基于白噪声统计特征的锚杆振动信号矫正方法技术

本发明专利技术公开了一种基于白噪声统计特征的锚杆振动信号矫正方法，对布设于被测试锚杆上的锚杆振动检测单元所检测振动信号进行矫正，包括步骤：一、振动信号经验模态分解：对锚杆振动检测单元所检测振动信号进行经验模态分解，获得n个本征模态函数分量和一个趋势项；二、本征模态函数分量有效性识别：调用本征模态函数分量有效性识别模块且根据预先建立的白噪声近似熵分布区间模板，对分解出的n个本征模态函数分量分别进行有效性识别；三、信号重构：利用识别出的振动信号经验模态分解后的所有有效本征模态函数分量重构振动信号。本发明专利技术方法步骤简单、设计合理且实现方便、使用效果好，能对锚杆振动信号进行有效矫正，获得锚杆的真实振动状态。

【技术实现步骤摘要】

本专利技术涉及一种信号矫正方法，尤其是涉及一种基于白噪声统计特征的锚杆振动 信号矫正方法。
技术介绍
根据煤矿企业安全生产规程（即《煤矿安全规程》）规定，生产前要采用钻探、物 探及巷探等技术手段，探测综采工作面（简称综采面）安全距离内的地质构造、水文地质情 况、煤、岩层位及其它相关地质情况，防止瓦斯突出和突水事故的发生，确保安全生产。但 是，随着近十年来我国煤矿开采深度的加大和开采规模的提高，导致开采条件更趋复杂；而 依据传统的超前探测方法无法动态地、高分辨地跟踪综采面近场煤岩裂隙场变化。其中，综 采面近场煤岩指的是综采工作面（简称综采面）安全距离内的煤岩。因此，迫切需要找到 能够实时跟踪综采面近场采动煤岩的结构破坏与裂隙演化的动态可视化方法，从而对即将 发生事故的概率进行科学评价和预测。另外，目前常用的综采面近场煤岩探测方法有：直流 电法探测、音频电透法、瞬变电磁探测。但是上述现有的探测方法必须在综采面停产/准停 产的条件下进行专门探测施工。对处于工作状态下的综采面近场煤岩结构破坏与裂隙演化 无法进行动态测量，从而无法为煤矿安全的动态预测预警提供有效的帮助。 如能在采煤过程中对综采面近场煤岩的振动状态进行探测，从而掌握处于工作状 态下的综采面近场煤岩结构破坏与裂隙演化规律，具有重大的实际意义。采煤过程中对综 采面近场煤岩的振动状态进行探测时，将振动检测单元布设在综采面两侧回采巷道内的锚 杆上，将测试得出的锚杆振动信号作为综采面近场煤岩该位置处的振动信号，具有安装布 设方便、投入成本低、检测效果好等优点。为提高综采面近场煤岩振动状态的探测精度，需 对检测出的锚杆振动信号进行矫正，主要目的在于去除锚杆振动信号中含有的噪声信号。 经验模态分解（EMD)是一种常用的信号去噪方法，EMD是将信号自适应地分解为一系列頂F 分量（即本征模态函数分量），但分解出的部分IMF分量并没有从物理上解释信号的特征， 该分量被称之为虚假分量（false intrinsic mode functions，FIMF)。由于EMD利用信号 的局部极值信息筛选IMF分量是导致虚假模态产生的一个原因，另外由于所检测的振动信 号中混入噪声干扰，使得真实信号中出现虚假极值点，同样导致了一些高频噪声和低频分 量等虚假模态。因而，需设计一种方法步骤简单、设计合理且实现方便、使用效果好的基于 白噪声统计特征的锚杆振动信号矫正方法，能对锚杆振动信号进行有效矫正，获得锚杆的 真实振动状态。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于白噪 声统计特征的锚杆振动信号矫正方法，其方法步骤简单、设计合理且实现方便、使用效果 好，能对锚杆振动信号进行有效矫正，获得锚杆的真实振动状态。 