CN113217102A - 声发射信号特征提取方法、识别方法、装置及存储介质 - Google Patents
声发射信号特征提取方法、识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113217102A CN113217102A CN202110537141.7A CN202110537141A CN113217102A CN 113217102 A CN113217102 A CN 113217102A CN 202110537141 A CN202110537141 A CN 202110537141A CN 113217102 A CN113217102 A CN 113217102A
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- imf components
- mine
- imf
- signal
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 51
- 239000011435 rock Substances 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005422 blasting Methods 0.000 claims description 13
- 238000005553 drilling Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 12
- 230000000717 retained effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 22
- 239000000523 sample Substances 0.000 description 26
- 230000000694 effects Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005065 mining Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- JQJCSZOEVBFDKO-UHFFFAOYSA-N lead zinc Chemical compound [Zn].[Pb] JQJCSZOEVBFDKO-UHFFFAOYSA-N 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000021384 green leafy vegetables Nutrition 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种声发射信号特征提取方法、识别方法、装置及存储介质,其中特征提取方法包括:获取矿井声发射信号;将矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;对于多个第一IMF分量,基于相关系数和排列熵剔除其中的伪分量和噪声分量;将剩余的第一IMF分量重构,得到重构信号;将重构信号进行EMD分解,得到多个第二IMF分量;从多个第二IMF分量中选取预设的t个第二IMF分量并计算其预设尺度下的排列熵,构成特征向量。特征提取过程既能有效剔除伪分量和噪声分量,还能保留敏感特征;提高了后续矿井声发射信号的类别识别精度,可正确、及时识别围岩体声发射信号,为声发射监测***准确预警提供依据。
Description
技术领域
本发明涉及矿业工程地压监测领域,尤其涉及一种矿井声发射信号特征提取方法、识别方法、装置及存储介质。
背景技术
随着地下矿产资源的开发利用,地下矿山面临着复杂的地压环境,冒顶片帮、采空区顶板垮落、岩爆等问题突出,对井下作业人员和机械设备造成极大的安全隐患。声发射监测作为一种主要地压监测手段之一在国内外地下矿山及其他领域得到广泛应用。声发射信号源识别是地压监测预警的一个重要环节,正确、及时识别声发射源是地压监测安全预警的重要依据,准确、及时的安全预警可为矿山井下现场作业提供安全保障。
在利用声发射监测***对地下矿山进行地压监测时,由于围岩体声发射信号传播介质的不确定性和信号接收探头的位置差异,导致围岩体声发射信号的频率范围较大。而地下矿山井下的监测环境较复杂,一般都有凿岩作业,铲运机出矿作业,***作业以及其他人工作业,这些采掘或人工作业产生的声发射事件同样也会被声发射监测***接收到。为消除这些采掘或人工作业产生的噪声声发射事件的不利影响,声发射监测***配套的数据处理***通常会采用频域滤波的方法将一些噪声源产生的声发射事件滤除。然而一些噪声源事件的声发射频率与围岩体声发射的频率有交叉频段,因此频域滤波不能有效排除井下噪声信号,过多的噪声事件会引起声发射监测***的错误报警,对地下矿山的安全管理和正常生产作业产生较大的不利影响。
传统波形识别分类包括特征提取和分类识别两大步骤,特征提取一般基于时频分析法。较为成熟的时频分析方法中:傅里叶变换对非平稳信号降噪效果不佳;小波阈值降噪是应用较为广泛的方法,但是基函数选择和阈值设置较为繁琐;经验模态分解及其改进方法在处理非平稳信号有较大优势,但是有过包络、欠包络、模态混叠、端点效应等缺点。特征提取是准确识别信号源的重要步骤,常用的震源参数较多,且选取辨识度高的震源参数较为繁琐,由于环境噪声的影响,波形特征的提取难度较大。模式识别主要包括统计法、聚类分析、神经网络等。
目前比较准确的声发射事件与井下噪声事件的识别方法是采用人工识别的方法,人工识别通常需要依靠技术人员的经验,结合矿山当天的排班表和现场确认作业情况进行波形识别。然而对于大量的实时监测数据,人工识别效率太低,远远不能满足地下矿山声发射监测数据分析处理的需要,而且不同技术人员的经验不同,也直接影响到波形识别的精度。
因此,研究岩体声发射事件与采掘作业噪声事件的特征提取方法及智能识别方法,对于提高地下矿山声发射监测数据分析处理效率、提高地压监测预警、预报的精度,确保地下矿山的安全生产具有重要的意义。
发明内容
本发明提供了一种矿井声发射信号特征提取方法、识别方法、装置及存储介质,以解决现有的矿井声波特征提取方法提取的特征效果不佳且导致识别精度难以保证的问题。
