CN107505652B - 一种基于能量分布特征的矿山微震信号辨识方法 - Google Patents
一种基于能量分布特征的矿山微震信号辨识方法 Download PDFInfo
- Publication number
- CN107505652B CN107505652B CN201710615340.9A CN201710615340A CN107505652B CN 107505652 B CN107505652 B CN 107505652B CN 201710615340 A CN201710615340 A CN 201710615340A CN 107505652 B CN107505652 B CN 107505652B
- Authority
- CN
- China
- Prior art keywords
- microseismic signals
- identified
- formula
- energy
- modal components
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
Abstract
本发明公开了一种基于能量分布特征的矿山微震信号辨识方法,属于信号分析及识别领域,包括如下步骤:读取待辨识微震信号x(t);对x(t)进行VMD分解,得到K个按照频率从高到低顺序排列的变分模态分量;计算出各模态分量的频带能量,提取各模态分量占原信号的能量百分比值构成能量分布向量P;以能量分布向量P为基础计算出能量分布X轴重心系数cx;根据辨识阈值T识别矿山微震信号,若cx>T为矿山煤岩体破裂微震信号,若cx≤T为爆破震动信号;最后对辨识阈值T的值进行自适应更新。本发明能有效区分煤岩体破裂微震信号和爆破震动信号,具有自适应性强、准确性高等特点。
Description
技术领域
本发明属于信号分析及识别领域,具体涉及一种基于能量分布特征的矿山微震信号辨识方法。
背景技术
微震监测是近年来发展起来的先进且行之有效的煤岩动力灾害监测手段,它能够对煤岩体微震活动实时、连续、在线监测,形成微震监测数据。由于矿山环境复杂,存在现场背景噪声、爆破震动等大量干扰信号,使得微震监测系统无法准确识别并记录有效微震事件,后期需要依靠技术人员人工识别出有效微震事件,严重影响了微震监测系统的识别效率。由于煤矿爆破作业经常发生,而煤岩体微震和爆破震动波形又极为相似,采用人工识别方式,经常出现误处理,识别难度大。
目前,针对矿山微震信号波形识别的常用时频分析法包括傅立叶变换、小波变换、小波包变换、频率切片小波变换和EMD等,传统傅立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;小波分析能同时进行时频分析,但需要选择合适的小波基才能达到较好的分解效果;EMD能较好地处理随机非平稳信号,但EMD方法存在边界效应及模态混叠现象,导致EMD具有不稳定性和不唯一性。这些方法用于信号分析时均存在一定程度的弊端,为信号辨识增加了难度,误判率高。
发明内容
针对现有技术中存在的上述问题,本发明提出了一种基于能量分布特征的矿山微震信号辨识方法,采用变分模态分解(VMD)对信号进行时频分析。VMD是一种新的信号分解方法,相比于其它模态分解技术,它具有坚实的理论基础,消除了模态混叠问题,克服了现有技术的不足,具有良好的频域自适应分解效果。
为了实现上述目的,本发明采用如下技术方案:
一种基于能量分布特征的矿山微震信号辨识方法,包括如下步骤:
步骤1:读取待辨识微震信号x(t),其中,t=1,2,…,N,N为微震信号的采样点个数;
步骤2:对待辨识微震信号x(t)进行VMD分解,得到K个按照频率从高到低顺序排列的变分模态分量{u1,…uk,…,uK}:
对待辨识微震信号x(t)采用VMD分解为K个变分模态分量,约束条件为使各个模态的估计带宽之和最小,且各模态之和等于待辨识微震信号x(t),约束变分模型描述为式(1)和式(2):
s.t.∑kuk=x(t) (2);
其中,x(t)表示待辨识微震信号,{uk}:={u1,…,uK}代表分解得到的K个有限带宽的变分模态分量,{ωk}:={ω1,…,ωK}表示各分量的频率中心,δ(t)为狄拉克(Dirac)函数,*表示卷积,j2=-1;式(2)中,为对所有的变分模态求和;
为求解式(1)和式(2)的最优解,引入扩展的Lagrange将约束变分问题变为非约束变分问题,其表达式为式(3):
其中,α为二次惩罚因子,λ(t)为拉格朗日乘法算子;求解该变分问题的具体步骤如下:
步骤2.1:定义变分模态分量个数K值与惩罚因子α的值;
步骤2.2:初始化n=0;
步骤2.3:令n=n+1,执行整个循环;
步骤2.4:执行内层第一个循环,根据式(4)更新uk:
