单事件多通道微震波形的特征提取与联合识别研究

姜福兴，尹永明，朱权洁，李舒霞，于正兴

(1.北京科技大学 土木与环境工程学院，北京 100083；2.北京华夏建龙矿业科技有限公司，北京 100070；3.中国安全生产科学研究院，北京 100012)

单事件多通道微震波形的特征提取与联合识别研究

姜福兴1，尹永明1，朱权洁1，李舒霞2，于正兴3

(1.北京科技大学 土木与环境工程学院，北京 100083；2.北京华夏建龙矿业科技有限公司，北京 100070；3.中国安全生产科学研究院，北京 100012)

通过对矿山现场数据的处理分析，提出一种基于微震单事件的多通道联合识别方法，建立了“初步判断”、“联合识别”及“优化判断”的微震波形识别机制。对矿山微地震信号进行滤波等预处理，采用经典STA/LTA算法拾取波形的到时与终时，截取整个信号中的有效部分，并进行波形校正；建立波形的频谱特征(f)、时长(L)、振幅特征(A)、振幅分布(AD)、门限阈值特征(TS)及互相关特征(R)的定量描述方法，并求取相应的特征值；分层次对有效岩石破裂波形进行有效性判断与识别，优化选取最终定位通道。以山东某矿的一次微震事件为例对该方法进行了验证研究。结果表明，该方法能够有效提取波形的特征，并能实现对单事件多通道波形电磁干扰、底部噪声等的快速分类识别，识别精度满足现场应用需求。

微震；多通道识别；波形特征；特征提取；STA/LTA

矿山环境复杂，产生微震动的因素众多，微震监测系统采集到的波形包含大量无效信号，诸如机械振动、电磁干扰、底部噪声、爆破震动等。此外，矿山微地震事件从发生、传播，到触发拾震传感器，后经由井下环网传输至地表，在此过程中由于传播介质的不连续性、传输过程干扰等因素的影响，会引起微震波传播的异常[1]，甚至产生漂移和畸变。这些干扰信号和异常情况的存在，大大增加了人工定位操作的工作量，为自动定位带来难度。

微震波形的自动分类识别是实现微震自动定位、提高定位精度与速率的重要因素之一。通过准确有效地识别出有效矿山微震波形，可以剔除大量的无用的干扰信号，为最终的自动定位奠定基础。

目前，在地震、石油领域已有许多卓有成效的研究。在地震领域，波形识别主要是针对天然地震和人为地震，人为地震包括爆炸、核爆等震动。自20世纪50年代以来，国内外针对天然地震与人为地震的识别开展了大量实践工作，进行了广泛深入的研究。和雪松、李世愚提出利用小波包分析方法提取天然地震与矿震特征指标[2]。刘希强通过小波变换求取天然地震、爆破以及塌方灾害的小波能量，并利用不同类别波形能量的线性度特征对其进行识别[3]。DargahiNoubary利用非平稳随机模型建立了识别地下核爆与天然地震的确定模型。在建立二维识别模型的同时，构建二次识别方法[4]。魏福胜等[5]利用地震波形相似性的定量描述，计算了20个较小震级地震事件的波形相关系数，揭示了各事件之间的关联因素和内在联系。黄汉明、边银菊等通过对天然地震和人工爆破事件波形记录的研究，提取出能量比、香农熵以及对数能量熵3种特征，并利用v-SVC支持向量分类机对二者进行了分类识别，结果表明，香农熵特征的识别效果最好[6]。

在石油领域，Jeffrey F.Tan等[7]对Alberta省Cold Lake地区页岩气开发过程中的微震事件进行了研究，提取了微震事件的频域特征、时长特征以及统计特征，构建了基于主成分分析法的微震事件分类识别模型，分类效果良好，准确率高达90%～95%。

关于矿山微震波形识别的研究目前还处于发展阶段。张少泉、李世愚等提出了冲击地压与天然地震之间的判别问题，并指出矿山震动的识别，需要以矿山地震学理论为基础，建立相应的行之有效的判据进行判别[8]。朱权洁等通过寻求微震波形的小波包能量特征[9]、分形特征，组建了相应的特征向量，并利用SVM网络识别出机械振动波形、爆破波形和岩石破裂波形[10]。