为解决上述技术问题，本专利技术采用的技术方案是：一种基于白噪声统计特征的锚 杆振动信号矫正方法，其特征在于：采用数据处理设备对布设于被测试锚杆上的锚杆振动 检测单元所检测振动信号X(t)进行矫正，包括以下步骤： 步骤一、振动信号经验模态分解：调用经验模态分解模块，对锚杆振动检测单元所 检测振动信号X (t)进行经验模态分解，获得η个本征模态函数分量和一个趋势项；η个本 征模态函数分量和一个趋势项均为离散函数； 其中，振动信号x(t)为锚杆的振动位移或振动加速度随时间变化的函数；振动信 号X(t)的经验模态分解结果为：40 = ⑴+⑶）⑴，式⑴中C1⑴为振动信号 拉1 X(t)经验模态分解后获得的第i个本征模态函数分量，i为正整数且其本征模态函数分量 的编号，i = 1、2、"·、η ;rn(t)为振动信号x(t)经验模态分解后获得的趋势项； 步骤二、本征模态函数分量有效性识别：调用本征模态函数分量有效性识别模块， 且根据预先建立的白噪声近似熵分布区间模板，对步骤一中分解出的振动信号x(t)的η 个本征模态函数分量分别进行有效性识别；η个本征模态函数分量的有效性识别方法均相 同； 对所述白噪声近似熵分布区间模板进行建立时，采用所述数据处理设备进行建 立，过程如下： 步骤I、样本获取：产生多个随机白噪声信号作为样本，多个所述白噪声信号的数 据长度均相同； 其中，产生的第j个随机白噪声信号，记作Mt) ;j为随机白噪声信号的编号且 其为正整数，j = 1、2、…、N ;N为本步骤中所产生随机白噪声信号的总数量； 步骤II、经验模态分解：调用所述经验模态分解模块，对步骤I中各白噪声信号分 别进行经验模态分解，获得各白噪声信号的η个本征模态函数分量和一个趋势项；η个本征 模态函数分量和一个趋势项均为离散函数； 其中，ζ Jt)的经验模态分解结果为：qw = ⑴ （1)，式⑴中 /=1 C1,, (t)为ζ , (t)经验模态分解后获得的第i个本征模态函数分量，, (t)为ζ , (t)经验 模态分解后获得的趋势项； 步骤III、近似熵与平均周期自然对数计算：调用近似熵计算模块，对步骤II中各白 噪声信号的η个本征模态函数分量的近似熵分别进行计算；同时，调用平均周期计算模块， 对各白噪声信号的η个本征模态函数分量的平均周期分别进行计算，并求解出各白噪声信 号的η个本征模态函数分量的平均周期对数；其中，平均周期对数为平均周期的自然对数； 步骤IV、二维联合概率密度函数确定：根据步骤III中计算得出的各白噪声信号的 η个本征模态函数分量的近似熵和平均周期对数，调用二维联合概率密度函数确定模块，获 取白噪声信号的η个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函 数； 其中，根据步骤III中计算得出的N个所述白噪声信号的第i个本征模态函数分 量的近似熵和平均周期对数，且调用所述二维联合概率密度函数确定模块，得出白噪声信 号的第i个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数，记作 f (P1, h);其中，？1和t i分别表示白噪声信号的第i个本征模态函数分量的近似熵与平均周 期对数； 步骤V、白噪声近似熵分布区间模板获取：根据步骤IV中获得的白噪声信号的η 个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数，获得白噪声信号 的η个本征模态函数分量的置信区间；所述置信区间的置信水平为c%，其中c% = 92%~ 99% ； 其中，白噪声信号的η个本征模态函数分量的置信区间组成所述白噪声近似熵分 布区间模板； 对步骤一中分解出的第i个本征模态函数分量C1 (t)进行有效性识别时，包括以 下步骤： 步骤201、近似熵与平均周期自然对数计算：调用步骤III中所述近似熵计算模块， 计算得出C 1 (t)的近似熵；同时，调用步骤III中所述平均周期计算模块，计算得出C1 (t)的平 均周期对数； 步骤202、有效性识别：根据步骤201中计算得出的C1 (t)的近似熵与平均周期 自然对数，判断C1 (t)是否落入步骤V中获得的白噪声信号的第i个本征模态函数分量的 置信区间内：当落入步骤V中获得的白噪声信号的第i个本征模态函数分量的置信区间内 时，说明C 1 (t)为有效本征模态函数分量；否则，说明C1 (t)为虚假本征模态函数分量； 步骤203、多次重复步骤201至步骤202,直至完成步骤一中分解出的η个本征本文档来自技高网...

