论文部分内容阅读
作为一种连续、实时、动态的监测技术，微震监测在地压灾害监测和防治中使用非常广泛。由于矿山内部环境较复杂，干扰因素较多，其中爆破振动信号数量较多且与有效的矿山微震信号混杂在一起，很难准确识别。而矿山微震信号的识别又是微震监测系统震源定位和灾害预警的前提，所以如何将微震信号从混杂了爆破信号的数据库中提取出来是当前亟需解决的问题。本文围绕矿山微震和爆破振动信号的自动识别，分析研究两种信号的频率分布、时域特征、时频域特征及其差异性，最终建立基于多域特征融合的微震与爆破振动信号自动识别模型。主要的研究内容和成果如下：
(1)针对传统经验小波变换在处理分析具有复杂频谱的微震和爆破信号时存在的“过切分”问题，本文对经验小波变换进行了改进，并构造了仿真信号验证改进方法的有效性。结果表明：改进经验小波变换的分解效果要比传统经验小波变换、经验模态分解、集成经验模态分解、局部特征尺度分解、局部均值分解效果更好。
(2)采用长短时窗(STA/LTA)算法提取并分析了矿山爆破和微震信号的时域特征。结果表明：矿山微震信号的持续时间长度要大于爆破振动信号，其中微震信号的持续时间大多集中在[2,3.6]s，而爆破振动信号的持续时间则大多分布在[1,2.3]s；矿山微震信号的上升时间大多集中在[1.2,2.3]s，爆破振动信号的上升时间大多分布在[0.5,1.4]s。
(3)为了提取改进经验小波变换每个分量的特征，本文利用Hankel矩阵和SVD组合方法提取并分析矿山微震和爆破振动信号的时频域特征。结果表明：矿山微震信号各个分量的最大奇异值要小于爆破振动信号各个分量的最大奇异值，其中分量f1、f2、f3的差异最大；矿山微震信号前4个分量的奇异熵小于爆破振动信号的前4个分量的奇异熵，其中分量f1和f2的奇异熵差异最大。
(4)建立了基于遗传算法优化的支持向量机(GA-SVM)的微震信号多域特征融合自动识别模型，并与常用的特征提取方法和模式识别方法进行了比较。结果表明：在同一识别方法下，本文提出的基于多域特征融合方法的识别率最高；在同一特征向量基础上，GA-SVM的识别率最高；在同一识别方法和同一特征向量基础上，基于RBF核函数的SVM的识别率最高。
(1)针对传统经验小波变换在处理分析具有复杂频谱的微震和爆破信号时存在的“过切分”问题，本文对经验小波变换进行了改进，并构造了仿真信号验证改进方法的有效性。结果表明：改进经验小波变换的分解效果要比传统经验小波变换、经验模态分解、集成经验模态分解、局部特征尺度分解、局部均值分解效果更好。
(2)采用长短时窗(STA/LTA)算法提取并分析了矿山爆破和微震信号的时域特征。结果表明：矿山微震信号的持续时间长度要大于爆破振动信号，其中微震信号的持续时间大多集中在[2,3.6]s，而爆破振动信号的持续时间则大多分布在[1,2.3]s；矿山微震信号的上升时间大多集中在[1.2,2.3]s，爆破振动信号的上升时间大多分布在[0.5,1.4]s。
(3)为了提取改进经验小波变换每个分量的特征，本文利用Hankel矩阵和SVD组合方法提取并分析矿山微震和爆破振动信号的时频域特征。结果表明：矿山微震信号各个分量的最大奇异值要小于爆破振动信号各个分量的最大奇异值，其中分量f1、f2、f3的差异最大；矿山微震信号前4个分量的奇异熵小于爆破振动信号的前4个分量的奇异熵，其中分量f1和f2的奇异熵差异最大。
(4)建立了基于遗传算法优化的支持向量机(GA-SVM)的微震信号多域特征融合自动识别模型，并与常用的特征提取方法和模式识别方法进行了比较。结果表明：在同一识别方法下，本文提出的基于多域特征融合方法的识别率最高；在同一特征向量基础上，GA-SVM的识别率最高；在同一识别方法和同一特征向量基础上，基于RBF核函数的SVM的识别率最高。