CN116465975A - 基于声发射波形识别的断层滑移预警方法及系统 - Google Patents

基于声发射波形识别的断层滑移预警方法及系统 Download PDF

Info

Publication number
CN116465975A
CN116465975A CN202310303771.7A CN202310303771A CN116465975A CN 116465975 A CN116465975 A CN 116465975A CN 202310303771 A CN202310303771 A CN 202310303771A CN 116465975 A CN116465975 A CN 116465975A
Authority
CN
China
Prior art keywords
acoustic emission
emission waveform
waveform
early warning
type
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
Application number
CN202310303771.7A
Other languages
English (en)
Inventor
赵武胜
解佩瑶
陈卫忠
高厚
秦长坤
周帅
钟坤
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.)
Wuhan Institute of Rock and Soil Mechanics of CAS
Original Assignee
Wuhan Institute of Rock and Soil Mechanics of CAS
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 Wuhan Institute of Rock and Soil Mechanics of CAS filed Critical Wuhan Institute of Rock and Soil Mechanics of CAS
Priority to CN202310303771.7A priority Critical patent/CN116465975A/zh
Publication of CN116465975A publication Critical patent/CN116465975A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0232—Glass, ceramics, concrete or stone
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture

Landscapes

  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及基于声发射波形识别的断层滑移预警方法及系统，获取岩石产生的原始声发射波形，利用训练完毕的声发射波形识别模型，预测原始声发射波形属于各类型的概率；提取某一类波形，当设定参数X的总值、最大值、最小值或差分值中的至少一种超过阈值时，发出存在断层滑移风险的预警；声发射波形识别模型在训练时，根据原始声发射波形中的特征，与原始声发射波形对应的频谱数据在层维度上拼接作为后续层的输入，并经特征提取和降采样后输出高阶特征，通过全连接层分类得到原始声发射波形属于各类型的概率。

