煤矿微震信号识别方法研究.pdf

万方数据 论文题目论文题目 煤矿微震信号识别方法研究煤矿微震信号识别方法研究 作者姓名作者姓名 何玉凤何玉凤入学时间入学时间2015 年年 9 月月 专业名称专业名称 计算机技术计算机技术研究方向研究方向软软件件开开发发与与系系统统集集成成 指导教师指导教师 卢新明卢新明职职称称教教授授 论文提交日期论文提交日期2018 年年 4 月月 论文答辩日期论文答辩日期2018 年年 5 月月 授予学位日期授予学位日期2018 年年 6 月月 万方数据 Research on Recognition of Microseismic Signal in Coal Mine A Dissertation ted in fulfillment of the requirements of the degree of MASTER OF ENGINEERING from Shandong University of Science and Technology by He Yufeng SupervisorProfessor Lu Xinming College of Computer Science and Engineering April 2018 万方数据 万方数据 万方数据 万方数据 山东科技大学硕士学位论文摘要 I 摘摘要要 煤矿微震信号中包含了大量的煤岩体破裂信息， 能够为冲击地压等煤矿动力 灾害的监测预警提供依据。但是由于人为和环境等各方面因素的影响，采集到的 微震信号往往会掺杂着爆破、机械振动等干扰信号及其它背景噪声，这将直接影 响微震监测及震源定位的结果。因此，煤矿微震信号的识别方法研究具有重要的 意义。 本文针对现有微震信号识别方法准确率低这一问题，重点对微震信号识别中 降噪和特征提取两方面进行改进。论文的主要研究内容与成果如下 （1）在微震信号降噪方面，针对小波分析和经验模态分解降噪时存在的主要 问题，将局部均值分解LMD和小波包降噪方法相结合，提出了一种改进的微震 信号降噪方法。该方法采用 LMD 对微震信号进行分解得到各乘积函数分量，利 用原信号与各乘积函数分量之间的相关系数找到噪声与信号主导分量之间的区 分点， 然后再用小波包对噪声主导的各乘积函数分量做降噪处理。通过对来自煤 矿的微震数据进行仿真实验，并将实验结果分别与 LMD 降噪方法和基于 LMD 的小波阈值降噪方法进行对比，实验结果表明本文所提出的降噪方法较对比方 法具有较高的信噪比和较低的均方根误差，降噪效果比较理想。 （2）在特征提取方面，针对分形盒维数只能对微震信号进行整体性描述而忽 略局部特征的问题，结合多重分形谱特征，提出了一种改进的微震信号特征提取 方法。 该方法主要研究了煤矿微震、爆破和机械振动信号的分形盒维数和多重分 形谱特征，分析并从中提取出差别较大的 7 种参数作为信号特征。根据建立的 7 维特征向量，利用支持向量机对降噪后的煤矿微震、爆破和机械振动信号各 100 组进行训练和分类识别，实验结果表明本文方法能够正确识别煤矿微震信号， 且识别准确率达到了 94，较已有的两种识别方法分别提高 4和 2.33。 本文所改进的方法提高了微震信号识别的准确率， 为煤矿微震信号识别提供 了一种新的思路， 对煤矿井下精确的微震事件定位及冲击地压等煤岩动力灾害预 警有着重要的指导意义和应用价值。 关键字关键字局部均值分解；小波包降噪；分形盒维数；多重分形谱；支持向量机 万方数据 山东科技大学硕士学位论文Abstract II Abstract The microseismic signal of coal mine contains abundant coal and rock rupture ination, which can provide basis for monitoring and early warning of coal mine dynamic disasters such as rockburst. However,duetotheinfluenceofsomefactorsashumanand environment,the collected signals are often doped with blasting signal, mechanical vibration signal and other background noises.These will directly affect the results of microseismic monitoring and source location. Therefore, it is of great significance to study the identification of coal mines microseismic signals. Aiming at the problem of low accuracy of the existing microseismic signal recognition , this paper focuses on the improvement of noise reduction and feature extraction in microseismic signal recognition. The main research contents and achievements of this paper are as follows 1 In the aspect of microseismic signal denoising,aiming at the main problems of wavelet analysis and empirical mode decomposition denoising, the local mean decompositionLMD and the wavelet packet denoising are combined in this paper, and an improved microseismic signal denoising is proposed. In this , the LMD is used to decompose the microseismic signal to obtain the product function components, and the difference between the noise and the dominant component of the signal is found by using the correlation coefficient between the original signal and the product function components. Then the wavelet packet is used to denoise the product components with noise. Through simulation experiments on microseismic data from coal mines and the experimental results are compared with the LMD denoising and the LMD-based wavelet threshold denoising . The experimental results show that the denoising proposed in this paper has higher signal-to-noise ratio and lower root-mean -square error than the contrast , and the noise reduction effect is ideal. 