矿山微震定位有效信号自动识别研究

为提高矿山微震定位有效信号的自动识别效率和识别精度,采用小波包分析手段对微震监测系统采集的信号进行了5层分解,研究了不同信噪比微震信号在小波包分解结果中最高能量所在频带的区别,提出了微震监测有效信号自动识别模型,并通过千秋矿实测爆破数据对模型精度进行了定位检验。     

基于能量分布特征的矿山微震和爆破信号自动识别研究

针对矿山现有微震监测系统实时性低、缺乏有效信号识别功能等问题,本文开展了基于能量分布特征的矿山微震和爆破信号自动识别方法研究,以推动矿山微震监测全自动处理技术发展。本文采用8层小波分解及系数重构的方法对矿山微震信号及爆破信号进行分解,了解各层小波系数重构频域的能量占比特征,研究发现,爆破信号能量主要集中在第三层和第四层,微震信号能量主要集中在第四层～第六层,因此,可通过该能量占比特征进行微震信号和爆破信号的识别。本文收集了矿山为期两个星期的生产数据,挑选出202条数据建立其能量占比特征的数据样本集,采用支持向量机原理,利用径向基函数对数据样本集进行学习训练,进而得到信号识别模型。最后收集195条矿山现场数据进行识别测试,结果表明,识别准确率达到86%,微震识别精确率达到90%以上,说明本文提出的信号识别方法能够有效实现矿山现场的微震信号与爆破信号的识别。     

基于Spark平台的微震信号鉴别方法

凿岩爆破是金属矿山开采过程中不可避免的环节,爆破扰动产生的微震信号会对岩体损伤微震信号的分析造成干扰。为了避免爆破扰动对微震监测的干扰,实现岩体损伤微震信号与爆破微震信号的快速鉴别,基于Spark平台的Fisher分类算法建立了微震信号智能识别算法,实现了岩体损伤和爆破事件的自动区分。经过测试,该算法鉴别信号的正确率稳定在83%左右,可大大减少对监测数据处理工作。此外将Spark平台与云端数据库建立的远程连接,成功实现了数据云端传输,为后矿山灾害实时监测及预警提供了技术保障。     

岩层破裂信号与爆破微震信号特征对比分析

为对比分析岩层破裂信号与爆破微震信号的特征,利用快速傅里叶变换、小波包变换等信号分析方法,以济宁二号煤矿１０３下 ０３工作面为例,对两种微震信号特征进行了分析.结果表明:爆破信号的信号幅值较岩层破裂信号高,且爆破信号的起跳幅值较高;爆破信号的主频高,且频率分布较为分散复杂,而岩层破裂信号的主频低,且频率主要分布在２０~１００Hz;爆破信号的最大能量频带大于２０,大部分能量位于高频带,岩层破裂信号的最大能量频带小于２０,大部分能量位于低频带;建立多元参数的微震信号识别模型,克服单指标的缺陷,可为矿山信号的识别提供参考.     

基于波形特征和决策树分类算法的岩体破裂信号识别

微震监测技术能够捕捉开采扰动下岩体响应信息,已被广泛应用于岩体稳定性分析与矿山安全生产管理。受矿山现场频繁生产活动的影响,微震监测系统能够捕捉到不同类型信号,导致噪音信号较多,无法及时有效地揭示开采扰动下岩体响应规律。本文依托阿舍勒铜矿微震监测,分析了微震系统采集典型信号波形参数特征的差异,提出了基于决策树分类算法的岩体破裂信号识别方法,并对其识别精度进行了对比分析。研究结果表明,电气噪音信号、爆破信号、机械振动信号、岩石破裂信号的持续时间、上升时间、振铃数、上升振铃数、最大振幅、主频等参数分布范围存在不同程度的重合,无法采用单一参数有效识别岩体破裂信号,消除噪音信号的影响。采用决策树分类算法构建岩体破裂信号识别模型,能够有效消除噪音信号的影响,识别准确率达97.8%,显著高于支持向量机(SVM)模型73.9%的准确率。研究成果对于快速圈定、预警岩体破坏高风险区域具有重要意义。     