其中,为待辨识微震信号x(t)的傅立叶变换,
步骤2.5:令k=k+1,重复步骤2.4,直到k=K,结束内层第一个循环;
步骤2.6:执行内层第二个循环,根据式(5)更新ωk:
步骤2.7:令k=k+1,重复步骤2.6,直到k=K,结束内层第二个循环;
步骤2.8:执行外层循环,根据式(6)更新λ:
其中,τ为拉格朗日乘法算子λ(t)的更新步长参数;
步骤2.9:重复步骤2.3至步骤2.8,直到满足迭代停止条件如式(7)所示,结束整个循环,输出结果,得到K个变分模态分量:
其中,ε为求解精度;
步骤3:计算待辨识微震信号x(t)的能量分布向量P:
根据公式(8)计算各模态分量uk对应的能量Ek:
其中,xik(t)(i=1,2,…N;k=1,2,…,K;N为采样点个数,K为变分模态个数)表示模态分量uk时序序列的离散点幅值;
根据每个模态分量uk的能量以及待辨识微震信号x(t)的总能量,可以得到模态分量uk的能量百分比值从而得到该微震信号的能量分布向量P,即P=[P(1),…,P(k),…,P(K)];
步骤4:计算待辨识微震信号x(t)的能量分布X轴的重心系数cx:
根据公式(9)计算能量分布X轴重心系数cx:
步骤5:根据辨识阈值T识别待辨识微震信号x(t),若cx>T为矿山煤岩体破裂微震信号,cx≤T为爆破震动信号;
步骤6:自适应更新辨识阈值T的值:
根据方程组(10)更新辨识阈值T:
其中,W1为训练集中煤岩体破裂微震信号的cx值集合,W2为训练集中爆破震动信号的cx值集合。
本发明原理如下:
为实现煤岩体破裂微震信号和爆破震动信号的有效分类辨识,本发明利用两种微震信号能量分布差异显著的特点,首先读取待辨识微震信号并进行VMD分解,得到K个按照频率从高到低顺序排列的变分模态分量;计算出各模态分量的频带能量,提取各模态分量占原信号的能量百分比值构成能量分布向量P;以能量分布向量P为基础计算出能量分布X轴重心系数cx;根据辨识阈值T识别矿山微震信号,若cx>T时,检测微震信号为矿山煤岩体破裂微震信号,若cx≤T时,检测微震信号为爆破震动信号。该方法可以实现对煤岩体破裂微震信号和爆破震动信号的有效辨识。
本发明采用以上技术方案,与现有技术现比,具有以下优点:
本发明依据VMD良好频谱分解特征对矿山微震信号进行自适合剖分,依据煤岩体破裂微震信号和爆破震动信号在不同频段上能量分布的显著差异,通过计算微震信号能量分布X轴重心系数,实现对两类矿山微震信号的有效辨识,该方法具有算法简单、自适应性和实时性强的特点,具有很好的技术价值和应用前景。
附图说明
图1为本发明一种基于能量分布特征的矿山微震信号辨识方法的流程图。
图2为待辨识微震信号x(t)的示意图及其时频图。
图3为待辨识微震信号x(t)经VMD分解后得到的6个变分模态分量示意图及其时频图。
图4为待辨识微震信号x(t)的能量分布直方图。
图5为15组煤岩体破裂微震测试信号的能量向量、重心系数及其辨识结果图。
图6为15组爆破震动测试信号的能量向量、重心系数及其辨识结果图。
图7为测试组微震信号分类识别结果。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
一种基于能量分布特征的矿山微震信号辨识方法,其流程如图1所示,具体包括如下步骤:
步骤1:读取待辨识微震信号x(t),其中,t=1,2,…,N,N为微震信号的采样点个数;
步骤2:对待辨识微震信号x(t)进行VMD分解,得到K个按照频率从高到低顺序排列的变分模态分量{u1,…uk,…,uK}:
对待辨识微震信号x(t)采用VMD分解为K个变分模态分量,约束条件为使各个模态的估计带宽之和最小,且各模态之和等于待辨识微震信号x(t),约束变分模型描述为式(1)和式(2):
s.t.∑kuk=x(t)(2);
其中,x(t)表示待辨识微震信号,{uk}:={u1,…,uK}代表分解得到的K个有限带宽的变分模态分量,{ωk}:={ω1,…,ωK}表示各分量的频率中心,δ(t)为狄拉克(Dirac)函数,*表示卷积,j2=-1;式(2)中,为对所有的变分模态求和;
为求解式(1)和式(2)的最优解,引入扩展的Lagrange将约束变分问题变为非约束变分问题,其表达式为式(3):
其中,α为二次惩罚因子,λ(t)为拉格朗日乘法算子;求解该变分问题的具体步骤如下:
步骤2.1:定义变分模态分量个数K值与惩罚因子α的值;
步骤2.2:初始化n=0;
步骤2.3:令n=n+1,执行整个循环;
步骤2.4:执行内层第一个循环,根据式(4)更新uk:
其中,为微震信号x的时序序列x(t)的傅立叶变换,
步骤2.5:令k=k+1,重复步骤2.4,直到k=K,结束内层第一个循环;
步骤2.6:执行内层第二个循环,根据式(5)更新ωk:
步骤2.7:令k=k+1,重复步骤2.6,直到k=K,结束内层第二个循环;
