一种基于深度学习的微震信号分类辨识方法技术

本发明专利技术公开了一种基于深度学习的微震信号分类辨识方法，属于信号分析及识别领域。本发明专利技术方法包括以下步骤：步骤1、建立微震信号与爆破信号的样本数据库；步骤2、提取样本信号的主频、峰后衰减系数和能量重心系数特征，构成样本特征数据训练集和测试集；步骤3、使用样本特征数据训练集训练深度神经网络分类辨识模型，利用测试集数据验证信号分类辨识模型的分类辨识效果，并通过交叉训练不断提升分类精度；步骤4、提取待辨识信号的特征向量，输入信号分类模型中，得到辨识结果。本发明专利技术方法具有算法简单、自适应性和实时性强、辨识准确率高的特点，能对煤矿微震信号和爆破信号进行有效的分类，具有很好的技术价值和应用前景。

A Classification and Identification Method of Microseismic Signals Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的微震信号分类辨识方法
本专利技术属于信号分析及识别领域，具体涉及一种基于深度学习的微震信号分类辨识方法。
技术介绍
煤矿微震监测系统采集到的信号中除了大量有效的煤岩破裂微震信号，还包含了煤矿爆破作业产生的大量爆破震动信号，煤岩破裂微震信号波形与爆破震动信号波形又极为相似，需将煤岩破裂微震信号从海量监测数据中识别出来，采用人工识别方式，识别难度大，工作效率低。目前，国内外对煤矿微震信号和爆破信号的识别方法主要包括傅里叶变换、小波变换、小波包变换和经验模态分解(EmpiricalModeDecomposition,EMD)等。如传统的傅里叶变换主要用于分析周期性平稳信号，对包含有尖峰和突变的随机性、非平稳性微震信号分析效果欠佳；EMD方法存在边界效应及模态混叠现象，导致EMD分解信号具有不稳定性和不唯一性，EMD的这些缺陷使得在信号辨识时难免存在弊端。这些方法用于信号分析时均存在一定程度的解决了两类震动信号的辨识问题，但忽略了当前煤矿监测大数据环境和深度学习等新一代信息化技术在信号分类辨识技术中的应用，影响了信号分类辨识精度的进一步提高。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的微震信号分类辨识方法，从煤岩破裂微震信号和爆破震动信号中提取辨识敏感特征，应用深度学习技术，构建基于深度神经网络的两类震动信号分类辨识模型，利用分类器对测试集数据进行识别。为了实现上述目的，本专利技术采用了如下技术方案：一种基于深度学习的微震信号分类辨识方法，依次包括如下步骤：步骤1：分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集；步骤2：提取M个煤岩破裂微震信号和N个爆破震动信号的主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集；步骤3：基于四层深度神经网络构建煤岩破裂微震信号与爆破震动信号的分类辨识模型，用训练集数据训练该信号分类模型，利用测试集数据验证信号分类模型的分类辨识效果，通过交叉训练不断提升分类精度；步骤4：提取待辨识信号的特征向量，输入所述的分类辨识模型中，得到辨识结果。进一步的，步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的主频Fm的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；步骤2.1.1：根据式(1)计算得到信号的频谱；式(1)中，X(ω)为信号x(t)的频谱，j2＝-1；步骤2.1.2：根据式(2)计算信号的主频：Fm＝max(X(ω))(2)。进一步的，步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的峰后衰减系数b的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；采用长短时窗法(STA/LTA)自动拾取信号的终止时刻点，其中：CF(j)＝x(j)2-x(j-1)·x(j+1)(6)上述式(3)-式(6)中：i为第i个采样点，sn为短时窗长度，ln为长时窗长度，λ为STA/LTA的触发阀值，CF(j)为j时刻的关于信息的特征函数值；求解信号峰后衰减系数b的具体步骤如下：步骤2.2.1：利用长短时窗法拾取信号的终止时刻点；步骤2.2.2：利用三次样条插值法求取信号的包络线；步骤2.2.3：利用式(7)对包络线进行拟合；x＝atb(7)式(7)中：x为信号振幅，t为采样点，a、b为拟合参数；参数a与信号峰相关，参数b与信号衰减速率相关，通常b值越大，信号的衰减速率越快，反之亦然；因此将参数b定义为信号的衰减系数。进一步的，步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的能量重心系数Cx的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；步骤2.3.1：对信号x(t)，t＝1,2,…,T进行VMD分解，得到的K个变分模态分量，记为{U1,…,Uk,…,UK}；步骤2.3.2：根据式(8)计算各分量Uk对应的能量为Ek，即式(8)中，xki(k＝1,2,…,K；i＝1,2,…,T)为第k个变分模态分量Uk的离散点幅值，T为信号的采样点个数，K为变分模态个数；步骤2.3.3：根据式(9)计算各模态分量能量占原始信号总能量的百分比为；得到能量分布特征向量P＝(P(1),…,P(k),…,P(E))，并构造能量分布平面；步骤2.3.4：根据式(10)计算能量分布X轴能量重心系数Cx(0<Cx≤1)：进一步的，在步骤3中，所述的四层的深度神经网络中包括输入层、输出层和两层隐含层，两层隐含层分别包含10个隐含神经元。本专利技术原理如下：为实现煤岩破裂微震信号和爆破震动信号的有效分类辨识，本专利技术应用深度学习技术，以两种震动信号的三个敏感辨识特征为辨识特征向量，构建基于深度神经网络的分类辨识模型。首先从历史监测数据中选择M个起跳明显的煤岩破裂微震信号和N个典型爆破震动信号构成样本数据集；分别对M个微震信号和N个爆破信号提取主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集；基于四层深度神经网络构建分类辨识模型，利用训练集数据训练信号分类模型，利用训练好的信号分类模型，对测试集数据进行识别，通过交叉训练法不断提升分类精度；提取待辨识信号的特征向量，输入信号模型中，得到辨识结果。该方法可以实现对煤岩破裂微震信号和爆破震动信号的有效辨识。与现有技术相比，本专利技术带来了以下有益技术效果：本专利技术基于当前煤矿监测大数据环境，根据煤岩破裂微震信号和爆破震动信号的自身特性与特点，通过提取两类震动信号的辨识敏感特征，采用深度学习技术建立深度神经网络模型，训练深度神经网络分类器，实现对两类震动信号的准确、有效辨识。该方法具有算法简单、自适应性和实时性强、辨识准确率高的特点，能对煤矿煤岩破裂微震信号和爆破震动信号进行有效的分类，具有很好的技术价值和应用前景。附图说明下面结合附图对本专利技术做进一步说明：图1为本专利技术一种基于深度学习的微震信号分类辨识方法的流程图；图2为待辨识信号x(t)的示意图；图3为提取待辨识信号x(t)的主频特征示意图；图4为提取待辨识信号x(t)的峰后衰减系数特征示意图；图5为提取待辨识信号x(t)的能量重心系数特征示意图；图6为本专利技术信号分类辨识模型的四层深度神经网络结构示意图。具体实施方式本专利技术提出了一种基于深度学习的微震信号分类辨识方法，为了使本专利技术的优点、技术方案更加清楚、明确，下面结合具体实施例对本专利技术做详细说明。一种基于深度学习的微震信号分类辨识方法，其流程如图1所示，具体包括如下步骤：步骤1：分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集；步骤2：提取M个煤岩破裂微震信号和N个爆破震动信号的主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集；进一步的，步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的主频Fm的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；步骤2.1.1：根据式(1)计算得到信号的连续频谱；式(1)中，X(ω)为信号x(t)的频谱，j2＝-1；步骤2.2.2：根据式(2)计算信号的主频：Fm＝max(X(ω))(2)进一步的，步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信本文档来自技高网...

