基于煤岩体破裂AE信号的提取与识别方法研究

摘要

通过煤岩体破裂产生的声发射信号（acoustic emission，AE）来监测矿井动力灾害是防治矿难的可行方法。实际声发射信号中掺杂了各种噪声，影响了监测结果精度。采集的声发射信号数据量庞大，不便于监测。为此本文对AE信号的去噪提取、特征提取及识别展开研究。 利用小波阈值分析法的时频局域化优势对非平稳非线性AE信号进行去噪。针对小波硬阈值函数导致信号震荡、小波软阈值函数存在恒定偏差问题，改进了小波阈值函数。但该法受小波基函数选取偏差的限制，且对信噪比较低的信号去噪效果不理想，由此引入了另一种去噪方法---粒子滤波法（Particle Filter,PF）。该法不受线性系统、高斯噪声的条件控制，有较强的信号逼近能力。果蝇算法（fruit fly algorithm,FOA）可用于解决标准粒子滤波（SIR）的重采样问题，并利用邻域动态调整因子（D）增强FOA的寻优能力并加快其收敛，缓解了SIR中的粒子贫化，提高去噪精度。 采用深度置信网络（deep beliefnetwork，DBN）对去噪的信号进行特征提取及识别研究。将AE信号样本数据训练过的深度置信网络作为FOA算法的评价函数，使模型基本参数得以改进。解决传统特征提取和识别方法依赖专家经验和信号处理技术的不足。 以八连城煤矿为背景并进行仿真实验，去噪结果表明：改进小波阈值和改进粒子滤波（D-FOA-PF）均能降低AE中的噪声幅度，但D-FOA-PF更适合于低信噪比信号的提取；与未优化DBN、AE参数-SVM、AE参数-BP神经网络方法对比，其特征识别结果表明：FOA-DBN模型特征分离精度得到了提高，特征识别准确率较高，对矿井动力灾害危险程度的监测奠定了基础。

目录

OLE_LINK53

OLE_LINK52