CN109858458A - 一种基于eemd近似熵的矿山微震信号智能识别方法 - Google Patents
一种基于eemd近似熵的矿山微震信号智能识别方法 Download PDFInfo
- Publication number
- CN109858458A CN109858458A CN201910124437.9A CN201910124437A CN109858458A CN 109858458 A CN109858458 A CN 109858458A CN 201910124437 A CN201910124437 A CN 201910124437A CN 109858458 A CN109858458 A CN 109858458A
- Authority
- CN
- China
- Prior art keywords
- approximate entropy
- imf
- eemd
- signal
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
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
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Cj(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nm(t),得到加噪后的待处理信号xm(t)
xm(t)=x(t)+knm(t) (1)
(2)利用EMD自适应性分解的特性处理加噪后的信号xm(t),获得p个IMF分量cjm(j=1,2,...,p),cjm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)=∑jcj(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);
Xi=[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)]=max0~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Φm+1(r)
(6)近似熵
ApEn(m,r)=limN→∞[Φm(r)-Φm+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)=Φm(r)-Φm+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
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Cj(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nm(t),得到加噪后的待处理信号xm(t)
xm(t)=x(t)+knm(t) (1)
(2)利用EMD自适应性分解的特性处理加噪后的信号xm(t),获得p个IMF分量cjm(j=1,2,...,p),cjm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,...,p
EEMD分解结果为:
x(t)=∑jcj(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);
Xi=[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)]=max0~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Φm+1(r)
(6)近似熵
ApEn(m,r)=limN→∞[Φm(r)-Φm+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)=Φm(r)-Φm+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。
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 (2)
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Cj(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:
(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nm(t),得到加噪后的待处理信号xm(t)
xm(t)=x(t)+knm(t) (1)
(2)利用EMD自适应性分解的特性处理加噪后的信号xm(t),获得p个IMF分量cjm(j=1,2,...,p),cjm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,...,p
EEMD分解结果为:
x(t)=∑jcj(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);
Xi=[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)]=max0~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Φm+1(r)
(6)近似熵
ApEn(m,r)=limN→∞[Φm(r)-Φm+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)=Φm(r)-Φm+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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910124437.9A CN109858458A (zh) | 2019-02-19 | 2019-02-19 | 一种基于eemd近似熵的矿山微震信号智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910124437.9A CN109858458A (zh) | 2019-02-19 | 2019-02-19 | 一种基于eemd近似熵的矿山微震信号智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858458A true CN109858458A (zh) | 2019-06-07 |
Family
ID=66898327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910124437.9A Pending CN109858458A (zh) | 2019-02-19 | 2019-02-19 | 一种基于eemd近似熵的矿山微震信号智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858458A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110371825A (zh) * | 2019-07-31 | 2019-10-25 | 中南大学 | 一种矿井提升机张力故障诊断方法、***及控制*** |
CN110503075A (zh) * | 2019-08-29 | 2019-11-26 | 山东大学 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及*** |
CN110579690A (zh) * | 2019-10-29 | 2019-12-17 | 厦门理工学院 | 一种配电网小电流接地故障区段定位方法 |
CN112733951A (zh) * | 2021-01-19 | 2021-04-30 | 中国矿业大学(北京) | 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 |
CN113792685A (zh) * | 2021-09-17 | 2021-12-14 | 东北石油大学 | 一种基于多尺度卷积神经网络的微地震事件检测方法 |
-
2019
- 2019-02-19 CN CN201910124437.9A patent/CN109858458A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110371825A (zh) * | 2019-07-31 | 2019-10-25 | 中南大学 | 一种矿井提升机张力故障诊断方法、***及控制*** |
CN110371825B (zh) * | 2019-07-31 | 2020-12-22 | 中南大学 | 一种矿井提升机张力故障诊断方法、***及控制*** |
CN110503075A (zh) * | 2019-08-29 | 2019-11-26 | 山东大学 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及*** |
CN110503075B (zh) * | 2019-08-29 | 2022-03-15 | 山东大学 | 基于pso-eemd方法的行星齿轮箱故障诊断方法及*** |
CN110579690A (zh) * | 2019-10-29 | 2019-12-17 | 厦门理工学院 | 一种配电网小电流接地故障区段定位方法 |
CN110579690B (zh) * | 2019-10-29 | 2021-11-23 | 厦门理工学院 | 一种配电网小电流接地故障区段定位方法 |
CN112733951A (zh) * | 2021-01-19 | 2021-04-30 | 中国矿业大学(北京) | 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 |
CN113792685A (zh) * | 2021-09-17 | 2021-12-14 | 东北石油大学 | 一种基于多尺度卷积神经网络的微地震事件检测方法 |
CN113792685B (zh) * | 2021-09-17 | 2024-03-12 | 东北石油大学 | 一种基于多尺度卷积神经网络的微地震事件检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858458A (zh) | 一种基于eemd近似熵的矿山微震信号智能识别方法 | |
Zhai et al. | Insulator fault detection based on spatial morphological features of aerial images | |
Sun et al. | Coal–rock interface detection on the basis of image texture features | |
CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
CN102855408A (zh) | 基于ica的改进emd过程中imf判定方法 | |
CN111523601A (zh) | 一种基于知识引导和生成对抗学习的潜在情绪识别方法 | |
CN105205113A (zh) | 一种时序数据异常变化过程的挖掘***及方法 | |
CN102488517A (zh) | 一种检测脑电信号中爆发抑制状态的方法以及装置 | |
CN112668105B (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
CN108268837A (zh) | 基于小波熵和混沌特性的辐射源指纹特征提取方法 | |
CN106446081B (zh) | 基于变化一致性挖掘时序数据关联关系的方法 | |
Azami et al. | Extracellular spike detection from multiple electrode array using novel intelligent filter and ensemble fuzzy decision making | |
Soorma et al. | Feature extraction of ECG signal using HHT algorithm | |
CN103901474A (zh) | 一种基于折中小波阈值分析的微地震弱信号提取方法 | |
CN107247933A (zh) | 一种烟雾环境中fmcw激光定距***差频信号提取方法 | |
Liu et al. | Coal-gangue interface detection based on ensemble empirical mode decomposition energy entropy | |
CN110146922A (zh) | 高速铁路地震预警***单双地震计干扰识别方法 | |
CN113985318A (zh) | 变压器运行状态的多类型局放信号实时提取方法 | |
CN115640512A (zh) | 基于集合经验模态分解的煤岩识别方法 | |
CN112066935A (zh) | 一种高炉铁口深度智能感知方法、装置及*** | |
JP5546989B2 (ja) | 電気設備の異常要因推定装置、コンピュータプログラム、電気設備の異常要因推定方法、及び、電気設備の異常要因推定システム | |
CN115909212A (zh) | 一种电力作业典型违章行为实时预警方法 | |
CN106897553B (zh) | 基于单传感器的家庭智能用电模型建立方法 | |
CN109944590A (zh) | 一种可靠的采煤机切割模式识别*** | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190607 |
|
WD01 | Invention patent application deemed withdrawn after publication |