基于改进CEEMDAN-DCNN的声发射源识别分类方法
Identification and Classification Method of Underground AE Source Based on Improved CEEMDAN-DCNN
通讯作者:
收稿日期: 2021-11-03 修回日期: 2021-12-28
基金资助: |
|
Received: 2021-11-03 Revised: 2021-12-28
作者简介 About authors
谢学斌(1968-),男,湖南祁东人,教授,从事矿山地压与岩爆灾害的预测和控制技术研究工作
关键词:
Keywords:
本文引用格式
谢学斌, 刘涛, 张欢.
XIE Xuebin, LIU Tao, ZHANG Huan.
随着开采深度的增加,地下深部矿山面临着复杂的地压环境,对井下作业人员及机械设备造成极大的安全隐患。地压监测作为地下矿山灾害预警的重要手段之一,在国内外地下矿山中得到了广泛应用(刘建坡等,2013)。利用声发射或微震监测系统软件对地下矿山进行地压监测时,围岩体声发射信号传播介质的不确定性和信号接收探头的位置差异,导致围岩体声发射信号的频率范围较大。而地下矿山井下监测环境较复杂,一般有凿岩作业、铲运机出矿作业、爆破作业及其他人工作业,这些采掘作业或人工作业产生的声发射事件也会被声发射监测系统接收到。为消除井下采掘作业或人工作业产生的噪声声发射事件的影响,现有的声发射或微震监测系统配套的数据处理软件通常会采用频域滤波方法将一些产生噪声的声发射事件滤除。然而,一些噪声源事件的声发射频率与围岩体声发射频率有交叉频带,所以无法有效剔除噪声信号,导致监测系统识别的围岩体声发射事件数大于实际围岩体声发射事件数,计算出的事件数、事件率和能量率等基础数据出现错误,进而导致地压监测系统预警预报模型产生错误预警,对矿山实际生产造成一定影响。因此,信号源识别分类方法研究为地压监测预警预报提供了重要的数据基础。同时,地压监测预警预报是地下矿山安全的重要保证,准确地开展灾害预警预报,可为矿山井下现场作业人员和设备提供安全保障。
目前较准确的声发射事件与井下噪声事件的识别方法是人工识别法,该方法通常需要依靠技术人员的经验,并结合矿山当天的排班表和现场确认作业情况进行波形识别。然而,人工识别效率低,且不同技术人员的经验不尽相同,直接影响着波形识别的精度。
传统波形分类识别的步骤主要包括特征提取和分类识别2个部分。其中,特征提取主要分为单特征提取和综合特征提取。单特征是指基于波形的振幅、频谱、能量、峰度、偏振和分形维数等特征量进行识别(江文武等,2015;朱权洁等,2012;陈炳瑞等,2019;赵国彦等,2017;李伟,2017;程铁栋等,2019;郝永梅等,2019;廖智勤等,2020;董陇军等,2016)。综合特征是综合多个单特征进行分类识别(Peng et al.,2020;Kortstrom et al.,2016)。上述波形分类方法大多基于波形特征和震源特征,特征提取过程存在主观差异,参数提取过多或过少,均会影响分类的准确率和计算速度。因此,研究岩体声发射事件与采掘作业噪声事件的智能识别方法,对于提高地下矿山声发射监测数据分析处理效率,提高地压监测预警预报精度,为矿山井下灾害预警预报提供可靠数据,以及确保地下矿山安全生产具有重要意义。
深度学习是近10年发展起来的领域,备受诸多领域研究人员的关注(周飞燕等,2017)。深度学习善于从原始数据中提取高维抽象特征,其在人脸识别、故障诊断和文本分类等领域的应用取得了显著成效(高君宇等,2016;李红等,2016;彭运赛等,2020;何力等,2021)。为了实现井下声发射信号智能化多分类,本文从波形图像特征出发,首先对原始波形进行降噪预处理,滤除部分由监测设备电流产生的背景噪声,提出了一种改进的自适应完备集合经验模态分解方法;然后,将波形图像输入到DCNN中进行特征提取和波形分类,实现井下围岩体声发射信号和采掘作业噪声信号的多分类。该研究能够为矿山声发射监测预警系统提供可靠的数据支持,降低地压监测预警过程中的错误预警概率,确保矿山安全生产作业。
1 改进CEEMDAN算法
改进CEEMDAN算法是在CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adap-tive Noise,CEEMDAN)(李婷,2017)基础上增加自适应阈值降噪和剔除部分伪分量。Wu et al.(2009)指出添加白噪声时幅值选定原始信号标准差的0.1倍至0.2倍。改进CEEMDAN算法描述如下:首先,对原始信号进行CEEMDAN分解,得到若干IMF分量;然后,联合阈值筛选最优IMF分量。
