CN114595719A - 一种基于vmd与ircnn的矿井余震监测方法 - Google Patents

一种基于vmd与ircnn的矿井余震监测方法 Download PDF

Info

Publication number
CN114595719A
CN114595719A CN202210213852.3A CN202210213852A CN114595719A CN 114595719 A CN114595719 A CN 114595719A CN 202210213852 A CN202210213852 A CN 202210213852A CN 114595719 A CN114595719 A CN 114595719A
Authority
CN
China
Prior art keywords
mine
aftershock
modal
vmd
decomposition
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.)
Withdrawn
Application number
CN202210213852.3A
Other languages
English (en)
Inventor
王赛飞
杨金显
张颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN202210213852.3A priority Critical patent/CN114595719A/zh
Publication of CN114595719A publication Critical patent/CN114595719A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开一种基于VMD与IRCNN的矿井余震监测方法，首先将MEMS磁惯性器件放入矿井内用于测量矿井余震来临的振动数据，提出一种局部迅捷经验模态分解（PQEMD）和组合能量熵法得到最优参数[K,α]，采用VMD对振动信号进行模态分解为一系列的本征模态分量，计算各分量的能量熵构造特征向量，采用快速反向残差卷积神经网络(IRCNN)作为特征向量输入模型进行矿井余震监测，该方法与深度学习相结合可以很好的监测矿井余震。

