干扰取值范围较小的特征值. 本文对特征向量进行归一化处理，使其线性调整到[0，1]，具体公式为

(33) $\overline f = \frac{{f - {f_{{\rm{min}}}}}}{{{f_{{\rm{max}}}} - {f_{{\rm{min}}}}}}.$

式中： $f$为处理前特征值， $\overline f $为处理后特征值.

PCA处理是将高维数据映射到低维空间中，用尽可能少的指标刻画原始数据，将多个相关变量转化为少数独立变量，保留原始数据主要信息的数据分析方法^[15]. 通过PCA处理初始特征值，选择前几维主元作为新的分类器输入特征，从而达到数据降维的目的，减少SVM在处理高维数据时的维数灾难风险^[16]. 如图9所示为PCA处理处理特征值的具体情况，选择前10个主元为新的输入特征，此时主元占比接近90%.

由于识别过程所依据的数据处理方法具有一定的局限性，采用识别方案直接识别的结果有一部分明显与事实不符，有必要对识别结果进行智能校正. 智能校正策略主要依据挖掘机循环作业动作的逻辑顺序原则，校正时每识别出一个波段状态便进行校正并反馈结果，保证了对液压挖掘机智能作业的实时性反馈，称为即时校正策略.

当前识别状态用RS（recognition state）表示，上一个识别结果用FRS（front RS）表示，前2个识别结果用FRS2表示，校正后的当前状态用TS（true state）表示，规则函数用if-then形式表达. 规定校正起始点必须满足条件FRS= FRS2. 具体规则如下.

规则1：if RS=FRS, then TS=RS;

规则2：if RS=1, and FRS $ \ne $6, and FRS $ \ne $7, then TS= FRS;

规则3：if FRS=1, and RS $ \ne $2, and RS $ \ne $7, then TS=1;

规则4：if FRS=1, and RS=2, then TS=2;

规则5：if FRS=2, and RS=5, then TS=2;

规则6：if FRS=3, and RS $ \ne $4, and RS $ \ne $6, and RS $ \ne $7, then TS=3;

规则7：if FRS=3, and RS=4, then TS=4;

规则8：if FRS=5, and RS $ \ne $6, and RS $ \ne $7, then TS=5;

规则9：if FRS=3 or 5, and RS=6, then TS=6;

规则10：if RS=7, then TS=7.

采用基于时窗滑移的特征提取与PCA-SVM相结合的识别方法对全部训练样本进行训练，构建SVM分类模型；然后对所有测试样本进行测试，讨论时窗宽度 $\Delta t$和重叠率 $\varphi $取值变化对识别结果的影响，并就具体状态的识别结果进行详细分析. 为保证识别方案的实时性要求，使得反馈时间较短， $\Delta t$的取值不宜过大，规定为{0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1.0}； $\varphi $的取值范围规定为{0，0.125，0.250，0.375，0.500，0.625，0.750}. SVM模型核函数类型选择多项式核函数，其他取值均为默认值. 为了快速获取最优的 $\Delta t$和 $\varphi $组合，在讨论时，先取 $\varphi $=0.

如表1所示为在 $\varphi $=0而 $\Delta t$变化时，采用所提识别方案对全体样本进行训练和测试的结果，其中，Q₁为直接识别结果，Q₂为及时校正结果. 根据直接识别结果可知，随着 $\Delta t$由0.1增至0.5时，识别准确率Q逐渐上升；当 $\Delta t$由0.5变化至1.0时，当 $\Delta t=$识别准确率趋向平稳且略有下降；当 $\Delta t=$0.5时，识别准确率达到最高，为80.22%.

利用识别方案直接得到的结果主要依据所采集的压力信号的好坏以及对数据处理的水平. 然而，挖掘机作业循环具有一定的规律性，对识别方案进行智能校正可以矫正一些误判结果，这样一方面能保证识别结果与实际规律相符合，另一方面也能适当提高识别准确率. 从表1可知，校正后准确率都有所提高，当 $\Delta t=$0.5时，结果仍然最优，校正效果较为明显，准确率提高到86.40%.

通过前述讨论可知，在 $\Delta t$=0.5时能取得最好的识别结果，因此在研究 $\varphi $变化的影响时，令 $\Delta t$=0.5. 如表2所示为重叠率直接识别结果和即时校正结果的变化情况. 根据直接识别结果来看，整体识别准确率的变化不是很大. 在 $\varphi $由0上升至0.250时，识别准确率略有提高，当φ由0.250升至0.750时，识别准确率趋于降低，在φ=0.250时，识别准确率达到最高，为81.21%. 经过即时校正策略校正后，整体的准确率提升都在6%以上，校正结果随 $\varphi $变化的趋势与直接识别结果类似，且仍旧在 $\varphi $=0.250时准确率最高，达到88.5%.

综合对 $\Delta t$和 $\varphi $的讨论可知，在本实验条件下，采用基于时窗滑移的特征提取与PCA-SVM相结合的识别方法，在 $\Delta t$和 $\varphi $分别取为0.5和0.250时，能获得最佳的识别结果，而且校正策略对准确率的提升明显.

