CN114638267A - 基于爆破振动多元特征信息比对的电子雷管盲炮识别方法 - Google Patents
基于爆破振动多元特征信息比对的电子雷管盲炮识别方法 Download PDFInfo
- Publication number
- CN114638267A CN114638267A CN202210287469.2A CN202210287469A CN114638267A CN 114638267 A CN114638267 A CN 114638267A CN 202210287469 A CN202210287469 A CN 202210287469A CN 114638267 A CN114638267 A CN 114638267A
- Authority
- CN
- China
- Prior art keywords
- blasting
- vibration
- multivariate
- electronic detonator
- signal
- 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.)
- Pending
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
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F42—AMMUNITION; BLASTING
- F42D—BLASTING
- F42D5/00—Safety arrangements
- F42D5/02—Locating undetonated charges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于爆破振动多元特征信息比对的电子雷管盲炮识别方法,方法基于原始爆源信息进行EMMD信号分解,建立AR模型提取多元特征信息,建立AR模型提取多元特征信息,将模型和多元特征信息上传至数据中心,形成爆破振动基础数据库。同时采集多个爆破现场的原始爆源信息并进行特征提取,建立不同延期间隔、典型的孔网参数和装药结构条件下的爆破振动信号大数据库。然后采集实际爆破振动信号并提取出实际多元特征,将其与爆破振动信号大数据库中的多元特征进行特征比较,当出现特征差异时判定本次爆破工程中出现盲炮。本发明提高了爆破施工效率,降低了盲炮处理过程存在极大危险性的同时提高了数码电子雷管使用安全性。
Description
技术领域
本发明涉及盲炮识别技术领域,尤其涉及一种基于爆破振动多元特征信息比对和声振融合技术的数码电子雷管盲炮智能识别方法。
背景技术
数码电子雷管利用集成电路技术,具有精确延期的起爆功能,实现了爆破技术精细化。随着劳动力成本的增加、微电子技术成本的降低,高精度电子雷管的大批量生产,数码电子雷管在复杂环境控制爆破、特大型矿山开采、稀有矿物开发等领域逐步取代导爆管雷管,具有爆破网路可在线检测、延期精准、可靠性高、安全性好等特点。
在数码电子雷管使用过程中存在因盲炮引起的安全事故,降低了爆破施工效率,盲炮处理过程存在极大危险性。
如申请号为CN201310296680.1的专利申请公开了一种爆破工程中的盲炮识别方法,通过爆破振动测试仪获得完整的爆破振动信号,爆破振动信号经过基于小波变换的时-能密度方法分析,得到不同分解尺度下的爆破振动时-能密度曲线,对通过对比确定其中最优分解尺度下的爆破振动时-能密度曲线,利用窗函数对爆破振动时-能密度曲线进行平滑化,并采用关窗法选择窗函数带宽,进而选择确定能比较清晰地反应出各段雷管的实际起爆时刻的平滑后的时-能密度曲线,以曲线的突峰点与爆破设计对比,可以确定是否发生盲炮,以及盲炮发生的位置。该方案是根据现场的爆破振动信号进行盲炮位置分析,其信号受环境影响干扰大,不能准确的分析是否发生盲炮,且分析时间较长,爆破施工效率较低。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于爆破振动多元特征信息比对的电子雷管盲炮识别方法,通过设计小波函数来建立预测模型并提取爆破信息的多元特征,并以此构建爆破振动大数据库,在爆破施工时,只需提取实际现场爆破振动信号的多元特征进行特征比较,即可判断当前爆破工程是否发生盲炮,该方法提高了数码电子雷管使用安全性,减少了盲炮分析时间,提高了爆破施工效率。
