CN117972374A - 基于岩土体微震加速度的边缘损伤智能识别方法及系统 - Google Patents

Abstract

本发明涉及环境保护领域，揭露了一种基于岩土体微震加速度的边缘损伤智能识别方法及系统，所述方法包括：提取滤波微震加速度信号的时域特征；对滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，识别变换微震加速度信号的幅度频谱，识别变换微震加速度信号的频域特征；识别滤波微震加速度信号的时频图像，识别滤波微震加速度信号的时频域特征；计算岩土体的模态参数，计算模态参数的可靠系数，当可靠系数符合预设的可靠标准时，利用模态参数构建岩土体的损失识别模态模型；识别岩土体的结构性变异，构建岩土体的边缘损伤识别报告。本发明可以提高对岩土体进行边缘损伤智能识别的及时性。

Description

基于岩土体微震加速度的边缘损伤智能识别方法及系统

技术领域

本发明涉及环境保护领域，尤其涉及一种基于岩土体微震加速度的边缘损伤智能识别方法及系统。

背景技术

岩土体边缘损伤智能识别是指在岩土体监测的现场，即数据的采集端，运用人工智能技术对实时采集的岩土体物理和力学参数进行实时分析，以识别岩土体是否存在损伤或劣化的一种技术，通过岩土体边缘损伤智能识别有助于提前发现潜在的安全隐患，从而采取相应的维护和修复措施，确保工程安全和延长使用寿命。

目前岩土体边缘损伤智能识别一般以岩土体位移、应力或应变等静力学监测指标为主，由于目标物体受力的复杂性，难以对复杂受力变化进行监测采集，导致岩土体边缘损伤智能识别缺乏预警时效性。

发明内容

本发明提供一种基于岩土体微震加速度的边缘损伤智能识别方法及系统，其主要目的在于提高对岩土体进行边缘损伤智能识别的及时性。

为实现上述目的，本发明提供的一种基于岩土体微震加速度的边缘损伤智能识别方法，包括：

采集岩土体的微震加速度信号，对所述微震加速度信号进行滤波，得到滤波微震加速度信号，计算所述滤波微震加速度信号的信号波形特征，基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征；

对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，识别所述变换微震加速度信号的幅度频谱，基于所述幅度频谱，识别所述变换微震加速度信号的频域特征；

识别所述滤波微震加速度信号的时频图像，基于所述时频图像，基于所述时频图像，识别所述滤波微震加速度信号的时频域特征；

基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数，计算所述模态参数的可靠系数，当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型；

基于所述损失识别模态模型识别所述岩土体的结构性变异，基于所述结构性变异，构建所述岩土体的边缘损伤识别报告。

可选地，所述对所述微震加速度信号进行滤波，得到滤波微震加速度信号，包括：

识别所述微震加速度信号的信号特性；

基于所述信号特性，确定所述微震加速度信号的滤波频率范围；

基于所述滤波频率范围，选择所述微震加速度信号的信滤波器；

基于所述信滤波器，对所述微震加速度信号进行滤波，得到所述滤波微震加速度信号。

可选地，所述计算所述滤波微震加速度信号的信号波形特征，包括：

计算所述滤波微震加速度信号的信号峰值、信号峰峰值、信号均方根值、信号均值、信号方差以及信号标准差；

基于所述信号均值，计算所述滤波微震加速度信号的信号峭度；

基于所述信号峰值、所述信号峰峰值、所述信号均方根值、所述信号均值、所述信号方差、信号标准差以及所述信号峭度，分析所述滤波微震加速度信号的信号波形特征。

可选地，所述基于所述信号均值，计算所述滤波微震加速度信号的信号峭度，包括：

基于所述信号均值，计算所述滤波微震加速度信号的四阶矩；

基于所述四阶矩，利用下述公式计算所述滤波微震加速度信号的信号峭度：

其中，θ表示滤波微震加速度信号的信号峭度，μ表示滤波微震加速度信号的信号均值，C_a表示滤波微震加速度信号第a时刻的取值，M滤波微震加速度信号的信号长度，表示滤波微震加速度信号的四阶矩。