基于频域滤波的矿山微震信号分离方法研究

在金属矿山实际生产过程中,矿震信号受到设备机械及开采作业影响成分复杂,矿山普遍面临着微震信号难以识别、提取困难等实际应用问题。本文通过对实际采集信号进行频谱特征分析,能够识别到有效谱峰,并进行频域滤波,从而分离得到多源信号分量;并以微震和爆破两种典型信号为例,介绍了频谱特征分析、滤波分解以及边带信号的加窗压制等处理计算方法。本信号分离方法能够为分析多源复杂信号提供了一个新思路,并且对实现多源分离提供了有效的技术手段;该方法应用于金属矿山的微震安全监测,可以为矿震信号的分类识别、信号特征样本库的建立、信号触发到时的合理性评估提供可靠数据和分析方法支持,同时也有利于提高微震事件识别的准确性。     

基于改进HHT的矿山微震信号多尺度特征提取及分类研究

针对矿山微震与爆破信号难以识别问题, 提出基于改进Hilbert-Huang变换(HHT)的矿山微震信号识别方法。该方法引入互补集合经验模态分解(CEEMD)对HHT改进, 信号被自适应分解后, 计算IMF分量的偏度、峭度、Hilbert边际谱能量、Lempel-Ziv复杂度以及重构信号的分形盒维数, 运用拉普拉斯得分(LS)对5种时频域特征参数降维, 最后通过遗传算法(GA)优化的支持向量机(SVM)模型, 实现微震信号的分类识别。经400组微震和爆破信号的实例分析验证, 两类信号的5种特征参数均有较大差异, 改进HHT法识别效果优于传统经验模态分解法(EMD)和局部均值分解法(LMD), 且基于改进HHT和GA-SVM分类模型准确率达到95%, 证实了此识别方法的准确性。     

微震技术在深部矿山地压监测中的应用

针对红透山铜矿深部地压活动频繁现状,在红透山铜矿建立矿山微震监测系统,对深部地压活动规律进行连续实时监测。介绍了监测区域的选择及传感器的优化过程,并对微震信号的识别进行了系统分析。通过对监测数据分析发现：根据能量大小及波形差异可以很好地对微震事件和爆破事件进行区分;微震事件的定位结果能直观反映岩体内部裂隙的变化情况;微震事件频次呈上升趋势,显示地压活动逐渐增强。监测系统能够及时捕捉由地压活动引起的微震活动信息,并实现微震源定位,这对于开展矿山动力灾害的预测研究具有重要的现实意义。     

微震监测技术在大直径超深井筒施工中的应用

某铁矿副井深度超过1 300 m,高地应力给竖井施工带来较大的地压灾害风险。为了掌握井筒深部岩体开挖后破坏程度,进行了微震监测。通过在竖井马头门布置微震监测系统,获取井下微震信号并进行识别与分析,提取了岩体破坏产生的地震波,爆破、矿石移动和机车运动等产生的振动信号,对各类信号的特征与类别进行了分析;获得微震定位、微震事件时间分布及震级相关参数。研究表明：凿井期间在马头门布置微震监测系统对井筒的围岩破坏情况进行实时监测具有可行性;爆破震动是诱发微震活动的主要因素,优化爆破参数、减小爆破震动对围岩的扰动和破坏非常必要;井筒深部岩体微震事件主要分布在开挖体周围2 m左右深度的围岩内,工程震级最大为1.05,井壁围岩稳定,发生失稳风险小。     