2 In the aspect of feature extraction, aiming at the problems of the fractal box dimension can only describe the microseismic signal as a whole and ignore the local feature, Combined with the multifractal spectrum features,an improved feature extraction of microseismic signal is proposed in this paper. This mainly studied the fractal 万方数据 山东科技大学硕士学位论文Abstract III box dimension and multifractal spectrum characteristics of coal mine microseismic, blasting and mechanical vibration signals , and extracted 7 parameters with great difference as signal characteristics. According to the established 7-dimensional feature vector, support vector machine is used to train and classify 100 groups of coal mine microseismic, blasting and mechanical vibration signals after noise reduction. The experimental results show that this can correctly identify the coal mine microseismic signal, and the recognition accuracy is 94, compared with the existing two recognition s were increased 4 and 2.33. The improved improves the accuracy of microseismic signal recognition and provides a new idea for coal mine microseismic signal recognition in this paper. It has important guiding significance and application value for the accurate location of microseismic events in coal mines and the early warning of coal-rock dynamic disasters such as rockburst. Keywords local mean decomposition; wavelet packet denoising; fractal box dimension; multifractal spectrum; support vector machine. 万方数据 山东科技大学硕士学位论文目录 IV 目目录录 1 绪论绪论..........................................................................................................1 1.1 研究背景.................................................................................................................1 1.2 国内外研究现状.....................................................................................................2 1.3 主要研究内容.........................................................................................................5 1.4 论文的章节安排.....................................................................................................6 2 非平稳信号识别方法理论概述非平稳信号识别方法理论概述.............................................................8 2.1 非平稳信号降噪方法理论.....................................................................................8 2.2 非平稳信号特征提取方法理论...........................................................................14 2.3 支持向量机的分类识别方法...............................................................................15 2.4 本章小结...............................................................................................................18 3 微震信号降噪方法微震信号降噪方法...............................................................................19 3.1 传统降噪方法分析...............................................................................................19 3.2 基于 LMD 与小波包的微震信号降噪方法........................................................22 3.3 实验与结果分析...................................................................................................25 3.4 本章小结................................................................................................................34 4 微震信号特征提取与识别方法微震信号特征提取与识别方法...........................................................35 4.1 传统特征提取方法分析.......................................................................................35 4.2 分形盒维数联合多重分形谱的特征提取方法...................................................38 4.3 SVM 信号分类预测模型建立..............................................................................40 4.4 实验与结果分析...................................................................................................41 4.5 本章小结...............................................................................................................47 5 总结及展望总结及展望...........................................................................................48 5.1 论文总结...............................................................................................................48 5.2 工作展望...............................................................................................................49 万方数据 山东科技大学硕士学位论文目录 V 参考文献参考文献................................................................................................... 50 致谢致谢............................................................................................................54 攻读硕士学位期间主要成果攻读硕士学位期间主要成果...................................................................55 万方数据 山东科技大学硕士学位论文Contents VI Contents 1 Introduction...............................................................................................................1 1.1 Research background............................................................................................................1 1.2 Research status at home and abroad.....................................................................................2 1.3 Main research Contents.........................................................................................................5 1.4 The chapter arrangement of the dissertation.....................................................6 2 Nonstationary signal recognition theory overview...................................8 2.1 Nonstationary signal denoising theory....................................................................8 2.2 Nonstationary signal feature extraction theory......................................................14 2.3 Support vector machine classification recognition ............................................... 15 2.4 Chapter summary................................................................................................................18 3 Microseismic signal denoising ..................................................................19 3.1 Traditional denoising s analysis..............................................................................19 3.2 Microseismic signal denoising based on LMD and Wavelet Packet.................... 22 3.3 Experiment and result analysis...........................................................................................25 3.4 Chapter summary................................................................................................................34 4 Microseismic signal feature extraction and recognition ........................35 4.1 Traditional feature extraction s analysis.................................................................35 4.2 Feature Extraction of fractal Box Dimension combined with Multifractal Spectrum................................................................................................................................... 38 4.3 SVM signal classification prediction model establishmen.................................................40 4.4 Experiment and result analysis...........................................................................................41 4.5 Chapter summary................................................................................................................47 5 Summary and Prospect...........................................................................................48 5.1 Summary of this paper........................................................................................................48 5.2 Prospects............................................................................................................................. 49 万方数据 山东科技大学硕士学位论文Contents VII Reference.....................................................................................................................50 Ackonwledgement......................................................................................................54 Achievements during the period of studying for a masters degree......................55 万方数据 山东科技大学硕士学位论文绪论 1 1 绪论绪论 煤矿微震波形分析是微震监测中重要的研究内容， 对煤矿微震信号的有效识 别直接决定着微震事件定位的准确性和煤岩动力灾害监测预警的可靠性。 