Description

基于声发射波形识别的断层滑移预警方法及系统
技术领域
本发明涉及岩土工程技术领域，具体为基于声发射波形识别的断层滑移预警方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
声发射(Acoustic Emission)，指岩石在受力作用下，内部发生变形，产生破裂快速释放应变能并产生应力波的现象。从破裂位置产生的应力波经过岩石材料最终传播到达岩石表面，引起可以用声发射传感器探测的表面位移，从而使声发射信号能够通过声发射仪器被采集记录。声发射一直是岩石室内试验和现场工程监测的重要手段，现有技术针对完整岩石破坏声发射前兆信息提取方面的问题提出预警指标，主要包括两类。
一类是对声发射信号时域数据进行统计分析，通过振铃计数、能量、幅值等时域单参数或者累计振铃计数、累计能量以及S值、b值等对基于时域参数的二次统计，进行破坏前的前兆信息获取，用作岩石破坏的预警指标；
另一类是通过对波形(超过阈值的短时波形或者波形流)进行时频变换(傅里叶变换、小波变换等)，获取声发射信号的频域信息，并基于主频、频域幅值、质心频率等频域参数的变化对岩石破坏进行预警。波形经过时频转换后，在频域上的信息更具有甄别性，因而很多预警指标均是基于频域数据建立的。
目前多数预警指标仍然着眼于完整岩石破裂过程中声发射信号的特征，根据完整岩石材料破坏的时频参数提取前兆信息，但对于具有断层等不连续面的岩体来说，滑移破坏过程不仅涉及岩石材料破裂导致的张拉剪切裂缝萌生和扩展，还包括断层面微凸体弹性接触、断层蠕滑或者黏滑等不连续面上的损伤破裂，不同的破坏机制产生的声发射信号时频信息也会不同，仅通过单一固定特征无法完全表征丰富的频谱信息，因而完整岩石的预警指标不能完全适用于岩体断层滑移破坏的前兆信息提取与预警。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供基于声发射波形识别的断层滑移预警方法及系统，能够考虑声发射复杂的时频信息，有区别性的甄选波形信号，实现含不连续面岩体破坏的前兆信息获取，为岩体损伤特征分析以及断层滑移实时预警提供帮助。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供基于声发射波形识别的断层滑移预警方法，包括以下步骤：
获取岩石产生的原始声发射波形，利用训练完毕的声发射波形识别模型，预测原始声发射波形属于各类型的概率；
提取某一类波形，当设定参数X的总值、最大值、最小值或差分值中的至少一种超过阈值时，发出存在断层滑移风险的预警；
其中，声发射波形识别模型在训练时，根据原始声发射波形中的特征，与原始声发射波形对应的频谱数据在层维度上拼接作为后续层的输入，并经特征提取和降采样后输出高阶特征，通过全连接层分类得到原始声发射波形属于各类型的概率。
声发射波形识别模型利用既有的声发射波形数据经预处理后进行训练，预处理的过程为：
在既有的声发射波形中挑选用于训练和测试的波形；
基于离散傅里叶变换和快速傅里叶变换获得波形频谱；
根据频谱特征将选择的波形分为设定的类别，并建立声发射波形识别数据库。
声发射波形识别模型将原始声发射波形作为第一输入，进行卷积和池化处理并得到波形时域特征图；
将声发射波形频谱作为第二输入，并与得到的波形时域特征图拼接，得到波形时-频域特征图；
对波形时-频域特征图进行多次卷积和池化操作，通过全连接层与softmax函数获得波形类型概率预测值，即原始声发射波形属于各类型的概率。
实时识别时，取概率最大值对应类型为原始声发射波形的自动识别类型。
声发射波形识别模型的训练过程，具体为：
基于声发射波形识别数据库中的数据，按照设定比例划分为训练集和测试集，输入到声发射波形识别模型中，得到各波形对应各类型的概率预测值；
得到概率预测值与真实值之间的误差，根据误差值更新声发射波形识别模型中各权重的大小；
反复输入训练波形并更新声发射波形识别模型中的各权重，直至误差满足设定条件；
将测试集波形输入到训练完的声发射波形识别模型中，得到各测试集波形的预测类型；
将测试集波形的预测类型与真实类型对比，直至正确率满足要求，得到训练完毕的声发射波形识别模型。
本发明的第二个方面提供实现上述方法所需的系统，包括：
波形类型识别单元，被配置为：获取岩石产生的原始声发射波形，利用训练完毕的声发射波形识别模型，预测原始声发射波形属于各类型的概率；
断层滑移预警单元，被配置为：提取某一类波形，当设定参数X的总值、最大值、最小值或差分值中的至少一种超过阈值时，发出存在断层滑移风险的预警；
其中，声发射波形识别模型在训练时，根据原始声发射波形中的特征，与原始声发射波形对应的频谱数据在层维度上拼接作为后续层的输入，并经特征提取和降采样后输出高阶特征，通过全连接层分类得到原始声发射波形属于各类型的概率。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于声发射波形识别的断层滑移预警方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于声发射波形识别的断层滑移预警方法中的步骤。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
同时使用原始波形和波形对应的频谱作为输入，将原始波形的特征与频谱数据在层维度上拼接作为后续层的输入，从而考虑岩体复杂信号频域信息，而最终得到波形类型对应的概率，则实现分类识别岩体损伤变化，从而有针对性地获得岩石破裂的前兆信息并实现对断层滑移的实时预警，相较于传统的方法，能够考虑声发射复杂的时频信息，有区别性的甄选波形信号，实现含不连续面岩体破坏的前兆信息获取，为岩体损伤特征分析以及断层滑移实时预警提供帮助。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的基于声发射波形识别的断层滑移预警过程示意图；
图2是本发明一个或多个实施例提供的波形识别模型训练方法流程图；
图3是本发明一个或多个实施例提供的波形识别模型结构示意图；
图4是本发明一个或多个实施例提供的波形识别模型训练过程中的平均误差随循环次数变化示意图；
图5是本发明一个或多个实施例提供的波形识别模型室内试验试样(含不连续面)加载示意图；
图6(a)-图6(b)分别是本发明一个或多个实施例提供的第I类波形的时域与(快速傅里叶变换)频域示意图；
图6(c)-图6(d)分别是本发明一个或多个实施例提供的第II类波形的时域与(快速傅里叶变换)频域示意图；
图6(e)-图6(f)分别是本发明一个或多个实施例提供的第III类波形的时域与(快速傅里叶变换)频域示意图；
图7(a)-图7(c)均是本发明一个或多个实施例提供的三类波形的FFT幅值分布示意图；
图8(a)-图8(b)分别是本发明一个或多个实施例提供的b值在处理前后的预警效果对比示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所描述的，对于具有断层等不连续面的岩体来说，滑移破坏过程不仅涉及岩石材料破裂导致的张拉剪切裂缝萌生和扩展，还包括断层面微凸体弹性接触、断层蠕滑或者黏滑等不连续面上的损伤破裂，不同的破坏机制产生的声发射信号时频信息也会不同，仅通过单一固定特征无法完全表征丰富的频谱信息，因而完整岩石的预警指标不能完全适用于岩体断层滑移破坏的前兆信息提取与预警。
因此以下实施例给出基于声发射波形识别的断层滑移预警方法及系统，能够考虑声发射复杂的时频信息，有区别性的甄选波形信号，实现含不连续面岩体破坏的前兆信息获取，为岩体损伤特征分析以及断层滑移实时预警提供帮助。
实施例一：
基于声发射波形识别的断层滑移预警方法，包括以下步骤：
获取岩石产生的原始声发射波形，利用训练完毕的声发射波形识别模型，预测原始声发射波形属于各类型的概率；
提取某一类波形，当设定参数X的总值、最大值、最小值或差分值中的至少一种超过阈值时，发出存在断层滑移风险的预警；
其中，声发射波形识别模型在训练时，根据原始声发射波形中的特征，与原始声发射波形对应的频谱数据在层维度上拼接作为后续层的输入，并经特征提取和降采样后输出高阶特征，通过全连接层分类得到原始声发射波形属于各类型的概率。
具体的：
如图1-2所示，包括声发射波形预处理、波形识别模型训练、断层监测声发射波形实时识别以及断层滑移预警四个部分。
声发射波形预处理：
S1.1在既有的声发射波形中人工挑选用于训练和测试的波形；
S1.2基于离散傅里叶变换(DFT)公式，将挑选出的波形进行FFT(快速傅里叶)变换获得波形频谱，如下式所示：
其中，N≥M，N为DFT变换区间长度，x(n)是一个长度为M的有限长序列，X(k)是x(n)的离散傅里叶变换，本实例中M＝2046；
S1.3根据频谱特征将选择的波形划分为设定数量的类型，本实施例分为高频波形、低频波形和其他波形3类，3类波形的时域和频域信息参见图6(a)-图6(f)，图6(a)-图6(b)为低频波形，图6(c)-图6(d)高频波形，图6(e)-图6(f)为其他波形。