第一方面,提供了一种声发射信号特征提取方法,包括:
获取矿井声发射信号;
将矿井声发射信号进行CEEMD分解(互补集合经验模态分解),得到对应的多个第一IMF分量;
对于多个第一IMF分量,将其中与矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;
将剩余的第一IMF分量重构,得到重构信号;
将重构信号进行EMD分解(经验模态分解),得到多个第二IMF分量;
从多个第二IMF分量中选取预设的t个第二IMF分量并计算其预设尺度下的排列熵,构成特征向量。
由CEEMD分解的实质可知,部分IMF分量是伪分量或者噪声分量,噪声分量的排列熵值较大,相关系数反映IMF分量与原始信号的相关度,相关系数越大,所包含的信息也越大,则越能反映原始信号的特征。本方案在CEEMD分解的基础上进行了改进,通过联合阈值剔除伪分量和噪声分量,具体为将相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除。最后将剩余的第一IMF分量重构后再进行EMD分解,最后选取预设的t个第二IMF分量预设尺度下的排列熵构成特征向量。该特征提取过程既能有效剔除伪分量和噪声分量,同时还能保留信号的敏感特征,提取的特征效果佳;可解决提取的特征效果不佳且导致识别精度难以保证的问题,提高了后续矿井声发射信号的类别识别精度。
进一步地,第k个第一IMF分量与矿井声发射信号的相关系数ρk通过如下公式计算得到:
相关系数阈值ρ0通过如下公式计算得到:
其中,max(ρk)表示多个第一IMF分量对应的相关系数中的最大值。
进一步地,第一IMF分量的排列熵通过如下方法得到:
对于第k个第一IMF分量Y=y(i),i=1,2,…,N,对其进行相空间重构,得到矩阵:
其中,m表示嵌入维数;τ为时间延迟因子;G为重构向量个数,G=N-(m-1)τ;
将重构后的序列按升序排列:
排列熵阈值H0通过如下公式计算得到:
其中,max(Hk)表示多个第一IMF分量对应的排列熵中的最大值。
进一步地,所述预设的t个第二IMF分量和预设尺度通过如下方法得到:
获取该矿井的历史矿井声发射信号,包括围岩体声发射信号、***作业声发射信号、凿岩作业声发射信号和铲运机作业声发射信号;
对每个历史矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;
对于每个历史矿井声发射信号对应的多个第一IMF分量,将其中与该历史矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;将剩余的第一IMF分量重构,得到重构信号;
将每个历史矿井声发射信号对应的重构信号进行EMD分解,对应得到多个第二IMF分量;
选取预设尺度区间对所有历史矿井声发射信号对应的第二IMF分量进行多尺度排列熵计算,确定区分度最大的尺度值,该尺度值作为预设尺度;选择该尺度下第二IMF分量的排列熵中区分度最大的t个第二IMF分量,将该t个第二IMF分量作为预设的t个第二IMF分量。
首先对历史矿井声发射信号采用改进的CEEMD分解算法进行处理,最后得到各历史矿井声发射信号对应的多个第二IMF分量。然后对所有历史矿井声发射信号对应的第二IMF分量进行多尺度排列熵计算,确定区分度最大的尺度值,最后选择该尺度下第二IMF分量预设尺度下的排列熵中区分度最大的t个第二IMF分量的预设尺度下的排列熵以作为构建特征向量的标准。除了使用改进的CEEMD分解算法外,还采用了多尺度排列熵的计算方法,通过两次根据区分度筛选出最后的t个第二IMF分量,确保最终得到的t个IMF分量预设尺度下的排列熵构建的特征向量既能反应原始信号的特征,还能提高其与其他类别信号的特征向量的区分度,以提高利用最后得到的特征向量进行类别识别的精度。
进一步地,多尺度排列熵的计算方式如下:
对于长度为N的第二IMF分量Y=y(i),i=1,2,…,N,将其进行粗粒化:
其中,m为嵌入维数,τ为延迟因子;
通过在预设尺度区间内改变尺度因子s的取值,即可计算得到各尺度下第二IMF分量的排列熵。
第二方面,提供了一种声发射信号识别方法,包括:
采用如上所述的矿井声发射信号特征提取方法提取实时获取的矿井声发射信号的特征向量;
将提取的特征向量输入预先设定的矿井声发射信号分类模型中,得到该矿井声发射信号的类别。
特征提取过程既能有效剔除伪分量和噪声分量,同时还能保留信号的敏感特征,提取的特征效果佳;利用该特征提取方法得到的特征向量应用于矿井声发射信号分类识别中,精度高,计算成本低,可解决提取的特征效果不佳且导致识别精度难以保证的问题。
进一步地,所述将提取的特征向量输入预先设定的矿井声发射信号分类模型中,得到该矿井声发射信号的类别,具体包括:
矿井声发射信号分类模型中包括预先根据该矿井的历史矿井声发射信号构建的与各矿井声发射信号类别对应的聚类中心;
分别计算特征向量与各矿井声发射信号类别对应的聚类中心的隶属度;
通过比较隶属度确定矿井声发射信号的类别。
通过预先利用大量的历史数据确定矿井声发射信号各个类别的聚类中心,再通过计算实时获取的矿井声发射信号的特征向量到各个聚类中心的隶属度以确定其所属的类别,算法简单,计算成本低,精度高。
进一步地,所述各矿井声发射信号类别对应的聚类中心通过如下方法得到:
获取该矿井的历史矿井声发射信号,包括围岩体声发射信号、***作业声发射信号、凿岩作业声发射信号和铲运机作业声发射信号;
对每个历史矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;
对于每个历史矿井声发射信号对应的多个第一IMF分量,将其中与该历史矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;将剩余的第一IMF分量重构,得到重构信号;
将每个历史矿井声发射信号对应的重构信号进行EMD分解,对应得到多个第二IMF分量;
选取预设尺度区间对所有历史矿井声发射信号对应的第二IMF分量进行多尺度排列熵计算,确定区分度最大的尺度值;选择该尺度下第二IMF分量排列熵中区分度最大的t个第二IMF分量的排列熵;
以每个历史矿井声发射信号对应的t个第二IMF分量的排列熵为一个样本,构建样本数据集;
