1.一种基于HBA‑KNN的挖掘机典型作业工况智能识别方法，其特征在于：其包括以下步骤：S1、分别采集液压挖掘机的两个泵出口处的压力信号；

S2、对步骤S1采集到的两个泵出口处的压力信号及两个泵的压差数据进行预处理，具体包括以下子步骤：S21、利用小波阈值降噪对步骤S1采集到的出口压力信号数据进行降噪滤波处理，以降噪比SNR尽量大且均方根误差RMSE尽量小为约束条件，选取符合约束条件的小波基函数进行降噪；

信噪比SNR和均方根误差RMSE的具体计算公式分别如下：其中，b为降噪前的泵压力信号，b1为降噪后的泵压力信号，n为样本个数，i为样本个体，lg为对数运算符；

S22、按照设定的样本大小跟更新率对步骤S21降噪后的压力信号数据进行实时采样，得到n组两个泵的压力信号及对应的压差数据，更新率公式如下：式中，η为样本更新率，ΔT为样本大小，ΔT′1为第一个样本的结束时间，ΔT′2为第二个样本的结束时间；

S23、对步骤S22采样到的n组数据进行时频域特征提取，具体包括以下子步骤：S231、提取步骤S22采样数据的时域特征信号，共提取7个有量纲指标和4个无量纲指标，具体如下：有量纲指标f1‑f7：

最大值：f1＝max(b1)； 最小值：f2＝min(b1)；

均值： 峰峰值：f4＝f1‑f2；

方根幅值： 方差：

均方值：

无量纲指标f8‑f11：

峭度： 脉冲因子：

波形因子： 裕度因子：

式中，n为样本个数，i为样本个体，b1为降噪后的泵压力信号；

S232、对步骤S22的采样数据进行快速傅里叶变换，并提取频域特征信号，共提取4个频域特征信号f12‑f15，具体如下：平均频率： 重心频率：

频率均方根： 频率方差：

式中，K为幅度频谱的谱线数；sk为幅度频谱，k＝1,2,…K；fk为第k条幅度谱线的频率值；

S24、对步骤S23提取的时频域特征信号进行PCA降维；

S25、将步骤S24得到的降维数据集按7:3的比例分成训练集跟测试集，并进行归一化处理；

S3、搭建HBA‑KNN分类模型，将步骤S25处理得到的特征数据作为输入，进行挖掘机的典型作业工况识别判断，具体包括以下子步骤：S31、将步骤S25得到的不同样本大小跟更新率的训练数据集用于HBA算法对KNN的k值寻优，具体包括以下子步骤：S311、初始化蜜獾的种群数量N及k值大小，定义寻优最大迭代次数tmax，各k值的具体公式如下：ki＝lki+r1×(uki‑lki)

式中，ki为第i个蜜獾的位置即第i个k值，r1为0到1之间的随机数，uki为搜索的k值上限，lki为搜索的k值下限；

S312、通过训练集对步骤S311得到的初始k值进行逐一仿真验证，得到正确率最高对应的k值即kmax，并定义搜索强度，具体公式如下：2

S＝(ki‑ki+1)

di＝kmax‑ki

式中，Ii为搜索强度，r2为0到1之间的随机数，S为k值集中度，ki为第i个k值的位置，ki+1为第i+1个k值的位置，di为第i个k值与kmax的距离，kmax为正确率最高对应的k值的位置；

S313、更新密度因子α，具体公式如下：

式中，C为大于1的常数，默认为2，e为欧拉数，t为训练的迭代次次数，tmax为最大的训练迭代次数；

S314、通过挖掘或者跟随蜜蜂鸟两个方式更新kmax值，跳出局部最优，寻找全局最优，挖掘跟随蜜蜂鸟两种方式的公式分别如下：kd＝kmax+F×β×I×kmax+F×r3×α×di×|(cos 2πr4)×[1‑cos(2πr5)]|kh＝kmax+F×r6×α×di

式中，kd为挖掘搜索部分更新的k值，kh为跟随蜜蜂鸟搜索部分更新的k值，β代表搜索能力，默认为6，I为搜索强度，F为搜索方向，r3、r4、r5、r6分别为0到1之间的随机数；

S315、通过步骤S314不断搜索正确率更高的k值，进行tmax次迭代后，得到全局最优值的多个kmax；

S32、采用步骤S315中HBA寻优得到的kmax值，利用KNN对S25得到的测试集进行挖掘机典型工况识别预测，具体包括以下子步骤:S321、利用欧式距离计算待测试数据跟训练样本的相似度，其具体公式如下：式中，d为x、y两个数据点之间的距离，x、y分别为两个数据点；

S322、根据步骤S315中得到的kmax值，提取相似度从大到小排列的kmax个d值；

S323、通过检测提取的前kmax个相似度，计算每种工况类别所占的比例，预测所占比例最大的工况为挖掘机典型工况，具体计算方法如下：output＝max(k1,k2,k3,k4)式中，output为待测试数据测试得到的对应工况类别，max为取最大值符号，k1～4分别代表前kmax个相似度中四种工况各自的数量。

2.根据权利要求1所述的基于HBA‑KNN的挖掘机典型作业工况智能识别方法，其特征在于：在步骤S25中，将训练集与测试集输入特征都归一化为0到1区间，具体公式如下：*

式中，f 为归一化结果，f为主泵压力数据特征，fmin为主泵压力数据特征最小值，fmax为主泵压力数据特征最大值。

3.根据权利要求1所述的基于HBA‑KNN的挖掘机典型作业工况智能识别方法，其特征在于：在步骤S32中，挖掘机的典型工况包括挖掘工况、提升回转工况、卸载工况和空斗返回工况。

4.根据权利要求1所述的基于HBA‑KNN的挖掘机典型作业工况智能识别方法，其特征在于：在步骤S21中，所述小波基函数为coif4，共包括3层小波分解层数，阈值函数为软阈值，阈值计算方法为极大极小阈值法。

5.根据权利要求4所述的基于HBA‑KNN的挖掘机典型作业工况智能识别方法，其特征在于：在步骤S21中，信噪比SNR和均方根误差RMSE最后的取值为两个泵压力降噪评价指标的平均值。

6.根据权利要求1所述的基于HBA‑KNN的挖掘机典型作业工况智能识别方法，其特征在于：在步骤S24中，对初始特征进行PCA降维处理时，当四种工况中任意一种工况的前几个主成分累计贡献率达到85％以上时，则取该前几个主成分为输出结果。