一种基于隐半马尔科夫模型的微震信号分割方法技术

本发明专利技术公开了一种基于隐半马尔科夫模型的微震信号分割方法，涉及煤矿开采微震监测技术领域，解决了微震信号P波整体拾取不够精准的技术问题，其技术方案要点是使用隐半马尔科夫模型对微震信号建模，将信号中有无微震事件发生视为HSMM中的状态转换过程，并考虑状态驻留时间。使用微震信号的特征序列训练HSMM，训练后的HSMM，可以自动学习到有无微震事件发生时信号的幅值变化特性，因此可以准确的捕捉微震事件发生的初始时刻及其持续的时间，从而实现对微震信号的分割。现对微震信号的分割。现对微震信号的分割。

【技术实现步骤摘要】
一种基于隐半马尔科夫模型的微震信号分割方法


[0001]本申请涉及煤矿开采微震监测
，尤其涉及一种基于隐半马尔科夫模型的微震信号分割方法。

技术介绍

[0002]在煤矿开采过程中，往往伴随着许多可能发生的灾害，如矿井微震、冲击地压、顶板灾害以及瓦斯突出等，严重影响了煤矿的安全开采。为减少灾害的发生，对灾害及时预警，微震监测技术被广泛应用于煤矿开采。通过采集和分析围岩发生形变或破坏时所发出的弹性波，即微震信号，对预防预警煤岩动力灾害起着关键作用。微震定位是微震监测技术中关键的内容，但是由于煤矿井下开采环境的复杂性，影响微震定位精度的因素有很多，微震信号P波初至拾取就是其中之一。P波初至拾取的准确度是微震定位，乃至煤岩动力灾害预测预警的关键。
[0003]微震信号拾取虽然受到广泛关注和研究，但是大部分研究仅仅针对初至时刻的拾取，同时考虑初至时刻与结束时刻拾取的研究较少，整体拾取即为微震信号的分割。在复杂的工作环境中，微震监测采集到的数据往往不只含有岩体破裂信号，还伴随着爆破信号、电磁干扰信号以及钻机凿岩信号等。为了有效的实现微震信号的识别、分类与分析等后续工作，微震信号的分割是首要前提。

技术实现思路

[0004]本申请提供了一种基于隐半马尔科夫模型的微震信号分割方法，其技术目的是在保证微震信号P波初至拾取精确度的同时，对微震信号的结束时刻进行拾取，从而实现微震信号的分割。
[0005]本申请的上述技术目的是通过以下技术方案得以实现的：
[0006]一种基于隐半马尔科夫模型的微震信号分割方法，包括：
[0007]S1：采集原始微震信号X并对其进行预处理，得到预处理后的微震信号X'；其中，X＝{x1,x2,...,x
T
}；
[0008]S2：对微震信号X'进行特征提取，得到微震信号X'的特征序列E
A
'；
[0009]S3：将多个微震信号的特征序列E
A
'构成的特征序列集划分为训练集和测试集；
[0010]S4：使用隐半马尔科夫模型对微震信号X'建模，包括：微震信号X'中的每一个时刻对应一个状态，由此构成隐半马尔科夫模型中的隐藏状态序列I＝{i1,i2,...,i
r
}，微震信号X'的特征序列E
A
'作为隐半马尔科夫模型中观测序列O＝{o1,o2,...,o
T
}，则微震信号X'的隐半马尔科夫模型为λ＝(π,A,B,P)，表示为：
[0011][0012]其中，π表示初始状态概率向量，π
i,d
表示初始状态为q
i
且持续时间为d个时间单位的概率；A表示状态转移概率矩阵，a
(i,d')(j,d)
表示在已知前d'个时间单位内状态为q
i
的条件下，当前d个时间单位内状态为q
j
的概率；B表示观测概率矩阵，b
j,d
(O
t+1:t+d
)表示在已知状态序列i
[t+1:t+d]的状态为q
j
的条件下，其生成的观测序列为O
t+1:t+d
的概率；P表示状态驻留时间概率矩阵，p
i
(d)表示状态q
i
持续d个时间单位的概率；
[0013]S5：对λ的参数进行初始化，包括：通过训练集中的特征序列E
A
'对λ的初始参数进行统计；
[0014]S6：对最优参数进行估计，并获取最优参数对应的模型表示为λ
*
＝(π,A,B,P)；
[0015]S7：将测试集中的特征序列作为模型λ
*
的观测序列，基于维特比算法对观测序列中对应的隐藏状态序列进行估计，得到估计隐藏状态序列I'＝{i1,i2,...,i
T
}；
[0016]S8：根据估计隐藏状态序列I'＝{i1,i2,...,i
T
}获取微震事件的初至时刻和结束时刻，最终实现微震信号的分割。
[0017]本申请的有益效果在于：使用隐半马尔科夫模型对微震信号建模，将信号中有无微震事件发生视为HSMM中的状态转换过程，并考虑状态驻留时间。使用微震信号的特征序列训练HSMM，训练后的HSMM，可以自动学习到有无微震事件发生时信号的幅值变化特性，因此可以准确的捕捉微震事件发生的初始时刻及其持续的时间，从而实现对微震信号的分割。
附图说明
[0018]图1为基于隐半马尔科夫模型的微震信号分割方法流程图；
[0019]图2为预处理前后的微震信号对比示意图；
[0020]图3为微震信号的归一化香农能量包络示意图；
[0021]图4为给定微震信号的特征序列，使用维特比算法估计出的隐藏状态序列示意图；
[0022]图5为不同方法与本申请所述方法的P波初至拾取结果对比示意图；
[0023]图6为单一微震事件分割结果示意图；
[0024]图7为多个微震事件分割结果示意图。
具体实施方式
[0025]下面将结合附图对本申请技术方案进行详细说明。
[0026]如图1所示，本申请所述的基于隐半马尔科夫模型的微震信号分割方法，包括：
[0027]S1：采集原始微震信号X并对其进行预处理，得到预处理后的微震信号X'；其中，X＝{x1,x2,...,x
T
}。
[0028]具体地，采集某矿的真实微震信号，即原始微震信号X，采用变分模态分解将X分解为K个模态分量，通过频谱分析对K个模态分量中的高频噪声分量进行去除，剩下的模态分量相加重构即得到去噪后的微震信号X
denoise
，对去噪后的微震信号X
denoise
进行幅值归一化得到预处理后的微震信号X'，表示为：X'＝X
denoise
/max(|X
denoise
)。图2示出了预处理前后的微震信号对比。
[0029]采用变分模态分解对原始微震信号去噪时，基于遗传算法，以分解的模态个数K和惩罚系数α为染色体，以分解出来的模态分量的样本熵为适应度函数，迭代寻找最优的参数
K和α；基于微震信号特性，去除频率大于500hz的模态分量(即高频噪声分量)，剩余模态分量相加重构即为去噪后的微震信号X
denoise
。
[0030]S2：对微震信号X'进行特征提取，得到微震信号X'的特征序列E
A
'。
[0031]具体地，步骤S2包括：
[0032]S21：对微震信号X'的香农能量进行计算，表示为：E＝
‑
X'2log(X'2)；
[0033]S22:对香农能量包络E
A
进行计算，表示为：其中，N表示滑动窗长度，N＝20，k表示滑动窗内的样本点索引；
[0034]S23:对香农能量包络E...