可选地，所述对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，包括：

确定所述滤波微震加速度信号的傅里叶变换函数；

基于傅里叶变换函数对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号；其中，所述傅里叶变换函数：

其中，F(k)表示变换微震加速度信号，x(n)表示滤波微震加速度信号，M滤波微震加速度信号的信号长度，w表示旋转因子，k是频域的索引。

可选地，所述识别所述变换微震加速度信号的幅度频谱，包括：

识别所述变换微震加速度信号的频率成分；

计算所述频率成分的幅度和相位；

基于所述幅度和相位，计算所述频率成分的频率强度；

基于所述频率强度，构建所述变换微震加速度信号的幅度频谱。

可选地，所述识别所述滤波微震加速度信号的时频图像，包括：

确定所述滤波微震加速度信号的窗函数；

基于所述窗函数，利用下述公式计算所述滤波微震加速度信号的时频图像：

其中，ω表示滤波微震加速度信号的时频图像，x(n)表示滤波微震加速度信号，e^-jωτ表示复指数函数，Ein(t-τ)表示滤波微震加速度信号的窗函数。

可选地，所述计算所述模态参数的可靠系数，包括：

确定所述模态参数的极限状态函数；

识别所述模态参数的分布状态；

基于所述分布状态和所述极限状态函数，计算所述模态参数的可靠系数。

可选地，所述当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型，包括；

当所述可靠系数符合预设的可靠标准时，分析所述岩土体的识别需求；

基于所述识别需求，确定所述岩土体的模态模型架构；

基于所述模态模型类型，利用所述模态参数构建所述模态模型架构的频响函数；

基于所述频响函数，构建所述岩土体的损失识别模态模型。

为了解决上述问题，本发明还提供一种基于岩土体微震加速度的边缘损伤智能识别系统，所述系统包括：

时域特征提取模块，用于采集岩土体的微震加速度信号，对所述微震加速度信号进行滤波，得到滤波微震加速度信号，计算所述滤波微震加速度信号的信号波形特征，基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征；

频域特征提取模块，用于对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，识别所述变换微震加速度信号的幅度频谱，基于所述幅度频谱，识别所述变换微震加速度信号的频域特征；

时频域特征提取模块，用于识别所述滤波微震加速度信号的时频图像，基于所述时频图像，基于所述时频图像，识别所述滤波微震加速度信号的时频域特征；

模态模型构建模块，用于基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数，计算所述模态参数的可靠系数，当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型；

边缘损伤识别模块，用于基于所述损失识别模态模型识别所述岩土体的结构性变异，基于所述结构性变异，构建所述岩土体的边缘损伤识别报告。

本发明实施例通过对所述微震加速度信号进行滤波，得到滤波微震加速度信号可以提高信号的质量；本发明实施例基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征能够捕捉信号的基本形状和动态特性，为后期评估岩土体的微震提供数据依；可选地，本发明实施例基于所述幅度频谱，识别所述变换微震加速度信号的频域特征可以作为后期评估岩土体损伤的依据；进一步地，本发明实施例通过识别所述滤波微震加速度信号的时频图像能够展示信号在不同时间点和不同频率成分的幅值和相位信息，使得分析和处理微震信号变得更加直观和方便，进一步地，本发明实施例基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数可以用来构建描述岩土体在受到外部激励时的振动特性的模型，进一步地，本发明实施例当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型可以通过模型准确的识别所述岩土体的边缘损失，最后，本发明实施例基于所述损失识别模态模型识别所述岩土体的结构性变异可以有效地监测和评估岩土结构的完整性，从而及时识别所述岩土体的损伤。因此本发明提出的基于岩土体微震加速度的边缘损伤智能识别方法及系统，可以提高对岩土体进行边缘损伤智能识别的及时性。

附图说明

图1为本发明一实施例提供的基于岩土体微震加速度的边缘损伤智能识别方法的流程示意图；

图2为本发明一实施例提供的基于岩土体微震加速度的边缘损伤智能识别系统的功能模块图；

图3为本发明一实施例提供的基于岩土体微震加速度的边缘损伤智能识别系统的电子设备的结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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。

本申请实施例提供一种基于岩土体微震加速度的边缘损伤智能识别方法。所述基于岩土体微震加速度的边缘损伤智能识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于岩土体微震加速度的边缘损伤智能识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于岩土体微震加速度的边缘损伤智能识别方法的流程示意图。在本实施例中，所述基于岩土体微震加速度的边缘损伤智能识别方法包括：