本发明的目的是通过以下技术方案来实现的:
基于爆破振动多元特征信息比对的电子雷管盲炮识别方法,包括:
步骤一:从数码电子雷管手持机中导出数码电子雷管爆破振动信号的原始爆源信息,并基于原始爆源信息进行EMMD信号分解,建立AR模型提取多元特征信息,将AR模型和多元特征信息上传至爆破测振数据中心,形成爆破振动基础数据库;
步骤二:基于爆破振动基础数据库,采集多个爆破现场的原始爆源信息并进行特征提取,从而建立不同延期间隔、典型的孔网参数和装药结构条件下的爆破振动信号大数据库;
步骤三:设计数码电子雷管盲炮监测振动测试方案,采集实际爆破振动信号,并提取出实际爆破振动的多元特征;
步骤四:将实际爆破振动的多元特征与爆破振动信号大数据库中的多元特征进行特征比较,当出现特征差异时判定本次爆破工程中出现盲炮。
具体的,所述步骤一具体包括以下子步骤:
S1,从数码电子雷管手持机中自动导出炮孔数量、单孔药量、各炮孔雷管延期时间和起爆时间,将上述信息作为数码电子雷管爆破振动信号的原始爆源信息;
S2,对原始爆源信息进行EMMD信号分解,获得若干IMF分量并建立AR模型,并利用该模型从原始爆源信息中提取出波形多峰性特征、频谱特征、振幅特征和提升小波包相对能量谱分布特征;
S3,将AR模型以及波形多峰性特征、频谱特征、振幅特征和提升小波包能量谱特征上传至爆破测振数据中心,作为爆破振动基础数据库。
具体的,所述S2具体包括:针对原始爆源信息,以EMMD为信号处理工具,对原始爆源信息中的爆破振动信号进行分解,获得N个具有不同特征的IMF分量;构建AR模型,分别将爆破振动信号的波形、频谱、振幅和提升小波包相对能量谱分布作为AR模型的模型参数;利用AR模型从N个IMF分量中提取出初始特征向量组成初始特征向量矩阵,对初始特征向量矩阵进行奇异值分解,得到初始特征向量矩阵的奇异值,对每一IMF分量进行归一化处理,获得初始特征向量矩阵的奇异值熵作为对应模型参数的特征值,从而从原始爆源信息中提取出波形多峰性特征、频谱特征、振幅特征和提升小波包相对能量谱分布特征。
具体的,所述步骤四中的特征差异为:与爆破振动信号大数据库中的多元特征相比,实际多元特征中存在波形多峰性特征数量变少,以及频谱和提升小波能量谱分布规律、振幅数据存在明显差异的情况。
本发明的有益效果:
本发明通过构建爆破振动波形时程曲线预测模型从采集的原始爆源信息中提取出多元特征构成基础数据库,并采集不同爆破条件下多个原始爆源信息进行特征提取,从而形成爆破振动信号大数据库。然后提取实际现场采集的爆破振动信号多元特征,将其与大数据库中的多元特征进行比对,当存在明显的特征差异时则判定当前爆破过程出现了盲炮,该方法提高了爆破施工效率,降低了盲炮处理过程存在极大危险性的同时提高了数码电子雷管使用安全性。
附图说明
图1是本发明的方法流程图;
图2是本发明的技术路线图;
图3是提升小波分解重构示意图;
图4是SGW(10,10)尺度函数与小波函数曲线图;
图5是典型的爆破振动时程曲线图;
图6是功率谱波形图。
具体实施方式
为了对本发明的技术特征、目的和有益效果有更加清楚的理解,现对本发明的技术方案精选以下详细说明。显然,所描述的实施案例是本发明一部分实施例,而不是全部实施例,不能理解为对本发明可实施范围的限定。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的其他所有实施例,都属于本发明的保护范围。
实施例一:
本实施例中,如图1所示,基于爆破振动多元特征信息比对的电子雷管盲炮识别方法,包括:
步骤一:从数码电子雷管手持机中导出数码电子雷管爆破振动信号的原始爆源信息,并基于原始爆源信息进行EMMD信号分解,建立AR模型提取多元特征信息,将AR模型和多元特征信息上传至爆破测振数据中心,形成爆破振动基础数据库;
步骤二:基于爆破振动基础数据库,采集多个爆破现场的原始爆源信息并进行特征提取,从而建立不同延期间隔、典型的孔网参数和装药结构条件下的爆破振动信号大数据库;
步骤三:设计数码电子雷管盲炮监测振动测试方案,采集实际爆破振动信号,并提取出实际爆破振动的多元特征;
步骤四:将实际爆破振动的多元特征与爆破振动信号大数据库中的多元特征进行特征比较,当出现特征差异时判定本次爆破工程中出现盲炮。
本实施例中,步骤一具体包括以下子步骤:
S1,从数码电子雷管手持机中自动导出炮孔数量、单孔药量、各炮孔雷管延期时间和起爆时间,将上述信息作为数码电子雷管爆破振动信号的原始爆源信息;