Description

一种基于VMD与IRCNN的矿井余震监测方法
技术领域
本发明属于矿井余震监测技术领域，具体涉及一种基于VMD与IRCNN的矿井余震监测方法。
背景技术
矿井安全工作一直放在各项工作的首位。矿井下面不安全因素很多，经常受到瓦斯、水火、顶板、余震等危害，其中矿井余震就是一个很大的危险，矿井余震的强度不是那么大，但是由于矿井下面情况复杂，矿井余震的持续时间很长，而且充满了不确定性，经过多次的威力叠加起来，建筑支撑物就承受不住了，带来的影响可能是瓦斯泄漏或者矿井塌方等等，带来的伤害不可估量。而且发生矿井余震之后，大量的救援部队就会全力去抢救受灾群众，这时矿井余震也会对救援人员造成伤害，而且加重救灾难度，对被困人员也是一种二次伤害，如果能够快速、准确的监测到矿井余震的发生，会大大减少救援人员的伤亡，提前考虑到矿井余震的发生也会减少很大的伤亡，因此矿井余震的监测就显得尤为重要。
目前对余震的监测方法有地震波、地声、最大剪应力等等这些都是基于物理量对余震进行监测，此外，当前的建立的余震观测台投资巨大、站地面积巨大，非常的耗费财力物力，这些方法理论上是的可行的，但是这些方法也存在一些不足，如利用最大剪应力这种物理量来监测余震时，得到这种物理量是基于主震爆发过程的，结果受主震的影响会造成余震监测不准确；本发明提供一种基于VMD与IRCNN的矿井余震监测方法，成本低，监测结果迅速准确。
发明内容
本发明的目的在于解决矿井余震监测技术中难以快速准确的监测矿井余震的问题，通过MEMS惯性测量系统测得矿井临震的振动信号(加速度计信号和角速度信号)，然后通过优化后的变分模态分解VMD进行信号处理，分解为一系列的本征模态分量，然后计算各分量的能量熵构造特征向量，最后与深度学习相结合输入到快速反向残差卷积神经网络中进行矿井余震监测。
进一步，所述一种基于VMD与IRCNN的矿井余震监测方法具体包括以下步骤。
步骤1：将MEMS惯性测量系统放入矿井中测得振动数据，采用局部迅捷估计法和组合能量熵法得到最优参数分解模态个数K和惩罚因子α。
步骤2：采用变分模态分解VMD对振动信号进行模态分解为一系列的本征模态分量。
步骤3：计算各分量的能量熵构造特征向量。
步骤4：采用快速反向残差卷积神经网络(FIRCNN)作为特征向量输入模型进行矿井余震监测。
在步骤1中，所述使用MEMS惯性测量系统测得振动数据，用局部迅捷估计法和组合能量熵法得到最优参数分解模态个数K和惩罚因子α。
通过MEMS惯性测量系统测得的振动信号数据X(t)＝[X1(t),X2(t),…Xn(t)]，用局部迅捷估计法和组合能量熵法得到最优参数分解模态个数K和惩罚因子α。
确定分解模态个数K：
首先要构造邻域均值序列
Figure BDA0003533651610000021
tτ＝(τi+τi+1)/2，其中X(t)为振动原始信号，τ为极值点对应的时间序列，tτ为τi、τi+1时间序列对应的平均时间序列；
然后通过方程加权的方法计算得到极值的时间序列τi+1对应的局部均值，
Figure BDA0003533651610000022
其中m(j)和m(j+1)为两个邻域均值；
采用三次B样条曲线拟合均值曲线m(t)；
然后根据最小二乘法来估计模态数K；
相关系数ρ表示两个信号之间的相似程度，通过上述办法对振动原始信号进行预处理，计算各个分量IMF的相关系数
Figure BDA0003533651610000023
其中ρab表示a(t)，b(t)两个模态之间的相似程度，a(t)，b(t)为模态信号；
当两个模态函数的相关系数满足0.1＜|ρab|＜0.15时我们认定这两个模态函数为同一模态，最后根据最小二乘法估计原始信号的模态数K。
确定惩罚因子α：
经过分解以后，前一模态的谱图比较窄，这个时候的能量熵(Hi)和峰度(k)比较大，峰度是用来反映分布曲线顶端尖峭或扁平程度的指标；值越大则越陡峭，以能量熵乘以峰度组成的组合能量熵的最小值来优化α；
Figure BDA0003533651610000031
其中pi＝Ei/E为第i个IMF能量占原始信号总能量的比例，
Figure BDA0003533651610000032
为原始信号总能量，μ是均值，σ是标准差。
在步骤2中，采用变分模态分解VMD对振动信号进行模态分解为一系列的本征模态分量包括：
使用变分模态分解VMD对原始信号进行频域迭代；
采用优化后的参数分解模态个数K和惩罚因子α，确定不同的频率中心和带宽，将信号分解为K个IMF分量，利用傅里叶反变换将模态变换到时域。
计算变分模态分解VMD模态分量uk＝Ak(t)cos(φk(t))，其中Ak(t)是uk的瞬时幅值，φk(t)是一个非递减函数，φk'(t)≥0，包络线是大于等于0的Ak(t)≥0。变分模态分解VMD的主要问题就是求解约束变分问题，这里利用解调信号的H1高斯平滑度来估计IMF带宽，从而得到约束变分问题
