文摘

高精度微震的信号的特征提取是一个重要的先决条件multicategory识别微震的信号,也是一个重要的智能传感模块在智能矿山的基础。针对多级矿山微震的信号的不明显的特征提取问题,本文基于无监督学习方法在学习方法,结合小波包能量比和经验系数奇异值分解,提出了一种基于小波包能量法和经验系数奇异值分解,提出一个方法(M-W&E)基于小波包能量和经验系数奇异值分解。该方法首先执行经验系数奇异值分解和小波包能量比的微震的信号构造基本特征向量,然后使用非监督学习算法进行无监督学习方法特征融合的基本特征向量构造融合特征向量。t-SNE可视化后,各种融合特征向量的区别更明显。融合功能使用SVM分类测试后,发现新功能特性融合后的识别率优于单一小波包经验能源组件和奇异值的经验系数,基本上满足工程的需要,是我一个微弱的震动。信号提取和特征增强的融合多类样本提供一个新的想法。

1。介绍

与大量的数学、计算机行业的发展,已经有一些进步在处理时间序列数据1,2]。作为一种新的监测方法近年来的岩石,微地震监测系统已用于矿山、隧道、石油、等等。这个领域已经应用(3- - - - - -8),同时,取得更加丰硕的成果,实现灾害的预测和预报7]。然而,随着大数据行业的开发和推广应用,微震的系统不再仅仅是微震的信号的处理是必需的,它需要被用作传感装置在煤矿生产。作为传感装置,需要更高的微震的信号处理要求,和收集到的信号需要更精细划分,确保矿山微震信号的有效监控。

矿山微震的信号的特征提取,国内外专家已经做了很多的研究,主要包括EMD分解和基于时频变换分解两种类型的分解方法。其中,EMD分解是黄提出的经验系数EMD分解(9et al .,构造复杂的非线性模型为进一步研究多个本征模,并提供后续的某些观点。商等。10)研究国际货币基金组织(IMF)的建筑组件微地震信号的EMD分解后,矩阵,奇异值分解,然后用支持向量机实现使用分解类微震的信号和爆破信号之间的区别。的时频分析,赵et al。11]frequency-slicing使用小波变换研究时频特征频带能量分布和相关系数的微震的信号和识别方法提供了一个特性。唐et al。12)提出了使用小波能谱系数来分析煤的能量分布特征和岩石裂缝和噪声信号,这为分析的发展奠定了重要的基础能源煤和岩石断裂微震的信号模式的特征。Allmann et al。13]发现微震的信号的主要频率不同的原因是有区别的在S变换的微震的信号。在解决微地震信号的小波包能量和爆破信号,朱et al。14)发现,爆破振动信号的能量分布和微震的信号能量分布的差异和不同分类提出了一个新想法的微震的信号。然而,在上述文件,其中大部分是区分微震的信号和爆破信号,并不能有效地分析信号的其他事件。

近年来,深度学习方法融合时间序列数据和信号获得了广泛的关注15,16),主要是由于大数据行业的快速发展。多个数据特征的融合是融合集成的本质特征。不同的算法用于合并17,18生成新特性数据),这是更容易的过程(19]。大数据融合可以分为三种类型:数据融合、特征融合和决策融合。特征融合是一种有价值的技术改善apparentness特性。本文的目的是分析的特征融合处理微震的信号用小波包的奇异值容量能量比和EMD能源使用的组件奇异值深度学习的无监督学习算法。

2。微震的信号及其数字特征

2.1。小波包能量特征

微震的信号(4)可以通过小波变换表示,作为处理的新方法,通过拉伸有限长度的母小波或快速衰减。公式如下: 在哪里 转换后的小波, 原始波信号吗,一个指出了翻译,b代表小波尺度, 是小波。将微震的信号分解为低收入和高频subsignals,高,同时应用小波变换的低频组件,和原始信号频带上的映射生成相应的subsignals。根据Parseval定理,信号能量E我分解成的我th部分波段可以表示如下:

然后,信号的总能量E可以得到如下:

最后,能源比例向量p每个频带的可以获得如下:

2.2。计算岩石破裂EMD信号的特性

EMD方法是由n . e .黄和NASA对非线性非平稳的信号。EMD的目的是一个非线性非平稳的信号分离成几个独立的组件,表示如下: 国际货币基金组织(IMF)在哪里实证多个分解和后模吗rn是这个分解后的残余。分解量,经验系数矩阵(6)是构造如下:

国际货币基金组织的经验系数矩阵分解得到的奇异值向量 如以下公式所示: 在哪里 奇异值分解后。

3所示。矿山微震的信号特征融合方法基于完全连接神经网络

3.1。基于无监督学习的特征融合方法

在无监督学习,执行两个步骤:编码和提取数据特征,随后解码和反相提取的特征。融合特征提取通过特征提取是下一步。如图1,有一个示意图显示了非监督学习方法。


图1
原理图的无监督学习算法。

图1显示了非监督学习神经网络了kL1, L2, L3、L4编码结构,L5, 16种,地级,和18解码倒置结构,k新是提取的特征向量,然后呢k”表示生成的编码后的数据。随着神经元增加体重,深色的代表值与高体重和体重较低的值的浅色的象征。在培训过程中,k是相对于k”为了确定网络的结构。

3.2。M-W&E特征融合方法

在本文中,我们提出一个数字融合的特征融合方法,可以应用于矿井地震信号。在这种方法中,某些subfrequency乐队由能量向量被映射P小波变换后的经验系数矩阵 。(1)生成小波包能量比例向量p和奇异值向量 从矿山微震的信号,能量比解决小波包变换和奇异值分解的应用经验系数。(2)结合小波包能量比例向量p和奇异值向量 在第一维度降低符号大小(8),构建融合向量的公式k显示如下: (3)结合信号的过程k后进入无监督学习功能的神经网络产生一个新的融合功能k新。特征融合算法的总体流程图如图2。


图2
M-W&E特征融合方法流程图。

4所示。关键参数的选择和结构建设

4.1。EMD经验模分解层

根据商等。10),微地震信号的奇异值划分矿山和爆破信号指向不同的爆破振动信号和岩石破裂信号之间的区别。图3显示了EM分解岩石破裂的结果信号。


图3
岩石断裂的经验模分解信号。

图3显示是这样的典型矿山微震的信号可以由10国际货币基金组织的实证模。当经验模分解通过IMF4和5,经验系数和微震的信号之间的相关性显著变化。实证模量只有非常有限的关系对于IMF6微震的信号,表明我们可以获得更少的数据。如表所示1有以下经验模分解。

表1
国际货币基金组织(IMF)的分布分解层的每一个微震的信号。

分解层表中列出1;14是最大值,8是最低数量。10或11层的微震的信号通常表现出一种分解10或11、模量和79.02%的矿山微震的信号有10或11层。因此,利用经验模分解的只有一层微震的信号不会区分微震的信号,而利用层将导致大量的无关信息干扰奇异值。因此,有必要建立和分析的经验模分解层数微震的波。一个重要的评估工具是相关系数(17),它可以反映信息的程度在国际货币基金组织(IMF)组件包含原始微震的信号后,微震的信号分解过程。相关系数是计算使用以下公式: 在哪里 是相关系数,x(n)是矿山微震的信号,IMFI是EMD分解层数。分解后,国际货币基金组织每个组件的数量,原始信号的相关系数和相关系数计算结果绘制,如图4。


图4
国际货币基金组织的分类和原始微震的信号之间的相关系数。

IMF7分解如图4作为一种重要的边界。IMF7信号的分解表明,之前一般相关系数相对较高,但在总体相关系数降低到小于0.2;这显示了原始信号的弱相关。对于4∼8层的国际货币基金组织(IMF)的组件,每种类型的奇异值向量分解和奇异值向量的类型之间的相关性进行了分析。然后,意味着相关性计算根据以下计算: 在哪里rk的平均相关系数分解层吗k和E我和Ej不同类型的小波包的能量比率是在一层吗k分解, 。平均相关系数如表所示2。

表2
各种信号的奇异值向量相关系数。
4.2。小波分解层数

随着分解层数的增加EMD_SVD后,相关系数的奇异值向量减少与越来越多的国际货币基金组织(IMF)组件,但是他们并没有改变与增加国际货币基金组织(IMF)组件。因此,IMF分量决心在这个特性融合6。

小波包变换后,朱镕基et al。14)假设岩石断裂的能带分布不同于爆破信号微震的信号。图5显示了原始波形信号的分解岩石破裂信号利用小波包四层。


图5
小波包分解的岩石断裂信号。

如图5,aaaa subwavelet扩散噪音信号的频带0∼31.25赫兹。此外,矿山微震的信号分解后出现大幅降低峰谷值,主要集中在广告和弟弟的小波结束,它表明的详细功能微震的信号可以被放大的时候最后一层可以区分分析和计算能量比例向量p每个频带。有必要把分解的层数在计算向量。朱et al。4)发现,经过小波包分解两次微震的信号有截然不同的发行版,因为不同的主导频率。小波分解层数M-W&E特征融合是另一个重要参数。微震的信号层的数量根据E_w频带能量的分布后,3日,4日,5日,6日确定小波包层。信号的能量分布图各种渠道如图6。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图6
每个分解层的频带能量比微震的信号:(a) - layer小波包分析;(b)层小波包分析;(c)五小波包分析;(d) 6-layer小波包分析。