S2,对原始爆源信息进行EMMD信号分解,获得若干IMF分量并建立AR模型,并利用该模型从原始爆源信息中提取出波形多峰性特征、频谱特征、振幅特征和提升小波包相对能量谱分布特征;
S3,将AR模型以及波形多峰性特征、频谱特征、振幅特征和提升小波包能量谱特征上传至爆破测振数据中心,作为爆破振动基础数据库。
本实施例中,S2具体包括:针对原始爆源信息,以EMMD为信号处理工具,对原始爆源信息中的爆破振动信号进行分解,获得N个具有不同特征的IMF分量;构建AR模型,分别将爆破振动信号的波形、频谱、振幅和提升小波包相对能量谱分布作为AR模型的模型参数;利用AR模型从N个IMF分量中提取出初始特征向量组成初始特征向量矩阵,对初始特征向量矩阵进行奇异值分解,得到初始特征向量矩阵的奇异值,对每一IMF分量进行归一化处理,获得初始特征向量矩阵的奇异值熵作为对应模型参数的特征值,从而从原始爆源信息中提取出波形多峰性特征、频谱特征、振幅特征和提升小波包相对能量谱分布特征。
本实施例中,采用基于极值域均值模式分解EMMD(Extremum Field Meanmodedecomposition)和AR(autoregressive)奇异值熵的特征提取方法来提取爆破振动信号特征。极值域均值模式分解(EMMD)方法是经验模式分解(EMD)的改进,可以很好地处理非平稳信号并减少噪声的干扰。该特征提取方法以EMMD为信号处理工具,对信号进行分解得到若干本征模函数(IMF),再利用AR模型的自回归参数对状态变化规律反应敏感的特性,选取爆破振动信号IMF分量的AR模型参数向量作为故障的初始特征向量,然后求得若干个IMF分量的AR模型参数向量的奇异值熵H;最后比较奇异值熵H来判断是否发生特征差异。该方法能够有效地应用于非线性和非平稳故障信号的特征提取。
本实施例中,利用上述EMMD算法对爆破振动信号进行分解的过程如下:
1、针对原始爆破振动信号x(t),先初始化:令r0(t)=x(t),i=1。
2、通过计算信号各极值点处的局部均值和拟合局部均值曲线,求取第i个IMF分量,该过程具体为:
(1)初始化:hj-1(t)=ri-1(t);令j=1;
(2)找出hj-1(t)的局部极值点;
(3)对hj-1(t)的局部极值进行定积分中值处理获得各点对应的局部均值mj-1(tn),n=1,2,...,Nj-1;
(4)对局部均值mj-1(tn),n=1,2,...,Nj-1进行3次样条拟合,得到均值曲线mj-1(t);
(5)令hj(t)=hj-1(t)-mj-1(t);
3、ri(t)=ri-1(t)-ci(t)。
4、若ri(t)极值点不少于2个,则i=i+1,回到步骤2;否则分解结束,ri(t)是残余分量。
对经EMMD方法得到的各IMF分量ci,采用FPE准则,建立如下的自回归模型AR(n):
式中,和n分别是自回归参数模型AR(n)的模型参数和模型阶次;η(t)是均值为零、方差为η2的白噪声序列。根据自回归参数模型AR(n)的性质,可以选择和η2作为特征向量来表征ci的特性指标。将从N个IMF分量中提取出的初始特征向量组成初始特征向量矩阵C表示为
C=[C1 C2…CN]T对C进行奇异值分解,得到初始特征向量矩阵C的奇异值σ1,σ2,...,σN。对每一个分量进行归一化:pi=σi/P,其中,σ1+σ2+...+σN,于是,就有p1+p2+…pN=1。从而,利用下式
便可计算得到初始特征向量矩阵C的奇异值熵H,作为对应参数的特征进行下一步的分析。
本实施例中,步骤四中的特征差异为:与爆破振动信号大数据库中的多元特征相比,实际多元特征中存在波形多峰性特征数量变少,以及频谱和提升小波能量谱分布规律、振幅数据存在明显差异的情况。
实施例二:
本实施例中,相比于实施例一,本实施例采用建立曲线预测模型提取多元特征信息,方法包括以下步骤:
步骤一:从数码电子雷管手持机中导出数码电子雷管爆破振动信号的原始爆源信息,并基于原始爆源信息建立曲线预测模型提取多元特征信息,将曲线预测模型和多元特征信息上传至爆破测振数据中心,形成爆破振动基础数据库;
步骤二:基于爆破振动基础数据库,采集多个爆破现场的原始爆源信息并进行特征提取,从而建立不同延期间隔、典型的孔网参数和装药结构条件下的爆破振动信号大数据库;
步骤三:设计数码电子雷管盲炮监测振动测试方案,采集实际爆破振动时程信号,并提取出实际爆破振动的多元特征;