S1、采集岩土体的微震加速度信号，对所述微震加速度信号进行滤波，得到滤波微震加速度信号，计算所述滤波微震加速度信号的信号波形特征，基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征。

本发明实施例中，所述微震加速度信号是指是指在岩体等介质发生形变或断裂过程中产生的微小振动信号。

进一步地，本发明实施例通过对所述微震加速度信号进行滤波，得到滤波微震加速度信号可以提高信号的质量。其中，所述滤波微震加速度信号是指对所述微震加速度信号进行滤波处理后的信号。

作为本发明的一个实施例，所述对所述微震加速度信号进行滤波，得到滤波微震加速度信号，包括：识别所述微震加速度信号的信号特性；基于所述信号特性，确定所述微震加速度信号的滤波频率范围；基于所述滤波频率范围，选择所述微震加速度信号的信滤波器；基于所述信滤波器，对所述微震加速度信号进行滤波，得到所述滤波微震加速度信号。

其中，所述信号特性是指所述微震加速度信号的特性，例如信号长度、信号类型等特性，所述滤波频率范围是指是指对所述微震加速度信号进行滤波的频率范围，微震信号的有效频率范围一般在20Hz～300Hz之间，所述信滤波器是指对所述微震加速度信号进行滤波处理的滤波器，例如巴特沃斯低通滤波器、切比雪夫低通滤波器等滤波器。

可选地，本发明实施例通过计算所述滤波微震加速度信号的信号波形特征可以作为提取微震加速度信号时域特征的依据。其中，所述信号波形特征是指所述滤波微震加速度信号的波动特征，例如波动峰值、波动峭度等特征。

可选地，作为本发明的一个实施例，所述计算所述滤波微震加速度信号的信号波形特征，包括：计算所述滤波微震加速度信号的信号峰值、信号峰峰值、信号均方根值、信号均值、信号方差以及信号标准差；基于所述信号均值，计算所述滤波微震加速度信号的信号峭度；基于所述信号峰值、所述信号峰峰值、所述信号均方根值、所述信号均值、所述信号方差、信号标准差以及所述信号峭度，分析所述滤波微震加速度信号的信号波形特征。

其中，所述信号峰值是指信号中的最大正值或负值，可以反映信号的振幅，所述信号峰峰值是指信号的最大值与最小值之差，用于描述信号的动态范围，所述信号均方根值是指信号能量的度量，是信号各值平方的平均数的平方根，常用于描述信号的强度，所述信号均值是指信号的所有数值加起来除以信号长度后的值，可以反映信号的平均水平，所述信号方差是指描述信号分布离散程度的一个统计量，是信号各值与均值差的平方的平均数，所述信号标准差是指方差的平方根，用于衡量数据的离散程度，所述信号峭度是指描述信号分布形状的统计量，可以用来区分信号是否有异常值或尾部。

可选地，作为本发明的一个实施例，所述基于所述信号均值，计算所述滤波微震加速度信号的信号峭度，包括：基于所述信号均值，计算所述滤波微震加速度信号的四阶矩；基于所述四阶矩，利用下述公式计算所述滤波微震加速度信号的信号峭度：

其中，θ表示滤波微震加速度信号的信号峭度，μ表示滤波微震加速度信号的信号均值，C_a表示滤波微震加速度信号第a时刻的取值，M滤波微震加速度信号的信号长度，表示滤波微震加速度信号的四阶矩。

其中，所述四阶矩是指信号的偏态(skewness)和峰度(kurtosis)。四阶矩是统计学中用来描述数据分布特性的一种度量，它与数据分布的形状有关

可选地，本发明实施例基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征能够捕捉信号的基本形状和动态特性，为后期评估岩土体的微震提供数据依据。其中，所述时域特征是指在时间域内对信号进行分析时所提取的一系列特征参数，这些参数能够表征信号的基本属性和动态行为，例如振幅、均值、反差等。详细地，所述提取所述滤波微震加速度信号的时域特征可以通过构建所述信号波形特征对应所述信号峰值、所述信号峰峰值、所述信号均方根值、所述信号均值、所述信号方差、信号标准差以及所述信号峭度的统计图来分析。

S2、对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，识别所述变换微震加速度信号的幅度频谱，基于所述幅度频谱，识别所述变换微震加速度信号的频域特征。

本发明实施例通过对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号可以将时域信号转换为频域信号。其中，所述变换微震加速度信号是指将所述滤波微震加速度信号的时域信号转换为频域信号后的信号集合。

作为本发明的一个实施例，所述对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，包括：确定所述滤波微震加速度信号的傅里叶变换函数；基于傅里叶变换函数对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号；其中，所述傅里叶变换函数：

其中，F(k)表示变换微震加速度信号，x(n)表示滤波微震加速度信号，M滤波微震加速度信号的信号长度，w表示旋转因子，k是频域的索引。

其中，所述傅里叶变换函数是指根据数据的大小和类型，选择合适的FFT算法。常见的FFT算法有基于蝶形运算的Cooley-Tukey算法(又称基2算法)、分裂基算法、改进的Cooley-Tukey算法等算法。

可选地，本发明实施例通过识别所述变换微震加速度信号的幅度频谱可以揭示了信号在不同频率上的强度。其中，所述幅度频谱是指所述变换微震加速度信号不同的频率成分在不同频率上的强度。

可选地，作为本发明的一个实施例，所述识别所述变换微震加速度信号的幅度频谱，包括：识别所述变换微震加速度信号的频率成分；计算所述频率成分的幅度和相位；基于所述幅度和相位，计算所述频率成分的频率强度；基于所述频率强度，构建所述变换微震加速度信号的幅度频谱。

其中，所述频率成分是指所述变换微震加速度信号在不同频率上的分布和特性，所述幅度和相位是指该频率分量信号的波动幅度和该频率分量信号波形在时间上的偏移，所述频率强度是指频率分量信号的强度。

可选地，本发明实施例基于所述幅度频谱，识别所述变换微震加速度信号的频域特征可以作为后期评估岩土体损伤的依据。其中，所述频域特征是指将信号从时域转换到频域后，用于描述信号在频域中的特性的一系列参数。这些特征参数可以帮助我们理解和分析信号的成分和性质。详细地，所述识别所述变换微震加速度信号的频域特征可以从幅度频谱中提取有用的特征峰值频率、频带宽度以及频率分布来分析。

S3、识别所述滤波微震加速度信号的时频图像，基于所述时频图像，基于所述时频图像，识别所述滤波微震加速度信号的时频域特征。

本发明实施例通过识别所述滤波微震加速度信号的时频图像能够展示信号在不同时间点和不同频率成分的幅值和相位信息，使得分析和处理微震信号变得更加直观和方便。其中，所述时频图像是指是指将滤波后的微震加速度信号在时频域内进行表示的图像。

作为本发明的一个实施例，所述识别所述滤波微震加速度信号的时频图像，包括：确定所述滤波微震加速度信号的窗函数；基于所述窗函数，利用下述公式计算所述滤波微震加速度信号的时频图像：

其中，ω表示滤波微震加速度信号的时频图像，x(n)表示滤波微震加速度信号，e^-jωτ表示复指数函数，Ein(t-τ)表示滤波微震加速度信号的窗函数。

其中，所述复指数函数用于从时域转换到频域，所述窗函数是指汉明窗或汉宁窗，用于控制时间分辨率。

进一步地，本发明实施例基于所述时频图像，识别所述滤波微震加速度信号的时频域特征可以通过识别所述时频图像上信号的瞬时频率变化、能量分布、信号持续时间等来进行特征提取。其中，所述时频域特征是指滤波微震加速度信号不同时间的频率变化。

S4、基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数，计算所述模态参数的可靠系数，当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型。

本发明实施例基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数可以用来构建描述岩土体在受到外部激励时的振动特性的模型。其中，所述模态参数模态频率、阻尼比和模态振型等参数。详细地，所述计算所述岩土体的模态参数可以通过不同的算法来估计岩土体的模态参数。例如，可以使用频域内的模态识别算法，如基于频响函数的模态参数识别方法，或者时域内的模态参数识别算法，如基于迭代算法或优化算法的识别方法。

可选地，本发明实施例计算所述模态参数的可靠系数可以评估模态参数来提高后期建立模型的准确性。其中，所述可靠系数是指所述模态参数的模态参数在给定时间内不发生失效的概率。

可选地，作为本发明的一个实施例，所述计算所述模态参数的可靠系数，包括：确定所述模态参数的极限状态函数；识别所述模态参数的分布状态；基于所述分布状态和所述极限状态函数，计算所述模态参数的可靠系数。