低频波形具有以下特征：占比较高(超过80％最大幅值)的频率主要集中于0～200kHz，且主频(幅值最大)与次主频(幅值仅次于主频幅值)之比大于0.5；
高频波形具有以下特征：占比较高(超过80％最大幅值)的频率主要集中于200kHz以上的频段，且主频(幅值最大)与次主频(幅值仅次于主频幅值)之比大于0.5；
其他波形具有以下特征：主频(幅值最大)与次主频(幅值仅次于主频幅值)之比小于等于0.5。通过人工挑选，共计选取了990条典型的波形样本，其中各类型样本的数量都为330条。
S1.4使用独热编码对三种类型的波形的标签进行编码，即第一种类型的波形的标签为[1,0,0]；第二种类型的波形的标签为[0,1,0]；第三种类型的波形的标签为[0,0,1]，基于该标签建立声发射波形识别数据库。
波形识别模型训练，本实施例采用基于卷积神经网络的声发射波形识别模型，其结构为：
S2.1声发射原始波形作为第一输入，进行卷积和池化操作并得到波形时域特征图；
S2.2声发射波形频谱作为第二输入，并与波形特征图拼接，得到波形时-频域特征图；
S2.3对波形时-频域特征图进行多次的卷积和池化操作，并通过全连接层与softmax函数获得波形类型概率预测值。
本实施例采用卷积神经网络搭建，同时使用原始波形和波形对应的频谱作为输入；考虑到频谱长度为原始波形的一半，故先对原始波形进行预卷积池化处理，提取原始波形的特征，并将得到的特征与频谱数据在层维度上拼接作为后续层的输入。
该实施例中使用如图3所示的结构，包括：原始波形输入层、预卷积层、预池化层、频谱输入层、卷积层、池化层、展平层、全连接层、输出层。
具体的数据连接方式为：原始波形输入层→预卷积层→预池化层+频谱输入层→1#卷积层→1#池化层→2#卷积层→2#池化层→3#卷积层→3#池化层→4#卷积层→4#池化层→5#卷积层→5#池化层→展平层→1#全连接层→2#全连接层→输出层。
表1为图3中波形识别模型的参数；
表1：波形识别模型参数；
如图3和表1，波形输入长度受声发射系统采样设置的不同而变化，对于本实施例中的1个波形样本，波形识别模型首先将长度为2048个采样点的声发射原始波形(此时层数为1)进行预卷积和预池化处理，此时将获得一个长度为1024个采样点，层数仍为1的波形特征序列，随后将其与长度为1024个采样点且层数为1的波形频谱数据拼接后，即可得到长度为1024个采样点但层数为2的波形时-频域特征序列。
随后经过各卷积层的特征提取和各池化层的降采样，输出的特征长度越来越短，层数越来越多，这说明模型逐渐将波形及频谱中蕴含的高阶特征提取出来，并依据这些高阶特征通过全连接层进行分类，最终得到了一个长度为3的特征值，经过softmax函数的归一化后，得到的输出层Y的3个数即可分别对应模型预测的该波形属于各类型的概率。
Softmax函数如下式所示：
式中，yk′为波形第k类输出的概率值，k＝1,2,3；ak为2#全连接层输出的第k个特征值。
该函数可以将范围在负无穷至正无穷的特征值ak(在公式中，k为下标)缩放为范围在0至1，且和为1的三个数，即用来表征各类型的概率。
例如，将某波形输入波形识别模型后，得到的输出为[0.1,0.3,0.6]，则可以理解为“波形识别模型认为该波形有10％的可能为类型I、30％可能为类型II、60％可能为类型III”。
在实时识别时，取概率最大值所对应类型为该波形的自动识别类型。
在本实施例中，使用ReLU函数作为激活函数，来对波形识别模型引入非线性项，如下式所示：
声发射波形识别模型训练，其步骤为：
S2.3.1模型初始化。将波形识别模型中的卷积层的卷积核各参数，及全连接层的隐藏单元的各参数进行随机赋值；将声发射波形识别数据库按照一定比例随机划分为训练集和测试集；本实施例中为7:3的比例，即700条波形用来训练，290条波形用来测试；
S2.3.2将训练集中的声发射波形输入到声发射波形识别模型中，得到各波形对应各类型的概率预测值；
S2.3.3计算概率预测值与真实值之间的误差，并根据误差值更新基于声发射波形识别模型中的各权重大小；
具体的，使用交叉熵函数来衡量模型输出值与真值之间的误差，并根据误差值的大小，基于梯度更新声发射波形识别模型中的各卷积层和全连接层内各权重大小。
交叉熵函数如下式所示：
式中，yk为波形第k类的标签值，k＝1,2,3。
S2.3.4反复输入训练波形并更新声发射波形识别模型中的各权重，直至误差满足设定条件；