步骤四:将实际爆破振动的多元特征与爆破振动信号大数据库中的曲线预测模型和多元特征进行特征比较,当出现特征差异时判定本次爆破工程中出现盲炮。
本实施例中,如2所示,方法的技术实现流程为:
(1)从数码电子雷管手持机中自动导出炮孔数量、单孔药量、各炮孔雷管延期时间、起爆时间等信息,上述信息作为数码雷管爆破振动信号的原始爆源信息;
(2)基于原始爆源信息,建立爆破振动波形时程曲线预测模型,提取波形多峰性特征、频谱特征、振幅特征、提升小波包相对能量谱分布特征;
(3)将上述爆破振动波形时程曲线预测模型以及波形多峰性特征、频谱特征、振幅特征、提升小波包能量谱特征上传至爆破测振数据中心,作为爆破振动基础数据库;当改变原始爆源参数时,重新生成相应的爆破振动时程曲线预测模型和波形多峰性特征、频谱特征、振幅特征、提升小波包能量谱特征。
(4)设计数码电子雷管盲炮监测振动测试方案;
(5)下达起爆命令后,采集实际爆破振动时程信号;
(6)提取实际爆破振动时程信号多峰性特征、频谱特征、振幅特征、提升小波包相对能量谱分布特征;
(7)建立不同延期间隔,典型的孔网参数、装药结构等爆源参数条件下的爆破振动信号大数据库;
(8)将提取到的上述特征值与爆破振动波形时程曲线预测模型和爆破振动信号大数据中的上述特征值进行特征比较;
(9)对多元特征信息进行比对,当存在多峰性特征数量变少、频谱和提升小波能量谱分布规律、振幅存在明显差异时判定为本次爆破工程中出现了盲炮。
其中,爆破振动波形时程曲线预测模型的主要基于提升小波基函数构造方法实现,提升小波基函数构造方法采用提升算法实现,提升算法的核心思想是将现有的小波滤波器分解成基本的构造模块。将小波变换过程分解为:分解(Split)、预测(Predict)和更新(Update),其分解和重构原理如图3所示。
假定一个振动测试数据的采样序列S={sk,k∈Z,sk∈R},同时假定该信号的长度为2k,进行一次小波分解后所得近似序列和细节序列分别用sk-1和dk-1表示,长度均为2k-1;同理,如果信号的近似序列和细节序列分别为sk-1和dk-1,经过小波逆变换后得到的信号序列用sk表示,其长度为2k。信号分解过程如下:
(1)分解。将采样序列{s(k),k∈Z}剖分为奇样本序列So={so(k),k∈Z}和偶样本序列Se={se(k),k∈Z},这种分解称为懒小波变换。其中:
so(k)=s(2k+1)k∈Z (1)
se(k)=s(2k)k∈Z (2)
(2)预测,也叫对偶提升。在基于原始数据相关性的基础上,用偶序列Se的预测值P[se(k)]去预测(或内插)奇数序列so,即将滤波器P(·)对偶数信号作用以后作为奇信号的预测值,奇信号的实际值与预测值相减得到残差信号。实际中,虽然不能从so(k)中准确预测se(k),但P[se(k)]很接近se(k),因此可用P[se(k)]和se(k)的差来代替原来的se(k),这样产生的se(k)比原来的se(k)包含更少的信息。定义预测偏差为细节信号:
d(k)=so(k)-P[se(k)]k∈Z (3)
(3)更新,也叫原始提升。更新也称作提升。为了使原信号集的某些全局特性在其子集中继续保持,同时消除剖分过程中产生的频率混叠效应,必须进行更新。更新的基本思想是需找到一个更好的子集,使它保持原信号的均值、高阶消失矩不变。设U(.)为更新器,在细节信号序列D={d(k),k∈Z}的基础上更新se(k),其结果定义为逼近信号c(k)
c(k)=se(k)+U(D)k∈Z (4)
从上述基本原理可以看出,提升算法通过对采样数据的迭代来重复,实现多分辨分解的多级变换。
从频域角度分析,预测P[se(k)]意味着平滑,可看作低频;细节信号d(k)意味着信号在局部区域内与自己低频分量之间的误差,体现了信号s(k)中的高频分量,又称为小波系数,小波系数越小表示预测平滑得越精确,预测效果越好;逼近信号c(k)反应了信号中的低频成分。继续对c(k)分解,就可以得到下一层的近似信号和细节信号,以此类推。
提升小波变换的重构过程是分解过程的逆过程。由图3可知,信号重构由恢复更新、恢复预测、奇偶采样序列合并三步构成,由提升格式的小波分解结果经过相同的预测算子和更新算子运算,并改变运算符号可得到:
(1)反更新。se(k)=c(k)-U(D) (5)
(2)反预测。so(k)=d(k)+P[se(k)] (6)
(3)合并。s(k)=merge(so(k),se(k)) (7)