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。     

基于深度学习方法的矿山微震信号分类识别研究

为了精准识别矿山微震信号,本文提出了一种适用于识别矿山微震信号的VGG4-CNN深度学习网络模型,该模型采用Python语言进行编写,基于PyTorch深度学习网络架构框架进行搭建。根据矿山生产过程中的岩石破裂、爆破作业、背景噪声等9类事件的微震信号的时域特征,VGG4-CNN深度学习网络模型实现了对3 835组矿山微震信号数据进行监督学习训练和分类识别应用。研究结果表明:本文构建的VGG4-CNN神经网络识别精度高达94 %,在采用该模型时不需要对原有波形信号进行去噪且鲁棒性强于现存其他模型,可在中等层次GPU上实现,满足工程需要。     

微震监测信号辨识方法研究

地下作业环境中产生噪声的震源很多,包括人工噪声、爆破和机械设备噪声等。采用微震监测技术进行地压监测时,对各种震源的辨识是一个工作量大和复杂的分析过程。总结了矿山地下作业环境中的各种震源,提出了对各种震源的经验和理论辨识方法。在现场监测的基础上,对地下矿山爆破、机械作业设备、人员作业、岩体破裂等产生的震源信号进行了波形分析、辨识,给出了各种震源波形的基本特点。所提出的分析方法对于现场岩体破裂微震信号的提取和分析有较好的指导作用。     

凡口矿深部微震信号辨识方法研究

根据凡口铅锌矿深部微震监测系统应用,介绍了识别各种微震信号的方法和经验。     

基于WPD-SVD的矿山微震信号特征提取及分类方法

为减少人工识别矿山微震事件的工作量,提出了基于小波包分解(WPD)和奇异值分解(SVD)提取微震信号特征的方法。首先对爆破震动、岩体破裂、机械干扰和电干扰等4种信号进行4层小波包分解,再利用奇异值分解计算第4层节点上小波包系数构成矩阵得到奇异值。以奇异值为特征值,建立16维特征向量,利用支持向量机(SVM)对400组矿山现场微震信号进行了训练和分类。研究结果表明：与爆破震动、岩体破裂和电干扰信号相比,机械干扰信号的奇异值的差异性最大;SVM的分类正确率达到94.5%,取得了理想的分类效果。     

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。     

煤矿井下微震采集信号的融合与集成

徐州矿务集团有限公司本部6对矿井分别安装的KZ-1、KJ-20和SOS 3种类型微震监测系统,所采集的微震信号存在3种不同的文件格式,难于统一处理上传。通过计算、编程,实现了微震信号的融合与集成及统一文件格式传输。     

基于P波残差理论的微震信号传播波速标定试验研究

为了获取监测区域微震信号传播波速,基于P波残差理论,通过爆破试验标定波速的方法,研究了微震信号传播波速的标定原理及方法,并优化了监测区域P波波速,提高了震源定位精度。结果表明:该方法与传统的以实验室所测试样波速进行定位计算相比,能够较为真实地反映出监测区域的煤岩体波速。上述结果能很好地提高微震技术在煤岩体稳定性评估方面的监测效果。     

微地震监测技术在泸沽铁矿中的应用与信号分析

通过运用Siroseis微震数据处理软件对泸沽铁矿大顶山矿区采集的数据进行分析,对微震数据类型进行辨识分类,并对三类典型的爆破信号进行周期-频度分析,结果表明不同类型的信号具有不同的可识别特征。     

高应力区微震监测信号特征分析

如何识别不同微震信号，尤其是快速识别冲击危险信号，以便及时采取解危措施，是微震监测中亟待解决的问题.以三河尖矿9202采面过上覆煤柱高应力区为背景，通过微震信号的时-频分析技术，总结提炼了不同微震信号的重要波形特征.研究表明：不同微震信号在频率特征、信号持续时间、释放能量等多方面都存在区别，冲击矿压波形有震幅大、衰减快、尾波较发育、频带分布较窄等重要特征.通过对微震信号的特征分析，有助于深入揭示微震监测的震源机理，进一步推动冲击矿压的预测预报工作.     

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%。