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。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

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%。     

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%。     

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。     

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。     

岩体爆破振速和损伤预测的支持向量机方法

针对爆破振动效应评价中诸多因素不确定性问题,应用支持向量机理论并结合工程实际,提出基于支持向量机理论的岩体爆破振动效应预测方法.以三峡工程坝区现场爆破试验的实测资料为依据,采用支持向量机回归方法,分别进行爆破振动速度预测及爆破损伤深度和损伤半径预测;考虑爆破震动信号的幅值强度特性、频谱特性、持时特性和时-能密度曲线特性,选用震动峰值速度、震动主频、震动持时和时-能密度曲线下的面积作为评价指标,以11组工程岩体爆破实测数据作为学习样本进行训练,建立岩体爆破振动损伤效应预测的支持向量机分类模型,并对8组待判样本进行判别.研究结果表明:建立的支持向量机分类与回归模型对岩体爆破效应预测效果良好,评估结果与实际结果吻合,为岩体爆破效应评估提供了一种新思路.     

基于小波包变换和支持向量机的提升机故障诊断

在介绍小波包变换和支持向量机原理的基础上,阐述了如何利用小波包变换和支持向量机对提升机进行故障诊断的方法,该方法将故障信号经小波包变换后的频带能量作为特征向量,利用训练样本训练过的多故障分类器对特征向量进行故障识别与分类,并以提升机轴承故障为例进行了论证,试验证明.该方法对故障具有很好的诊断效果及实际运用价值.     

基于小波包分析和有向无环图支持向量机的电机故障诊断研究

针对电机振动信号的特点,提出一种基于小波包分析和有向无环图支持向量机的故障诊断方法,将电机不同故障下的振动信号进行小波包分解与重构,提取频带能量作为特征向量,应用有向无环图支持向量机建立从特征向量到故障模式之间的映射,实现对电机的故障诊断。结果表明,该方法能准确有效地诊断电机故障。     

基于小波包熵和流形学习的垮落煤岩识别

针对垮落煤岩识别的技术问题,基于垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于小波包熵和流形学习的特征提取方法。该方法首先对振动信号进行小波包分解并单支重构,计算该信号的小波包能量熵,从而确定信号能量分布的复杂度,计算各频带的样本熵,从而确定各频带小波包系数的复杂度。以小波包能量熵和频带样本熵构造特征向量,输入BP神经网络识别垮落煤岩。然后利用局部线性嵌入(LLE)挖掘特征向量的低维流形结构,并输入神经网络对比其识别效果。并提出了未知样本低维估计方法以得到其低维嵌入。结果表明:基于小波包熵和LLE提取的特征向量准确又简单,输入神经网络识别率达到92.5%;基于低维估计方法得到的未知样本低维嵌入也较准确。     

金川二矿区微震监测系统检测事件分类方法探讨

针对目前矿山微震监测中人工识别振动信号工作量大、效率低、准确性不高等问题,开展对振动事件的波形识别研究,对矿区岩体破裂、生产爆破、机械设备等振源信号进行事件识别、分析,并通过在金川集团二矿区建设长期、连续的微震监测系统来获取大量的实测数据进行检验,取得了有效的成果,对矿区现场事件分类和分析具有良好的指导意义。     

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。     

基于SVM的配电网电压暂降自动识别研究

电压暂降对煤矿配电网的安全运行具有严重影响,为了快速准确辨识不同电压暂降源,提出小波熵结合支持向量机的电压暂降源辨识方法,通过小波熵来表征不同电压暂降信号,采用支持向量机对不同电压暂降信号的特征向量进行自动分类辨识。结果表明:小波熵特征能够有效地表征3类不同电压暂降源信号,实现对电压暂降信号快速辨识。     

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。     

基于集成支持向量机的滚动轴承故障智能诊断研究

针对滚动轴承故障识别问题,有效提高分类正确率,提出一种基于Adaboost算法的集成支持向量机智能诊断方法。该方法采用小波包变换提取信号的敏感频带特征;计算各频带能量作为训练特征;将特征向量输入到集成支持向量机中,以实现对不同的滚动轴承故障类型的识别。实验结果表明,该方法能有效地提取故障特征同时获得较好的分类效果。     

基于支持向量机的矿用通风机故障诊断

以小波包技术和支持向量机为工具,对定子电流信号进行分析,建立通风机多故障分类器,实现故障智能识别。运用小波包技术将定子电流的时频信号分解为几个包含通风机不同工作状态信息的频段,并提取出各个频段的特征向量,以此作为分类器的训练样本,采用有向无环图解决多分类问题。以转子断条为例,对已训练完成的多故障分类器进行验证。研究结果表明,该方法具有良好的多故障分类智能诊断性能。     

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。     

基于小波包系数平均能量的异步电机转子故障诊断

异步电机的转子断条的特征信号与基波频率非常接近,并且幅值很小,很容易被变频分量湮没。研究了小波包分解和小波包节点系数重构,以及小波包系数的平均能量的计算。然后通过小波包分解提取故障的特征信号的频带向量,最后计算频带向量的小波包系数平均能量并进行归一化处理,形成故障特征向量。通过特征向量的对比判断电机是否发生转子断条故障。并通过Matlab仿真以及实验分析验证了这种方法的可行性。