利用FCM聚类(模糊C均值聚类)算法将样本数据集中的样本分类,得到四个矿井声发射信号类及各类的聚类中心。
除了使用改进的CEEMD分解算法外,还采用了多尺度排列熵的计算方法,通过两次根据区分度筛选出最后的t个第二IMF分量,确保最终得到的t个IMF分量构建的特征向量既能反应原始信号的特征,还能提高其与其他类别信号的特征向量的区分度,以此为基础进行聚类后得到的各个类的区分度高,可提高利用利用聚类中心进行类别识别的精度。
第三方面,提供了一种声发射信号特征提取装置,包括:
信号获取模块,用于获取矿井声发射信号;
第一分解模块,用于将矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;
筛选模块,用于对于多个第一IMF分量,将其中与矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;
重构模块,用于将剩余的第一IMF分量重构,得到重构信号;
第二分解模块,用于将重构信号进行EMD分解,得到多个第二IMF分量;
特征向量生成模块,用于从多个第二IMF分量中选取预设的t个第二IMF分量并计算其预设尺度下的排列熵,构成特征向量。
第四方面,提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序适于被处理器加载并执行如上所述的矿井声发射信号特征提取方法或矿井声发射信号识别方法。
有益效果
本发明提出了一种声发射信号特征提取方法、识别方法、装置及存储介质,首先从矿井声发射信号的时频特征出发,对矿井声发射信号进行CEEMD分解,然后根据相关系数和排列熵剔除伪分量和噪声分量;将剩余分量进行重构后再进行EMD分解,将得到的分量重选取预设t个分量构建特征向量。该特征提取过程既能有效剔除伪分量和噪声分量,同时还能保留信号的敏感特征,提取的特征效果佳;可解决提取的特征效果不佳且导致识别精度难以保证的问题,提高了后续矿井声发射信号的类别识别精度,可保证正确、及时识别围岩体声发射信号,为声发射监测***准确预警提供依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种矿井声发射信号特征提取方法流程图;
图2是本发明实施例提供的改进CEEMD算法流程图;
图3是本发明实施例提供的仿真信号时域波形;
图4是本发明实施例提供的仿真信号EMD分解结果;
图5是本发明实施例提供的仿真信号CEEMD分解结果;
图6是本发明实施例提供的仿真信号改进CEEMD分解结果;
图7是本发明实施例提供的典型围岩体声发射波形图;
图8是本发明实施例提供的典型***作业波形图;
图9是本发明实施例提供的典型凿岩作业波形图;
图10是本发明实施例提供的典型铲运机作业波形图;
图11是本发明实施例提供的围岩体声发射波形做CEEMD分解结果图;
图12是本发明实施例提供的围岩体声发射信号做改进CEEMD分解结果图;
图13中(1)~(10)是本发明实施例提供的尺度为1~10时的排列熵值散点图;
图14中(1)~(4)是本发明实施例提供的尺度为2时IMF1~IMF4排列熵散点图;
图15是本发明实施例提供的改进CEEMD-FCM聚类效果图;
图16是本发明实施例提供的CEEMD-FCM聚类效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或顺序。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
实施例1
如图1所示,本实施例提供了一种矿井声发射信号特征提取方法,包括:
S1:获取矿井声发射信号。
S2:将矿井声发射信号进行CEEMD分解(互补集合经验模态分解),得到对应的多个第一IMF分量。具体包括:
在矿井声发射信号X(t)中添加正负相反的一对高斯白噪声ni(t)和-ni(t),得到新的序列:
Xi +(t)=X(t)+aini(t)
Xi -(t)=X(t)-aini(t)
式中:ai为白噪声的幅值,i=1,2,3,…,M,其中M为添加白噪声的对数,一般取20-60。
分别对上述新的序列进行EMD分解,以得到的一阶IMF分量为例进行说明,分别得到的一阶IMF分量为{Ii1 +(t)}和{Ii1 -(t)},i=1,2,3,…,M,集成平均得到对应的第一IMF分量:
依次对其他的IMF分量集成平均,得到对应的第一IMF分量。
S3:对于多个第一IMF分量,将其中与矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除。
其中,相关系数计算方法如下:第k个第一IMF分量与矿井声发射信号的相关系数ρk通过如下公式计算得到:
相关系数阈值ρ0通过如下公式计算得到:
其中,max(ρk)表示多个第一IMF分量对应的相关系数中的最大值。
排列熵计算方法如下:第一IMF分量的排列熵通过如下方法得到:
对于第k个第一IMF分量Y=y(i),i=1,2,…,N,对其进行相空间重构,得到矩阵:
其中,m表示嵌入维数;τ为时间延迟因子;G为重构向量个数,G=N-(m-1)τ;
将重构后的序列按升序排列:
通常将Hk标准化,即:Hk=Hk/ln(m!)。
排列熵阈值H0通过如下公式计算得到:
其中,max(Hk)表示多个第一IMF分量对应的排列熵中的最大值。
S4:将剩余的第一IMF分量重构,得到重构信号;
S5:将重构信号进行EMD分解(经验模态分解),得到多个第二IMF分量;
S6:从多个第二IMF分量中选取预设的t个第二IMF分量并计算其预设尺度下的排列熵,构成特征向量。
由CEEMD分解的实质可知,部分IMF分量是伪分量或者噪声分量,噪声分量的排列熵值较大,相关系数反映IMF分量与原始信号的相关度,相关系数越大,所包含的信息也越大,则越能反映原始信号的特征。本方案在CEEMD分解的基础上进行了改进,通过联合阈值剔除伪分量和噪声分量,具体为将相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除。最后将剩余的第一IMF分量重构后再进行EMD分解,最后选取预设的t个第二IMF分量预设尺度下的排列熵构成特征向量。该特征提取过程既能有效剔除伪分量和噪声分量,同时还能保留信号的敏感特征,提取的特征效果佳;可解决提取的特征效果不佳且导致识别精度难以保证的问题,提高了后续矿井声发射信号的类别识别精度。