由CEEMDAN分解的实质可知,部分分量是伪分量或白噪声分量。相关性系数可以表征IMF分量与原始信号的相关度,IMF分量相关性系数越大,所包含的信息越大,则伪分量的相关性系数较小。排列熵可以表征波形时间序列复杂度,白噪声分量的排列熵值较大,郑近德等(2013)给出排列熵(Permutation Entropy,PE)的原理及定义。本文通过相关性系数和排列熵值自适应剔除伪分量和噪声分量,与原始信号的相关系数大于等于
其中,相关性系数计算公式如下:
式中:xi 为原始时间序列x中第i个元素;
Albert et al.(2010)给出相关系数阈值和排列熵阈值的计算公式,本文进行参数修正,具体公式为
式中:
对所有IMF分量进行筛选后,重构保留下来的IMF分量,得到重构信号,即降噪后信号。
2 卷积神经网络原理
卷积神经网络(CNN)是深度学习的代表算法之一,是一类具有卷积层和深度结构的前馈神经网络。卷积层的功能是对输入数据进行高维特征的提取。卷积层中的神经元与前一层的多个神经元相连,在工作中,卷积核会有规律地依次扫过输入特征矩阵,在感受野内对输入特征做矩阵乘法运算并叠加偏差量。卷积神经网络通常使用的激励函数为线性整流函数(Rectified Linear Unit,ReLU)。在深层网络训练过程中,由于参数的调整导致每一层的输入发生变化,上层的网络需要不断去适应数据分布的变化,经过每一层的线性变换与非线性激活映射,这些微弱变换随着网络层数的增加被放大,导致学习速度降低,减缓了网络收敛速度。批量正则化(Batch Normalization)能简化计算过程,提高网络的运行速度,且尽可能保留了处理前后数据的表达能力。
在网络训练中,由于模型参数太多,训练出的模型会出现过拟合现象。Dropout可作为训练深度神经网络的一种技巧,在前向传播时,通过让神经元以一定概率停止工作来提高模型的泛化能力,弱化对某些局部特征的依赖。CNN结构中,一般在卷积层和池化层后面连接1个或1个以上的全连接层。Softmax分类器是CNN常用的分类器,通过全连接层对特征进行线性组合后采用Softmax逻辑回归进行分类。Softmax分类器得到的是样本属于不同类别的概率分布。
3 改进CEEMDAN-DCNN波形识别分类模型
基于改进CEEMDAN-DCNN波形多分类模型主要包括信号采集与划分、改进CEEMDAN分解样本信号、创建数据集、DCNN设计与训练以及波形分类识别,流程如图1所示,图中标签分别为被识别波形的类型。
图1
图1
改进CEEMDAN-DCNN波形识别分类模型
Fig.1
Improved CEEMDAN-DCNN waveform recognition and classification model
4 仿真试验及实例分析
4.1 仿真试验
利用MATLAB2018b编码生成仿真信号,采用高斯脉冲信号和高频低幅信号合成来模拟含有噪声信号的声发射信号,仿真信号分为x1(t)、x2(t)和s(t)。其中,x1(t)为高斯脉冲信号;x2(t)为高频正弦信号,频率为10 Hz;s(t)为合成信号。
采用CEEMD、CEEMDAN和改进CEEMDAN分别对上述仿真合成信号s进行分解,3种方法的参数选择及性能比较如表1所示。
4.2 实例分析
(1)建立原始数据集
表1 CEEMD、CEEMDAN及改进CEEMDAN法参数及性能比较
Table 1
方法 | 噪声个数 | 噪声幅值 | 噪声标准差 | 迭代次数 | 嵌入维数 | 时间延迟 | 计算耗时/s | 正交性指标 |
---|---|---|---|---|---|---|---|---|
CEEMD | 35×2 | 0.2 | - | - | - | - | 23.0798 | 0.0879 |
CEEMDAN | 70 | 0.2 | 0.1 | 200 | - | - | 8.5336 | 0.0318 |
改进CEEMDAN | 70 | 0.2 | 0.1 | 200 | 6 | 1 | 4.0067 | 3.8396e-4 |
图2
图3
图4
图4
仿真信号CEEMDAN分解结果
Fig.4
Decomposition results of simulation signal by CEEMDAN
图5
图5
仿真信号改进CEEMDAN分解结果
Fig.5
Decomposition results of simulation signal by improved CEEMDAN
研究所用数据为盘龙铅锌矿地压监测系统2020年3月10日获取的部分声发射监测信号数据。本次试验共选取了2 800个不同类别的声发射信号波形进行识别试验,样本集划分为训练集和测试集,训练集和测试集(比例为5∶2)随机选取,其中训练集样本为2 000个,每类波形为500个,测试集样本为800个,每类波形为200个。每一个波形有1 024个采样点,采样频率为50 kHz。