S2.3.5将测试集波形输入到训练完的声发射波形识别模型中，并得到各测试集波形的预测类型；
本实施例中，设定的训练完成条件为训练200迭代。图4为波形识别模型训练过程中的训练样本的平均误差随迭代次数变化图。可以发现，模型初始随机设定的参数下误差较高，但随着训练的进行而快速降低，最终降至0.007左右。
S2.3.6将测试集波形输入到训练完毕的声发射波形识别模型中，得到各测试集波形的预测类型；
S2.3.7将测试集波形的预测类型与真实类型对比，若正确率不满足要求则重新训练，直至正确率满足要求，则完成波形识别模型的训练，并获得训练成熟的声发射波形识别模型。
本实施例中，测试样本识别结果的混淆矩阵如表2所示；
表2：波形识别模型测试结果的混淆矩阵；
可以发现，模型对各类型信号的识别精确率和召回率都超过了90％；模型的整体准确率超过了95％，说明本次训练的模型精度很高，能够满足实际应用需求。整体准确率A及各类型信号的精确率Pk和召回率Rk按照下式计算：
式中，N为样本总数；TPk为第k类样本被正确识别的数量；FP为非第k类样本却被误识别为第k类的数量；FNk为第k类样本被误识别为非第k类的数量。
断层监测声发射波形实时识别，包括：
S3.1在室内试验的节理面或现场监测的断层附近布设声发射传感器，实时监测岩体声发射波形；岩体加载方式和传感器布设方式如图5所示；
S3.2将实时监测的声发射波形输入到训练成熟的声发射波形识别模型中，实时获得波形对应的预测类型。
断层滑移预警，包括：
S4.1对实时识别类型的声发射波形，计算第X类波形的某预警参数；本实施例中为计算3类波形的FFT(快速傅里叶变换)幅值，如图7(a)-图7(c)所示，第3类波形在峰前呈现大量聚集且骤然增加的现象，具有较好的预警潜力；
S4.2当X参数的总值/最大值/最小值/差分值超过阈值时，认为此时具有断层滑移风险，并做出预警。
本实施例，采用第III类波形的b值作为预警指标，b值计算方法如下：
lgN＝a-b×(AdB/20)
其中，b为声发射活动水平的物理量，AdB为以分贝为单位表示的声发射的幅值，AdB＝20lgAmax，Amax为以微伏为单位表示的声发射的振幅，N表示震级间隔下的声发射统计累积频次，a为一个常数量。
如图8(a)-图8(b)所示，经计算得到的b值大于10(90％b值最大值)时，认为此时具有断层滑移风险，并做出预警。
经验证，经本实施例计算得到的b值在应力峰值前达到最大值，与经过波形处理前得到的预警效果更好，可以及时进行断层预警。
还可以选择声发射的其他指标作为预警指标，包括S值、RA值-AF值、频率质心值等，但这部分预警指标均为完整岩石(不含节理)的预警指标。本实施例中涉及b值的应用最为广泛。
关于其他的预警指标
(1)S值
其中，msi为每个声发射事件幅值的震级，ms为统计窗口最大声发射事件幅值的震级。
(2)RA值-AF值
其中，AEcount为振铃计数，AEdutation为持续时间，AErise为持续时间，AEamplitude为最大幅值。用于岩石破坏预警时，RA、AF常联合在一起应用。
(3)频率质心
其中，fi和ai分别为经过傅里叶变换后的波形频域的频率谱与振幅谱。
上述方法考虑岩体复杂信号频域信息与分类识别岩体损伤变化，从而有针对性地获得岩石破裂的前兆信息并实现对断层滑移的实时预警，相较于传统的方法，能够考虑声发射复杂的时频信息，有区别性的甄选波形信号，实现含不连续面岩体破坏的前兆信息获取，为岩体损伤特征分析以及断层滑移实时预警提供帮助。
实施例二：
实现上述方法的系统，包括：
波形类型识别单元，被配置为：获取岩石产生的原始声发射波形，利用训练完毕的声发射波形识别模型，预测原始声发射波形属于各类型的概率；
断层滑移预警单元，被配置为：提取某一类波形，当设定参数X的总值、最大值、最小值或差分值中的至少一种超过阈值时，发出存在断层滑移风险的预警；
其中，声发射波形识别模型在训练时，根据原始声发射波形中的特征，与原始声发射波形对应的频谱数据在层维度上拼接作为后续层的输入，并经特征提取和降采样后输出高阶特征，通过全连接层分类得到原始声发射波形属于各类型的概率。
实施例三：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于声发射波形识别的断层滑移预警方法中的步骤。
实施例四：
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于声发射波形识别的断层滑移预警方法中的步骤。