步骤2.8:执行外层循环,根据式(6)更新λ:
其中,τ为拉格朗日乘法算子λ(t)的更新步长参数;
步骤2.9:重复步骤2.3至步骤2.8,直到满足迭代停止条件如式(7)所示,结束整个循环,输出结果,得到K个变分模态分量:
其中,ε为求解精度;
步骤3:计算待辨识微震信号x(t)的能量分布向量P:
根据公式(8)计算各模态分量uk对应的能量Ek:
其中,xik(t)(i=1,2,…N;k=1,2,…,K;N为采样点个数,K为变分模态个数)表示模态分量uk时序序列的离散点幅值;
根据每个模态分量uk的能量以及待辨识微震信号x(t)的总能量,可以得到模态分量uk的能量百分比值从而得到该微震信号的能量分布向量P,即P=[P(1),…,P(k),…,P(K)];
步骤4:计算待辨识微震信号x(t)的能量分布X轴的重心系数cx:
根据公式(9)计算能量分布X轴重心系数cx:
步骤5:根据辨识阈值T识别待辨识微震信号x(t),若cx>T为矿山煤岩体破裂微震信号,cx≤T为爆破震动信号;
步骤6:自适应更新辨识阈值T的值:
根据方程组(10)更新辨识阈值T:
其中,W1为训练集中煤岩体破裂微震信号的cx值集合,W2为训练集中爆破震动信号的cx值集合。
如图2所示,步骤1获取以时间(s)为横轴,振幅为纵轴,采样频率fs=1000Hz的待辨识微震信号x(t),t=1*1/fs,2*1/fs,…,5000*1/fs,微震信号采样点数据见表1。
表1监测信号采样点数据(可以存储于Excel表中)
序号 | 采样点(N) | 振幅 |
1*1/fs | 1 | 4.34E-08 |
2*1/fs | 2 | 1.69E-07 |
3*1/fs | 3 | 1.41E-07 |
4*1/fs | 4 | -2.43E-07 |
5*1/fs | 5 | -6.50E-07 |
… | … | |
4999*1/fs | 4999 | -6.10E-06 |
5000*1/fs | 5000 | -6.25E-06 |
按照步骤2的VMD算法对待辨识微震信号x(t)进行变分模态分解,取K=6,二次惩罚因子α=2000,分解后的6个变分模态分量及其时频谱如图3所示。
按照步骤3的方法,计算出各模态分量的频带能量,提取各模态分量占原信号的能量百分比值,得到该微震信号的能量分布向量P,即P=[0.02,0.09,3.01,1.45,13.41,82.02]。
按照步骤4的方法,应用公式(9)计算待辨识微震信号x(t)的能量分布X轴重心系数cx,得到cx=0.957,图4为该微震信号的能量分布直方图,图中黑色实心圆为该微震信号的能量分布平面重心位置。
按照步骤5的方法,根据辨识阈值T=0.56以及待检测微震信号x(t)的cx=0.957对该待测微震信号进行辨识,因为cx>T,所以,该待检测微震信号x(t)辨识为煤岩体破裂微震信号。
测试组中分别给出了15组煤岩体破裂微震信号和15组爆破震动微震信号,煤岩体破裂微震测试信号的能量向量、重心系数及其辨识结果如图5所示;爆破震动微震测试信号的能量向量、重心系数及其辨识结果如图6所示。根据检测结果,该测试组共30组微震信号,其中29组辨识正确,1组辨识错误,辨识正确率为96.67%。测试组微震信号分类识别结果如图7所示。
按照步骤6的方法,将测试组数据加入已有训练组中,对辨识阈值自适应更新为T=0.61,以继续提高辨识正确率。
微震信号是非平稳随机信号,其频率分布较为分散,不同种类的微震信号在不同频带能量分布差异显著,因此可根据这一特点,提取微震信号的能量分布向量,通过计算能量分布重心系数并与辨识阈值进行对比,即可实现对待测微震信号的分类辨识。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (1)
1.一种基于能量分布特征的矿山微震信号辨识方法,其特征在于:包括如下步骤:
步骤1:读取待辨识微震信号x(t),其中,t=1,2,…,N,N为微震信号的采样点个数;
步骤2:对待辨识微震信号x(t)进行VMD分解,得到K个按照频率从高到低顺序排列的变分模态分量{u1,…uk,…,uK}:
对待辨识微震信号x(t)采用VMD分解为K个变分模态分量,约束条件为使各个模态的估计带宽之和最小,且各模态之和等于待辨识微震信号x(t),约束变分模型描述为式(1)和式(2):
s.t.∑kuk=x(t) (2);
其中,x(t)表示待辨识微震信号,{uk}:={u1,…,uK}代表分解得到的K个有限带宽的变分模态分量,{ωk}:={ω1,…,ωK}表示各分量的频率中心,δ(t)为狄拉克(Dirac)函数,*表示卷积,j2=-1;式(2)中,为对所有的变分模态求和;
为求解式(1)和式(2)的最优解,引入扩展的Lagrange将约束变分问题变为非约束变分问题,其表达式为式(3):