(2)数据预处理
②对上述分解结果中的IMF分量计算多尺度排列熵值和相关性系数。具体数值如表3所示。
图6
图6
声发射监测系统网络结构示意图
Fig.6
Schematic diagram of network structure of acoustic emission monitoring system
图7
表2 改进CEEMDAN分解参数
Table 2
方法 | 噪声 个数 | 噪声 幅值 | 噪声 标准差 | 迭代 次数 | 嵌入 维数 | 时间 延迟 |
---|---|---|---|---|---|---|
改进CEEMDAN | 70 | 0.2 | 0.1 | 200 | 6 | 1 |
图8
图8
围岩体声发射波形CEEMDAN分解结果
Fig.8
Decomposition results of AE waveform of surrounding rock by CEEMDAN
③计算联合阈值
表3 IMF分量的PE值和相关系数
Table 3
分量 | 排列熵值 | 相关性系数 |
---|---|---|
IMF1 | 0.91 | 0.14 |
IMF2 | 0.74 | 0.92 |
IMF3 | 0.68 | 0.7 |
IMF4 | 0.67 | 0.61 |
IMF5 | 0.58 | 0.58 |
IMF6 | 0.50 | 0.38 |
IMF7 | 0.42 | 0.30 |
IMF8 | 0.21 | 0.15 |
图9
图9
围岩体声发射信号改进CEEMDAN分解结果
Fig.9
Decomposition results of AE signal of surrounding rock by improved CEEMDAN
图10
图10
围岩体声发射事件原始波形及降噪后信号对比
Fig.10
Comparison of original waveform and signal after noise reduction of AE events in surrounding rock
对比降噪前后的围岩体声发射信号,如图10所示,可以看出,原始信号中的背景噪声明显减少,为下一步卷积神经网络提取特征减少了难度,增加各类信号的辨识度。
(3)建立深度卷积神经网络
根据一般网络设计原则,通过个人经验和反复试验调整相关参数,最终得到模型结构的参数。对比卷积神经网络各层作用及影响,深度对网络的影响大于卷积核尺寸和池化核尺寸,胡茑庆等(2019)指出在一个CNN结构中,卷积层对网络的性能影响最大。采用一维深度卷积神经网络对各类波形分类识别,针对本文的应用场景及分类难度,选择dropout和Batch Normalization来优化模型。网络结构主要包括卷积层、dropout、Batch Normalization和全连接层,具体网络如表4所示。本文选取随机梯度下降优化算法(Stochastic Gradient Descent,SGD)来训练网络模型,确定网络参数权重和偏差。SGD有效避免了相似样本的冗余计算,通常运行更快,SGD的高震荡性使得迭代跳出当前局部最小值寻找更好的局部最小值。
表4 DCNN模型主要结构参数
Table 4
网络层 | 输出 | 卷积核尺寸/步长 | padding | 激活函数 |
---|---|---|---|---|
输入层 | 1×1 024 | - | - | - |
卷积层C1 | 1×64 | 1×3/1 | same | ReLU |
DropoutD1 | 1×64 | 比率:0.2 | ||
卷积层C2 | 1×256 | 1×3/1 | same | ReLU |
DropoutD2 | 1×256 | 比率:0.2 | ||
卷积层C3 | 1×32 | 1×3/1 | same | ReLU |
DropoutD3 | 1×32 | 比率:0.2 | ||
卷积层C4 | 1×32 | 1×3/1 | same | ReLU |
DropoutD4 | 1×32 | 比率:0.2 | ||
卷积层C5 | 1×32 | 1×3/1 | same | ReLU |
DropoutD5 | 1×32 | 比率:0.2 | ||
卷积层C6 | 1×32 | 1×3/1 | same | ReLU |
DropoutD6 | 1×32 | 比率:0.2 | ||
全连接层F1 | 1×512 | - | - | ReLU |
dropout | 1×512 | 比率:0.5 | ||
全连接层F2 | 1×4 | - | - | - |
(4)波形识别结果与分析