前人在矿山微震波形特征提取、识别方法等方面做了许多前瞻性工作。与上述研究不同，针对矿山单事件多通道波形，提出共震源波形概念，并建立初步识别、联合识别以及优化判断三步骤的识别体系，为矿山微震波形的分类识别提供了一种新的思路。

1 单通道多事件识别方法的提出

1.1 问题的提出

矿山微地震发生时，通常会引起多个传感器的触发，这些传感器所对应的通道将会采集并存储相应的波形数据。将这样由一个微震事件引起的，多个通道触发采集得到的波形，称之为单事件多通道波形，性状相同的波形称为共震源波形。

共震源波形在波形特征上具有大量共有信息，互相关性强。与不同震源波形相比，在回采工作面小范围区域内，共震源点所产生的多通道波形具有传播路径相近，记录仪器相同等特点。因此，采用单事件多通道波形进行波形识别存在可行性。利用单事件多通道间的波形数据能够有效减小地震波在传播过程和线缆传输、采集过程中的差异所带来的计算误差，突出共同震源的效应，提高波形识别的可靠性和精度。

将有效波形从干扰信号中提取出来，是波形识别的主要目的。对于单事件多通道触发波形而言，干扰波形主要包括：底部噪声、电磁干扰两类。图1为3类典型单事件多通道波形。与有效波形相比，3类波形具有不同特点。底部噪声是随机噪声，有设备噪声、环境噪声等，其特点为振幅不大，无明显起伏；电磁干扰(电脉冲)信号是随机产生的电干扰，在形状上，与岩石破裂波形相似。

图1 三类典型单事件多通道触发波形Fig.1 Three types of single microseismic signal classification

常规方法通常使用肉眼观察或单一特征进行判别，这样识别的效率较低，且误差率大。通过提取波形的特征，建立相应的识别体系，可以实现自动、快速分类识别。

1.2 识别体系的构建

单事件多通道波形识别包括以下两部分工作：其一，波形分类识别，能够有效提取出用于定位的有效波形，提高微震定位的速度与效率；其二，波形识别可以辨识出“形似”的干扰波形，减小异常波形带来的误差。具体流程可分为3部分：初步判断、联合识别以及优化处理。波形特征，主要选取了时长、频率、振幅、AD特征、TS特征、相关系数等。波形优化判断则主要考虑到时-振幅关系、时距差等特征，如图2所示。

图2 矿山微震单事件多通道波形识别流程Fig.2 Recognition of multi-channel waves responded toa single MS event

多通道联合识别的规则主要有以下几条：① 多通道波形主要包括电磁干扰、底部噪声、机械谐波3种干扰波形；② 根据电磁干扰波形的50 Hz及其倍频特性，利用时频分析可以有效剔除电磁干扰波形；③ 底部噪声的统计特性较为明显；④ 波形特征正常，但到时异常，利用多通道判断进行优化。主要包括互相关系数、波形有效性判断两类标准。

1.3 现场数据

本文将着重于对单事件多通道波形的联合识别方法进行研究。以山东某矿某工作面超前范围内的一次典型冲击地压事件为研究对象，该次事件发生于2013-02-19T08:00:40，导致上巷超前范围多棵单体支柱倾倒，联巷上端头近20 m巷道闭合。如图3所示。微震数据由北京科技大学自主研发的BMS微震监测系统现场采集所得。该系统的监测频率范围为10～1 000 Hz，单个STA分站标配12通道，即12个拾震传感器。采集参数为：采样频率为1 000，采样点数5 000，时长5 s。

通过分析，图3中1～5，9，11及12号通道波形特征较为明显，为岩石破裂波形；7，8，10号通道无明显起伏，为底部噪声波形；6号通道为典型的电磁干扰信号。下文将通过理论方法对波形进行特征提取，总结出特征的定量表达，并实现分类识别验证。

2 地震波形的预处理

为了求取微震信号的属性特征，需要对多个通道内的波形进行预处理。包括信号的去噪、初始到时与终止时刻的拾取以及微震波形的校正等操作。

微震信号进行的去噪过程包括3个步骤:去趋势项及平滑处理以及去噪。该过程在保留微震信号细节信息的前提条件下，对干扰信号进行压制[11-12]，以期更清晰地凸显有效成分。