本实施例中,所述预设的t个第二IMF分量和预设尺度通过如下方法得到:
获取该矿井的历史矿井声发射信号,包括围岩体声发射信号、***作业声发射信号、凿岩作业声发射信号和铲运机作业声发射信号;
对每个历史矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;
对于每个历史矿井声发射信号对应的多个第一IMF分量,将其中与该历史矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;将剩余的第一IMF分量重构,得到重构信号;
将每个历史矿井声发射信号对应的重构信号进行EMD分解,对应得到多个第二IMF分量;
选取预设尺度区间对所有历史矿井声发射信号对应的第二IMF分量进行多尺度排列熵计算,确定区分度最大的尺度值,该尺度值作为预设尺度;选择该尺度下第二IMF分量的排列熵中区分度最大的t个第二IMF分量,将该t个第二IMF分量作为预设的t个第二IMF分量。
其中,多尺度排列熵的计算原理如下:
对于长度为N的第二IMF分量Y=y(i),i=1,2,…,N,将其进行粗粒化:
其中,m为嵌入维数,τ为延迟因子;嵌入维数m一般取3-7,若取值过小,重构时间序列的有效信息较少;若取值过大,无法反应时间序列的局部变化;尺度因子s对应的尺度区间一般为1-10,延迟因子τ一般为1;
通过在预设尺度区间内改变尺度因子s的取值,即可计算得到各尺度下第二IMF分量的排列熵。
首先对历史矿井声发射信号采用改进的CEEMD分解算法进行处理,最后得到各历史矿井声发射信号对应的多个第二IMF分量。然后对所有历史矿井声发射信号对应的第二IMF分量进行多尺度排列熵计算,确定区分度最大的尺度值,最后选择该尺度下第二IMF分量排列熵中区分度最大的t个第二IMF分量的排列熵以作为构建特征向量的标准。除了使用改进的CEEMD分解算法外,还采用了多尺度排列熵的计算方法,通过两次根据区分度筛选出最后的t个第二IMF分量,确保最终得到的t个IMF分量预设尺度下排列熵构建的特征向量既能反应原始信号的特征,还能提高其与其他类别信号的特征向量的区分度,以提高利用最后得到的特征向量进行类别识别的精度。
实施例2
本实施例提供了一种矿井声发射信号识别方法,包括:
采用如实施例1所述的矿井声发射信号特征提取方法提取实时获取的矿井声发射信号的特征向量;
将提取的特征向量输入预先设定的矿井声发射信号分类模型中,得到该矿井声发射信号的类别。
特征提取过程既能有效剔除伪分量和噪声分量,同时还能保留信号的敏感特征,提取的特征效果佳;利用该特征提取方法得到的特征向量应用于矿井声发射信号分类识别中,精度高,计算成本低,可解决提取的特征效果不佳且导致识别精度难以保证的问题。
具体实施时,预先设定的矿井声发射信号分类模型可以选择通过基于历史矿井声发射信号数据对神经网络进行训练得到。具体的,可采用实施例1的特征提取方法提取历史矿井声发射信号的特性向量,并标注每个历史矿井声发射信号对应的类别,每个特性向量及对应标注的类别构成一个训练样本,进而构建训练样本集;其中历史矿井声发射信号包括围岩体声发射信号、***作业声发射信号、凿岩作业声发射信号和铲运机作业声发射信号。然后基于训练样本集对神经网络进行训练,即可得到矿井声发射信号分类模型。
本实施例中,为了进一步减小计算成本简化算法,采用无监督学习思想来设置矿井声发射信号分类模型。具体包括:
获取该矿井的历史矿井声发射信号G(t),包括围岩体声发射信号、***作业声发射信号、凿岩作业声发射信号和铲运机作业声发射信号;
对每个历史矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;
对于每个历史矿井声发射信号对应的多个第一IMF分量,将其中与该历史矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;将剩余的第一IMF分量重构,得到重构信号;
将每个历史矿井声发射信号对应的重构信号进行EMD分解,对应得到多个第二IMF分量;上述基于改进的CEEMD算法的处理过程参见如图2所示的流程图;
选取预设尺度区间对所有历史矿井声发射信号对应的第二IMF分量进行多尺度排列熵计算,确定区分度最大的尺度值,该尺度值作为后续识别过程中进行特征提取中的预设尺度;选择该尺度下第二IMF分量排列熵中区分度最大的t个第二IMF分量的排列熵;同时基于此处选择的t个第二IMF分量作为后续识别过程中进行特征提取中的预设的t个第二IMF分量;
以每个历史矿井声发射信号对应的t个第二IMF分量的排列熵为一个样本,构建样本数据集;
利用FCM聚类算法将样本数据集中的样本分类,得到四个矿井声发射信号类及各类的聚类中心。
FCM聚类算法对于识别分类已知聚类数目的数据具有良好的效果。设xi(i=1,2,...,n)是n个样本组成的样本数据集,c为预定的聚类数目,fj(xi)是第i个样本对于第j类的隶属度函数,用隶属度函数定义的聚类损失函数可以写为:
式中,mj为第j类的聚类中心。
采用FCM聚类算法将样本数据集中的样本分类的步骤如下:
(1)将样本数据集作为FCM聚类的输入数据并设置参数
设定聚类数目c,和加权指数b,根据经验加权指数设置为2,聚类数目故实际情况确定,本实施例中聚类数目取4。
(2)初始化各个聚类中心mi,初始化时随机将样本数据集分为c个类,然后通过下式计算初始聚类中心:
其中,Ni是第i聚类Γi中的样本数目。
(3)重复下面的运算,直到各个样本的隶属度值稳定
用当前的隶属度函数按下式更新计算各类聚类中心:
当FCM聚类算法收敛时,就得到了各类的聚类中心和各个样本对于各类的隶属度值,从而完成模糊聚类划分。
除了使用改进的CEEMD分解算法外,还采用了多尺度排列熵的计算方法,通过两次根据区分度筛选出最后的t个第二IMF分量,确保最终得到的t个IMF分量构建的特征向量既能反应原始信号的特征,还能提高其与其他类别信号的特征向量的区分度,以此为基础进行聚类后得到的各个类的区分度高,可提高利用利用聚类中心进行类别识别的精度。