①评价指标。为了评估分类模型的性能,采用4个指标(准确率、精确率、召回率和计算时间)进行评估。其中,准确率、精确率和召回率计算公式详见胡茑庆等(2019)。这些指标可以反映声发射监测系统的需求,在声发射监测系统中,事件数、事件率和能量率等参数超过阈值会引发报警,因此,一个良好的分类模型能使召回率和精确率实现最大化。
②试验结果及分析。基于同一数据集,采用本文提出的方法、传统诊断方法SVM、ANN、本文DCNN模型及董陇军等(2020)提出的CNN模型分别进行了波形识别分类。其中,SVM结构如下:核函数为高斯径向基函数,惩罚因子为8,核函数半径为0.4,其他参数设置为默认。ANN结构根据经验和试验设定如下:隐含层含有200个神经元,学习率为0.1,动量因子为0.05,最大迭代次数为200次。
为了更好地说明本文方法的分类准确率和收敛性能,计算了测试集每一步的准确率和损失率,结果如图11所示。
5 结论
(1)针对声发射监测设备接收到的波形识别分类较难的问题,提出了一种基于改进CEEMDAN-DCNN的波形分类识别方法,结合改进CEEMDAN自适应分析、处理非线性、非平稳信号的优势和DCNN自动提取高维特征的能力,实现井下信号源的智能化多分类。
表5 本文方法与SVM、ANN及CNN性能对比
Table 5
评估指标 | 本文方法 | DCNN | SVM | ANN | CNN |
---|---|---|---|---|---|
准确率/% | 97.12( | 93.44( | 84.11( | 69.77( | 89.23( |
精确率/% | 97.25( | 93.35( | 84.09( | 68.26( | 89.13( |
召回率/% | 98.09( | 91.43( | 83.52( | 68.83( | 90.69( |
计算时间/s | 5.67( | 7.72( | 20.19( | 22.10( | 10.65( |
图11
图11
测试集分类准确率和损失率函数曲线
Fig.11
Curves of test set classification accuracy and loss rate function
(2)为了验证改进CEEMDAN算法的优势,构建了仿真信号,模拟含有噪声信号的围岩体声发射信号,通过联合阈值剔除背景噪声分量和伪分量。结果表明,改进CEEMDAN算法能剔除噪声信号和部分伪分量,较好地保留了信号的本质特征。
(3)通过试验测试,本文提出的改进CEE-MDAN-DCNN法波形分类的准确率达到97.12%,相比传统的SVM、ANN和CNN法,波形分类的准确率较高,且稳定性较好。信号经过改进CEEMDAN预处理后,DCNN分类识别的准确度提高了。
(4)本文波形识别分类方法较准确地识别出围岩体声发射事件和非围岩体声发射事件,为地压监测预警预报模型提供可靠的基础研究数据,增加地压监测安全预警预报的准确性。
http://www.goldsci.ac.cn/article/2022/1005-2518/1005-2518-2022-30-2-209.shtml
参考文献
A criterion of selecting relevant intrinsic mode functions in empirical mode decomposition
[J].,
Real-time recognition algorithm for microseismic signals of rock failure based on STA/LTA and its engineering application
[J].,
Method for feature extraction and classification of mine microseismic signals based on EWT_Hankel_SVD
[J].,
A statistical method to identify blasts and microseismic events and its engineering application
[J].,
Discrimination of mining microseismic events and blasts using convolutional neural networks and original waveform
[J].,
Robust vision tracking method via deep learning
[J].,
Pipeline leakage signal recognition based on improved ELMD and multi-scale entropy
