基于变分模态分解的爆破振动信号去噪方法研究

为对爆破的振动信号进行有效去噪,提出了一种基于窗口傅里叶变换的自适应双重变分模态分解-小波阈值(Adaptive dual variational mode decomposition-Wavelet threshold,ADVMD-WT)组合方法对爆破临近地区采集的振动信号进行去噪处理。首先利用VMD算法对振动信号进行第一次分解,分解层数根据窗口傅里叶变换频谱图中的波峰个数来确定,基于各个分量的相关系数识别出高频的噪声分量;然后对剩余信号分量逐个进行第二次分解,重复第一次分解的步骤,分离出各个低频分量中含有的噪声信号;针对噪声分量中仍含有少量有用信号,对噪声分量进行小波阈值去噪,获取有用信号;最后重构信号分量得到ADVMD-WT方法去噪后的信号。将ADVMD与其它去噪方法相比,并从信噪比、均方根误差2个评价指标验证了ADVMD方法在爆破振动信号去噪中的有效性。     

利用经验模态分解及小波变换压制微震信号中的随机噪声

随机噪声的压制是微震信号分析过程中的重要环节,目前大多数降噪技术都不同程度的存在去噪效果差、易损伤有效信号等问题。针对微震信号的随机非平稳特征,提出一种联合经验模态分解(EMD)及小波阈值的降噪方法,压制微震信号中的随机噪声。该法首先使用EMD对微震信号进行自适应分解,得到有限个本征模态函数(IMF)。考虑到随机噪声主要集中在高频IMF分量中,基于噪声能量突变原则找出低频IMF分量与高频IMF分量的分界后,利用小波阈值方法对高频IMF进行降噪处理,最后将降噪后的高频IMF分量与剩余的低频IMF分量重构即可实现微震信号降噪。仿真分析及实验结果表明,该方法能充分保留微震信号的随机非平稳特征,较对比方法具有更好的降噪效果。     

基于变分模态分解及能量熵的微震信号降噪方法

为了从含噪微震监测数据中提取有效的微震信号,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和能量熵的自适应微震信号降噪方法。采用变分模态分解法对含噪微震信号进行自适应分解,得到一系列按频率从高到低的变分模态分量;计算每个变分模态分量的能量熵,搜索并辨识出噪声与信号的分界;剔除高频噪声,将剩余分量进行重构,得到降噪后的微震信号。通过与基于经验模态分解(Empirical Mode Decomposition,EMD)的微震信号降噪方法对比,从信噪比、降噪后信号占原信号的能量百分比和原信号与降噪后信号的均方根误差3个评价指标上定量说明该方法在微震信号降噪中表现出更好的降噪效果。     

基于变分模态分解和小波能量熵的微震信号降噪

微震监测技术被广泛应用于矿业工程、石油天然气开采、安全监测等领域。 针对微震监 测采集到的微震信号存在随机噪声的问题,本文提出了一种变分模态分解(variationalmodedecomposition,VMD)和小波能量熵(waveletenergyentropy,WEE)结合改进阈值函数的降噪算法。 对原始信号进行VMD分解,将得到的各模态分量(intrinsicmodefunction,IMF)进行多尺度小波 分解,用小波能量熵表征各尺度信号的含噪状态,并以小波能量熵最大子区间的小波系数计算各 尺度层的阈值,通过改进阈值函数进行降噪处理后得到新的IMF,重构微震信号。 对仿真信号和 实测信号进行降噪处理,结果表明,该算法优于经验模态分解(empirical mode decomposition, EMD)、集合经验模态分解(ensembleempiricalmodedecomposition,EEMD)、VMD结合小波硬阈值 和软阈值降噪方法,提高了微震信号的信噪比。     

基于EEMD和小波阈值法的爆破振动信号预处理研究

针对爆破振动信号去噪和趋势项消除问题,借助相关性分析,引入了一种基于集合经验模态分解(EEMD)和小波阈值法的预处理滤波方法。首先运用EEMD方法进行信号分解,利用互相关系数进行含噪IMF分量和趋势项分量的预选,然后分别借助自相关函数特性和频带特点进行判断,最后完成含噪分量的小波阈值去噪和趋势项分量的去除,重构波形。实例验证结果表明,该方法能有效消除噪声、趋势项干扰,保留波形真实信息,进而提高频谱分析精度。     

基于EEMD方法的地下矿山微震信号去噪研究

对地下矿山实时在线监测的微震信号进行微震事件特征提取和识别分类研究时,识别的效率往往取决于训练样本和测试样本的质量,为提高数据样本的质量,去除信号中掺杂的噪声,采用聚合经验模态分解(EEMD)方法对地下矿山微震信号进行预处理。通过采用EEMD分析方法对矿山微震信号进行预处理,获得从高频到低频铺展的一组固有模式分量(IMF)及一个残余分量,通过计算各分量能量占比把IMF中的噪声部分及残余项去除,再将包含矿山微震信号主要信息的剩余分量进行重构,从而得到去噪后的微震信号。通过信号仿真实验及实例分析,对比小波预处理方法,结果表明:该方法利用EEMD自适应分解的特性不但克服了小波阈值和分解函数选取困难等弊端,而且能显著提高信号的信噪比,较好地保留了信号形态,获得较为理想的去噪效果。     

冻结立井爆破振动信号去噪研究

针对冻结立井监测到的爆破振动信号的高噪声、短持时和非线性的特征,提出了经验模态分解-去趋势项波动分析(Empirical Mode Decomposition-Detrended Fluctuation Analysis,EMDDFA)组合去噪方法。采用4项指标综合评价了EMD-DFA法、EMD和EEMD法、小波阈值法和小波熵去噪法去噪效果。结果表明:被强噪声污染的爆破振动信号采用EMD-DFA组合法去噪得到了信噪比和互相关度最高,相应的误差最小,去噪后的信号保留了爆破信号的瞬态非平稳特征,去噪效果最优。     