为进一步分析挖掘机各作业阶段状态的识别情况，分别统计 $\Delta t$和 $\varphi $取值为0.5和0.250时各阶段状态的详细直接识别结果，如表3、4所示. 表3中，N为样本个数，N_r为识别个数. 表4中，w为误判比，N_e为误判个数. 状态标签S₁~S₇依次表征挖掘、提升、负载回转、卸载、空斗返回、挖掘准备以及停顿状态.

从各状态的识别准确率来看：挖掘状态的识别情况尚可，达到86.86%；提升状态的识别情况略差，为77.42%；负载回转状态的识别与提升状态相似，为78.43%；卸载和空斗返回状态的识别情况比较差，分别为62.32%和53.20%；挖掘准备状态的识别情况尚可，为88.62%；停顿状态的识别情况非常好，为97.14%，几乎全被准确识别.

从各状态的误判情况来看：被误判为挖掘状态和挖掘准备状态的情况最为普遍；负载回转和空斗返回两者之间容易相互混淆；卸荷状态容易被误判为提升状态. 出现这些误判的原因大致在于：1）信号本身有一定的相似性，例如负载回转和空斗返回状态的信号；2）特征刻画不细致，挖掘和挖掘准备状态都有铲斗和斗杆的联合协调动作，但其压力值是有区别的，从误判情况来看，这种压力值的特征很可能受到了其他特征值的干扰；3）SVM算法本身具有一定的局限性. 4）人为标定样本标签操作导致，例如挖掘机在其他作业状态时可能停顿了极短时间，但在人为划分状态赋予标签时没有将之独立出来，考虑到停顿状态的完全准确识别，不难推断，其他被误判为停顿状态的真实状态实际上就是停顿状态.

在实际应用时，一般对应于具体的单个作业循环，因此，本节主要研究在最优的时窗宽度和重叠率取值时（0.5和0.250），采用基于时窗滑移的特征提取方法与PCA-SVM相结合的识别方案对典型的循环作业过程的识别情况.

如图10所示为在时窗宽度和重叠率取值组合为最优时所提方案对典型的循环作业过程的识别情况，识别准确率为80.85%. 图中，A~G依次对应挖掘、提升、负载回转、卸荷、空斗返回、挖掘准备以及停顿等7种状态. 为方便对比，将显示真实状态的线条向上平移一小段.

根据图10中直接识别结果与真实状态之间的对比可知，共出现了16处误判. 挖掘阶段有2处误判，标号1处为起始挖掘，被误判为挖掘准备状态；标号2处发生了动作变化，压力波形急剧升降，被误判为提升状态. 提升阶段有2处误判，即标号3、4处，分别为前泵压力急剧上升和下降波段，被误判为挖掘状态和挖掘准备状态. 负载回转阶段有4处误判，标号5段为工作状态切换段，被误判为挖掘状态；标号6、7、8处出现在平稳回转过程，被误判为空斗返回状态. 卸载阶段出现了3处误判，标号9处为工作状态切换段，被误判为挖掘状态；标号10、11段处于平稳卸载过程，均被误判为提升状态；空斗返回阶段存在2处误判，标号12段发生在平稳返回过程，标号13段发生在回转结束处，均被误判为负载回转状态. 挖掘准备阶段有3处误判，其中标号14处被误判为挖掘状态，标号15、16处被误判为提升状态. 停顿阶段全部被准确识别.

由上述分析可知，在动作发生变化时，压力波形出现急剧升降，容易造成误判；负载回转与空斗返回状态容易发生混淆；被误判为挖掘状态的情形较多.

借助于循环作业过程的逻辑关系，通过校正策略对直接识别结果进行检验校正，可以在一定程度上提升准确率. 如图11所示，为采用即时校正策略的识别情况. 对比图10和11可知，经校正后，同一作业状态过程中被误判的结果基本得到纠正，而处于工作状态切换的压力波形急剧变化的波段，仍存在部分误判状态，共遗留7处误判，标号为1~7. 其中1、2处压力突变，3、4、6处作业状态切换. 经过校正，识别准确率提高了89.36%.

通过上述分析可知，采用基于时窗滑移的特征提取方法与PCA-SVM相结合的识别方案能够较为准确识别出挖掘机作业循环过程的各阶段状态，且校正策略的检验校正能够有效提高识别准确率. 出现错误判断的时刻主要发生在动作或状态切换的时刻，而且这种误判在可控范围内，不会长时间持续.

（1）针对挖掘机循环作业样本无法大量获取的局限，本研究采用SVM这种适用于小样本情况的分类器，并利用PCA方法降维处理数据，实现了液压挖掘机多类作业状态的智能识别.

（2）提出了基于时窗滑移的时频特征提取方法，引入了时窗宽度和重叠率的讨论，提高了状态样本的利用率，提升了输入特征的质量，兼顾实时性与准确率要求，得出了最优取值组合.

（3）引入了智能校正策略，借助于挖掘机作业循环的逻辑规则性，对识别结果进行实时检验校正，减少了误判结果，提高了识别准确率.