其中，所述极限状态函数是指描述结构或系统在特定条件下可能发生的失效状态函数，所述分布状态是指所述模态参数的分布，模态参数往往假设为正态分布、对数正态分布或韦布尔分布等状态。

进一步地，本发明实施例当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型可以通过模型准确的识别所述岩土体的边缘损失。其中，所述损失识别模态模型是指识别所述土体边缘损失的模型。

进一步地，作为本发明的一个实施例，所述当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型，包括；当所述可靠系数符合预设的可靠标准时，分析所述岩土体的识别需求；基于所述识别需求，确定所述岩土体的模态模型架构；基于所述模态模型类型，利用所述模态参数构建所述模态模型架构的频响函数；基于所述频响函数，构建所述岩土体的损失识别模态模型。

其中，所述识别需求是指对岩土体研究的目的，所述模态模型架构是指根据岩土体的特性和研究目的，选择合适的模态模型架构，常见的模态模型有线性系统模型、非线性系统模型、时变系统模型等模型，所述频响函数是指一个重要的动态特性指标，它描述了系统在频域内的响应。对于线性系统，频响函数可以表示为模态参数的线性组合。

S5、基于所述损失识别模态模型识别所述岩土体的结构性变异，基于所述结构性变异，构建所述岩土体的边缘损伤识别报告。

本发明实施例基于所述损失识别模态模型识别所述岩土体的结构性变异可以有效地监测和评估岩土结构的完整性，从而及时识别所述岩土体的损伤。其中，所述结构性变异是指岩土体在不同位置、深度或方向上，其物理和力学性质存在的不均匀性和差异性。这些性质包括但不限于孔隙率、密度、强度、渗透性、粒径分布等，详细地，所述结构性变异可以通过所述损失识别模态模型中的频响函数计算得到。

最后，本发明实施例基于所述结构性变异，构建所述岩土体的边缘损伤识别报告可以实现对所述岩土体的边缘损伤的及时识别和预警。其中，所述边缘损伤识别报告，包括岩土体的边缘损伤类型、边缘损伤位置、边缘损伤程度、边缘损伤预警等级等内容。详细地，所述边缘损伤识别报告可以通过预设的结构性变异标准进行评估。其中，所述结构性变异标准是指用来评估所述岩土体是否发生变异的标准。

本发明实施例通过对所述微震加速度信号进行滤波，得到滤波微震加速度信号可以提高信号的质量；本发明实施例基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征能够捕捉信号的基本形状和动态特性，为后期评估岩土体的微震提供数据依；可选地，本发明实施例基于所述幅度频谱，识别所述变换微震加速度信号的频域特征可以作为后期评估岩土体损伤的依据；进一步地，本发明实施例通过识别所述滤波微震加速度信号的时频图像能够展示信号在不同时间点和不同频率成分的幅值和相位信息，使得分析和处理微震信号变得更加直观和方便，进一步地，本发明实施例基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数可以用来构建描述岩土体在受到外部激励时的振动特性的模型，进一步地，本发明实施例当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型可以通过模型准确的识别所述岩土体的边缘损失，最后，本发明实施例基于所述损失识别模态模型识别所述岩土体的结构性变异可以有效地监测和评估岩土结构的完整性，从而及时识别所述岩土体的损伤。因此本发明提出的基于岩土体微震加速度的边缘损伤智能识别方法，可以提高对岩土体进行边缘损伤智能识别的及时性。

如图2所示，是本发明一实施例提供的基于岩土体微震加速度的边缘损伤智能识别系统的功能模块图。

本发明所述基于岩土体微震加速度的边缘损伤智能识别系统200可以安装于电子设备中。根据实现的功能，所述基于岩土体微震加速度的边缘损伤智能识别系统200可以包括时域特征提取模块201、频域特征提取模块202、时频域特征提取模块203、模态模型构建模块204及边缘损伤识别模块205。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述时域特征提取模块201，用于采集岩土体的微震加速度信号，对所述微震加速度信号进行滤波，得到滤波微震加速度信号，计算所述滤波微震加速度信号的信号波形特征，基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征；

所述频域特征提取模块202，用于对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，识别所述变换微震加速度信号的幅度频谱，基于所述幅度频谱，识别所述变换微震加速度信号的频域特征；