其中,α为二次惩罚因子,λ(t)为拉格朗日乘法算子;
求解该变分问题的具体步骤如下:
步骤2.1:定义变分模态分量个数K值与惩罚因子α的值;
步骤2.2:初始化n=0;
步骤2.3:令n=n+1,执行整个循环;
步骤2.4:执行内层第一个循环,根据式(4)更新uk:
其中,为待辨识微震信号x(t)的傅立叶变换,
步骤2.5:令k=k+1,重复步骤2.4,直到k=K,结束内层第一个循环;
步骤2.6:执行内层第二个循环,根据式(5)更新ωk:
步骤2.7:令k=k+1,重复步骤2.6,直到k=K,结束内层第二个循环;
步骤2.8:执行外层循环,根据式(6)更新λ:
其中,τ为拉格朗日乘法算子λ(t)的更新步长参数;
步骤2.9:重复步骤2.3至步骤2.8,直到满足迭代停止条件如式(7)所示,结束整个循环,输出结果,得到K个变分模态分量:
其中,ε为求解精度;
步骤3:计算待辨识微震信号x(t)的能量分布向量P:
根据公式(8)计算各模态分量uk对应的能量Ek:
其中,xik(t)(i=1,2,…N;k=1,2,…,K;N为采样点个数,K为变分模态个数)表示模态分量uk时序序列的离散点幅值;
根据每个模态分量uk的能量以及待辨识微震信号x(t)的总能量,可以得到模态分量uk的能量百分比值从而得到该微震信号的能量分布向量P,即P=[P(1),…,P(k),…,P(K)];
步骤4:计算待辨识微震信号x(t)的能量分布X轴的重心系数cx:
根据公式(9)计算能量分布X轴重心系数cx:
步骤5:根据辨识阈值T识别待辨识微震信号x(t),若cx>T为矿山煤岩体破裂微震信号,cx≤T为爆破震动信号;
步骤6:自适应更新辨识阈值T的值:
根据方程组(10)更新辨识阈值T:
其中,W1为训练集中煤岩体破裂微震信号的cx值集合,W2为训练集中爆破震动信号的cx值集合。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710615340.9A CN107505652B (zh) | 2017-07-26 | 2017-07-26 | 一种基于能量分布特征的矿山微震信号辨识方法 |
PCT/CN2018/072533 WO2019019565A1 (zh) | 2017-07-26 | 2018-01-13 | 一种基于能量分布特征的矿山微震信号辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710615340.9A CN107505652B (zh) | 2017-07-26 | 2017-07-26 | 一种基于能量分布特征的矿山微震信号辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107505652A CN107505652A (zh) | 2017-12-22 |
CN107505652B true CN107505652B (zh) | 2018-11-13 |
Family
ID=60689480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710615340.9A Active CN107505652B (zh) | 2017-07-26 | 2017-07-26 | 一种基于能量分布特征的矿山微震信号辨识方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107505652B (zh) |
WO (1) | WO2019019565A1 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505652B (zh) * | 2017-07-26 | 2018-11-13 | 山东科技大学 | 一种基于能量分布特征的矿山微震信号辨识方法 |
CN107941513B (zh) * | 2017-12-25 | 2019-08-06 | 北京建筑大学 | 一种列车走行部轴承非平稳运维的时频阶比跟踪方法 |
CN108846307B (zh) * | 2018-04-12 | 2021-12-28 | 中南大学 | 一种基于波形图像的微震与爆破事件识别方法 |
CN109633566B (zh) * | 2019-01-25 | 2023-08-15 | 西安电子科技大学 | 基于vmd算法的电子侦察信号预处理方法 |
CN109682561B (zh) | 2019-02-19 | 2020-06-16 | 大连理工大学 | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 |