用提升算法处理信号与Mallat算法只需要滤波器系数就可以实现信号的分解重构,并不需要知道尺度函数和小波函数的具体表达式。当分析小波函数的特性对信号分析结果的影响时,再研究小波函数和尺度函数的具体形式。
本实施例中,基于上述原理过程,模型的构建流程如下:
1、提升格式构造小波
每一个采样序列sj,k(k)都与一个尺度函数相对应,任意给定一δ序列使sj,k=δj,k,对其进行插值细分直到无穷时可生成一个尺度函数当采间隔采样时,与由s0,0=δ0,0插值生成的之间满足一代小波的双尺度方程
同理,每一个dj,k均与一个小波函数ψj,k(x)相对应,任意给定一列dj,k=δj,k,对它做一次小波提升逆变换后进行插值细分直到无穷即可生成一个小波函数ψj,k(x);当等间隔采样时,ψj,k(x)与由d0,0=δ0,0生成的小波母函数ψ0,0(x)=ψ(x)满足一代小波的双尺度方程
ψj,k(x)=ψ(2j-k) (9)
2、P和U系数的设计
从提升算法构造二代小波基本原理可以看出,预测系数P和更新系数U的选取是二代小波构造的关键,关系到信号分析的效果。预测系数P选取的关键是使预测精确,预测越精确,平滑的效果越好,更能有效地分解出高频信号,而更新算子U选取的关键在于使得更新后的低频成分的均值、高阶矩等与原信号保持不变。当运算实时性要求不高时,P值可以直接通过Neville插值算法求出,然后再通过构造辅助序列的方法来确定U。当数据处理对实时性要求较高时,可预先求出P和U的系数,然后根据式(1)~式(7)可完成提升小波分解与重构。
3、插值细分小波构造
已知N+1个互不相同的点x0,x1,…,xN处的函数值为y0,y1,…,yN,且yi=f(xi),i=0,…,N,则存在唯一一个次数不大于N的多项式Ln(x),使Ln(xi)=f(xi),那么
式中,
每次细分时,取N个(N=2D,D∈Z+)已知样本yj,k-D+1,…yj,k,…yj,k+D,并假定这些样本是等时间隔采样的,其对应的采样时刻为xk+1,xk+2,…,xk+N,xk为任意的起始时间,通过细分产生新的采样值处于这些已知样本的中间位置,插值点(或预测点)为:x=xk+(N+1)/2,这样预测系数可用式(12)确定,即
上式求系数的运算实际上与xk无关,为了简便起见,可取xk=0。
N=10时,根据式(12)求得预测系数。
设信号s为一个δ序列,即
s=[0 0 0 1 0 0 0] (13)
见图3小波重构部分,重构关系简化为
sj+1,2k=sj,k,sj+1,2k+1=p(xj+1,2k+1) (14)
根据上式对s进行插值细分,利用k-1,k,k+1,k+2四点的sj,k值预测sj+1,2k+1的值,插值边界采用补零的方法进行处理,采用上述插值细分方法通过Matlab编制计算程序,经过30次迭代后生成的尺度函数波形见图3。
式中,U和D分别为更新算子运算系数和细节信号序列。与尺度函数的构造类似,设细节信号为δ序列,近似信号s为零序列,参照图2小波重构部分,进行一次提升格式反变换,信号的偶序列为
se=[0-u6-u5-u4-u3-u2-u1] (16)
该序列经过预测算子P(·)进行恢复预测运算,得到信号的奇序列为
so=D+P(se) (17)
由式(16)~式(17)可得so,对so按照式(17)进行插值细分,经过30次迭代可得到相应的小波函数,如图4所示。
基于提升模式的尺度函数和小波函数是对称的、紧支撑的,并且具有冲击形状。当N和较小时,尺度函数和小波函数的支撑区间较小;反之,支撑区间较大,具有较好的连续性。一般的,支撑区间小的小波函数适合于处理非平稳信号,小波系数能够有效地描述信号的瞬态分量,而支撑区间大且连续较好的小波适合于描述稳态信号。爆破振动信号具有典型的短时非平稳特性,提出采用SGW(10,10)进行爆破振动信号分析。
4提升db小波构造
Daubechies系列小波具有较好的紧支性、光滑性及近似对称性,并已成功地应用于包括爆破振动信号在内的非平稳信号分析问题。该小波系数按正整数N具有不同的序列(dbN),本发明采用Matlab中提供的提升方案(Daubechies lifting schemes)liftingdb1,同基于插值细分的二代小波SGW(10,10)用于爆破振动信号去噪。
2、提升小波包能量谱提取方法
定义归一化能量:
上式中,E为信号总能量,即利用E对各频带内能量进行归一化,相应的特征向量:
V=(E1,E2,…,Ej) (19)