利用FCM聚类算法完成聚类后,可得到各个类别的聚类中心,然后即可构建基于隶属度判断类别的矿井声发射信号分类模型。该矿井声发射信号分类模型中包括预先根据该矿井的历史矿井声发射信号构建的与各矿井声发射信号类别对应的聚类中心,该模型进行分类计算时,过程包括:
分别计算特征向量与各矿井声发射信号类别对应的聚类中心的隶属度,隶属度计算可采用前述隶属度函数fj(xi);
通过比较隶属度确定矿井声发射信号的类别。
通过预先利用大量的历史数据确定矿井声发射信号各个类别的聚类中心,再通过计算实时获取的矿井声发射信号的特征向量到各个聚类中心的隶属度以确定其所属的类别,算法简单,计算成本低,精度高。
实施例3
本实施例提供了一种矿井声发射信号特征提取装置,包括:
信号获取模块,用于获取矿井声发射信号;
第一分解模块,用于将矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;
筛选模块,用于对于多个第一IMF分量,将其中与矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;
重构模块,用于将剩余的第一IMF分量重构,得到重构信号;
第二分解模块,用于将重构信号进行EMD分解,得到多个第二IMF分量;
特征向量生成模块,用于从多个第二IMF分量中选取预设的t个第二IMF分量并计算其预设尺度下的排列熵,构成特征向量。
本实施例中的其他具体实现方案参见前述实施例1和实施例2,在此不再赘述。
实施例4
本实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序适于被处理器加载并执行如实施例1所述的矿井声发射信号特征提取方法或实施例2所述的矿井声发射信号识别方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
为了进一步理解本发明的技术方案,在此通过一仿真实验和一工程实例作进一步说明。
一、仿真实验
利用MATLAB2018b编码生成仿真信号,采用高斯脉冲信号和高频信号合成来模拟含有噪声信号的声发射信号,仿真信号分为x1(t),x2(t),s(t),其中x1(t)为高斯脉冲信号,x2(t)为高频正弦信号,频率为10Hz,s(t)为合成信号。上述三者时域波形如图3所示。分别采用EMD,CEEMD,改进CEEMD对上述仿真合成信号s分解,各种方法的参数选择及性能比较如表1所示。
表1 EMD、CEEMD及改进CEEMD方法参数及性能比较
对上述仿真合成信号s分别做EMD,CEEMD,改进CEEMD分解,分解结果如图4、图5、图6所示。从图中可以发现,EMD可以分辨出高斯脉冲信号,分解出的正弦信号出现了模态混叠,分量中出现了较多虚假分量;CEEMD相比EMD,分量中出现了虚假分量,由于添加白噪声,出现了噪声分量,同样存在模态混叠现象和虚假分量;改进CEEMD分解结果近乎完美,添加的白噪声被剔除,C1,C2分量对应仿真信号的x1,x2。如表所示,改进CEEMD在计算时间上有较小的优势,分解的结果正交性具有较大优势。
二、工程实例
以广西中金岭南盘龙铅锌矿为工程背景进行研究,盘龙铅锌矿安装了声发射监测STL-24设备及配套远程监测***。对盘龙铅锌矿日常地压监测获取的各种声发射数据人工对比分析研究,识别获得了盘龙铅锌矿井下的岩体声发射信号、***波动、铲运机作业和凿岩机械作业共四类不同声发射源信号的典型波形图,四类典型波形图如图7-图10所示。选取盘龙铅锌矿STL-24型地压监测***2020年6月10日获取的部分声发射监测信号数据,对围岩体声发射信号和采掘作业噪声源形成的声发射信号进行自动智能识别。本次试验共选取了80组不同类别的声发射信号波形进行识别试验,待辨识波形以表2格式存储于Excel表中,每一个波形有1024个采样点,采样频率为5000Hz。对80组数据进行分组,如表5所示,序号1-20原始数据为***振动噪声源声发射信号,类别号命名为“1”。序号21-40原始数据为凿岩机械作业噪声源声发射信号,类别号命名为“2”。序号41-60原始数据是铲运机作业噪声源声发射信号,类别号命名为“3”。序号61-80原始数据是采场围岩体声发射信号,类别号命名为“4”。其中表5中序号1-15,21-35,41-55,61-75,作为改进CEEMD-FCM模型建立的训练集,表6中序号1-15,21-35,41-55,61-75作为对比实验CEEMD-FCM的训练集。表5中序号16-20,,36-40,56-60,76-80作为改进CEEMD-FCM测试样本集,表6中序号16-20,,36-40,56-60,76-80作为对比实验CEEMD-FCM测试样本集。
表2波形样本格式
采样点(N) | 振幅(m/s<sup>2</sup>) |
1 | -5 |
2 | -8 |
3 | -11 |
4 | -9 |
5 | -14 |
... | ... |
1023 | -2 |
1024 | -3 |
为说明本发明的优点,对上述实验数据分别进行CEEMD分解和改进CEEMD分解,挑选最优IMF分量进行模糊聚类分析。具体识别过程详述如下。
①对收集到的80组数据做改进的CEEMD分解。以下将以围岩体声发射事件波形进行分析,其他波形分析方法均类似,不进行赘述。参数选择如表3所示,分解结果如图11所示。
表3 CEEMD分解及改进CEEMD分解参数
②对上述分解结果中IMF分量计算排列熵值和相关性系数,具体数值如下表4所示。
表4 IMF分量MPE值和相关性系数
计算联合阈值ρ0,H0,计算得排列熵阈值ρ0和相关性阈值H0分别为0.83和0.40。
由联合阈值去除噪声和伪分量原则,去除排列熵值大于排列熵阈值的IMF分量和相关性系数小于相关性阈值的IMF分量。故去除IMF1、IMF6、IMF7、IMF8四个分量。对剩下IMF分量进行重构,重构即对IMF分量进行相加。对重构后的波形进行EMD分解,得到如下图12分解结果图。
③计算改进CEEMD分解后的IMF分量的多尺度排列熵值,尺度区间为1-10,以图13所示的所有样本IMF1分量排列熵值散点图为例进行说明,其他分量的排列熵值散点图未列出。
由图13可以得出:随着尺度因子的增加,各类波形的区分度呈现模糊状态,尺度因子为2时四类波形区分度最大。故选择尺度因子为2,对各IMF分量计算排列熵值。具体结果如图14所示。