事件初始到时[13]及终时的拾取采用经典的STA/LTA算法(长短时窗能量比法)作为有效事件触发条件。目前，在地震领域初始到时的拾取有多种方法，其中，STA/LTA法(长短时窗法)应用较为广泛[14-15]。STA/LTA法计算公式可表述为

(1)

式中，xi为i时刻微震波振幅值；l为长窗口的长度;s为短窗口的长度；k为时窗向前移动的长度；n为窗口当前所在位置；λ为特征函数，其取值取决于信噪比的大小，视现场情况而定。

初始到时拾取的阈值设置为1.5；波形终止时刻的阈值设置为0.8。时窗大小的选取直接影响着触发结果[16]，此处设定，短时窗100 ms，长时窗400 ms，参与计算求解。图4为采用该方法获取的起跳、终止时刻。

为便于波形的对比观察，对各通道内波形进行校正，使各触发通道内的相位一致，并截取整个信号中的有效波形部分。截取有效波形部分，主要是考虑整个波形中包含大量干扰信息，降低了共震源信号的相关性，截取出有效部分能更合理、有效地对比波形间的相互关联，使分析更具针对性。

3 波形特征的提取与识别

按初步判断、联合识别以及优化处理的3个步骤对上述数据进行分析。

3.1 波形的初步判断

波形的初步判断主要从常规特征(频率f、振幅A、波长L)和统计特征(门限阈值统计TS、振幅分布统计AD)5个特征进行考虑。

图3 煤矿典型冲击地压事件的单事件多通道展示Fig.3 The typical rock burst events in coal mine

图4 长短时窗能量比法触发示意Fig.4 Triggering using STA/LTA method

3.1.1常规特征

时频分析是地震信号分析的主要方法之一，是刻画数字化地震波非平稳特性的有效方法。采用短时傅里叶变换算法(STFT)对微震信号进行频谱特征分析。在快速傅里叶变换的基础上，STFT法克服了非平稳信号分析中交叉项的干扰，是分析非平稳信号的有力工具，其数学形式为

其中，x(t)为信号本身；r(t)为分析窗函数；STFT(t,f)既是时间t的函数，又是频率f的函数。

对微震信号进行短时傅里叶变化，寻求两者间的频率f分布特征。图5为电磁干扰、岩石破裂事件的时频谱图，二者在时域、频域上的特征得以体现。

假定利用长短时窗能量比法拾取到的初始到时为Tstart，终止时刻为Tend，则计算可求得微震波形的波长。此处，微震波持续时长L(ms)的计算公式为

(3)

微震波形衰减后，波形会相对变形，但其时长应在一定范围内。通过上式可以计算出微震时长，从而获得波形的时长特征，表1中为各通道波形的常规特征。

3.1.2统计特征

信号的统计特征可以从统计学角度对信号进行分析。引入门限阈值、振幅分布统计特征，分别从波形的采样数比、振幅分布角度进行分析。

(1)门限阈值统计(TS)。

门限阈值统计特征TS为时窗外采样点数与总采样点数的比值。如图6所示，红色窗口为设定门限。TS可定义为

图5 典型微震波形时频谱图Fig.5 Time-frequency spectrum of typical MS signals

表1 各通道波形的时频特征Table 1 The time-frequency characteristic of microseismic signals

图6 振幅门限统计特征Fig.6 The threshold statistical characteristics of amplitude

(4)

式中，N为信号的总采样点数；NS为时窗口外采样点数。

设定时窗的上下限a，b，以a，b建立时窗，统计时窗外采样点的数量，并计算统计值TS。

(2)振幅分布(AD)统计。

振幅分布统计能够显示采样点的分布区间，从而反映出波形曲线的振幅分布情况。假设随机信号的时间序列x(t)，其波峰为Amax，波谷为Amin，以横向长条时窗c覆盖波形，统计每个时窗内采样点点数n，则有

(5)

式中，[]为取整，n为大于|Amax-Amin|/c的最小整数。

设序号为i的窗口区间内的采样点数为Ni，则振幅分布统计特征AD可表述为

(6)

通过计算求得上述12个通道内波形的统计分析特征，见表2。

表2微震波形的统计特征
Table2Thestatisticcharacteristicofmicroseismicsignal

测点TSAD测点TSAD113 9035 60751 520 32213 1649 84836 100 08316 147 88911 226 22416 0241 061051 140 06512 4021 881110 6410 94611 080 541210 448 10

