CN109858458A

CN109858458A - 一种基于eemd近似熵的矿山微震信号智能识别方法

Info

Publication number: CN109858458A
Application number: CN201910124437.9A
Authority: CN
Inventors: 卢俊; 吴建星
Original assignee: Wuhan University of Science and Engineering WUSE
Current assignee: Wuhan University of Science and Engineering WUSE; Wuhan University of Science and Technology WHUST
Priority date: 2019-02-19
Filing date: 2019-02-19
Publication date: 2019-06-07

Abstract

本发明公开了一种基于EEMD近似熵的矿山微震信号智能识别方法，采用了EEMD方法对矿山微震信号进行了分解，从而获得多个IMF，然后把IMF中的高频噪声部分去除得出有效的IMF分量，再采用近似熵提取有效IMF分量的近似熵值来量化信号非平稳、非线性特征，最后把主要分量的近似熵值组成表征微震信号的多尺度高维特征向量作为LS‑SVM的判断输入进行训练预测，建立矿山微震信号智能识别方法。

Description

一种基于EEMD近似熵的矿山微震信号智能识别方法

技术领域

本发明属于地下矿山微震监测技术领域，涉及矿山微震信号智能分类识别，特别是涉及一种基于EEMD近似熵的微震信号智能识别模型，用于对微震事件的分类，进行矿山采动地质灾害预测与预报。

背景技术

矿山微震信号内含有诸多岩体内部状况变化信息，利用微震监测***采集微震信号并进行分析处理，可以获取微震信号时频域特征规律，从而提前预知采动地质灾害发生的可能性，为矿山安全生产提供保障。但因矿山生产作业条件复杂，产生微震动信号的因素很多，微震监测***采集到的波形包括机械振动、电磁干扰、***作业等诸多干扰。因此，如何高效、准确地从实时监测的大流量数据中将有效的微震信号识别出来成为了微震信号分析、处理的首要任务。

由于微震信号是一种非平稳、非高斯信号，用传统的信号分析技术较难处理。目前信号处理方法主要包括多参数法和频谱分析法。多参数法识别微震信号效果较为理想，但其特征参数复杂，筛选和计算量较大，实现起来较为困难；频谱分析方法作为一种简单高效的特征提取方法，在微震信号识别研究中应用越来越广泛，但包括小波方法在内的分析方法对信号的自适应分解较差，不能很好地满足对实时在线的微震信号进行智能分析识别。

因此，有必要提出一种新的微震信号特征提取模式识别方法，建立智能识别模型，解决地下矿山实时在线微震信号智能识别的问题。

发明内容

本发明所要解决的技术问题是改变小波方法在内的传统信号分析方法选取参数困难，不能进行自适应性分解的弊端，提出一种基于EEMD近似熵的矿山微震信号智能识别模型。该模型中的信号处理方法不需要对参数进行筛选，能够自适应对信号进行处理，能够避免因参数选取困难带来的信号识别误差，提取的近似熵值能很好地表征微震信号的特征，通过最小二乘支持向量机的机器学习，建立了微震信号智能识别模型。满足了地下矿山微震监测***对微震信号实时智能分类的需求，在实际工程应用中较方便使用。

一种基于EEMD近似熵的矿山微震信号智能识别方法，采用EEMD分解方法获得IMF分量C_j(t)，近似熵值ApEn(m，r)，将近似熵值组成高维特征向量输入最小二乘支持向量机，得到识别模型。

第一步：将实时在线采集的原始微震信号x(t)进行EEMD分解：

(1)在采集的信号x(t)的基础上加入一幅值标准差为常数k，方差相同，平均值为0的高斯白噪声n_m(t)，得到加噪后的待处理信号x_m(t)

x_m(t)＝x(t)+kn_m(t) (1)

(2)利用EMD自适应性分解的特性处理加噪后的信号x_m(t)，获得p个IMF分量c_jm(j＝1,2，...，p)，c_jm表示第m次适应分解出来的第j个IMF分量

(3)重复前面(1)、(2)两个操作，对M次分解后的每个IMF分量计算均值，去除混入的白噪声对真正IMF产生的影响，即

(4)将输出作为EEMD分解得到的第j个IMF分量，j＝1，2，...，pEEMD分解结果为：

x(t)＝∑_jc_j(t)＝r(t) (3)