Figure BDA0003533651610000033
其中{uk}＝{u1,…uk}和{ωk}＝{ω1，…ωk}分别表示所有模态集合及其中心频率的符号，j2＝-1，X(t)为原始信号，
Figure BDA0003533651610000034
是求取信号梯度，δt是一个泛函数对t的一阶偏导数，ωk是每一个IMF的中心频率，
Figure BDA0003533651610000035
是uk(t)通过Hilbert变换得到的解析信号。
为了保证信号重构的进度和最严格的约束，在上述过程中引入了第二个惩罚因子α和拉格朗日算子λ(t)，引入以后将方程中的约束变分问题转化为非约束变分问题。
Figure BDA0003533651610000041
其中{uk}和{ωk}分别是所有模态集合及其中心频率的符号，
Figure BDA0003533651610000042
是求取信号梯度，δt是一个泛函数对t的一阶偏导数，ωk是每一个IMF的中心频率，α是惩罚因子，λ(t)是拉格朗日算子。
对于无约束变分问题，利用乘法交替方向法(ADMM)，迭代计算所有模态集合
Figure BDA0003533651610000043
中心频率
Figure BDA0003533651610000044
和拉格朗日常数λn+1，然后计算拉格朗日推广的鞍点。
在迭代过程中，将所有模态集合
Figure BDA0003533651610000045
和中心频率
Figure BDA0003533651610000046
的值的问题转换到频域进行求解，所有模态集合
Figure BDA0003533651610000047
的计算方法遵循
Figure BDA0003533651610000048
中心频率
Figure BDA0003533651610000049
的计算方法遵循
Figure BDA00035336516100000410
变分模态分解VMD的具体过程：
初始化所有模态集合
Figure BDA00035336516100000411
中心频率
Figure BDA00035336516100000412
拉格朗日常数λ1，对n进行赋值n＝0，选择分解模态个数K；
对k进行赋值k＝0，当k＜K时，使得k＝k+1，计算所有模态集合uk和中心频率ωk；
计算拉格朗日常数λ，有
Figure BDA00035336516100000413
迭代上述步骤直到满足
Figure BDA00035336516100000414
迭代结束时，输出满足最小迭代精度的IMF分量。
进一步，步骤3中，所述计算各分量的能量熵构造特征向量具体包括：
原始信号经过变分模态分解VMD分解以后会得到K个模态分量，模态分量的能量分别表示为E1,E2,…,EK，每个分量的能量都包含各各频道的振动信息；
总能量表示为E＝E1+E2+…EK；
基于模态分量uk(t)的能量熵为H(j)＝-pj lg pj，
Figure BDA0003533651610000051
其中H(j)是IMF分量的能量熵，pj为j个IMF分量的能量占整个样本能量的百分比。
根据计算的能量熵构造特征向量矩阵E＝[E1 E2 … EK]。
将特征向量按照比例分割为训练集、验证集和测试集。
进一步，在步骤4中，采用快速反向残差卷积神经网络作为特征向量输入模型进行矿井余震监测具体包括：
这里提出一种快速反向残差卷积神经网络。我们使用两个反向残差块来保留特征信息，并且在特征块中嵌入激励块(SK块)以此来提高模型对特征信息的敏感性，使用幂函数线性单元代替修正线性单元(ReLU)，从而提高模型的收敛速度；
快速反向残差卷积神经网络的结果受到训练集和测试集的数量和比例的影响；
选择矿井余震在地下的四种振动类型，包括横向、纵向、上下以及正常，每种振动类型选择150个样品，每个样品有10240个采样点，当训练集数大于5/6时，矿井余震监测效果更好；
每一种振动类型选取120组作为训练集数据。一共采集600组数据，120组为测试样本，480组为训练样本；
将提取能量熵的特征信息得到的特征向量输入到快速反向残差卷积神经网络中进行矿井余震监测；
设置快速反向残差卷积神经网络的学习速率为0.001，训练周期为40，迭代周期为250，随着迭代次数的增加，模型的精度会迅速升高。经过150次循环后，准确率接近98.2％。
该矿井余震监测方法精度更高，速度更快，成本低，能够很好的适用于矿井余震的监测，具有较高的应用价值。
附图说明
图1是本发明一种基于VMD和IRCNN矿井余震监测方法的整体流程示意图。
具体实施方式
本发明的目的在于通过MEMS惯性测量系统测量临震的振动信号(加速度计信号和角速度信号)，矿井余震类型包括横向、纵向和上下，通过使用改进后的变分模态分解VMD对信号进行分解，然后将计算得到分量的能量熵构造特征向量，输入到快速反向残差卷积神经网络中进行监测矿井余震。
一种基于VMD和IRCNN矿井余震监测方法流程如图1所示。
首先将MEMS惯性测量系统放入矿井中测量振动数据，但是由于地下环境复杂，测得的数据充满噪声等，所以要进行数据预处理，这里采用改进变分模态分解VMD对数据进行处理，首先用局部迅捷估计法和组合能量熵法得到最优参数分解模态个数K和惩罚因子α。
确定分解模态个数K：
首先要构造邻域均值序列
Figure BDA0003533651610000061
tτ＝(τi+τi+1)/2，其中X(t)为振动原始信号，τ为极值点对应的时间序列，tτ为τi、τi+1时间序列对应的平均时间序列，mj-1、mj这两个邻域均值用方程加权，得到极值点时间序列τi+1对应的局部均值
Figure BDA0003533651610000062
局部均值曲线m(t)采用三次B样条曲线拟合，然后根据最小二乘法来估计模态数K；
相关系数ρ表示两个信号之间的相似程度，通过上述办法对振动原始信号进行预处理，计算各个分量IMF的相关系数
Figure BDA0003533651610000063
其中ρab表示a(t)和b(t)两个模态之间的相似程度、a(t)和b(t)为模态信号；当两个模态函数的相关系数满足0.1＜ρab＜0.15时我们认定这两个模态函数为同一模态，最后根据最小二乘法估计原始信号的模态数(K)。
确定惩罚因子α：
经过分解以后，前一模态的谱图比较窄，这个时候的能量熵(Hi)和峰度(k)比较大，峰度是用来反映分布曲线顶端尖峭或扁平程度的指标，值越大则越陡峭，以能量熵乘以峰度组成的组合能量熵的最小值来优化α，
Figure BDA0003533651610000071
Figure BDA0003533651610000072
其中pi＝Ei/E为第i个IMF能量占原始信号总能量的比例，
Figure BDA0003533651610000073
为原始信号总能量，μ是均值，σ是标准差。
确定分解模态个数K和惩罚因子α之后，采用变分模态分解VMD对振动信号进行模态分解为一系列的本征模态分量。
使用变分模态分解VMD对原始信号进行频域迭代，确定不同的频率中心和带宽，初始化所有模态集合
Figure BDA0003533651610000074
中心频率
Figure BDA0003533651610000075
拉格朗日常数λ1，对n进行赋值n＝0，选择分解模态个数K，对k进行赋值k＝0，当k＜K时，使得k＝k+1，计算所有模态集合uk、中心频率ωk和拉格朗日常数λ，有
Figure BDA0003533651610000076
迭代上述过程直到满足
Figure BDA0003533651610000077
迭代结束时，输出满足最小迭代精度的IMF分量；最后，利用傅里叶反变换将模态变换到时域。
计算变分模态分解VMD模态分量uk＝Ak(t)cos(φk(t))，其中Ak(t)是uk的瞬时幅值，φk(t)是一个非递减函数，φk'(t)≥0，包络线是大于等于0的Ak(t)≥0。
变分模态分解VMD的主要问题就是求解约束变分问题，这里我们利用解调信号的H1高斯平滑度来估计IMF带宽；从而得到约束变分问题
Figure BDA0003533651610000078
其中{uk}＝{u1,…uk}和{ωk}＝{ω1，…ωk}分别表示所有模态集合及其中心频率的符号，X(t)为原始信号，j2＝-1，
Figure BDA0003533651610000079
是求取信号梯度，
Figure BDA00035336516100000710
是求取信号梯度，δt是一个泛函数对t的一阶偏导数，ωk是每一个IMF的中心频率，
Figure BDA00035336516100000711
是uk(t)通过Hilbert变换得到的解析信号。
为了保证信号重构的进度和最严格的约束，引入了第二个惩罚因子α和拉格朗日算子λ(t)，引入以后将方程中的约束变分问题转化为非约束变分问题，
Figure BDA0003533651610000081
其中{uk}和{ωk}分别是所有模态集合及其中心频率的符号，
Figure BDA0003533651610000082
是求取信号梯度，δt是一个泛函数对t的一阶偏导数，ωk是每一个IMF的中心频率，α是惩罚因子和λ(t)是拉格朗日算子。
对于上述步骤中无约束变分问题，利用乘法交替方向法(ADMM)，迭代计算所有模态集合
Figure BDA0003533651610000083
中心频率
Figure BDA0003533651610000084
拉格朗日常数λn+1，然后计算拉格朗日推广的鞍点。
在迭代过程中，将所有模态集合
Figure BDA0003533651610000085
和中心频率
Figure BDA0003533651610000086
的值问题转换到频率进行求解，所有模态集合
Figure BDA0003533651610000087
的计算方法遵循
Figure BDA0003533651610000088
中心频率
Figure BDA0003533651610000089
的计算方法遵循
Figure BDA00035336516100000810
原始信号X(t)＝[X1(t),X2(t),…Xn(t)]经过变分模态分解VMD分解以后，计算各分量的能量熵并且构造特征向量。
原始信号经过变分模态分解VMD分解以后会得到K个模态分量，模态分量的能量分别表示为E1,E2,…,EK，每个分量的能量都包含各频道的振动信息，总能量表示为E＝E1+E2+…EK,基于模态分量uk(t)的能量熵为H(j)＝-pjlg pj，
Figure BDA00035336516100000811
其中H(j)是IMF分量的能量熵，pj为j个IMF分量的能量占整个样本能量的百分比。
根据计算的能量熵构造特征向量矩阵E＝[E1 E2 … EK]，将特征向量按照比例分割为训练集、验证集和测试集。
将构造后的由能量熵组成的特征向量输入到快速反向残差卷积神经网络中进行矿井余震监测。
首先将采集到的正常的数据进行上述步骤，这里提出一种快速反向残差卷积神经网络。我们使用两个反向残差块来保留特征信息，并且在特征块中嵌入激励块(SK块)以此来提高模型对特征信息的敏感性，使用幂函数线性单元代替修正线性单元(ReLU)，从而提高模型的收敛速度。
然后输入到快速反向残差卷积神经网络中去监测，随后模拟矿井余震情况对采集到的正常数据进行上述步骤，输入到快速反向残差卷积神经网络中监测。
快速反向残差卷积神经网络的结果受到训练集和测试集的数量和比例的影响。这里选择矿井余震在地下的四种振动类型，包括横向、纵向、上下以及正常，每种振动类型选择150个样品，每个样品有10240个采样点，当训练集数大于5/6时，矿井余震监测效果更好。这里每一种振动类型选取120组作为训练集数据；一共采集600组数据，120组为测试样本，480组为训练样本。
设置快速反向残差卷积神经网络的学习速率为0.001，训练周期为40，迭代周期为250，随着迭代次数的增加，模型的精度会迅速升高；经过150次循环后，准确率接近98.2％。
该矿井余震监测方法精度更高，速度更快，成本低，能够很好的适用于矿井余震的监测，具有较高的应用价值。
最后说明的是以上实施案例仅用于说明本发明的技术方案而非限制，可以对本发明进行修改或更换，而不脱离本技术方案的范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于VMD与IRCNN的矿井余震监测方法，其监测方法步骤包括：
步骤1：将MEMS惯性测量系统放入矿井中测得振动数据，采用局部迅捷估计法和组合能量熵法得到最优参数分解模态个数K和惩罚因子α；
步骤2：采用变分模态分解对振动信号进行模态分解为一系列的本征模态分量；
步骤3：计算各分量的能量熵构造特征向量；
步骤4：采用快速反向残差卷积神经网络(FIRCNN)作为特征向量输入模型进行矿井余震监测。
2.如权利要求1所述的一种基于VMD与IRCNN的矿井余震监测方法，其特征在于，步骤1中确定最优参数分解模态个数K和惩罚因子α：
确定分解模态个数K：
①首先要构造邻域均值序列
Figure FDA0003533651600000011
其中X(t)为振动原始信号，τ为极值点对应的时间序列，tτ为τi、τi+1时间序列对应的平均时间序列；
②然后通过方程加权的方法计算得到极值点时间序列τi+1对应的局部均值，
Figure FDA0003533651600000012
其中m(j)和m(j+1)为两个邻域均值；
③采用三次B样条曲线拟合均值曲线m(t)；
④然后根据最小二乘法来估计模态数K；
通过上述办法对振动原始信号进行预处理，计算各个分量IMF的相关系数
Figure FDA0003533651600000013
其中ρab表示a(t)和b(t)两个模态之间的相似程度，a(t)和b(t)为模态信号；当两个模态函数的相关系数满足0.1＜|ρab|＜0.15时认定这两个模态函数为同一模态，最后根据最小二乘法估计原始信号的模态数K；
确定惩罚因子α：
经过分解以后，前一模态的谱图比较窄，这个时候的能量熵(Hi)和峰度(k)比较大，峰度是用来反映分布曲线顶端尖峭或扁平程度的指标，值越大则越陡峭，以能量熵乘以峰度组成的组合能量熵的最小值来优化α；
Figure FDA0003533651600000021
其中pi＝Ei/E为第i个分量IMF能量占原始信号总能量的比例，
Figure FDA0003533651600000022
为原始信号总能量，μ是均值，σ是标准差。
3.如权利要求1所述一种基于VMD与IRCNN的矿井余震监测方法，其特征在于，步骤2中，采用变分模态分解VMD对振动信号进行模态分解为一系列的本征模态分量，使用变分模态分解VMD对原始信号进行频域迭代，采用如权利要求2优化后的参数模态个数K和惩罚因子α，确定不同的频率中心和带宽，将信号分解为K个IMF分量；最后利用傅里叶反变换将模态变换到时域，具体包括：
①计算变分模态分解VMD的模态分量uk＝Ak(t)cos(φk(t))，其中Ak(t)是uk的瞬时幅值，φk(t)是一个非递减函数，φk'(t)≥0，包络线是大于等于0的Ak(t)≥0；
②变分模态分解VMD的主要问题就是求解约束变分问题，利用解调信号的H1高斯平滑度来估计分量IMF带宽；从而得到约束变分问题
Figure FDA0003533651600000023
其中{uk}＝{u1,…uk}和{ωk}＝{ω1，…ωk}分别表示所有模态集合及其中心频率的符号，j2＝-1，X(t)为原始信号，
Figure FDA0003533651600000024
是求取信号梯度，δt是一个泛函数对t的一阶偏导数，ωk是每一个IMF的中心频率，
Figure FDA0003533651600000025
是uk(t)通过Hilbert变换得到的解析信号；
③为了保证信号重构的进度和最严格的约束，引入了第二个惩罚因子α和拉格朗日算子λ(t)，引入以后将方程中的约束变分问题转化为非约束变分问题；
Figure FDA0003533651600000026
其中{uk}和{ωk}分别是所有模态集合及其中心频率的符号，
Figure FDA0003533651600000027
是求取信号梯度，δt是一个泛函数对t的一阶偏导数，ωk是每一个IMF的中心频率，α是惩罚因子，λ(t)是拉格朗日算子；
④对于③中无约束变分问题，利用乘法交替方向法，迭代计算所有模态集合
Figure FDA0003533651600000031
中心频率
Figure FDA0003533651600000032
和拉格朗日常数λn+1，然后计算拉格朗日推广的鞍点，在迭代过程中，将所有模态集合
Figure FDA0003533651600000033
和中心频率
Figure FDA0003533651600000034
的值问题转换到频域进行求解，所有模态集合
Figure FDA0003533651600000035
的计算方法遵循
Figure FDA0003533651600000036
中心频率
Figure FDA0003533651600000037
的计算方法遵循
Figure FDA0003533651600000038
4.如权利要求1所述一种基于VMD与IRCNN的矿井余震监测方法，其特征在于，步骤3中所述计算各分量的能量熵构造特征向量：
①原始信号经过变分模态分解后得到K个模态分量，模态分量的能量分别表示为E1,E2,…,EK，每个分量的能量都包含各频率的振动信息，总能量表示为E＝E1+E2+…EK，基于模态分量uk(t)的能量熵为H(j)＝-pjlgpj，
Figure FDA0003533651600000039
其中H(j)是IMF分量的能量熵，pj为j个IMF分量的能量占整个样本能量的百分比；
②根据计算的能量熵构造特征向量矩阵E＝[E1 E2…EK]，将特征向量按照比例分割为训练集、验证集和测试集。
5.如权利要求1所述一种基于VMD与IRCNN的矿井余震监测方法，其特征在于，步骤4中采用快速反向残差卷积神经网络作为特征向量输入模型进行矿井余震监测：
选择矿井余震在地下的四种振动类型，包括横向、纵向、上下以及正常，每种振动类型选择150个样品，每个样品有10240个采样点，当训练集数大于5/6时，矿井余震监测效果更好；通过提取能量熵的特征信息得到的特征向量输入到快速反向残差卷积神经网络中进行矿井余震监测，设置快速反向残差卷积神经网络的学习速率为0.001，训练周期为40，迭代周期为250。
CN202210213852.3A 2022-03-07 2022-03-07 一种基于vmd与ircnn的矿井余震监测方法 Withdrawn CN114595719A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210213852.3A CN114595719A (zh) 2022-03-07 2022-03-07 一种基于vmd与ircnn的矿井余震监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210213852.3A CN114595719A (zh) 2022-03-07 2022-03-07 一种基于vmd与ircnn的矿井余震监测方法