以上实施例二至四中涉及的各步骤或模块与实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于声发射波形识别的断层滑移预警方法，其特征在于，包括以下步骤：
获取岩石产生的原始声发射波形，利用训练完毕的声发射波形识别模型，预测原始声发射波形属于各类型的概率；
提取某一类波形，当设定参数X的总值、最大值、最小值或差分值中的至少一种超过阈值时，发出存在断层滑移风险的预警；
其中，声发射波形识别模型在训练时，根据原始声发射波形中的特征，与原始声发射波形对应的频谱数据在层维度上拼接作为后续层的输入，并经特征提取和降采样后输出高阶特征，通过全连接层分类得到原始声发射波形属于各类型的概率。
2.如权利要求1所述的基于声发射波形识别的断层滑移预警方法，其特征在于，声发射波形识别模型利用既有的声发射波形数据经预处理后进行训练，预处理的过程为：
在既有的声发射波形中挑选用于训练和测试的波形；
基于离散傅里叶变换和快速傅里叶变换获得波形频谱；
根据频谱特征将选择的波形分为设定的类别，并建立声发射波形识别数据库。
3.如权利要求1所述的基于声发射波形识别的断层滑移预警方法，其特征在于，所述声发射波形识别模型将原始声发射波形作为第一输入，进行卷积和池化处理并得到波形时域特征图。
4.如权利要求3所述的基于声发射波形识别的断层滑移预警方法，其特征在于，所述声发射波形识别模型将声发射波形频谱作为第二输入，并与得到的波形时域特征图拼接，得到波形时-频域特征图；
对波形时-频域特征图进行多次卷积和池化操作，获得波形类型概率预测值，即原始声发射波形属于各类型的概率。
5.如权利要求4所述的基于声发射波形识别的断层滑移预警方法，其特征在于，实时识别时，取概率最大值对应类型为原始声发射波形的自动识别类型。
6.如权利要求1所述的基于声发射波形识别的断层滑移预警方法，其特征在于，声发射波形识别模型的训练过程，包括：
基于声发射波形识别数据库中的数据，按照设定比例划分为训练集和测试集，输入到声发射波形识别模型中，得到各波形对应各类型的概率预测值；
得到概率预测值与真实值之间的误差，根据误差值更新声发射波形识别模型中各权重的大小；
反复输入训练波形并更新声发射波形识别模型中的各权重，直至误差满足设定条件。
7.如权利要求6所述的基于声发射波形识别的断层滑移预警方法，其特征在于，声发射波形识别模型的训练过程，还包括：
将测试集波形输入到声发射波形识别模型中，得到各测试集波形的预测类型；
将测试集波形的预测类型与真实类型对比，直至正确率满足要求，得到训练完毕的声发射波形识别模型。
8.基于声发射波形识别的断层滑移预警系统，其特征在于，包括：
波形类型识别单元，被配置为：获取岩石产生的原始声发射波形，利用训练完毕的声发射波形识别模型，预测原始声发射波形属于各类型的概率；
断层滑移预警单元，被配置为：提取某一类波形，当设定参数X的总值、最大值、最小值或差分值中的至少一种超过阈值时，发出存在断层滑移风险的预警；
其中，声发射波形识别模型在训练时，根据原始声发射波形中的特征，与原始声发射波形对应的频谱数据在层维度上拼接作为后续层的输入，并经特征提取和降采样后输出高阶特征，通过全连接层分类得到原始声发射波形属于各类型的概率。
9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-7任一项所述的基于声发射波形识别的断层滑移预警方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于声发射波形识别的断层滑移预警方法中的步骤。
CN202310303771.7A 2023-03-23 2023-03-23 基于声发射波形识别的断层滑移预警方法及系统 Pending CN116465975A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310303771.7A CN116465975A (zh) 2023-03-23 2023-03-23 基于声发射波形识别的断层滑移预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310303771.7A CN116465975A (zh) 2023-03-23 2023-03-23 基于声发射波形识别的断层滑移预警方法及系统