由图14可以得出:前三个分量的区分度最大。综上所述,选取尺度因子为2时80个样本中IMF1,IMF2,IMF3分量的排列熵值构造特征矩阵Xf1。最终特征矩阵如表5所示。
CEEMD分解后的IMF分量筛选与改进CEEMD方法相同。为避免篇幅过长,对CEEMD分解后的IMF分量筛选不展示细节。最终结果为:选取尺度因子为2时80个样本中IMF2,IMF3,IMF4分量的排列熵值构造特征矩阵Xf2。最终特征矩阵如表6所示。
表5特征矩阵Xf1及四类信号识别分类结果对比
表6特征矩阵Xf2及四类信号识别分类结果对比
④对最终的特征矩阵进行FCM聚类分析。
聚类分析时,将特征矩阵Xf1(对应表5)中第1-15,21-35,41-55,61-75提取出来进行聚类,将提取的特征矩阵作为FCM聚类的输入数据并设置参数,聚类数目设定为4,加权指数根据实际情况设定为2。对其进行FCM聚类计算,即可自动识别出四类不同声发射事件的信号,提取的60组声发射波形信号的识别结果和聚类效果图分别如表5和图15所示。图15中IMF1对应表5中IMF1多尺度排列熵值的值,IMF2对应表5中IMF2多尺度排列熵值的值,IMF3对应表5中IMF3多尺度排列熵值的值。图中立方体表示凿岩作业信号,圆球体表示***作业信号,五角星表示铲运机作业信号,四面体表示围岩体声发射信号。聚类分析完成后,得到四个类别的聚类中心,然后以表5中第16-20,35-40,56-60,76-80作为测试样本集,计算各样本与各聚类中心的隶属度,基于隶属度判断出其所述类别,结果如表7所示。
表7本发明识别方案的四类信号识别分类结果对比
将特征矩阵Xf2(对应表6)中第1-15,21-35,41-55,61-75提取出来进行聚类,将提取的特征矩阵作为FCM聚类的输入数据并设置参数,聚类数目设定为4,加权指数根据实际情况设定为2。对其进行FCM聚类计算,即可自动识别出四类不同声发射事件的信号,提取的60组声发射波形信号的识别结果和聚类效果图分别如表6和图16所示。图16中IMF2对应表6中IMF2多尺度排列熵值的值,IMF3对应表6中IMF3多尺度排列熵值的值,IMF4对应表6中IMF4多尺度排列熵值的值。图中立方体表示凿岩作业信号,圆球体表示***作业信号,五角星表示铲运机作业信号,四面体表示围岩体声发射信号。聚类分析完成后,得到四个类别的聚类中心,然后以表6中第16-20,35-40,56-60,76-80作为测试样本集,计算各样本与各聚类中心的隶属度,基于隶属度判断出其所述类别,结果如表8所示。
表8对比例四类信号识别分类结果对比
本发明改进CEEMD-FCM方法结果由图15和表5所示,在60组实验数据中,其中58个信号识别准确,2个信号识别错误,本发明所用方法分类识别准确率为96.7%。从表7可以看出,测试集样本中20个信号的识别均正确,正确率为100%,说明本发明提出的围岩体声发射信号与采掘作业噪声源声发射信号自动识别方法具有较高的识别精度和可靠度,前期构建聚类中心时使用的数据集越大,越可以提高识别准确率。四类波形的较明显被分开,有明显的间距。通过计算各样本的平均隶属度,分别将各样本归属于某一类别,同一类别的样本依附在特定聚类中心的附近,实现信号的多分类。
CEEMD-FCM方法结果由图16和表6所示,可以看出在60组实验数据中,其中54个信号识别准确,6个信号识别错误,CEEMD-FCM方法分类识别准确率为90%,从表8可以看出,测试集样本中20个信号的识别中17个识别正确,3个错误,正确率为85%,准确率较低。图16中各类波形无明显的间距,分类效果较差。
对比CEEMD-FCM方法和改进CEEMD-FCM方法可以看出,本发明所提出的联合阈值降噪对信号识别分类具有积极效果。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种声发射信号特征提取方法,其特征在于,包括:
获取矿井声发射信号;
将矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;
对于多个第一IMF分量,将其中与矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;
将剩余的第一IMF分量重构,得到重构信号;
将重构信号进行EMD分解,得到多个第二IMF分量;
从多个第二IMF分量中选取预设的t个第二IMF分量并计算其预设尺度下的排列熵,构成特征向量。
3.根据权利要求1所述的声发射信号特征提取方法,其特征在于,第一IMF分量的排列熵通过如下方法得到:
对于第k个第一IMF分量Y=y(i),i=1,2,…,N,对其进行相空间重构,得到矩阵:
其中,m表示嵌入维数;τ为时间延迟因子;G为重构向量个数,G=N-(m-1)τ;
将重构后的序列按升序排列:
排列熵阈值H0通过如下公式计算得到:
其中,max(Hk)表示多个第一IMF分量对应的排列熵中的最大值。
4.根据权利要求1至3任一项所述的声发射信号特征提取方法,其特征在于,所述预设的t个第二IMF分量和预设尺度通过如下方法得到:
获取该矿井的历史矿井声发射信号,包括围岩体声发射信号、***作业声发射信号、凿岩作业声发射信号和铲运机作业声发射信号;
对每个历史矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;
对于每个历史矿井声发射信号对应的多个第一IMF分量,将其中与该历史矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;将剩余的第一IMF分量重构,得到重构信号;
将每个历史矿井声发射信号对应的重构信号进行EMD分解,对应得到多个第二IMF分量;
选取预设尺度区间对所有历史矿井声发射信号对应的第二IMF分量进行多尺度排列熵计算,确定区分度最大的尺度值,该尺度值作为预设尺度;选择该尺度下第二IMF分量的排列熵中区分度最大的t个第二IMF分量,将该t个第二IMF分量作为预设的t个第二IMF分量。
6.一种声发射信号识别方法,其特征在于,包括:
采用如权利要求1至5任一项所述的矿井声发射信号特征提取方法提取实时获取的矿井声发射信号的特征向量;
将提取的特征向量输入预先设定的矿井声发射信号分类模型中,得到该矿井声发射信号的类别。