所述时频域特征提取模块203，用于识别所述滤波微震加速度信号的时频图像，基于所述时频图像，基于所述时频图像，识别所述滤波微震加速度信号的时频域特征；

所述模态模型构建模块204，用于基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数，计算所述模态参数的可靠系数，当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型；

所述边缘损伤识别模块205，用于基于所述损失识别模态模型识别所述岩土体的结构性变异，基于所述结构性变异，构建所述岩土体的边缘损伤识别报告。

详细地，本发明实施例中所述基于岩土体微震加速度的边缘损伤智能识别系统200中所述的各模块在使用时采用与附图中所述的基于岩土体微震加速度的边缘损伤智能识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

本发明一实施例提供了实现基于岩土体微震加速度的边缘损伤智能识别方法的电子设备。

参见图3所示，所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33，还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序，如基于岩土体微震加速度的边缘损伤智能识别方法程序。

其中，所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行基于岩土体微震加速度的边缘损伤智能识别程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。

所述存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于基于岩土体微震加速度的边缘损伤智能识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。

所述通信接口用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备中的所述存储器存储的基于岩土体微震加速度的边缘损伤智能识别程序是多个指令的组合，在所述处理器中运行时，可以实现：

采集岩土体的微震加速度信号，对所述微震加速度信号进行滤波，得到滤波微震加速度信号，计算所述滤波微震加速度信号的信号波形特征，基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征；

对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，识别所述变换微震加速度信号的幅度频谱，基于所述幅度频谱，识别所述变换微震加速度信号的频域特征；

识别所述滤波微震加速度信号的时频图像，基于所述时频图像，基于所述时频图像，识别所述滤波微震加速度信号的时频域特征；

基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数，计算所述模态参数的可靠系数，当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型；

基于所述损失识别模态模型识别所述岩土体的结构性变异，基于所述结构性变异，构建所述岩土体的边缘损伤识别报告。

具体地，所述处理器对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

采集岩土体的微震加速度信号，对所述微震加速度信号进行滤波，得到滤波微震加速度信号，计算所述滤波微震加速度信号的信号波形特征，基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征；

对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，识别所述变换微震加速度信号的幅度频谱，基于所述幅度频谱，识别所述变换微震加速度信号的频域特征；

识别所述滤波微震加速度信号的时频图像，基于所述时频图像，基于所述时频图像，识别所述滤波微震加速度信号的时频域特征；

基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数，计算所述模态参数的可靠系数，当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型；

基于所述损失识别模态模型识别所述岩土体的结构性变异，基于所述结构性变异，构建所述岩土体的边缘损伤识别报告。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于岩土体微震加速度的边缘损伤智能识别方法，其特征在于，所述方法包括：

采集岩土体的微震加速度信号，对所述微震加速度信号进行滤波，得到滤波微震加速度信号，计算所述滤波微震加速度信号的信号波形特征，基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征；

对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，识别所述变换微震加速度信号的幅度频谱，基于所述幅度频谱，识别所述变换微震加速度信号的频域特征；

识别所述滤波微震加速度信号的时频图像，基于所述时频图像，基于所述时频图像，识别所述滤波微震加速度信号的时频域特征；

基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数，计算所述模态参数的可靠系数，当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型；