Publications (1)

Publication Number Publication Date
CN116465975A true CN116465975A (zh) 2023-07-21

Family

ID=87179818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310303771.7A Pending CN116465975A (zh) 2023-03-23 2023-03-23 基于声发射波形识别的断层滑移预警方法及系统

Country Status (1)

Country Link
CN (1) CN116465975A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117647586A (zh) * 2024-01-29 2024-03-05 北京科技大学 一种煤岩破坏动态监测与识别方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117647586A (zh) * 2024-01-29 2024-03-05 北京科技大学 一种煤岩破坏动态监测与识别方法和装置
CN117647586B (zh) * 2024-01-29 2024-04-05 北京科技大学 一种煤岩破坏动态监测与识别方法和装置

Similar Documents

Publication Publication Date Title
CN109682561B (zh) 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
CN105956526B (zh) 基于多尺度排列熵的低信噪比微震事件辨识方法
CN110319982B (zh) 基于机器学习的埋地式燃气管线泄漏判断方法
CN102353509B (zh) 一种基于分块冲击振动测试的中小型桥梁快速检测方法
CN101566601B (zh) 采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统
CN109839440B (zh) 一种基于静置车辆测试的桥梁损伤定位方法
CN102778358A (zh) 故障预测模型建立方法及系统、风机监测预警系统及方法
CN113865868B (zh) 基于时频域表达的滚动轴承故障诊断方法
CN105760934A (zh) 一种基于小波与bp神经网络的桥梁异常监测数据修复方法
CN116465975A (zh) 基于声发射波形识别的断层滑移预警方法及系统
CN108444696A (zh) 一种齿轮箱故障分析方法
CN115758258B (zh) 一种基于振动信号和领域知识的牵引变压器故障诊断方法
CN109886433A (zh) 智能识别城市燃气管道缺陷的方法
CN115754022A (zh) 一种基于声发射的钢桁架焊接节点损伤程度识别方法
CN112668526A (zh) 基于深度学习和压电主动传感的螺栓群松动定位监测方法
CN112131781A (zh) 基于全连接神经网络与传递率函数的钢结构损伤检测方法
CN114186624B (zh) 基于二维卷积神经网络的损伤识别模型建立方法及设备
CN116304551A (zh) 一种基于bcb模型的电机轴承故障诊断及特征提取方法
CN116778956A (zh) 一种变压器声学特征提取及故障识别方法
CN114330096A (zh) 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法
CN118312751A (zh) 基于声发射信号的航空飞行器结构健康指标智能构建方法
CN114048787A (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN101649737B (zh) 一种基于牵引器驱动电流分析的水平井套管中射孔和接箍的检测方法
CN117191956A (zh) 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置
CN113469066B (zh) 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法

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