图6表明,大多数微震的信号能量主要集中在相对低频范围,而爆破振动信号(绿色)的能量分布在高、低频率。能量几乎只在第一层分解是在第三层,但在第六层,它显示了不同的特点。有明确区分noise-disturbed低频带和signal-disturbed低频带手煤(黄色),铲煤(蓝色),锄头煤(红色)。six-layer小波包分解后占70%的煤岩冲击(紫色),破裂后55%(棕色),和40%后我的车经过(粉红色)后,第三,第四,第五层小波包分解。通过波形图中求和平均相关系数6和他们之间的差异,可以计算每一层分解下的相关系数。不同的小波包能量比率,计算结果如表所示3。

表3
相关系数的能量的比例每层小波包分解。

每一层的平均相关系数分解显著减少层数逐渐增加,显示明显分化的特性。小波包能量分解完成后第六层,平均相关系数又回到一个稳定的状态。后考虑到能源相关系数和计算量在本文中,我们采用6层小波包分解的基础上数量显著增加计算小波包分解后在一个较高的层。

4.3。无监督学习神经网络的结构

特征融合,无监督学习神经网络的结构是很重要的。有可能选择不当可能影响神经网络的特性,以及导致提取结果差。为了实现无监督学习,本文构建了一个神经网络。VGG,神经网络结构模型,一层的空间规模将减少四分之一的最高的层由于池层在特征提取一层一层地(16]。融合特征提取模型只包括两层提出了以及提取后的特征维度。一个标准的特征提取模型检查使用VGG神经网络结构。但是神经网络结构模型图7长度为聚类图像提供不同的输出特性。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图7
集群图4层下的每个特性的长度特征提取层:(一)4层4维度;(b) 4层6维度;(c) 4层8维度;(d) 4层10维度。

在图输出维度的增加明显7特性的显著变化。集群效应是当输出特性有一个长度为8比当特性有三个或四个维度。一个分类类型包括七个属性。所代表的类类型是通过三维−4,6,10,尺寸很难表达,因为4和6的属性维度与输出小于分类类型。10维后,输出尺寸已经成为多分类类型,导致干扰维度和增加t-SNE大小减少,因此模糊边界,但10个维度包含更多的信息,和边界定义比4或6维度更舒适。神经网络结构模型输出8的输出特性。功能输出长度8是用于神经网络模型。分析学习层的数量后,神经网络结构模型之间的联系与8的输出特性是计算使用不同层和神经网络结构模型。输出结果显示在表中4。

表4
平均链接不同的特征提取层。

最初的平均链接显示趋势上升增加然后减少特征提取层,如表所示4。与更高的平均链接,更容易区分不同类型的信号。因此,选择4层神经网络输出,每个输出层采用乙状结肠激活函数。每个线性层的详细结构如表所示5。

表5
无监督学习功能的神经网络结构参数。

5。例子验证

5.1。分析典型的字段数据

从我收集的微地震信号的分析工作提出了山西省面临。目前煤矿使用的初始工作表面10 #,倾角为0°∼8°,厚度2.58∼2.62米,厚度2.6米,平均硬度系数f= 0.9∼1.1,在软岩和泥岩屋顶。嵌入在这个系统是微震的传感器埋深的25∼50 m和1 KHz的采样频率。

图8表明,岩石破裂微震的信号4号和爆破振动信号5号显示一些相似之处,他们的尾波逐渐减少,但爆破振动信号的幅值高于岩石破裂的信号。岩石断裂信号有一个振幅和EMI信号类似,但EMI信号出现混乱和的。在波形图,所有三种类型的手动操作信号0,2、7可以被视为“high-low-high”模式作为他们由人手动生成的。上述类型的分析信号的使用功能进行融合的目的,找到一个方法,将更容易识别。


图8
矿山微震的信号的波形图像共同之处。
5.2。特征融合计算

图8显示了8 M-W&E融合的结果类型的矿山微震的信号。显示微震的信号特征的融合,两组的每种类型的微震的信号被选中。如表所示6,特征融合后的值显示出来。基于表6,这两个融合的信号k不丹和knew4超越维度学习融合后的其他特性。很明显,不同的信号占用更小、特殊范围在同一个维度的特性,这意味着掌握了不同的特性的神经元在不同程度的学习过程。有一个大的信号类型的区别k不丹,尤其是在范围的信号。