7.根据权利要求6所述的声发射信号识别方法,其特征在于,所述将提取的特征向量输入预先设定的矿井声发射信号分类模型中,得到该矿井声发射信号的类别,具体包括:
矿井声发射信号分类模型中包括预先根据该矿井的历史矿井声发射信号构建的与各矿井声发射信号类别对应的聚类中心;
分别计算特征向量与各矿井声发射信号类别对应的聚类中心的隶属度;
通过比较隶属度确定矿井声发射信号的类别。
8.根据权利要求7所述的声发射信号识别方法,其特征在于,所述各矿井声发射信号类别对应的聚类中心通过如下方法得到:
获取该矿井的历史矿井声发射信号,包括围岩体声发射信号、***作业声发射信号、凿岩作业声发射信号和铲运机作业声发射信号;
对每个历史矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;
对于每个历史矿井声发射信号对应的多个第一IMF分量,将其中与该历史矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;将剩余的第一IMF分量重构,得到重构信号;
将每个历史矿井声发射信号对应的重构信号进行EMD分解,对应得到多个第二IMF分量;
选取预设尺度区间对所有历史矿井声发射信号对应的第二IMF分量进行多尺度排列熵计算,确定区分度最大的尺度值;选择该尺度下第二IMF分量排列熵中区分度最大的t个第二IMF分量的排列熵;
以每个历史矿井声发射信号对应的t个第二IMF分量的排列熵为一个样本,构建样本数据集;
利用FCM聚类算法将样本数据集中的样本分类,得到四个矿井声发射信号类及各类的聚类中心。
9.一种声发射信号特征提取装置,其特征在于,包括:
信号获取模块,用于获取矿井声发射信号;
第一分解模块,用于将矿井声发射信号进行CEEMD分解,得到对应的多个第一IMF分量;
筛选模块,用于对于多个第一IMF分量,将其中与矿井声发射信号的相关系数大于等于相关系数阈值的第一IMF分量保留,相关系数小于相关系数阈值的第一IMF分量剔除;同时将其中排列熵小于等于排列熵阈值的第一IMF分量保留,排列熵大于排列熵阈值的第一IMF分量剔除;
重构模块,用于将剩余的第一IMF分量重构,得到重构信号;
第二分解模块,用于将重构信号进行EMD分解,得到多个第二IMF分量;
特征向量生成模块,用于从多个第二IMF分量中选取预设的t个第二IMF分量并计算其预设尺度下的排列熵,构成特征向量。
10.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序适于被处理器加载并执行如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110537141.7A CN113217102A (zh) | 2021-05-18 | 2021-05-18 | 声发射信号特征提取方法、识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110537141.7A CN113217102A (zh) | 2021-05-18 | 2021-05-18 | 声发射信号特征提取方法、识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113217102A true CN113217102A (zh) | 2021-08-06 |
Family
ID=77092543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110537141.7A Pending CN113217102A (zh) | 2021-05-18 | 2021-05-18 | 声发射信号特征提取方法、识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113217102A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115255405A (zh) * | 2022-09-23 | 2022-11-01 | 相国新材料科技江苏有限公司 | 一种增材制造设备的智能控制方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103982241A (zh) * | 2014-05-05 | 2014-08-13 | 山东科技大学 | 一种煤矿井下低信噪比微震信号消噪滤波方法 |
CN105547465A (zh) * | 2015-12-08 | 2016-05-04 | 华北电力大学(保定) | 一种变压器振动信号绕组状态特征提取方法 |
US20160178772A1 (en) * | 2013-05-27 | 2016-06-23 | Statoil Petroleum As | High Resolution Estimation of Attenuation from Vertical Seismic Profiles |
CN105740840A (zh) * | 2016-02-29 | 2016-07-06 | 中南大学 | 一种岩体破裂信号与***振动信号的非线性识别方法 |
EP3301461A1 (en) * | 2016-09-28 | 2018-04-04 | Siemens Aktiengesellschaft | Method for detection of harmonics of a univariate signal |
CN107885940A (zh) * | 2017-11-10 | 2018-04-06 | 吉林大学 | 一种用于分布式光纤振动传感***的信号特征提取方法 |
CN111796342A (zh) * | 2020-06-05 | 2020-10-20 | 山东科技大学 | 一种凸轮式绝对重力仪微小故障诊断方法及装置 |
-
2021
- 2021-05-18 CN CN202110537141.7A patent/CN113217102A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160178772A1 (en) * | 2013-05-27 | 2016-06-23 | Statoil Petroleum As | High Resolution Estimation of Attenuation from Vertical Seismic Profiles |