WO2020220416A1 (zh) * | 2019-04-28 | 2020-11-05 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
CN110161125A (zh) * | 2019-06-17 | 2019-08-23 | 哈尔滨工业大学 | 基于加速度与声发射感知技术相结合的航空发动机智能监测方法 |
CN110333530B (zh) * | 2019-06-25 | 2020-11-10 | 广东石油化工学院 | 一种微震事件检测方法和系统 |
CN111044619A (zh) * | 2019-12-26 | 2020-04-21 | 辽宁工程技术大学 | 一种基于vmd的煤岩体破裂声发射信号处理方法 |
CN111307277B (zh) * | 2020-03-20 | 2021-10-01 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
CN111413588B (zh) * | 2020-03-31 | 2022-03-11 | 陕西省地方电力(集团)有限公司咸阳供电分公司 | 一种配电网单相接地故障选线方法 |
CN111751134B (zh) * | 2020-06-22 | 2021-12-14 | 西安科技大学 | 一种基于vmd与rls的采煤机振动信号降噪方法 |
CN111915865A (zh) * | 2020-07-29 | 2020-11-10 | 东北大学 | 一种基于采动震源参数的煤矿复合地质灾害预警方法 |
CN113985481B (zh) * | 2021-10-26 | 2023-07-18 | 长江大学 | 一种基于再约束的变分模态降噪方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013169937A1 (en) * | 2012-05-08 | 2013-11-14 | Octave Reservoir Technologies, Inc. | Microseismic event localization using both direct-path and head-wave arrivals |
CN104266894A (zh) * | 2014-09-05 | 2015-01-07 | 中国矿业大学 | 一种基于相关性分析的矿山微震信号初至波时刻提取方法 |
CN105740840A (zh) * | 2016-02-29 | 2016-07-06 | 中南大学 | 一种岩体破裂信号与爆破振动信号的非线性识别方法 |
CN105956526A (zh) * | 2016-04-22 | 2016-09-21 | 山东科技大学 | 基于多尺度排列熵的低信噪比微震事件辨识方法 |
CN106483563A (zh) * | 2015-08-25 | 2017-03-08 | 中国石油天然气股份有限公司 | 基于互补集合经验模态分解的地震能量补偿方法 |
CN106556865A (zh) * | 2016-11-25 | 2017-04-05 | 成都理工大学 | 一种串联型地震信号优化时频变换方法 |
CN106814396A (zh) * | 2017-03-13 | 2017-06-09 | 山东科技大学 | 一种基于vmd的矿山微震信号的降噪滤波方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505652B (zh) * | 2017-07-26 | 2018-11-13 | 山东科技大学 | 一种基于能量分布特征的矿山微震信号辨识方法 |
-
2017
- 2017-07-26 CN CN201710615340.9A patent/CN107505652B/zh active Active
-
2018
- 2018-01-13 WO PCT/CN2018/072533 patent/WO2019019565A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013169937A1 (en) * | 2012-05-08 | 2013-11-14 | Octave Reservoir Technologies, Inc. | Microseismic event localization using both direct-path and head-wave arrivals |
CN104266894A (zh) * | 2014-09-05 | 2015-01-07 | 中国矿业大学 | 一种基于相关性分析的矿山微震信号初至波时刻提取方法 |