【技术保护点】
一种基于白噪声统计特征的锚杆振动信号矫正方法，其特征在于：采用数据处理设备对布设于被测试锚杆(6)上的锚杆振动检测单元(8)所检测振动信号x(t)进行矫正，包括以下步骤：步骤一、振动信号经验模态分解：调用经验模态分解模块，对锚杆振动检测单元(8)所检测振动信号x(t)进行经验模态分解，获得n个本征模态函数分量和一个趋势项；n个本征模态函数分量和一个趋势项均为离散函数；其中，振动信号x(t)为锚杆(6)的振动位移或振动加速度随时间变化的函数；振动信号x(t)的经验模态分解结果为：式(1)中ci(t)为振动信号x(t)经验模态分解后获得的第i个本征模态函数分量，i为正整数且其本征模态函数分量的编号，i＝1、2、…、n；rn(t)为振动信号x(t)经验模态分解后获得的趋势项；步骤二、本征模态函数分量有效性识别：调用本征模态函数分量有效性识别模块，且根据预先建立的白噪声近似熵分布区间模板，对步骤一中分解出的振动信号x(t)的n个本征模态函数分量分别进行有效性识别；n个本征模态函数分量的有效性识别方法均相同；对所述白噪声近似熵分布区间模板进行建立时，采用所述数据处理设备进行建立，过程如下：步骤Ⅰ、样本获取：产生多个随机白噪声信号作为样本，多个所述白噪声信号的数据长度均相同；其中，产生的第j个随机白噪声信号，记作ζj(t)；j为随机白噪声信号的编号且其为正整数，j＝1、2、…、N；N为本步骤中所产生随机白噪声信号的总数量；步骤Ⅱ、经验模态分解：调用所述经验模态分解模块，对步骤Ⅰ中各白噪声信号分别进行经验模态分解，获得各白噪声信号的n个本征模态函数分量和一个趋势项；n个本征模态函数分量和一个趋势项均为离散函数；其中，ζj(t)的经验模态分解结果为：式(1)中ci,j(t)为ζj(t)经验模态分解后获得的第i个本征模态函数分量，rn,j(t)为ζj(t)经验模态分解后获得的趋势项；步骤Ⅲ、近似熵与平均周期自然对数计算：调用近似熵计算模块，对步骤Ⅱ中各白噪声信号的n个本征模态函数分量的近似熵分别进行计算；同时，调用平均周期计算模块，对各白噪声信号的n个本征模态函数分量的平均周期分别进行计算，并求解出各白噪声信号的n个本征模态函数分量的平均周期对数；其中，平均周期对数为平均周期的自然对数；步骤Ⅳ、二维联合概率密度函数确定：根据步骤Ⅲ中计算得出的各白噪声信号的n个本征模态函数分量的近似熵和平均周期对数，调用二维联合概率密度函数确定模块，获取白噪声信号的n个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数；其中，根据步骤Ⅲ中计算得出的N个所述白噪声信号的第i个本征模态函数分量的近似熵和平均周期对数，且调用所述二维联合概率密度函数确定模块，得出白噪声信号的第i个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数，记作f(pi,ti)；其中，pi和ti分别表示白噪声信号的第i个本征模态函数分量的近似熵与平均周期对数；步骤Ⅴ、白噪声近似熵分布区间模板获取：根据步骤Ⅳ中获得的白噪声信号的n个本征模态函数分量的近似熵与平均周期对数的二维联合概率密度函数，获得白噪声信号的n个本征模态函数分量的置信区间；所述置信区间的置信水平为c％，其中c％＝92％～99％；其中，白噪声信号的n个本征模态函数分量的置信区间组成所述白噪声近似熵分布区间模板；对步骤一中分解出的第i个本征模态函数分量ci(t)进行有效性识别时，包括以下步骤：步骤201、近似熵与平均周期自然对数计算：调用步骤Ⅲ中所述近似熵计算模块，计算得出ci(t)的近似熵；同时，调用步骤Ⅲ中所述平均周期计算模块，计算得出ci(t)的平均周期对数；步骤202、有效性识别：根据步骤201中计算得出的ci(t)的近似熵与平均周期自然对数，判断ci(t)是否落入步骤Ⅴ中获得的白噪声信号的第i个本征模态函数分量的置信区间内：当落入步骤Ⅴ中获得的白噪声信号的第i个本征模态函数分量的置信区间内时，说明ci(t)为有效本征模态函数分量；否则，说明ci(t)为虚假本征模态函数分量；步骤203、多次重复步骤201至步骤202，直至完成步骤一中分解出的n个本征模态函数分量的有效性识别过程，获得振动信号x(t)经验模态分解后的所有有效本征模态函数分量；步骤三、信号重构：利用步骤203中获得的振动信号x(t)经验模态分解后的所有有效本征模态函数分量和步骤一中分解出的趋势项，重构出振动信号x'(t)；x'(t)为对振动信号x(t)进行矫正后获得的信号。...

【技术特征摘要】

【专利技术属性】
技术研发人员：赵栓峰，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61