CN103982241A (zh) * | 2014-05-05 | 2014-08-13 | 山东科技大学 | 一种煤矿井下低信噪比微震信号消噪滤波方法 |
CN105547465A (zh) * | 2015-12-08 | 2016-05-04 | 华北电力大学(保定) | 一种变压器振动信号绕组状态特征提取方法 |
CN105740840A (zh) * | 2016-02-29 | 2016-07-06 | 中南大学 | 一种岩体破裂信号与***振动信号的非线性识别方法 |
EP3301461A1 (en) * | 2016-09-28 | 2018-04-04 | Siemens Aktiengesellschaft | Method for detection of harmonics of a univariate signal |
CN107885940A (zh) * | 2017-11-10 | 2018-04-06 | 吉林大学 | 一种用于分布式光纤振动传感***的信号特征提取方法 |
CN111796342A (zh) * | 2020-06-05 | 2020-10-20 | 山东科技大学 | 一种凸轮式绝对重力仪微小故障诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
ALBERT等: "A Criterion for Selecting Relevant Intrinsic Mode Functions in Empirical Mode Decomposition", ADVANCES IN ADAPTIVE DATA ANALYSIS, vol. 2, no. 1, pages 26 - 115 * |
郑近德等: "改进的EEMD算法及其应用研究", 振动与冲击, vol. 32, no. 21, pages 21 - 46 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115255405A (zh) * | 2022-09-23 | 2022-11-01 | 相国新材料科技江苏有限公司 | 一种增材制造设备的智能控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Scarpetta et al. | Automatic classification of seismic signals at Mt. Vesuvius volcano, Italy, using neural networks | |
CN101614787B (zh) | 基于M-ary结构分类器的模拟电子电路故障诊断方法 | |
CN110503075B (zh) | 基于pso-eemd方法的行星齿轮箱故障诊断方法及*** | |
CN113392732B (zh) | 一种局部放电超声信号抗干扰方法及*** | |
CN113217102A (zh) | 声发射信号特征提取方法、识别方法、装置及存储介质 | |
CN112486137A (zh) | 有源配电网故障特征库构建方法、***及故障诊断方法 | |
CN115034254A (zh) | 基于hht频带能量特征和卷积神经网络的核素识别方法 | |
CN114371009A (zh) | 基于改进随机森林的高速列车轴承故障诊断方法 | |
CN111797690B (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
CN112329804A (zh) | 基于特征随机的朴素贝叶斯岩相分类集成学习方法及装置 | |
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 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及*** | |
WO2023278542A1 (en) | Method for capturing long-range dependencies in seismic images | |
CN113850185A (zh) | 井下声发射源多分类方法、装置、终端、存储介质 | |
CN109782156B (zh) | 基于人工免疫诊断网络的模拟电路故障诊断方法 | |
Sun et al. | Micro‐seismic Event Detection of Hot Dry Rock based on the Gated Recurrent Unit Model and a Support Vector Machine | |
CN115374687A (zh) | 数形结合的油井工况智能诊断方法 | |
Tjostheim | Recognition of waveforms using autoregressive feature extraction | |
CN114579543A (zh) | 初至拾取方法及装置 | |
CN113792774B (zh) | 一种水中目标智能融合感知方法 | |
CN112560674B (zh) | 一种声音信号质量的检测方法及*** | |
CN114139648B (zh) | 一种尾矿充填管路异常智能检测方法及*** | |
CN116738191B (zh) | 时序数据的增强处理方法、装置和计算机设备 | |
Moroń et al. | The Seismic Shock Prediction Algorithm based on the Rock Mass behaviour data | |
Yu et al. | Heuristic Feature Selection for Wind Power Anomaly Events Study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |