CN112711073A - 一种基于多传感器融合的可控震源地面力估计方法及系统 - Google Patents

Abstract

本发明为一种基于多传感器融合的可控震源地面力估计方法及系统，采用位移、速度、加速度传感器获取可控震源激振器顶端与基板位置的振动状态；采用放置于基板下方的力传感器直接测量地面力，并作为多传感器融合的参考信号；通过建立卡尔曼系统状态方程进行信号滤波；并将滤波后的信号划分为训练集与测试集，作为有监督神经网络输入层，将力传感器信号作为有监督神经网络的输出层，实现多传感器融合与权重分配。利用多类型传感器观测数据，通过有监督神经网络融合方法建立各传感器在可控震源不同频点下融合权重，进而提高震源工作频带范围内地面力估计的准确性。本发明通过构建在不同地表环境、不同工作频点下，多传感融合权重，进而提高地面力估计精度。

Description

一种基于多传感器融合的可控震源地面力估计方法及系统

技术领域

本发明属于涉及可控震源地面力估计领域，特别涉及一种基于多传感器融合的可控震源地面力估计方法及系统。

背景技术

可控震源是产生连续振动信号的装置，也是陆地地震勘探活动中的重要组成部分。其中，地面力是可控震源系统控制与地震数据处理中的重要参量：一方面，地面力常作为可控震源控制系统的反馈量，影响震源控制精度与振动效果；另一方面，地面力也是地震数据处理中的重要参考量，影响数据信噪比与勘探分辨率。虽然使用压力传感器可以直接测量出震源真实地面力，但压力传感器自身的耐用性不足，对温度和湿度等较为敏感，考虑到震源工作环境多变，使用效果有限。因此准确估计地面力是可控震源地震勘探中的重要环节之一。目前，业界主要通过在靠近震源位置放置检波器记录可控震源地面力，或在可控震源激振器顶端、基板位置安装加速度传感器方式获取加速度信号，并利用加权方式实现对地面力的估计。而传感器加权方法多依据震源激振器与基板的质量进行权重分配。由于震源垂直振动，在激振器附近位置所记录信号只能在一定程度表征地面力；单一类型传感器容易受环境噪声干扰，进而使地面力估计误差较大。

发明内容

本发明针对常规可控震源地面力估计方法的弊端，提出了一种基于多传感器融合技术的可控震源地面力估计方法及系统，通过在可控震源激振器顶端与基板位置同时布置多类型传感器，并使用卡尔曼滤波方法实现多传感器采集数据的消噪，并将消噪后的数据利用有监督神经网络方法进行传感器信息融合与地面力估计权重分配。在此基础上，为提高该方法的环境适应能力，通过数据库技术记录可控震源在不同地表环境、不同工作频段下各传感器在地面力估计过程中的权重分配，进而提高地面力估计的可靠性和正确性。

本发明是这样实现的，

一种基于多传感器融合的可控震源地面力估计方法，该方法包括：

步骤1)在可控震源激振器顶端布置位移传感器、速度传感器以及加速度传感器，同时在可控震源激振器基板放置与顶端同样数量与类型的传感器；将力传感器放置于激振器基板下方中心位置，用于记录可控震源真实地面力，并作为多传感器融合模型的参考信号；

步骤2)利用采集卡获取可控震源激振器在不同工作频率下传感器数据信息，根据位移、速度以及加速度之间的运动学关系，建立卡尔曼系统状态方程，对放置于可控震源激振器顶端与可控震源激振器基板的位移、速度以及加速度传感器信号滤波；

步骤3)将滤波后的位移、速度以及加速度传感器数据划分为训练集数据与测试集数据，训练集数据作为有监督神经网络融合的输入层，并将采集到的压力传感器信号作为有监督神经网络的输出层，计算各传感器融合权重系数；

步骤4)将训练后的有监督神经网络模型进行测试集样本测试，检验模型的准确性；并将各传感器在不同频率下的融合权重系数作为输出，激振器工作频率作为输入，建立矩阵；

步骤5)对可控震源激振器不同地表环境下的各传感器融合权重进行存储，当可控震源在传感器融合权重对应的环境进行工作时，直接调取传感器融合权重进行地面力估计。

进一步地，步骤2)具体包括：

S21：将位移s、速度v组成状态量X：

建立卡尔曼系统状态方程为：

X_t＝A×X_t-1+B×u_t+W_t

X_t为t时刻状态量；A为系统矩阵：

B为输入矩阵：

u为控制量，此处为采集到的传感器加速度a，W_t为过程噪声；

建立系统观测方程为：Z_1t＝H₁×X_t+V_1t，Z_2t＝H₂×X_t+V_2t，Z_1t为位移s观测输出量，Z_2t为速度v观测输出量；V_1t、V_2t为测量噪声；H₁、H₂均为输出矩阵；

卡尔曼系统状态方程的卡尔曼滤波分为时间更新与状态更新两部分：

(a)时间更新：

为t时刻状态量先验估计；

为t-1时刻状态量后验估计；P_t ^-为t时刻先验方差估计；P_t-1为t-1时刻后验方差估计；Q为过程噪声的协方差矩阵；

P_t ^-＝A×P_t-1×A^T+Q

(b)状态更新：K_t为t时刻卡尔曼增益，R为测量噪声的协方差矩阵，I为单位1矩阵，Z_t为测量值；

K_t＝P_t ^-×H^T+(H×P_t ^-×H^T+R)^-1

P_t＝(I-K_t×H)×P_t ^-

经过卡尔曼系统状态方程，得到滤波后的位移输出量s1、速度输出量v1；

S2：对加速度a进行滤波，将滤波后的速度v1，以及未滤波的加速度a组成状态量X：重复S1步骤，得到滤波后的加速度输出量a1，其中，卡尔曼系统状态方程中u＝1。

进一步地，该方法包括：

利用连续正弦单频激励信号驱动可控震源激振器振动，并使用采集卡采集上述传感器数据信息，其中，可控震源激振器正弦激励信号单点频率从5Hz开始，采集时间为10个信号周期，每次步进频率为1Hz，采样率1kHz，测试频带范围为5-200Hz。

进一步地，将激振器顶端卡尔曼滤波输出数据和基板卡尔曼输出数据作为有监督神经网络的输入层。

进一步地，对可控震源激振器不同地表环境下的各传感器融合权重进行存储包括如下步骤:

步骤201：将可控震源激振器某一地表环境视为一个实体，将各传感器融合权重系数及频率作为属性，建立可控震源地面力估计数据库；

步骤202：将同一地表环境下，有监督神经网络融合权重与频率信息进行矩阵化写入；

步骤203：不同地表环境下有监督神经网络融合权重与频率信息存储。

进一步地，有监督神经网络部分为三层结构：输入层、隐藏层和输出层，输入层包含六个神经元，每个输入层神经元均为一维时间序列，对应于可控震源激振器顶端位移传感器Xu、速度传感器Vu、加速度传感器Au，激振器基板上表面位移传感器Xb、速度传感器Vb、加速度传感器Ab；输出层为基板底部中心位置压力传感器地面力信号Fb一维时间序列；有监督神经网络隐藏层为单层，包含15个神经元。

一种基于多传感器融合的可控震源地面力估计系统，包含数据采集部分、多传感器融合部分、控制及功放系统以及可控震源激振器，其中：

所述数据采集部分包括位移传感器、速度传感器、加速度传感器以及压力传感器以及采集卡。其中，位移传感器、速度传感器以及加速度传感器数量均为2个，分别放置于可控震源激振器顶端与可控震源激振器基板上表面，压力传感器放置于可控震源激振器基板底部中心位置，用于记录可控震源激振器的真实地面力，作为多传感融合参考信号；

控制及功放部分产生激励信号，驱动可控震源激振器振动；其中激励信号为单频正弦信号从5Hz开始，每次持续时间为10个信号周期；设置间隔频率为1Hz，直至截止频率200Hz；

采集卡采集可控震源激振器振动信号，保证位移传感器、速度传感器、加速度传感器、力传感器采集通道同步。考虑到截止频率为200Hz，设置采样率为1kHz。采集数据以DAQ串口形式传递至PC；

多传感器融合部分通过卡尔曼滤波模块基于位移、速度、加速度物理量关系，建立卡尔曼系统状态方程对信号进行滤波，卡尔曼滤波模块输出数据作为神经网络融合模块中有监督神经网络融合输入层，压力传感器信号作为输出层。将训练后的多传感器权重进行矩阵化处理，并导入数据库系统。

本发明与现有技术相比，有益效果在于：

(1)多传感器可以有效弥补单类型传感器观测数据的局限性，利用一定的融合方法降低环境噪声干扰，提高地面力估计精度。

(2)多传感器融合增强了系统的感知能力，具有一定的容错性，可以在一定程度上提高地面力估计的可靠性。

(3)多传感融合方法使得地面力估计更为有效，进而提高可控震源控制系统精度与地震数据信噪比。

附图说明

图1为本发明的可控震源激振器多传感器布置示意图；

图2为本发明的多传感器融合系统框图；

图3为本发明的多传感器融合处理流程图；

图4为本发明有监督神经网络权重分配图；

图5为本发明数据库处理流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如附图1所示，多传感器融合包括位移传感器1、速度传感器2、加速度传感器3以及压力传感器4。其中，位移传感器、速度传感器、加速度传感器数量均为2个，分别放置于激振器顶端与激振器基板上表面。压力传感器放置于激振器基板底部中心位置，用于记录可控震源真实地面力，作为多传感融合参考信号。

如图2所示，多传感器融合系统框图包含四部分：数据采集部分、多传感器融合部分、控制及功放系统以及可控震源激振器。其中，

控制及功放部分产生激励信号，驱动可控震源激振器振动。其中激励信号为单频正弦信号从5Hz开始，每次持续时间为10个信号周期。设置间隔频率为1Hz，直至截止频率200Hz。

采集卡采集可控震源激振器振动信号，保证位移、速度、加速度、力传感器采集通道同步。考虑到截止频率为200Hz，设置采样率为1kHz。采集数据以DAQ串口形式传递至PC。

采集数据用于多传感器融合之前，需要滤波消噪。多传感器融合部分通过卡尔曼滤波模块基于位移、速度、加速度物理量关系，建立卡尔曼系统状态方程，以降低各传感器噪声干扰水平。卡尔曼滤波模块输出数据作为神经网络融合模块中有监督神经网络融合输入层，压力传感器信号作为输出层。将训练后的多传感器权重进行矩阵化处理，并导入数据库系统。

一种基于多传感器融合的可控震源地面力估计方法，该方法包括：

步骤1)在可控震源激振器顶端布置位移传感器、速度传感器以及加速度传感器，同时在可控震源激振器基板放置与顶端同样数量与类型的传感器；将力传感器放置于激振器基板下方中心位置，用于记录可控震源真实地面力，并作为多传感器融合模型的参考信号；

步骤2)利用采集卡获取可控震源激振器在不同工作频率下传感器数据信息，根据位移、速度以及加速度之间的运动学关系，建立卡尔曼系统状态方程，对放置于可控震源激振器顶端与可控震源激振器基板的位移、速度以及加速度传感器信号滤波；

步骤3)将滤波后的位移、速度以及加速度传感器数据划分为训练集数据与测试集数据，训练集数据作为有监督神经网络融合的输入层，并将采集到的压力传感器信号作为有监督神经网络的输出层，计算各传感器融合权重系数；步骤4)将训练后的有监督神经网络模型进行测试集样本测试，检验模型的准确性；并将各传感器在不同频率下的融合权重系数作为输出，激振器工作频率作为输入，建立矩阵，矩阵信息：某一频率下，神经网络所训练出的权重信息，外加一个频率信息，是为矩阵的一行。不同频率下神经网络所训练出的权重信息，以及频率信息构成了融合权重矩阵。将该矩阵存入数据库。

步骤5)对可控震源激振器不同地表环境下的各传感器融合权重进行存储，当可控震源在传感器融合权重对应的环境进行工作时，直接调取传感器融合权重进行地面力估计。

步骤2)具体包括：

S21：将位移s、速度v组成状态量X：

建立卡尔曼系统状态方程为：

X_t＝A×X_t-1+B×u_t+W_t

X_t为t时刻状态量；A为系统矩阵：

B为输入矩阵：

u为控制量，此处为采集到的传感器加速度a，W_t为过程噪声；

建立系统观测方程为：Z_1t＝H₁×X_t+V_1t，Z_2t＝H₂×X_t+V_2t，Z_1t为位移s观测输出量，Z_2t为速度v观测输出量；V_1t、V_2t为测量噪声；H₁、H₂均为输出矩阵；

卡尔曼系统状态方程的卡尔曼滤波分为时间更新与状态更新两部分：

(a)时间更新：

为t时刻状态量先验估计；

为t-1时刻状态量后验估计；P_t ^-为t时刻先验方差估计；P_t-1为t-1时刻后验方差估计；Q为过程噪声的协方差矩阵；

P_t ^-＝A×P_t-1×A^T+Q

(b)状态更新：K_t为t时刻卡尔曼增益，R为测量噪声的协方差矩阵，I为单位1矩阵，Z_t为测量值；

K_t＝P_t ^-×H^T+(H×P_t ^-×H^T+R)^-1

P_t＝(I-K_t×H)×P_t ^-

经过卡尔曼系统状态方程，得到滤波后的位移输出量s1、速度输出量v1；

S2：对加速度a进行滤波，将滤波后的速度v1，以及未滤波的加速度a组成状态量X：重复S1步骤，得到滤波后的加速度输出量a1，其中，卡尔曼系统状态方程中u＝1。

对可控震源激振器不同地表环境下的各传感器融合权重进行存储包括如下步骤:

步骤201：将可控震源激振器某一地表环境视为一个实体，将各传感器融合权重系数及频率作为属性，建立可控震源地面力估计数据库；

步骤202：将同一地表环境下，有监督神经网络融合权重与频率信息进行矩阵化写入；

步骤203：不同地表环境下有监督神经网络融合权重与频率信息存储。

如图3与4所示，多传感器融合处理流程主要卡尔曼系统状态方程滤波、有监督神经网络融合方法、提取多传感器融合权重以及写入数据库。其中有监督神经网络部分为三层结构：输入层、隐藏层、输出层。输入层包含六个神经元，每个输入层神经元均为一维时间序列，对应于激振器顶端位移传感器Xu、速度传感器Vu、加速度传感器Au，激振器基板上表面位移传感器Xb、速度传感器Vb、加速度传感器Ab。输出层为基板底部中心位置压力传感器地面力信号Fb一维时间序列。有监督神经网络隐藏层为单层，包含15个神经元。有监督神经网络

表示输入层与隐藏层之间的连接权重，下标i表示第i个输入层神经元，下标j表示第j个隐藏层神经元。

表示隐藏层与输出层之间的连接权重。将卡尔曼滤波后的数据分为训练集与验证集两部分。训练集为前8信号周期数据，测试集为后两个信号周期数据。训练集用于建立多传感器有监督神经网络模型权重信息，测试集数据实现对模型的测试与验证。此过程包括对5-200Hz单频激励信号驱动下的各传感器采集数据处理。由于间隔频率为1Hz，故在单一地表环境下需要进行196次有监督神经网络训练与测试，并得到196组各传感器融合权重矩阵化信息。

如图5所示，本发明数据库系统处理流程主要包括添加、编辑、删除、查询四类常规操作。有监督神经网络所训练出的各传感器融合权重矩阵化信息需要写入数据库。数据库系统将地表环境视为实体，并建立相应属性信息。例如Xu表示激振器顶端位移传感器信息，标号[1:N]表示一维数据，元素个数为中间层神经元个数15与输出层神经元个数1之和，即N＝16。需要注意的是，属性信息中包含激发频率信息。当得到激振器在不同地表环境下各传感器有监督融合权重时，需要通过添加实体操作、添加属性操作存储融合权重矩阵化信息。当可控震源在某一地表环境下工作时，便可以移除激振器基板底部中心位置压力传感器。通过选择数据库系统中该地表环境所对应实体及其属性，直接应用于地面力估计。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多传感器融合的可控震源地面力估计方法，其特征在于，该方法包括：

步骤1)在可控震源激振器顶端布置位移传感器、速度传感器以及加速度传感器，同时在可控震源激振器基板放置与顶端同样数量与类型的传感器；将力传感器放置于激振器基板下方中心位置，用于记录可控震源真实地面力，并作为多传感器融合模型的参考信号；

步骤2)利用采集卡获取可控震源激振器在不同工作频率下传感器数据信息，根据位移、速度以及加速度之间的运动学关系，建立卡尔曼系统状态方程，对放置于可控震源激振器顶端与可控震源激振器基板的位移、速度以及加速度传感器信号滤波；

步骤3)将滤波后的位移、速度以及加速度传感器数据划分为训练集数据与测试集数据，训练集数据作为有监督神经网络融合的输入层，并将采集到的压力传感器信号作为有监督神经网络的输出层，计算各传感器融合权重系数；

步骤4)将训练后的有监督神经网络模型进行测试集样本测试，检验模型的准确性；并将各传感器在不同频率下的融合权重系数作为输出，激振器工作频率作为输入，建立矩阵；

步骤5)对可控震源激振器不同地表环境下的各传感器融合权重进行存储，当可控震源在传感器融合权重对应的环境进行工作时，直接调取传感器融合权重进行地面力估计。

2.按照权利要求1所述的方法，其特征在于，步骤2)具体包括：

S21：将位移s、速度v组成状态量X：

建立卡尔曼系统状态方程为：

X_t＝A×X_t-1+B×u_t+W_t

X_t为t时刻状态量；A为系统矩阵：

B为输入矩阵：

u为控制量，此处为采集到的传感器加速度a，W_t为过程噪声；

建立系统观测方程为：Z_1t＝H₁×X_t+V_1t，Z_2t＝H₂×X_t+V_2t，Z_1t为位移s观测输出量，Z_2t为速度v观测输出量；V_1t、V_2t为测量噪声；H₁、H₂均为输出矩阵；