本章内 容的重点主要有论文的选题研究背景和意义， 目前微震信号降噪方法和特征提取 方法的国内外研究现状，本文主要研究内容及论文的章节安排。 1.1 研究背景研究背景 微震通常是指当岩石体在受到外力挤压作用和温度等因素的影响时， 岩体局 部区域能量会逐渐积累起来， 最后再将积累起来的能量以顺态弹性波或应力波的 形式释放出来的过程。煤矿煤岩破裂过程中产生的信号一般都具有持续时间短、 随机性强、噪声含量高和突变速度快等特点，它属于一种典型的非线性、非平稳 信号。 随着人们对煤炭需求量的增加，煤矿开采技术的不断进步，人们对矿井下煤 炭资源开采深度及强度也在逐步加大，冲击地压等煤岩动力灾害也日益严峻，已 成为严重威胁我国开采业安全与效率的主要问题之一[1-4]，冲击地压的监测和防 治也已成为煤炭开采中急需解决的问题[5]。其中由采矿引发的冲击地压虽然震级 不大， 但由于矿井附近采矿人员数量相对较多且震中位置离地表较近，它的危害 性不容忽视。冲击地压一般发生的原因复杂、时间比较突然、破坏性较大，往往 发生于煤炭开采过程中[6]。它发生时较多小能量级别且蕴含着很多重要信息的矿 山地震活动也会伴随着出现，这些信息能够用来分析冲击地压等破坏性矿震。 通过对煤矿微震信号进行处理分析可以确定冲击地压等破坏性矿震产生的 位置规模等参数，发现其产生的规律，增加信号的准确率和利用率，从而在时间 和空间上对其容易发生的区域进行灾害预警， 尽量避免冲击地压等煤岩动力灾害 发生时对人民生产和生活上造成严重的伤害。但是因煤矿井下环境较为复杂，产 生噪声的来源多且杂，人为和自然等影响因素较多，拾取器采集到的微震信号中 往往会掺杂着爆破、机械振动及其它背景噪声,很难准确的甄别，如何从大量采 集的信号中挑选出有效的煤矿微震信号就成为当下面临的一个重大问题。 而在这 万方数据 山东科技大学硕士学位论文绪论 2 些复杂的信号中，爆破信号、机械振动信号相对较多，如果将爆破信号和机械振 动信号误作为煤矿微震信号来研究冲击地压发生前兆规律， 将会影响冲击地压发 生前兆规律有效信息的提取，进而造成严重的后果，所以煤矿微震信号识别的首 要工作就是正确区分出煤矿微震、爆破和机械振动信号。 现阶段所研究的微震信号识别方法在降噪时效果不明显或特征提取时大多 数采用单一特征定性分析，不足以反映复杂的煤矿微震信号。本文在微震信号识 别的降噪和特征提取方面作出改进，总结 LMD 和小波包相较于传统降噪方法上 的优势，提出基于 LMD 及小波包的微震降噪方法，先除去影响特征提取的干扰 成分；综合分形盒维数及多重分形谱特征的优缺点，取长补短，提出分形盒维数 联合多重分形谱特征提取方法，对降噪之后的煤矿微震、爆破和机械振动信号的 分形盒维数和多重分形谱特征进行对比研究， 找到能够区别 3 类信号的显著特征 参数，实现对 3 类信号的有效辨识，提高煤矿微震信号识别方法的准确率，对采 用微震监测方法研究冲击地压等煤岩动力灾害发生前兆规律有着重要的指导意 义。 1.2 国内外研究现状国内外研究现状 微震信号的识别过程主要通过特征提取这个环节来实现， 但是特征提取也需 要信号降噪这个环节来支撑。因此，在微震信号识别过程中降噪处理和特征提取 是最重要的两个环节， 国内外学者在已有方法上分别对这两个环节也在不断完善 并改进。 1.2.1 微震信号降噪方法研究现状微震信号降噪方法研究现状 微震信号降噪刚开始是通过将信号进行平滑处理，然后筛选掉信号的奇异 点， 以此来完成对微震信号的降噪处理。但是这种处理方法对微震信号各处的噪 声进行平滑处理只是将降噪均匀化，并不是真正意义上的微震信号降噪处理。传 统理论认为微震信号符合高斯分布，因此有许多基于高斯分布的降噪方法，其中 包含傅里叶降噪等， 但是该方法仅仅对存在周期性的微震信号进行降噪处理后效 果显著，对于微震信号这种典型的非线性、非平稳信号进行降噪处理之后的效果 并不是太好，它的随机非平稳特征根本无法用高斯分布模型处理。 万方数据 山东科技大学硕士学位论文绪论 3 鉴于传统的滤波降噪方法在处理微震信号时会出现的不足的地方， 大多数研 究者开始将小波变换方法运用到微震信号降噪的研究中。徐宏斌等[7]采用 4 种自 适应阈值规则对含有噪声的微震信号进行降噪处理， 并把微震信号降噪前后的效 果做对比分析，实验表明小波变换在对微震信号进行降噪处理时效果较好；刘敏 等[8]通过对比试验证明了小波三种阈值确定模型可以有效踢除微震信号中噪声 主导的部分，保留更多的有用信息。这些基于小波变换的微震信号降噪方法的研 究虽然可以较好地分析信号的时频局部特征， 但也仅对信号的低频部分进行降噪 处理，高频部分的频率分辨率较差，导致对微震信号降噪不彻底，使微震信号仍 然含有部分噪声。针对小波变换降噪时出现的分解不彻底的问题，张瑞红等[9] 采用最优小波包变换， 利用取决于节点噪声时频特征的相关阈值进行降噪处理并 且将其与基于小波变换的其他方法进行了降噪效果比较， 实验结果显示利用这种 方法降噪后可以得到较高的信噪比并且信号失真较小， 因为小波包变换与小波变 换不同，它不只是对分解后信号中低频分量能够很好的细化，高频分量也会被进 一步细化，这样对微震信号的降噪更为全面。李夕兵等[10-11]采用 EMD 方法对微 震信号进行降噪处理，但是在信号重构时对于 IMF 分量的选择没有明确具体方 法；史恒等[12]提出 EMD 和 EEMD 分解的降噪方法，经过对微震信号频带尺度 分解来剔除微震信号中的随机噪声；梁喆等[13]提出基于 EMD 和互信息相结合的 降噪方法，利用互信息熵算法来确定高频和低频信号，再对高频部分进行降噪处 理， 实验结果表明了这种方法能够有效的去除微震信号中含有噪声的部分，还原 真实信号，得到较好的降噪效果。因为 EMD 分解是自适应的，不需要先验知识， 它与传统的快速傅里叶变换降噪和小波降噪方法相比存在着明显优势，但是 EMD 分解时也有其不足之处，它在分解过程中会出现端点效应、过（欠）包络 等问题。在总结前人工作的基础上，Smith[14]提出了局部均值分解，它与 EMD 都保留了对非平稳信号的自适应性， 但是在求解局部包络函数的过程中选择用滑 动平滑方式来代替 EMD 分解时使用的 3 次样条差值法，这样不仅可以较好的缓 解 EMD 方法在分解过程中存在的端点效应问题，同时也提高了分解速度。李骁 等[15]将局部均值分解和小波阈值结合用于微震信号降噪，虽然改善了 EMD 分解 时出现的过包络和欠包络等问题，降噪效果较好，但还是存在忽略高频部分噪声 的问题。 万方数据 山东科技大学硕士学位论文绪论 4 1.2.2 微震信号的特征提取方法研究现状微震信号的特征提取方法研究现状 随着科学技术的不断完善及发展，人们对信号形式的认识在不断加深，对信 号进行特征提取的理论和方法也在不断发展， 对于微震信号的识别方法的研究也 取得了很大的成就。但是因为微震信号波形本身的特征比较复杂，使用常规方法 提取它们的特征时会存在局限性，这势必会导致微震信号波形不能被有效识别， 从而使得微震信号的准确定位成为一个难题。 现阶段所研究的微震信号特征提取方法主要有时频分析法、 多参数联合法和 机器学习法，由于传统方法生成的微震信号或频率真实度存在局限性，不利于微 震信号特征提取与分类。对于微震信号特征提取问题，科研工作者做了大量的研 究。 姜福兴等[16]建立了按照初步判断、 联合识别和优化判断的顺序对微震信号进 行识别的三步骤体系，有效识别出单事件多通道微震波形。Malovichko[17]选取了 煤矿微震相对于爆破的发生时间、辐射的模式、震源低频与高频带能量分布特性 和相邻重复波形的相关系数作为微震识别的特征参数， 但是文中只是叙述了建立 模型的原理，并没有列出模型函数。Ma 等[18]提取了震源和波形两种参数作为识 别的特征向量。Dong 等[19]提取出微震产生的时间、地震矩、总辐射能、S 波和 P 波能量比、拐角频率和静态应力降作为微震识别的特征参数，虽然将多参数联合 分析方法用于微震信号识别效果较好， 但是提取的特征参数相对来说比较多并且 复杂， 所以实现起来相对困难。 唐守锋等[20]利用小波能量谱系数来研究煤矿微震 信号有效分量和噪声主导分量的能量分布情况， 提取这些特征向量作为微震信号 识别参数，能够有效的区分煤矿微震信号与爆破信号，提高了微震信号的识别准 确率， 为微震信号信号识别研究提供了一种新的思路； 朱