基于EMD阈值降噪的轴承故障诊断研究

针对滚动轴承故障诊断提出了EMD阈值降噪法。通过振动传感器获得的轴承振动信号,利用经验模态方法将信号分解为多个IMF分量。因振动信号中含有的噪声主要表现在高频段,所以对IMF分量中的高频分量进行小波阈值降噪,并与IMF分量中低频分量进行重构,实现了振动信号的降噪,有利于轴承故障的判断。     

基于LMD和模式识别的矿山微震信号特征提取及分类方法

针对岩体破裂信号与爆破振动信号难以自动识别的问题,提出了基于局部均值分解(LMD)和模式识别的矿山微震信号特征提取及分类方法。首先采用LMD对微震信号进行自适应分解得到乘积函数(PF)分量,再利用相关系数和方差贡献率筛选得到PF主分量,进而计算各主分量的相关系数和能谱系数,并以此作为模式识别的特征向量。结果表明:LMD、经验模态分解(EMD)和离散小波变化(DWT)的主分量分别为PF1~PF6,IMF1~IMF6和D2~D7,其中IMFi(i=1,2,…,6)为EMD分解的本征模态分量,Dj(j=2,3,…,7)为DWT分解的细节分量;LMD主分量分类识别结果整体上优于EMD和DWT主分量分类识别结果;能谱系数分类结果整体上优于相关系数分类结果,人工神经网络(ANN)和支持向量机(SVM)识别效果明显优于逻辑回归(LR)和Bayes判别法识别结果,且基于LMD能谱系数的SVM分类准确率达到了93.0%。     

基于EEMD_Hankel_SVD的矿山微震信号降噪方法

针对矿山微震信号降噪,提出了一种基于EEMD_Hankel_SVD(集合经验模态分解_Hankel矩阵_奇异值分解)的微震信号降噪方法。首先采用EEMD获得多层模态分量,计算各模态分量与原始信号的相关系数,剔除第一个相关系数差值局部最大值前的模态分量。对剩余各模态分量分别构建Hankel矩阵,再计算各Hankel矩阵的奇异值矩阵。根据奇异值曲线划分信号空间和噪声空间,实现剩余各模态分量的降噪,进而对降噪后的模态分量相加得到降噪信号。仿真试验表明该方法能有效保留信号的局部特征,提高了信噪比;矿山微震信号应用表明该方法有效地提高了STA/LTA,PAI-K和AIC法P波初至拾取效果;仿真试验和矿山微震信号P波拾取均表明该方法降噪效果优于小波重构、EMD重构和Hankel_SVD降噪,且该方法与AIC法结合拾取效果最佳。     

基于VMD的多相介质超声回波检测技术

提取多相介质中有效超声回波信号是实现煤岩界面识别的关键技术。利用超声波探测煤岩介质所获取的回波信噪比低且为非平稳、非线性信号,难以有效准确的获取煤岩界面的回波波形,进而无法有效判断煤岩分界面。传统的小波分析手段需要根据信号特点选取特定的小波基,EMD,EEMD等自适应信号分解方法存在模态混叠及虚假分量等现象。提出利用VMD(变分模态分解)分析超声回波信号的组成成分,准确获取煤岩界面的首次回波的波形与时间,以达到识别不同介质界面和判断介质相关参数的目的。模拟仿真及实验表明,VMD可实现更优化的信号分解效果,实现对煤岩界面首波波形和首波时间的检测,达到准确识别以煤岩介质为代表的多相介质分界面的目的。     

基于深度学习方法的矿山微震信号分类识别研究

为了精准识别矿山微震信号,本文提出了一种适用于识别矿山微震信号的VGG4-CNN深度学习网络模型,该模型采用Python语言进行编写,基于PyTorch深度学习网络架构框架进行搭建。根据矿山生产过程中的岩石破裂、爆破作业、背景噪声等9类事件的微震信号的时域特征,VGG4-CNN深度学习网络模型实现了对3 835组矿山微震信号数据进行监督学习训练和分类识别应用。研究结果表明:本文构建的VGG4-CNN神经网络识别精度高达94 %,在采用该模型时不需要对原有波形信号进行去噪且鲁棒性强于现存其他模型,可在中等层次GPU上实现,满足工程需要。     

基于AWSST和GCV的矿山微震信号联合降噪新方法

由于露天矿山开采环境的复杂性和各异性,传感器采集得到的微震信号包含大量的噪声干扰,为了获得更加准确的微震信号特征,提出了基于自适应同步压缩小波变换（Adaptive Synchrosqueezing Wavelet Transform,AWSST）和广义交叉验证（Generalized Cross-Validation,GCV）的联合降噪方法,从而对微震事件定位和判断开挖过程中岩体状态提供可靠的数据保障。首先在自适应小波变换（Adaptive Wavelet Transform, AWT）的基础上,对每个尺度中的小波系数进行阈值化处理,利用GCV方法自动确定每个成分的最佳阈值水平,达到去除噪声的目的。然后,通过同步压缩变换（Synchrosqueezing Transform,SST）的后处理操作,在时频平面对小波变换系数进行二次重分配,从而提升时频表达的能量聚集性。最后,应用于微震信号的降噪处理,并与现有的时频分析方法进行比较,结果表明提出的联合去噪方法降噪效果更好、时频分析的分辨率更高。     

基于小波降噪和CEEMD的轴承故障诊断

针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。