Publications (1)

Publication Number Publication Date
CN114595719A true CN114595719A (zh) 2022-06-07

Family

ID=81807958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210213852.3A Withdrawn CN114595719A (zh) 2022-03-07 2022-03-07 一种基于vmd与ircnn的矿井余震监测方法

Country Status (1)

Country Link
CN (1) CN114595719A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997252A (zh) * 2022-08-05 2022-09-02 西南交通大学 一种基于惯性原理的车轮多边形车载检测方法
CN115061196A (zh) * 2022-08-17 2022-09-16 成都川油瑞飞科技有限责任公司 基于经验模态分解imf引导的微震信号识别方法
CN116757100A (zh) * 2023-08-18 2023-09-15 国科大杭州高等研究院 推力预测模型训练及推力预测方法、装置、设备、介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997252A (zh) * 2022-08-05 2022-09-02 西南交通大学 一种基于惯性原理的车轮多边形车载检测方法
CN114997252B (zh) * 2022-08-05 2022-10-25 西南交通大学 一种基于惯性原理的车轮多边形车载检测方法
CN115061196A (zh) * 2022-08-17 2022-09-16 成都川油瑞飞科技有限责任公司 基于经验模态分解imf引导的微震信号识别方法
CN115061196B (zh) * 2022-08-17 2022-11-15 成都川油瑞飞科技有限责任公司 基于经验模态分解imf引导的微震信号识别方法
CN116757100A (zh) * 2023-08-18 2023-09-15 国科大杭州高等研究院 推力预测模型训练及推力预测方法、装置、设备、介质
CN116757100B (zh) * 2023-08-18 2023-12-15 国科大杭州高等研究院 推力预测模型训练及推力预测方法、装置、设备、介质

Similar Documents

Publication Publication Date Title
CN114595719A (zh) 一种基于vmd与ircnn的矿井余震监测方法
Fan et al. Vibration-based damage identification methods: a review and comparative study
Chen et al. Application of Hilbert-Huang transform in structural health monitoring: A state-of-the-art review
Xu et al. Damage detection for a frame structure model using vibration displacement measurement
CN111639747B (zh) 一种基于bp神经网络的gnss-r海面风速反演方法及系统
Qin et al. Operational modal analysis based on subspace algorithm with an improved stabilization diagram method
Rus et al. Optimized damage detection of steel plates from noisy impact test
CN109558635A (zh) 一种基于单元模态应变能灵敏度的结构区间不确定性损伤识别方法
Cury et al. A two-step technique for damage assessment using numerical and experimental vibration data
Zhang et al. Sensitivity analysis of inverse algorithms for damage detection in composites
Homaei et al. A direct damage detection method using multiple damage localization index based on mode shapes criterion
CN110362886A (zh) 一种基于不确定性分析的城镇砌体住宅安全评估方法
CN111753776B (zh) 基于回声状态与多尺度卷积联合模型的结构损伤识别方法
Shu et al. A multi-task learning-based automatic blind identification procedure for operational modal analysis
US20200393347A1 (en) Imaging Method of Internal Defects in Longitudinal Sections of Trees
Adeli et al. Parameter identification in viscoplasticity using transitional markov chain monte carlo method
CN114036831A (zh) 一种待检测工程场地边坡的岩土力学参数的实时检测方法
CN109815940A (zh) 小波包能量谱法损伤识别方法
Nguyen-Tuan et al. Uncertainty assessment in the results of inverse problems: applied to damage detection in masonry dams
Li et al. Structural damage identification with extracted impulse response functions and optimal sensor locations
Lee et al. Detection of stiffness degradation in laminated composite plates by filtered noisy impact testing
JP2002188955A (ja) 不確定外力を利用した構造物の強度劣化検出法
Song et al. Identification of external force for slender flexible structures via sparse modelling with an under-relaxation scheme
Gu et al. Structural vibration-based identification of delamination in CFRP cylinders using complex frequency domain correlation and CNN
Rus et al. Optimal reconstruction of the damage distribution in bridge decks by measuring the noisy response induced by traffic loads

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220607

WW01 Invention patent application withdrawn after publication