V称为归一化特征向量。
图5为场地实验中采用单孔单段起爆方式采集到的爆破振动时程曲线。由功率谱图6可直观地得到该信号的主振频率处于(38~80)Hz、(80~122)Hz、(150~180)Hz三个频带区间。200Hz以上的频率部分包含的功率谱密度较小,谱图中的分辨率较低,因此在进行盲炮识别时分析了0~256Hz范围内的功率谱密度分布情况。
采用SGW(10,10)进行爆破振动信号分析,所形成的爆破时程曲线更趋近于实际爆破工程的波形形状,分析效果相较于SGW(6,6)和SGW(8,8)
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (4)
1.基于爆破振动多元特征信息比对的电子雷管盲炮识别方法,其特征在于,包括:
步骤一:从数码电子雷管手持机中导出数码电子雷管爆破振动信号的原始爆源信息,并基于原始爆源信息进行EMMD信号分解,建立AR模型提取多元特征信息,将AR模型和多元特征信息上传至爆破测振数据中心,形成爆破振动基础数据库;
步骤二:基于爆破振动基础数据库,采集多个爆破现场的原始爆源信息并进行特征提取,从而建立不同延期间隔、典型的孔网参数和装药结构条件下的爆破振动信号大数据库;
步骤三:设计数码电子雷管盲炮监测振动测试方案,采集实际爆破振动信号,并提取出实际爆破振动的多元特征;
步骤四:将实际爆破振动的多元特征与爆破振动信号大数据库中的多元特征进行特征比较,当出现特征差异时判定本次爆破工程中出现盲炮。
2.根据权利要求1所述的基于爆破振动多元特征信息比对的电子雷管盲炮识别方法,其特征在于,所述步骤一具体包括以下子步骤:
S1,从数码电子雷管手持机中自动导出炮孔数量、单孔药量、各炮孔雷管延期时间和起爆时间,将上述信息作为数码电子雷管爆破振动信号的原始爆源信息;
S2,对原始爆源信息进行EMMD信号分解,获得若干IMF分量并建立AR模型,并利用该模型从原始爆源信息中提取出波形多峰性特征、频谱特征、振幅特征和提升小波包相对能量谱分布特征;
S3,将AR模型以及波形多峰性特征、频谱特征、振幅特征和提升小波包能量谱特征上传至爆破测振数据中心,作为爆破振动基础数据库。
3.根据权利要求2所述的基于爆破振动多元特征信息比对的电子雷管盲炮识别方法,其特征在于,所述S2具体包括:针对原始爆源信息,以EMMD为信号处理工具,对原始爆源信息中的爆破振动信号进行分解,获得N个具有不同特征的IMF分量;构建AR模型,分别将爆破振动信号的波形、频谱、振幅和提升小波包相对能量谱分布作为AR模型的模型参数;利用AR模型从N个IMF分量中提取出初始特征向量组成初始特征向量矩阵,对初始特征向量矩阵进行奇异值分解,得到初始特征向量矩阵的奇异值,对每一IMF分量进行归一化处理,获得初始特征向量矩阵的奇异值熵作为对应模型参数的特征值,从而从原始爆源信息中提取出波形多峰性特征、频谱特征、振幅特征和提升小波包相对能量谱分布特征。
4.根据权利要求1所述的基于爆破振动多元特征信息比对的电子雷管盲炮识别方法,其特征在于,所述步骤四中的特征差异为:与爆破振动信号大数据库中的多元特征相比,实际多元特征中存在波形多峰性特征数量变少,以及频谱和提升小波能量谱分布规律、振幅数据存在明显差异的情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210287469.2A CN114638267A (zh) | 2022-03-22 | 2022-03-22 | 基于爆破振动多元特征信息比对的电子雷管盲炮识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210287469.2A CN114638267A (zh) | 2022-03-22 | 2022-03-22 | 基于爆破振动多元特征信息比对的电子雷管盲炮识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638267A true CN114638267A (zh) | 2022-06-17 |
Family