[J].,
Advances in text classification technology based on deep learning
[J]. ,
Fault diagnosis for planetary gearbox based on EMD and deep convolutional neural networks
[J].,
Application of FFT spectrum analysis to identify microseismic signals
[J].,
Automatic classification of seismic events within a regional seismograph network
[J].,
Remote sensing image fusion based on deep support value learning networks
[J].,
Research in Locomotive Bearing Fault Diagnosis Method Based on Signal Modal Decomposition
[D].
Feature extraction and classification method of mine microseismic signals based on LMD and pattern recognition
[J]. ,
Feature extraction and classification of mine microseismic signals based on EEMD and correlation dimension
[J]. ,
Stability analysis of rockmass based on acoustic emission monitoring in deep stope
[J].,
Automatic classification of microseismic records in underground mining:A deep learning approach
[J]. ,
Fault diagnosis of traction battery pack based on improved convolution neural network and information fusion
[J].,
Ensemble empirical mode decomposition:A noise assisted data analysis method
[J].,
Recognition of microseismic waveforms based on EMD and morphological fractal dimension
[J]. ,
Modified EEMD algorithm and its applications
[J].,
A review of convolutional neural networks
[J].,
Study on energy distribution characters about blasting vibration and rock fracture microseismic signal
[J].,
基于STA/LTA岩石破裂微震信号实时识别算法及工程应用
[J].,
基于EWT_Hankel_SVD的矿山微震信号特征提取及分类方法
[J].,
微震与爆破事件统计识别方法及工程应用
[J].,
基于卷积神经网络与原始波形的微震与爆破事件辨识方法
[J].,
基于深度学习的鲁棒性视觉跟踪方法
[J].,
基于改进ELMD和多尺度熵的管道泄漏信号识别
[J].,
基于深度学习的文本分类技术研究进展
[J].,
基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法
[J]. ,
FFT频谱分析在微震信号识别中的应用
[J].,
基于深度支撑值学习网络的遥感图像融合
[J]. ,
基于信号模态分解的机车轴承故障诊断方法研究
[D].
基于LMD和模式识别的矿山微震信号特征提取及分类方法
[J].,
基于EEMD和关联维数的矿山微震信号特征提取和分类
[J].,
基于声发射监测的深部采场岩体稳定性分析
[J].,
基于改进CNN和信息融合的动力电池组故障诊断方法
[J]. ,
基于EMD和形态分形维数的微震波形识别
[J]. ,
改进的 EEMD 算法及其应用研究
[J].,
卷积神经网络研究综述
[J].,
爆破震动与岩石破裂微震信号能量分布特征研究
[J].,
/
〈 | 〉 |