卡尔曼系统状态方程的卡尔曼滤波分为时间更新与状态更新两部分：

(a)时间更新：

为t时刻状态量先验估计；

为t-1时刻状态量后验估计；P_t ^-为t时刻先验方差估计；P_t-1为t-1时刻后验方差估计；Q为过程噪声的协方差矩阵；

P_t ^-＝A×P_t-1×A^T+Q

(b)状态更新：K_t为t时刻卡尔曼增益，R为测量噪声的协方差矩阵，I为单位1矩阵，Z_t为测量值；

K_t＝P_t ^-×H^T+(H×P_t ^-×H^T+R)^-1

P_t＝(I-K_t×H)×P_t ^-

经过卡尔曼系统状态方程，得到滤波后的位移输出量s1、速度输出量v1；

S2：对加速度a进行滤波，将滤波后的速度v1，以及未滤波的加速度a组成状态量X：重复S1步骤，得到滤波后的加速度输出量a1，其中，卡尔曼系统状态方程中u＝1。

3.按照权利要求1所述的方法，其特征在于，该方法包括：

利用连续正弦单频激励信号驱动可控震源激振器振动，并使用采集卡采集上述传感器数据信息，其中，可控震源激振器正弦激励信号单点频率从5Hz开始，采集时间为10个信号周期，每次步进频率为1Hz，采样率1kHz，测试频带范围为5-200Hz。

4.按照权利要求1所述的方法，其特征在于，

将激振器顶端卡尔曼滤波输出数据和基板卡尔曼输出数据作为有监督神经网络的输入层。

5.按照权利要求1所述的方法，其特征在于，

对可控震源激振器不同地表环境下的各传感器融合权重进行存储包括如下步骤:

步骤201：将可控震源激振器某一地表环境视为一个实体，将各传感器融合权重系数及频率作为属性，建立可控震源地面力估计数据库；

步骤202：将同一地表环境下，有监督神经网络融合权重与频率信息进行矩阵化写入；

步骤203：不同地表环境下有监督神经网络融合权重与频率信息存储。

6.按照权利要求1所述的方法，其特征在于，有监督神经网络部分为三层结构：输入层、隐藏层和输出层，输入层包含六个神经元，每个输入层神经元均为一维时间序列，对应于可控震源激振器顶端位移传感器Xu、速度传感器Vu、加速度传感器Au，激振器基板上表面位移传感器Xb、速度传感器Vb、加速度传感器Ab；输出层为基板底部中心位置压力传感器地面力信号Fb一维时间序列；有监督神经网络隐藏层为单层，包含15个神经元。

7.一种基于多传感器融合的可控震源地面力估计系统，其特征在于，包含数据采集部分、多传感器融合部分、控制及功放系统以及可控震源激振器，其中：

所述数据采集部分包括位移传感器、速度传感器、加速度传感器以及压力传感器以及采集卡。其中，位移传感器、速度传感器以及加速度传感器数量均为2个，分别放置于可控震源激振器顶端与可控震源激振器基板上表面，压力传感器放置于可控震源激振器基板底部中心位置，用于记录可控震源激振器的真实地面力，作为多传感融合参考信号；

控制及功放部分产生激励信号，驱动可控震源激振器振动；其中激励信号为单频正弦信号从5Hz开始，每次持续时间为10个信号周期；设置间隔频率为1Hz，直至截止频率200Hz；

采集卡采集可控震源激振器振动信号，保证位移传感器、速度传感器、加速度传感器、力传感器采集通道同步。考虑到截止频率为200Hz，设置采样率为1kHz。采集数据以DAQ串口形式传递至PC；

多传感器融合部分通过卡尔曼滤波模块基于位移、速度、加速度物理量关系，建立卡尔曼系统状态方程对信号进行滤波，卡尔曼滤波模块输出数据作为神经网络融合模块中有监督神经网络融合输入层，压力传感器信号作为输出层。将训练后的多传感器权重进行矩阵化处理，并导入数据库系统。

Images