基于经验小波变换的矿山微震信号识别研究

针对微震信号与爆破震动信号自动识别难的问题,提出了基于经验小波变换(EWT)的矿山微震信号识别方法。运用仿真信号对EWT和经验模态分解(EMD)进行对比检验,表明EWT分解效果要优于EMD,而且可以减少模态混叠问题;对矿山实测的400组爆破震动和微震信号进行EWT分解,得到紧支集频谱的内禀模态分量,借助互信息量筛选得到f1～f7共7个分量,进而分别利用分量f1～f7构建Hankel矩阵,计算每个Hankel矩阵的奇异值平均值、方均根值、标准差,并作为特征量;利用支持向量机(SVM)对微震和爆破震动信号进行分类。结果表明:爆破震动信号分量f1～f7的奇异值方均根值和标准差都要大于微震信号,分量f1～f5的奇异值平均值要大于微震信号; EWT_Hankel_SVD特征提取法识别效果要优于应用较为广泛的EWT_SVD,且基于EWT_Hankel_SVD分类准确率达到92.5%。     

利用经验模态分解及小波变换压制微震信号中的随机噪声

随机噪声的压制是微震信号分析过程中的重要环节,目前大多数降噪技术都不同程度的存在去噪效果差、易损伤有效信号等问题。针对微震信号的随机非平稳特征,提出一种联合经验模态分解(EMD)及小波阈值的降噪方法,压制微震信号中的随机噪声。该法首先使用EMD对微震信号进行自适应分解,得到有限个本征模态函数(IMF)。考虑到随机噪声主要集中在高频IMF分量中,基于噪声能量突变原则找出低频IMF分量与高频IMF分量的分界后,利用小波阈值方法对高频IMF进行降噪处理,最后将降噪后的高频IMF分量与剩余的低频IMF分量重构即可实现微震信号降噪。仿真分析及实验结果表明,该方法能充分保留微震信号的随机非平稳特征,较对比方法具有更好的降噪效果。     

基于变分模态分解及能量熵的微震信号降噪方法

为了从含噪微震监测数据中提取有效的微震信号,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和能量熵的自适应微震信号降噪方法。采用变分模态分解法对含噪微震信号进行自适应分解,得到一系列按频率从高到低的变分模态分量;计算每个变分模态分量的能量熵,搜索并辨识出噪声与信号的分界;剔除高频噪声,将剩余分量进行重构,得到降噪后的微震信号。通过与基于经验模态分解(Empirical Mode Decomposition,EMD)的微震信号降噪方法对比,从信噪比、降噪后信号占原信号的能量百分比和原信号与降噪后信号的均方根误差3个评价指标上定量说明该方法在微震信号降噪中表现出更好的降噪效果。     

低信噪比微震P波震相初至自动拾取方法

针对微震信号固有的低信噪比、非平稳性、随机性等特征,发展了一种基于希尔伯特-黄变换(HHT)和AIC准则相结合的震相初至自动拾取方法,该方法首先对含噪信号进行经验模态分解(EMD)及内蕴模态函数(IMF)重构,在保留微震信号固有特征基础上实现降噪;其次,基于Hilbert变换计算出归一化包络信号,通过设置包络阈值搜索震相初至的大致位置,并以该位置为基础为AIC函数选择合适的计算时窗以降低计算复杂度;最后,在选择的时窗内应用AIC准则计算出P波震相初至。应用该方法对随机选取的高、低信噪比两类共80个微震信号进行震相初至拾取,若以人工拾取结果为基准、时差在10 ms以内视为准确拾取,结果显示,高信噪比信号拾取准确率为100%,低信噪比信号拾取准确率为92%。     

基于EEMD方法的地下矿山微震信号去噪研究

对地下矿山实时在线监测的微震信号进行微震事件特征提取和识别分类研究时,识别的效率往往取决于训练样本和测试样本的质量,为提高数据样本的质量,去除信号中掺杂的噪声,采用聚合经验模态分解(EEMD)方法对地下矿山微震信号进行预处理。通过采用EEMD分析方法对矿山微震信号进行预处理,获得从高频到低频铺展的一组固有模式分量(IMF)及一个残余分量,通过计算各分量能量占比把IMF中的噪声部分及残余项去除,再将包含矿山微震信号主要信息的剩余分量进行重构,从而得到去噪后的微震信号。通过信号仿真实验及实例分析,对比小波预处理方法,结果表明:该方法利用EEMD自适应分解的特性不但克服了小波阈值和分解函数选取困难等弊端,而且能显著提高信号的信噪比,较好地保留了信号形态,获得较为理想的去噪效果。     

基于IITD和奇异值差分谱的滚动轴承故障诊断

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法 (Improve Intrinsic Time-scale Decomposition,简称IITD),将该方法与奇异值差分谱相结合,实现了滚动轴承故障的精确诊断。首先通过IITD方法将非平稳的原始加速度振动信号分解成若干个平稳的固有旋转分量(Proper Rotation Component,简称PRC);然后挑选包含故障特征信息最丰富的PR分量作为主PR分量;构造主PR分量的Hankel矩阵并进行奇异值分解,得到相应的奇异值差分谱,选择奇异值差分谱中的最大突变点来确定重构信号的奇异值个数,进而得到降噪后的主PR分量;最后对降噪后的主PR分量进行包络解调分析,提取滚动轴承的故障特征。实例分析表明,相比传统包络谱分析和基于经验模态分解和奇异值差分谱的方法,该方法能更有效地提取出滚动轴承的故障特征。     

基于变分模态分解和粒子群算法的微震信号降噪方法

为从含噪微震信号中提取有效信息, 并准确识别岩体破裂信号和爆破振动信号, 提出了基于粒子群算法和小波阈值去噪的改进变分模态分解方法。该方法利用粒子群算法实现模态数量和惩罚因子的最优取值, 以最优参数对微震信号进行变分模态分解, 再对由高频噪声主导的模态分量进行小波阈值去噪, 将去噪后的高频信号分量与原先的低频信号分量进行重构, 实现信号降噪。经验证, 该方法相比集合经验模态分解和单纯的变分模态分解方法具有更好的降噪效果。以该方法对200组岩体破裂信号和200组爆破振动信号进行去噪, 以第一模态分量能量占比50%作为区分爆破振动信号和岩体破裂信号的依据, 识别成功率达到97.25%, 证实了此识别方法的准确性。     

基于变分模态分解和小波能量熵的微震信号降噪

微震监测技术被广泛应用于矿业工程、石油天然气开采、安全监测等领域。 针对微震监 测采集到的微震信号存在随机噪声的问题,本文提出了一种变分模态分解(variationalmodedecomposition,VMD)和小波能量熵(waveletenergyentropy,WEE)结合改进阈值函数的降噪算法。 对原始信号进行VMD分解,将得到的各模态分量(intrinsicmodefunction,IMF)进行多尺度小波 分解,用小波能量熵表征各尺度信号的含噪状态,并以小波能量熵最大子区间的小波系数计算各 尺度层的阈值,通过改进阈值函数进行降噪处理后得到新的IMF,重构微震信号。 对仿真信号和 实测信号进行降噪处理,结果表明,该算法优于经验模态分解(empirical mode decomposition, EMD)、集合经验模态分解(ensembleempiricalmodedecomposition,EEMD)、VMD结合小波硬阈值 和软阈值降噪方法,提高了微震信号的信噪比。     

基于LMD和模式识别的矿山微震信号特征提取及分类方法

针对岩体破裂信号与爆破振动信号难以自动识别的问题,提出了基于局部均值分解(LMD)和模式识别的矿山微震信号特征提取及分类方法。首先采用LMD对微震信号进行自适应分解得到乘积函数(PF)分量,再利用相关系数和方差贡献率筛选得到PF主分量,进而计算各主分量的相关系数和能谱系数,并以此作为模式识别的特征向量。结果表明:LMD、经验模态分解(EMD)和离散小波变化(DWT)的主分量分别为PF1~PF6,IMF1~IMF6和D2~D7,其中IMFi(i=1,2,…,6)为EMD分解的本征模态分量,Dj(j=2,3,…,7)为DWT分解的细节分量;LMD主分量分类识别结果整体上优于EMD和DWT主分量分类识别结果;能谱系数分类结果整体上优于相关系数分类结果,人工神经网络(ANN)和支持向量机(SVM)识别效果明显优于逻辑回归(LR)和Bayes判别法识别结果,且基于LMD能谱系数的SVM分类准确率达到了93.0%。     