【技术保护点】
1.一种基于深度学习的微震信号分类辨识方法，其特征在于，依次包括如下步骤：步骤1：分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集；步骤2：提取M个煤岩破裂微震信号和N个爆破震动信号的主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集；步骤3：基于四层深度神经网络构建煤岩破裂微震信号与爆破震动信号的分类辨识模型，用训练集数据训练该信号分类模型，利用测试集数据验证信号分类模型的分类辨识效果，通过交叉训练不断提升分类精度；步骤4：提取待辨识信号的特征向量，输入所述的分类辨识模型中，得到辨识结果。

【技术特征摘要】
1.一种基于深度学习的微震信号分类辨识方法，其特征在于，依次包括如下步骤：步骤1：分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集；步骤2：提取M个煤岩破裂微震信号和N个爆破震动信号的主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集；步骤3：基于四层深度神经网络构建煤岩破裂微震信号与爆破震动信号的分类辨识模型，用训练集数据训练该信号分类模型，利用测试集数据验证信号分类模型的分类辨识效果，通过交叉训练不断提升分类精度；步骤4：提取待辨识信号的特征向量，输入所述的分类辨识模型中，得到辨识结果。2.根据权利要求1所述的一种基于深度学习的微震信号分类辨识方法，其特征在于：步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的主频Fm的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；步骤2.1.1：根据式(1)计算得到信号的频谱；式(1)中，X(ω)为信号x(t)的频谱，j2＝-1；步骤2.1.2：根据式(2)计算信号的主频：Fm＝max(X(ω))(2)。3.根据权利要求2所述的一种基于深度学习的微震信号分类辨识方法，其特征在于：步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的峰后衰减系数b的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；采用长短时窗法(STA/LTA)自动拾取信号的终止时刻点，其中：CF(j)＝x(j)2-x(j-1)·x(j+1)(6)上述式(3)-式(6)中：i为第i个采样点，sn为短时窗长度，ln为长时窗长度，λ为STA/LTA的触发阀值，C...

【专利技术属性】
技术研发人员：张杏莉，赵震华，卢新明，贾瑞生，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37