ID=81950178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210287469.2A Pending CN114638267A (zh) | 2022-03-22 | 2022-03-22 | 基于爆破振动多元特征信息比对的电子雷管盲炮识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638267A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992770A (zh) * | 2023-08-07 | 2023-11-03 | 中国铁建大桥工程局集团有限公司 | 一种基于goa-dbn神经网络的护壁控制爆破方法 |
-
2022
- 2022-03-22 CN CN202210287469.2A patent/CN114638267A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992770A (zh) * | 2023-08-07 | 2023-11-03 | 中国铁建大桥工程局集团有限公司 | 一种基于goa-dbn神经网络的护壁控制爆破方法 |
CN116992770B (zh) * | 2023-08-07 | 2024-03-22 | 中国铁建大桥工程局集团有限公司 | 一种基于goa-dbn神经网络的护壁控制爆破方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126819B (zh) | 一种城市行驶工况智能分析方法 | |
JP2005513539A5 (zh) | ||
CN104200291A (zh) | 一种基于小波变换和arma-svm的涌水量预测方法 | |
CN107678064B (zh) | 一种声波时差实时提取方法 | |
CN111985383A (zh) | 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 | |
CN114638267A (zh) | 基于爆破振动多元特征信息比对的电子雷管盲炮识别方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN110890087A (zh) | 一种基于余弦相似度的语音识别方法和装置 | |
CN112199996A (zh) | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 | |
Yao et al. | A recursive denoising learning for gear fault diagnosis based on acoustic signal in real industrial noise condition | |
CN117371543A (zh) | 一种基于时序扩散概率模型的增强软测量方法 | |
CN112561161A (zh) | 一种基于压缩感知的时间序列趋势提取和预测方法 | |
CN111505709B (zh) | 一种基于稀疏谱分解的衰减定性分析的方法 | |
CN113296155A (zh) | 一种基伸缩调频同步提取地震储层预测方法 | |
CN115359856A (zh) | 一种分子生成模型的训练方法及装置 | |
CN115829157A (zh) | 基于变分模态分解和Autoformer模型的化工水质指标预测方法 | |
CN109632974A (zh) | 一种超声波探伤用回波信号分离方法 | |
CN113362853B (zh) | 一种基于lstm网络emd端点效应抑制方法 | |
CN115310477A (zh) | 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 | |
CN113627640A (zh) | 一种针对缝洞型油藏油气井的产能试井预测方法及系统 | |
CN105671596A (zh) | 一种铝电解槽单个阳极数学模型的确定方法 | |
CN110991363A (zh) | 不同采煤工序下煤矿安全监控系统co涌出特征提取方法 | |
CN114563824B (zh) | 一种二阶多重同步挤压多项式chirplet变换薄储层识别方法 | |
CN113313102B (zh) | 基于变种差分进化算法的随机共振混沌小信号检测方法 |
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 |