钢绳芯输送带的磁记忆信号特征提取方法研究

利用金属磁记忆(MMM)技术进行故障检测时,较弱的故障信号提取成为检测准确度高低的关键。采用小波分析和奇异值分解相结合的方法,对金属磁记忆信号经行故障特征提取。通过小波分析将故障信号分解为不同尺度的分量,以形成初始向量特征矩阵,并对该矩阵进行奇异值分解,选择代表特征信号的奇异值分量重构,从而实现对故障信号的特征提取。经过实验证明该方法有效。     

基于小波去噪和EMD的齿轮箱故障诊断研究

提出小波去噪和EMD相结合的齿轮箱故障诊断的新方法。该方法首先对原始信号进行小波阈值去噪,将去噪信号利用EMD方法分解为多个IMF分量,计算各IMF分量和原信号的互相关系数,选择互相关系数较大的IMF分量进行Hilbert包络谱分析,提取故障频率。以互相关准则提取IMF分量避免了IMF分量选择的盲目性。对实测齿轮箱故障信号进行了分析,结果表明该方法能够有效地识别齿轮箱故障频率。     

微震P波到时拾取的PAI-k-MFV算法改进及应用

为了充分发挥PAI-k-MFV算法参数自适应的优势,同时提高P波到时正确拾取率和拾取精度,通过引入STA/LTA算法和改进MFV准则,对PAI-k-MFV算法进行改进。首先,根据预先设置的时窗长度和置信概率的取值范围及步长,采用PAI-k算法拾取得到一组P波到时集;然后,运用STA/LTA算法初步计算P波到时区间,并将到时集中不在该区间内的到时元素剔除,得到更新后的到时集;最后,在新到时集的基础上,根据改进的最大频遇值(MMFV)准则最终确定P波到时。改进算法继承了PAI-k-MFV算法的参数自适应优点,无需人为调整太多参数,同时能够有效克服原MFV准则容易失效和拾取点滞后真实到时点等问题。对比其他算法,改进算法在拾取背景噪声段有强噪声的微震信号和弱微震信号P波到时具有明显优势。利用改进算法和PAI-k-MFV算法拾取冬瓜山铜矿115个实测低信噪比微震信号的P波到时,以人工拾取结果为参考标准,误差在5ms以内(对应30个采样点)视为正确拾取,结果显示:改进算法正确拾取率为96.52%,正确拾取的到时误差绝对值均值为1.1 ms,标准差为1.0 ms;较PAI-k-MFV算法,正确拾取率和拾取精度都大幅度提高。     

小波变换域井下视频监控图像改进阈值去噪方法

通过对井下视频监控系统实时采集的各类开采、地质环境信息进行有效分析,可为制定井下开采方案以及进行灾害救援提供准确依据。由于井下光照不均匀,粉尘较多,严重干扰了监控探头获取高质量的监控图像。为此,结合小波变换方法,提出了一种小波变换域改进阈值去噪方法。该方法首先对井下视频监控图像进行3层小波分解,得到低频和高频分解系数;其次对低频分解系数进行重构,得到空间域背景图像,采用维纳滤波算法进行处理,以去除其中存在的少量噪声;然后根据经典小波硬、软阈值去噪模型的不足,提出了一种改进型阈值去噪模型,该模型可分别根据不同的高频分解系数自适应设定阈值,可有效去除不同分解层高频系数中的噪声,对去噪后的各高频分解系数进行重构,得到空间域细节图像;最后,分别将去噪后的空间域背景图像和细节图像进行叠加,得到去噪后的井下视频监控图像。采用1幅内蒙古某煤矿井下视频监控图像进行试验,并引入了经典小波硬、软阈值去噪模型及2类已有的改进型阈值去噪模型与所提方法进行试验对比,结果表明,所提方法不仅可有效去除井下视频监控图像中的噪声,而且可保持图像细节信息完整性。     

煤矿微震监测技术现状与发展前景

微震监测技术是一门新兴的地球物理实时监测技术,其研究工作主要集中在微震震源定位方法和微震信号初至拾取两个方面:定位方法以经典的Geiger法以及在此基础上发展的各种线性、非线性微震震源定位方法为主;STA/LTA法、AIC法、分形维数法和小波变换法是微震信号初至拾取的主要方法。目前,矿山领域将微震监测技术主要用于冲击地压、突水等灾害的预测预报;矿山微震监测技术在提高震源定位精度、数据精细化处理等方面还有待加强,从基础理论研究、数据信号处理和仪器研发等方面对矿山微震监测技术进一步研究和发展方向进行了展望。