CN106483563A (zh) * | 2015-08-25 | 2017-03-08 | 中国石油天然气股份有限公司 | 基于互补集合经验模态分解的地震能量补偿方法 |
CN105740840A (zh) * | 2016-02-29 | 2016-07-06 | 中南大学 | 一种岩体破裂信号与爆破振动信号的非线性识别方法 |
CN105956526A (zh) * | 2016-04-22 | 2016-09-21 | 山东科技大学 | 基于多尺度排列熵的低信噪比微震事件辨识方法 |
CN106556865A (zh) * | 2016-11-25 | 2017-04-05 | 成都理工大学 | 一种串联型地震信号优化时频变换方法 |
CN106814396A (zh) * | 2017-03-13 | 2017-06-09 | 山东科技大学 | 一种基于vmd的矿山微震信号的降噪滤波方法 |
Non-Patent Citations (1)
Title |
---|
爆破震动与岩石破裂微震信号能量分布特征研究;朱权洁 等;《岩石力学与工程学报》;20120415;第31卷(第4期);第723-730页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2019019565A1 (zh) | 2019-01-31 |
CN107505652A (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505652B (zh) | 一种基于能量分布特征的矿山微震信号辨识方法 | |
Agarwal et al. | Hydrologic regionalization using wavelet-based multiscale entropy method | |
CN106814396B (zh) | 一种基于vmd的矿山微震信号的降噪滤波方法 | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN105137498B (zh) | 一种基于特征融合的地下目标探测识别系统及方法 | |
Artyushenko et al. | Statistical characteristics of envelope outliers duration of non-Gaussian information processes | |
CN102512157B (zh) | 基于模型的动态心电图t波交替定量分析方法 | |
CN106330385A (zh) | 一种干扰类型识别方法 | |
CN105740840A (zh) | 一种岩体破裂信号与爆破振动信号的非线性识别方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN104020135A (zh) | 基于近红外光谱的校正模型建模方法 | |
CN104062642B (zh) | 一种对激光雷达波形数据进行高斯回波分解的方法 | |
CN105678273A (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
Misák et al. | A complex classification approach of partial discharges from covered conductors in real environment | |
CN106382981B (zh) | 一种单站次声波信号识别提取方法 | |
CN103412557A (zh) | 一种适于非线性过程在线监控的工业故障检测与诊断方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN103956756A (zh) | 一种电力系统低频振荡模态辨识方法 | |
Yang et al. | Spectral feature extraction based on continuous wavelet transform and image segmentation for peak detection | |
CN103018537A (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
CN106100762A (zh) | 一种循环平稳谱分析的弱通信信号检测方法 | |
CN108089162A (zh) | 一种脉冲干扰信号的检测与抑制方法 | |
CN114237046A (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |