基于HHT的煤岩破裂微震信号分析

微震信号处理是目前研究微震监测技术应用领域中的一个重要课题,应用ESG微震监测系统采集煤巷炮掘过程中产生的煤岩破裂微震信号,针对所采集微震信号具有明显的持续时间短、突变快等特点,选用希尔伯特黄变换(HHT)对其进行处理。HHT包括EMD分解和Hillert变换两部分,微震信号经过EMD自适应分解得出9个IMF分量和一个残余分量,对各IMF分量进行Hillert变换做出Hillert谱,从Hillert谱中得出煤岩破裂微震信号频率响应主要集中在500-800Hz,用边际能量谱加以验证得出Hillert谱在应用中的准确性,为进一步认识煤岩破裂的机理和预测煤岩动力灾害提供了有效的技术途径。     

基于IMS微震监测系统的微震事件定位精度分析

微震监测系统对岩体发生非弹性变化造成的微震事件进行实时监测,能及时做出岩体的失稳预警,保证矿山的安全开采.根据东升庙铅锌矿的采空区的实际赋存情况,提出了布置9个检波器的监测方案,通过对该方案进行室内模拟,分别对Vert1和Vert2及其整体性进行定位精度分析,分析可知该方案是合理的.矿山构建IMS微震监测系统后,采用人工爆破定位的方法来确定该监测系统定位的准确性,通过对实测坐标和微震数据处理软件分析的坐标进行对比分析,可知该监测系统的精度是12m左右,能够实现矿山采空区的稳定性监测,满足矿山安全生产的要求.     

基于STSNN聚类算法的用沙坝矿微震事件活动特征研究

利用时空共享近邻聚类算法（STSNN）对用沙坝矿微震事件进行聚类分析,通过对噪声率进行有效性评价,最终确定k=6和ΔT=6为该算法的最佳输入参数,识别得到98个微震事件聚集区域,最大类簇有544个微震事件,并且该类簇主要集中在用沙坝矿的断层区域。对该类簇微震事件活动特征进行分析,主要包括微震事件的24 h分布、微震事件活动率、视体积、施密特数及劲度系数,根据活动规律的变化特征,提出微震活动率急剧下降并且累积视体积曲线忽然上升、施密特数和劲度系数先升后降的点作为岩体失稳发生破坏性事件的预警点。通过对微震事件活动规律的研究可为大事件的产生提供有效的预判信息,为保证矿山安全生产发挥重要的作用。     

基于LOF的K-means聚类方法及其在微震监测中的应用

矿山微震事件集群是分析矿震的重要参考之一，其准确的划分对矿山微震分布特征和微震活动分析具有重要作用。提出了1种基于局部离群因子(Local Outlier Factor, LOF)的K-means聚类算法并构建了综合SSE评价指标和模型，通过LOF算法检测异常微震事件和选取初始聚类中心，利用Krzanowski-Lai指数确定最佳聚类分组数；采用模拟计算比较了不同数据集大小的聚类效果。结果表明:基于LOF的K-means聚类方法评分最高，聚类结果最好；并利用该聚类方法分析用沙坝矿1 649个微震事件的分布特征与微震活动性。实例表明，K=7为最佳聚类分组数，聚类簇的划分受断层滑移和矿山生产活动的影响。     

基于微震监测技术在矿山安全管理中的应用研究

在井下巷道工程设计多个微震监测系统传感器站网空间布置方案,地震信号由传感器采集并进行前置放大,传至井下数据交换中心,经A/D转化后的数字信号再经由光缆传至地表监测控制中心相连的计算机,利用监测数据对矿山地震活动及岩爆与地压活动进行分析研究、实时的监测和预报.应用该微震监测技术对冬瓜山铜矿的事件定位精度和系统灵敏度的分析,对人工震源定位及定位精度进行的验证实验以及对冬瓜山矿区井下各种振动波形进行的识别和分析,取得了很好的效果.微震监测系统的建立对于推动我国矿山地压灾害监测和安全管理水平具有重要参考意义.     

矿山微震时间序列的相空间构建与混沌吸引子维数确立

为了进一步挖掘矿山微震信号内蕴藏的信息,初步研究了微震信号的混沌特性。针对矿山微震信号非平稳、非线性的特点开展了以下研究:建立了一维时间序列的相空间重构模型,分析了一维和多维微震时间序列的空间相型;选取了矿山现场监测一维微震时间序列（N=2 000）,利用自相关函数求取了时间序列的延迟时间τ;建立了微震时间序列关联分维数的循环计算模型;最终确立了相应临界距离r（r=250）和相空间维数m（m=50）的值,计算求得分维数D的值为1.088 5。研究结果表明,微震一维时间序列的吸引子维数存在,同时也证明了微震时间序列具有混沌特性。该研究结果为利用混沌理论处理矿山微震数据,如初始到时精确拾取、信号特征分析与提取以及波形降噪等提供理论依据。     

基于小波包分形的矿山微震波形特征分析

矿山微震波形具有非平稳、非高斯、突发瞬态等特点,使用常规方法很难寻求其特征。通过确立微震波形的分形特性,编制了相应的MATLAB程序求解计算,对矿山微震波形的小波分形特征进行了研究。建立了矿山微震波形的分形计算算法及合理标度;利用小波包方法将微震波形分解为多个频带,选择了(0~64)Hz、(64~96)Hz、(96~128)Hz和(128~256)Hz四个主频带进行研究;建立了四个频带对应的logNk与logk关系拟合曲线,并提取了相应的特征值。结果表明:微震波形具有良好的分形特性,其盒维数的大小在一定程度上与频率的高低相对应;波形主频带S4,2与整个波形的盒维数近似相等。微震波形主频带上的分形特性可以作为该波形的特征,用于不同类型微震波形的分类识别。     

原煤卸围压过程微震信号响应特征*

为了研究煤体采动卸荷失稳破坏的微震动态响应规律,基于热流固耦合三轴试验机进行含瓦斯原煤卸围压试验采集试验过程中的微震信号,进行连续小波变换及4层小波包变换,识别煤样破裂信号,提出煤样破裂干扰信号的时频特征及相应的微震事件分布与破坏演变的特征。研究结果表明:加载初期甚至整个轴压增加过程中,煤样内部裂隙被压密,无新裂隙产生,基本无微震事件,开始卸围压时煤样破裂数量迅速增加;内部裂纹扩展信号主频为700 Hz,前期煤样内部裂纹扩展缓慢,事件产生频次低;煤样破坏信号主频为800 Hz,其频率跳变异常,信号频率成分无明显分带;煤样破坏时微震信号能量最大,破坏过程中伴随不同部位间相对位移,产生摩擦、揉搓,破坏频率成分复杂;煤样破坏时微震事件频数最大LH-2事件总数为176,破坏时每分钟事件数为76,破坏后事件数为92,分别占总事件比例43%,52%;LH-3破坏事件数及破坏后事件数分别占比36%,62%。     

基于EMD-HHT可定位长输天然气管道第三方破坏事件监测技术

为适应目前管道安全监测需要,满足对扰动信号分类监测的实际需求,提出1种基于希尔伯变换和经验模态分解(EMD-HHT)的信号特征提取技术,利用基于φ-OTDR分布式光纤传感系统采集振动信号,通过EMD+HHT区分算法对管道沿线振动事件进行分解并提取6个典型特征向量,各特征事件数据经过EMD后选取IMF3为最终提取特征向量的原始数据,BP神经元网络可有效识别机械破坏、敲击破坏、车辆经过、人工挖掘、动力干扰5种事件。研究结果表明：在长输管道信号识别中,BP神经网络对5类事件平均识别率高达98.6%,该技术分类识别5类事件扰动信号,能够达到较高准确性,并且误报率平均在1.3%,能较好满足现场安全实时监测需求。研究结果对长输油气管道附近第三方破坏扰动信号分类监测具有一定参考意义。     

故障诊断中信号特征参数择取方法

针对故障诊断中数据量大的问题,提出一种故障信号特征参数择取方法,达到只需少量的特征参数来训练高精度故障识别神经网络的目的。该方法通过对特征参数之间的相关性及每个特征参数的故障敏感性进行系统分析,从而择取满足故障识别要求的特征参数。以滚动轴承故障诊断为例,使用该方法择取4种特征参数的情况下实现了高精度、高效率和高鲁棒性的故障识别。这一方法可推广到其他机械系统的故障识别中。     

不同组合比例煤岩的电荷感应与微震规律试验研究

针对煤岩在屈服破坏过程中有微震和电荷信号产生这一特征,利用自行设计的微震和电荷感应信号监测试验系统,分析不同组合比例煤岩在变形破裂过程中微震和电荷信号的变化规律。研究结果表明:微震和电荷信号是低频信号,信号频谱集中分布在0~80 Hz,应力突变与微震信号和电荷信号的产生及变化有较好的一致性;随着“煤-岩”高度比的增加,试样的单轴抗压强度减小,试样屈服破裂时微震和电荷信号幅值增大,同步性增强,试件破坏的突发性增强;试件破坏过程中电荷比微震信号数更多,初次明显的电荷信号也早于初次明显的微震信号。     

超长回采工作面微震特征的影响因素研究*

为探讨超长工作面微震特征影响因素,采用微震监测技术研究42108工作面微震事件的空间分布特征及冲刷构造、推进速度、矿压对煤岩体微震事件特征的影响机制。研究结果表明:微震事件集中发生于工作面辅运巷侧,微震事件的空间分布受临近采空区、上覆煤层煤柱影响较大;微震事件能量和空间分布特征与推进速度相关性较差,当推进速度超过5.5 m/d后,微震事件频次、总能量与推进速度呈正相关;过冲刷构造时工作面推进速度降低,微震能量、频次的稳定性较差,易造成大能量积聚,使工作面危险性增大;微震事件集中发生位置与矿压值较大区域相吻合。     

基于S变换的微地震监测中多源信号特征分析

为了提高微地震信号分析的精度,对模拟振动信号进行了试验,得到了时窗因子对ST(S-Transform)时频分辨率的影响,基于ST的良好时窗自适应性和高时频分辨率,进一步将其应用于泸沽铁矿巷道微地震监测数据的处理。结果表明:ST能准确提取信号属性用以构造特征向量,实现了矿山微地震监测中多源信号的量化分类,并为矿山微地震信号的自动识别与分析提出了新思路。     

基于微震活动性参数的矿山灾害风险性评价

微震灾害分级是判别及处理高风险采场的关键。为了预测并防治采空区失稳导致的灾害,结合用沙坝矿引进的IMS微震监测系统,首先统计矿山尺度的微震活动性特征,将主要采场进行分区。然后分析各分区的最大潜在震级及其重现时间、微震扩散率、微震劲度比、能量频次等特征。最后结合采场微震灾害风险性分级标准对各分区风险性进行分级。结果表明,综合考虑微震事件的能量分布特征、空间分布特征、时间分布特征进行灾害风险性分级的结果更为合理。     

基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

为精准识别地下矿山声发射事件,采用基于改进的完全集合经验模态分解模型(ICEEMDAN)和多通道卷积神经网络(MC-CNN)模型对声发射信号进行处理后得到分量图,根据各通道输入分量峭度值赋予不同权重,并利用卷积神经网络对输入数据进行训练,最终采用五折交叉实验方法验证该分类识别方法的可行性及有效性.结果表明:基于ICEE...     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低，BP神经网络陷入局部最优等问题，提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号，提取缺陷信号特征，用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人，断丝数量作为神经网络的输出；利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化；建立基于IPSO-BP算法的神经网络模型，用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型，且改进的粒子群算法迭代寻优速度更快。     

隧道掘进爆破振动对围岩影响的HHT分析

为了探究隧道掘进爆破振动信号在围岩等级改变处的传播衰减特性,以新建铁路北京至沈阳客运专线（辽宁段）TJ-1标三棱山隧道为工程背景,采用理论分析与现场试验相结合的方法,基于TC-4850监测试验数据,对爆破质点振速时程曲线进行EMD分解和Hilbert变换。依据测点3个方向的边际谱和瞬时能量谱,分析爆破振动能量在时域和频域的分布规律,进而可以得出各频带的能量百分比以及总能量与距离的关系曲线。通过分析地震波信号沿隧道围岩传播衰减性质可以得出:爆破振动能量在频域上分布具有各向异性,而且在垂直方向上具有数量比例高、所占频带低的特点;隧道掘进爆破振动总能量在围岩等级改变处出现“断崖式”衰减,且在Ⅳ级围岩中相对衰减率更高,衰减更为迅速。     

Can SVM be used for automatic EEG detection of drowsiness during car driving?

This study aims to develop an automatic method to detect drowsiness onset while driving. Support vector machines (SVM) represents a superior signal classification tool based on pattern recognition. The usefulness of SVM in identifying and differentiating electroencephalographic (EEG) changes that occur between alert and drowsy states was tested. Twenty human subjects underwent driving simulations with EEG monitoring. Alert EEG was marked by dominant beta activity, while drowsy EEG was marked by alpha dropouts. The duration of eye blinks corresponded well with alertness levels associated with fast and slow eye blinks. Samples of EEG data from both states were used to train the SVM program by using a distinguishing criterion of 4 frequency features across 4 principal frequency bands. The trained SVM program was tested on unclassified EEG data and subsequently checked for concordance with manual classification. The classification accuracy reached 99.3%. The SVM program was also able to predict the transition from alertness to drowsiness reliably in over 90% of data samples. This study shows that automatic analysis and detection of EEG changes is possible by SVM and SVM is a good candidate for developing pre-emptive automatic drowsiness detection systems for driving safety.