第二步：噪声部分主要存在高频段的IMF中，因此把IMF中高频段的部分去除

第三步：对剩余部分的IMF进行近似熵求解：

(1)将IMF数据组成m维矢量X(i)；

X_i＝[u(i),u(i+1),u(i+m-1)] (4)

其中，i＝1～N-m+1

(2)对每一个i值，计算矢量与其余矢量的距离

d[X(i),X(j)]＝max_0～m-1|u(i+k)-u(j+k)| (5)

(3)给定阈值，统计该距离小于阈值的数量及总数N-m+1的数量

(4)对取对数，求取平均值

(5)对m+1重复式(4)～式(7)，将获得Φ^m+1(r)

(6)近似熵

ApEn(m,r)＝lim_N→∞[Φ^m(r)-Φ^m+1(r)] (8)

(7)在现实条件下，N不可以为∞，则假定为N取为有极限时，那么长度为N的近似熵估计为：

ApEn(m,r,N)＝Φ^m(r)-Φ^m+1(r) (9)

当m＝2，r＝0.2SD(SD表示原数据标准差)，能有效增强了序列抗干扰能力第四步：将得到的近似熵值组成高维特征向量输入到最小二乘支持向量机中进行训练，得到的训练模型能自动对微震信号进行分类。

具体实施方式

以下结合附表进一步说明本发明的实施例。

实施例1

第一步：将实时在线采集的原始微震信号x(t)进行EEMD分解：

x_m(t)＝x(t)+kn_m(t) (1)

(4)将输出作为EEMD分解得到的第j个IMF分量，j＝1，2，...，p

EEMD分解结果为：

x(t)＝∑_jc_j(t)＝r(t) (3)

第三步：对剩余部分的IMF进行近似熵求解：

(1)将IMF数据组成m维矢量X(i)；

X_i＝[u(i),u(i+1),u(i+m-1)] (4)

其中，i＝1～N-m+1

(2)对每一个i值，计算矢量与其余矢量的距离

d[X(i),X(j)]＝max_0～m-1|u(i+k)-u(j+k)| (5)

(3)给定阈值，统计该距离小于阈值的数量及总数N-m+1的数量

(4)对取对数，求取平均值

(5)对m+1重复式(4)～式(7)，将获得Φ^m+1(r)

(6)近似熵

ApEn(m,r)＝lim_N→∞[Φ^m(r)-Φ^m+1(r)] (8)

ApEn(m,r,N)＝Φ^m(r)-Φ^m+1(r) (9)

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构变换，或直接或间接运用附属在其他相关产品的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种基于EEMD近似熵的矿山微震信号智能识别方法，其特征在于：采用EEMD分解方法获得IMF分量C_j(t)，近似熵值ApEn(m，r)，将近似熵值组成高维特征向量输入最小二乘支持向量机，得到识别模型。

2.根据权利要求1所述的基于EEMD近似熵的矿山微震信号智能识别方法，其特征在于：

第一步：将实时在线采集的原始微震信号x(t)进行EEMD分解：

x_m(t)＝x(t)+kn_m(t) (1)

(4)将输出作为EEMD分解得到的第j个IMF分量，j＝1，2，...，p

EEMD分解结果为：

x(t)＝∑_jc_j(t)＝r(t) (3)

第三步：对剩余部分的IMF进行近似熵求解：

(1)将IMF数据组成m维矢量X(i)；

X_i＝[u(i),u(i+1),u(i+m-1)] (4)

其中，i＝1～N-m+1

(2)对每一个i值，计算矢量与其余矢量的距离

d[X(i),X(j)]＝max_0～m-1|u(i+k)-u(j+k)| (5)

(3)给定阈值，统计该距离小于阈值的数量及总数N-m+1的数量

(4)对取对数，求取平均值

(5)对m+1重复式(4)～式(7)，将获得Φ^m+1(r)

(6)近似熵

ApEn(m,r)＝lim_N→∞[Φ^m(r)-Φ^m+1(r)] (8)

ApEn(m,r,N)＝Φ^m(r)-Φ^m+1(r) (9)

当m＝2，r＝0.2SD(SD表示原数据标准差)，能有效增强了序列抗干扰能力

第四步：将得到的近似熵值组成高维特征向量输入到最小二乘支持向量机中进行训练，得到的训练模型能自动对微震信号进行分类。