表6
融合各种事件的特征。
5.3。评价融合结果

M-W&E数据融合算法的分析和比较了使用小波包能量和EMD_SVD。评估功能融合的优点和缺点,二维空间可视化的三种类型的特性和SVM分类结果用t-SNE spatialvisualization评价方法比较。

t-SNE歧管非线性降维可视化方法,可以让观众看到神经网络模型的特征提取效果通过可视化地降低数据的维数。因此,本文使用t-SNE过程可视化技术来降低高维特性从卷积后层来获得一个二维的平面空间和检查他们的表现能力。降维的分析和可视化是对原始信号进行小波包融合信号,EMD信号融合,提出了特征融合算法。结果如图所示9。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图9
拔各种功能后降维映射:(a)没有处理;(b)小波包能量分布特征;(c) EMD_SVD特性分布;(d) M-W&E特性分布。

从图可以看出9(一个)的情况下直接降维微震的信号没有任何治疗,降维后的二维空间分布,t-SNE提出了一种混合分布状态,而小波包分解后的能量特性和EMD分解显示某个聚类属性后,绿色的很容易被识别并提出集群EMD分解后或小波包分解。与EMD分解能量相比,小波包能量降维是稍微更好的整体性能。三种类型的微震的信号后出现类似的混合小波包能量分解,但是小波包能量分解产生一个相对明确的分化。此外,三个微震的信号特征粉色,灰色,和黄色的降维后占据同一个位置,可视化,指出所有三种类型的微震的信号特性相似后小波包分解能量。在图9 (d)后,所有类型的微震的信号特征融合算法显示明显的集群效应后t-SNE降维,但有一个黄色的微震信号降维范围附近的右下角的红色微震的信号特性,表明尽管微震的信号特征融合方法提出了优化微震的信号特征提取在某种程度上,仍然存在一定的误差。

5.4。支持向量机分类评价

八种微震的信号被认为是基于分类的识别评价如图8。使用微震的信号中发现的80组训练集,我们将每种类型的微震的信号分成十组。在测试过程中,同一个组件用作训练集的。支持向量机包括将第二种形式信号分解为多个超平面,一个经典的方法(15]。微震的信号分为8种使用层次支持向量机(H-SVMs)。在这种方法中,所有类型首先分为两个类型的家庭,每一个都是进一步分为两个亚型,等等。在支持向量机的分类,采用径向基函数(RBF),表示为公式所示(11),惩罚参数的函数c= 2,内核参数是1。

层次支持向量机被用来训练训练集,和测试集分类。测试结果如表所示7。

表7
各种功能在SVM识别计算。

促进分析测试结果,测试集的分类混淆矩阵的结果是,如下所示。

支持向量机分类后,小波包能量分类效果如图10- - - - - -12,显示只有48正确预测,预测这三种方法的分类精度最低。这一事实的主要频带的能量。3、5和6都极为相似的事件表明,多个分类所需的主要特征是小波能量比,这是很难预测的。EMD_SVD显著提高分类精度,69准确的预测,表明分类的准确性高。此外,正确分类的结果清晰地与其他区分开来在混淆矩阵的主对角线的立场。通过使用EMD_SVD和小波包能量数据作为分类标准,可以理想地结合这两种技术的优势,最重要的是,7号事件的识别精度显著提高。通过比较SVM分类结果与t-SNE分类结果,发现虽然t-SNE后小波包能量的影响降维和可视化的数据比EMD_SVD,识别后的效果比EMD_SVD特性,表明EMD_SVD特征分布不适合t-SNE降维表达式。然而,一些识别错误仍然持续减少t-SNE M-W&E方法之后,表明数据特性是复杂的。本文的特征融合方法,在小样本学习仍有改进的余地。


图10
小波包能量特征分类:混淆矩阵。

图11
EMD_SVD分类混淆矩阵。

图12
M-W&E特性分类混淆矩阵。

6。结论

(1)multifeature融合我的微震的信号是通过结合从EMD奇异值和小波包能量特征,基于无监督学习模式在深度学习。使用这种方法在智能矿山微震的信号处理。(2)后M-W&E模型提出了执行的融合前6层的奇异值分解特性的EMD和矿山微震的信号小波包特征,识别准确率达到92.5%,高于单一特征方法的识别结果基本上符合要求。项目的实际需要,网站还提供了一些经验特征融合的微震的信号。(3)虽然M-W&E模型中,multicategory识别任务的识别成功率是92.5%,在一定程度上提高了识别精度,平均时间消费达到217.22女士,这比单一特征识别模式的成本。与此同时,我们还不知道无监督学习算法解释功能。因此,未来的研究方向将是设法减少所花费的时间做研究和更容易解释20.]。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是财务支持的动态监测和智能预警技术研究煤与瓦斯突出(Qiankehe平台人才[2019]5675号)。