【技术保护点】

【技术特征摘要】
1.一种基于隐半马尔科夫模型的微震信号分割方法，其特征在于，包括：S1：采集原始微震信号X并对其进行预处理，得到预处理后的微震信号X
′
；其中，X＝{x1,x2,...,x
T
}；S2：对微震信号X
′
进行特征提取，得到微震信号X
′
的特征序列E
A
′
；S3：将多个微震信号的特征序列E
A
'构成的特征序列集划分为训练集和测试集；S4：使用隐半马尔科夫模型对微震信号X'建模，包括：微震信号X'中的每一个时刻对应一个状态，由此构成隐半马尔科夫模型中的隐藏状态序列I＝{i1,i2,...,i
r
}，微震信号X'的特征序列E
A
'作为隐半马尔科夫模型中观测序列O＝{o1,o2,...,o
T
}，则微震信号X'的隐半马尔科夫模型为λ＝(π,A,B,P)，表示为：其中，π表示初始状态概率向量，π
i,d
表示初始状态为q
i
且持续时间为d个时间单位的概率；A表示状态转移概率矩阵，a
(i,d')(j,d)
表示在已知前d'个时间单位内状态为q
i
的条件下，当前d个时间单位内状态为q
j
的概率；B表示观测概率矩阵，b
j,d
(O
t+1:t+d
)表示在已知状态序列i
[t+1:t+d]
的状态为q
j
的条件下，其生成的观测序列为O
t+1:t+d
的概率；P表示状态驻留时间概率矩阵，p
i
(d)表示状态q
i
持续d个时间单位的概率；S5：对λ的参数进行初始化，包括：通过训练集中的特征序列E
A
'对λ的初始参数进行统计；S6：对最优参数进行估计，并获取最优参数对应的模型表示为λ
*
＝(π,A,B,P)；S7：将测试集中的特征序列作为模型λ
*
的观测序列，基于维特比算法对观测序列中对应的隐藏状态序列进行估计，得到估计隐藏状态序列I'＝{i1,i2,...,i
T
}；S8：根据估计隐藏状态序列I'＝{i1,i2,...,i
T
}获取微震事件的初至时刻和结束时刻，最终实现微震信号的分割。2.如权利要求1所述的方法，其特征在于，步骤S1中，对原始微震信号X进行预处理，包括：采用变分模态分解将X分解为K个模态分量，通过频谱分析对K个模态分量中的高频噪声分量进行去除，剩下的模态分量相加重构即得到去噪后的微震信号X
denoise
，对去噪后的微震信号X
denoise
进行幅值归一化得到预处理后的微震信号X'，表示为：X'＝X
denoise
/max(|X
denoise
|)。3.如权利要求1所述的方法，其特征在于，步骤S2包括：S21：对微震信号X'的...

【专利技术属性】
技术研发人员：芦楠楠，邢帅，马占国，刘盛东，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：