基于所述损失识别模态模型识别所述岩土体的结构性变异，基于所述结构性变异，构建所述岩土体的边缘损伤识别报告。

2.如权利要求1所述的基于岩土体微震加速度的边缘损伤智能识别方法，其特征在于，所述对所述微震加速度信号进行滤波，得到滤波微震加速度信号，包括：

识别所述微震加速度信号的信号特性；

基于所述信号特性，确定所述微震加速度信号的滤波频率范围；

基于所述滤波频率范围，选择所述微震加速度信号的信滤波器；

基于所述信滤波器，对所述微震加速度信号进行滤波，得到所述滤波微震加速度信号。

3.如权利要求1所述的基于岩土体微震加速度的边缘损伤智能识别方法，其特征在于，所述计算所述滤波微震加速度信号的信号波形特征，包括：

计算所述滤波微震加速度信号的信号峰值、信号峰峰值、信号均方根值、信号均值、信号方差以及信号标准差；

基于所述信号均值，计算所述滤波微震加速度信号的信号峭度；

基于所述信号峰值、所述信号峰峰值、所述信号均方根值、所述信号均值、所述信号方差、信号标准差以及所述信号峭度，分析所述滤波微震加速度信号的信号波形特征。

4.如权利要求3所述的基于岩土体微震加速度的边缘损伤智能识别方法，其特征在于，所述基于所述信号均值，计算所述滤波微震加速度信号的信号峭度，包括：

基于所述信号均值，计算所述滤波微震加速度信号的四阶矩；

基于所述四阶矩，利用下述公式计算所述滤波微震加速度信号的信号峭度：

其中，θ表示滤波微震加速度信号的信号峭度，μ表示滤波微震加速度信号的信号均值，C_a表示滤波微震加速度信号第a时刻的取值，M滤波微震加速度信号的信号长度，表示滤波微震加速度信号的四阶矩。

5.如权利要求1所述的基于岩土体微震加速度的边缘损伤智能识别方法，其特征在于，所述对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，包括：

确定所述滤波微震加速度信号的傅里叶变换函数；

基于傅里叶变换函数对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号；其中，所述傅里叶变换函数：

其中，F(k)表示变换微震加速度信号，x(n)表示滤波微震加速度信号，M滤波微震加速度信号的信号长度，w表示旋转因子，k是频域的索引。

6.如权利要求1所述的基于岩土体微震加速度的边缘损伤智能识别方法，其特征在于，所述识别所述变换微震加速度信号的幅度频谱，包括：

识别所述变换微震加速度信号的频率成分；

计算所述频率成分的幅度和相位；

基于所述幅度和相位，计算所述频率成分的频率强度；

基于所述频率强度，构建所述变换微震加速度信号的幅度频谱。

7.如权利要求1所述的基于岩土体微震加速度的边缘损伤智能识别方法，其特征在于，所述识别所述滤波微震加速度信号的时频图像，包括：

确定所述滤波微震加速度信号的窗函数；

基于所述窗函数，利用下述公式计算所述滤波微震加速度信号的时频图像：

其中，ω表示滤波微震加速度信号的时频图像，x(n)表示滤波微震加速度信号，e^-jωτ表示复指数函数，Ein(t-τ)表示滤波微震加速度信号的窗函数。

8.如权利要求1所述的基于岩土体微震加速度的边缘损伤智能识别方法，其特征在于，所述计算所述模态参数的可靠系数，包括：

确定所述模态参数的极限状态函数；

识别所述模态参数的分布状态；

基于所述分布状态和所述极限状态函数，计算所述模态参数的可靠系数。

9.如权利要求1所述的基于岩土体微震加速度的边缘损伤智能识别方法，其特征在于，所述当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型，包括；

当所述可靠系数符合预设的可靠标准时，分析所述岩土体的识别需求；

基于所述识别需求，确定所述岩土体的模态模型架构；

基于所述模态模型类型，利用所述模态参数构建所述模态模型架构的频响函数；

基于所述频响函数，构建所述岩土体的损失识别模态模型。

10.一种基于岩土体微震加速度的边缘损伤智能识别系统，其特征在于，用于执行如权利要求1-9中任意一项所述的基于岩土体微震加速度的边缘损伤智能识别方法，所述系统包括：

时域特征提取模块，用于采集岩土体的微震加速度信号，对所述微震加速度信号进行滤波，得到滤波微震加速度信号，计算所述滤波微震加速度信号的信号波形特征，基于所述信号波形特征，提取所述滤波微震加速度信号的时域特征；

频域特征提取模块，用于对所述滤波微震加速度信号进行快速傅里叶变换，得到变换微震加速度信号，识别所述变换微震加速度信号的幅度频谱，基于所述幅度频谱，识别所述变换微震加速度信号的频域特征；

时频域特征提取模块，用于识别所述滤波微震加速度信号的时频图像，基于所述时频图像，基于所述时频图像，识别所述滤波微震加速度信号的时频域特征；

模态模型构建模块，用于基于所述时域特征、所述频域特征和所述时频域特征，计算所述岩土体的模态参数，计算所述模态参数的可靠系数，当所述可靠系数符合预设的可靠标准时，利用所述模态参数构建所述岩土体的损失识别模态模型；

边缘损伤识别模块，用于基于所述损失识别模态模型识别所述岩土体的结构性变异，基于所述结构性变异，构建所述岩土体的边缘损伤识别报告。