从表2可以看出，统计特征受信噪比影响较大，当信噪比较低时，其值呈减小趋势。但基本能反映出不同类型波形的不同特征。

3.2 多通道的联合识别

单事件触发的共震源波形在波形特征上具有大量共有信息，互相关性强，采用相关系数可以进行有效识别。相关系数可以反映两个变量之间线性关系的密切程度。该方法在地震领域主要用于判断两道地震信号的相关程度[5]。

设x为到时最小通道波形，xi为该波形第i个采样点的振幅值，则有，任意通道内波形y与x的相关性表述为

(7)

两类信号相关与否的判据为：当|R|=1时，称为完全线性相关；当|R|=0时，称为无线性相关；|R|越接近1，线性相关越大。

以有效岩石破裂事件为例进行互相关性分析。对事件进行预处理后，以初时起跳点为起点，向后截取固定长度波形(以P波为研究对象，时长过大，则波形中可能叠加S波，影响互相关计算)，求取两段波形的互相关系数。如图7所示为相关系数为0.65的两段有效波形。

由于相关系数受干扰影响较大，因此，|R|的取值在不同背景干扰中不同，该值与观测次数或采样点n等因素有关。

通过式(7)，对该次事件进行了相关性计算，各波形间的相关性系数见表3(底部噪声任意截取一段参与互相关计算)。

图7 两岩石破裂波形的相关性分析(R=0.65)Fig.7 Correlation coefficient between two MS waveforms(R=0.65)

表3 单事件多通道波形的互相关系数(R)Table 3 Cross-correlation coefficient(R) of the waveforms

3.3 有效波形的选择与优化

上述方法主要针对不同类型波形的识别。但现场监测结果发现，微震波传播会出现很多异常情况[1]，波形性状符合有效微震事件，但传播异常的波形。多通道波形的联合识别需要对这样的波形进行剔除，以保证定位的精度。

微震波符合波动传播规律，传播距离越远，微震波经历的路径越长，其衰减越大，因此，到时越大，振幅值应该越小。针对上述异常波形应进行两部分判断：① “到时-振幅”判断。到时与振幅呈反比关系，到时越小，则振幅越大(根据需要选择)；② “到时对比”判断。若任意两检波器的距离已知为S，则两点到震源点的距离之差应不大于S。

假设有编号为i，j的两传感器，两者间的间距为Sij，v为微震波的波速。设波速一定，距离不变，则有，通道有效与否的判断标准为

(8)

其中，k为常数；t为到时。振幅A与到时t平方的倒数呈反比关系。

4 数据分析与应用

4.1 波形识别与判断

利用Matlab编制相应的分类识别模块，对上述波形的进行分析，以提取出相应的特征指标，并提取出3类波形的相关特征。

通过上述分析可得，底部噪声由于其起跳幅度不大，波长特性不明显，门限阈值统计TS较低，分别为0.08%，0.06%，AD为36.10%，51.14%，频率f散布0～30 Hz，在10 Hz有明显上升，相关系数较低；电磁干扰信号的波长较长，约有400 ms，振幅比同比增加，但频率特征显著，固定于50 Hz及其倍频，相关系数大部分低于0.09；岩石破裂信号的波长在500～1 100 ms范围，频率散布45～165 Hz，在90 Hz表现的较为集中，统计特征TS约为15%，AD在10%～40%范围，互相关系数较高，分布于0.20～0.45，最高达到0.43。

两两通道进行互相关系数求解，其分布曲线如图8所示，其中YB，YG，GR分别表示岩石破裂信号之间、有效波形与干扰波形、干扰波形之间的相关系数。

图8 各通道波形的互相关系数分布Fig.8 The correlation coefficient distribution of all channels

从波形的相关性特征来看，1，2，3，4，5，9，11和12号通道波形相关系数较高，表明这几个通道存在一定的关联性。事实上，这几个通道的触发都是由一次事件引起的，即共震源事件。而8和10通道与其他通道之间的关联系数较低，主要分布与0.02～0.14之间。这主要由两方面因素影响所致：① 信号为其他类型，其特征与岩石破裂事件的特征成非线性，没有直接联系；② 有效信号被背景干扰所淹没，因此，波形本身特征不明显，或被削弱。7号通道波形则完全淹没在背景噪声之中，但与有效事件波形相关性相对较高。由于相关性受背景噪声影响较大，因此，与其他起跳清晰的波形相比，他们特征将会呈现不同结果。6号通道为典型电磁干扰，存在一定的相关性。3类波形特征的详细对比情况见表4。

表4多通道微地震波形特征联合比较
Table4ContrastinganalysisofthreetypesMSwaves

类别特征f/HzL/msTS/%AD/%|R|电磁干扰5039911 080 54<0 09岩石破裂45～165500～110010～176～500 20～0 45底部噪声<3035～56<0 1<0 14

注:R为该类别波形与岩石破裂有效波形联合计算所得。

单因素识别并不能完全对上述信号进行分类，利用多因素的联合识别机制，可以初步实现对上述波形的分类。通过上述分析可得，利用f,L,TS,AD,R可以有效剔除底部噪声波形；主频与相关系数则可以有效判别岩石破裂波形与电磁干扰波形。因此，可以判断1，2，3，4，5，9，11及12号通道波形为典型的共震源波形(岩石破裂波形)；8，10号通道为底部噪声；6号通道为典型的电磁干扰波形；7号通道为干扰波形，但包含有效波形成分，不同于8，10号通道。

4.2 波形优化选择

有效波形的优化选择关系到最终的定位精度，这也是多通道波形识别的一个重要方面[17]。

(1)“到时-振幅”判断。

利用“到时-振幅”特征对1，2，3，4，5，9，11和12号通道8个波形进行判断。图9为各通道到时、终时以及振幅的关系曲线。其中，11号通道振幅为5 464.9 mV，到时也较大，应为异常事件。

图9 到时、终时及振幅关系曲线Fig.9 Relationship of first arrival time and amplitude values

(2)“到时对比”判断。

针对工作面小范围内的实时监控，BMS监测系统的传感器一般布置于回采工作面的皮带巷与轨道巷内，距切眼30 m，按50 m间距顺序布置，每条巷道布置6个。各通道波形的到时、终时以及振幅值见表5。现场校验炮求出波速v=3.7 m/s。已知各测点坐标，由此可以计算不同检波器之间的空间距离Sij。

表5各通道波形的到时、终时及振幅值
Table5Thefirstarrivaltimeandamplitudevaluesofallchannels

测点到时/ms终时/ms振幅/mV测点到时/ms终时/ms振幅/mV153415735641 85497137210472 2257814342918 9958113012459 8358413882025 71160111445464 9462415891237 11260314152118 9

根据1号、4号两检波器坐标，求得二者距离约为195.9 m，按现场波速3.7 m/ms计算，二者到时差最大约为53 ms，实测为90 ms。同理计算4，5号通道，最大约为93 ms，实测为127 ms。因此，判断4号应为误差点。

通过上述分析，确立最终参与定位的通道为1，2，3，5，9和12号共6个通道波形。

4.3 结果与讨论

利用这几个通道进行定位计算，定位结果较所有通道参与定位计算有所提高，满足现场应用需求。

通过上述方法的分析可以看出:① 多特征的联合识别，考虑波形常规特征(频率f、振幅A、波长L)和统计特征(门限阈值统计TS、振幅分布统计AD)等各方面的特性，可以克服单一特征的低识别率，提高识别的准确度。② 波形的优化选择，可以减小误差点所带来的计算误差，从而达到优化定位精度的目的。

应用上述方法，实现了波形特征的定量化描述，剔除干扰事件和异常事件，为实现波形自动化分类识别打下基础。通过编制相应的应用软件，将会大大减少操作人员的工作量，保证微震定位精度，提高了监测预警的应急速度。

下一步工作将着重于多事件的联合识别与矿山微震波形自动识别系统的构建。

5 结 论

(1)微震波形识别是实现矿山微震自动定位的基础。单事件多通道波形是微震识别的基本数据个体，通过提取出单事件中的有效波形，即可用于最终的定位计算。本文提出单事件多通道波形联合识别的矿山微震波形识别方法，基于多通道共震源点的特性，建立了常规特征、互相关检验及有效波形判断3层识别机制，对多通道波形进行联合分层识别。利用上述方法对山东某矿的数据进行处理分析，结果表明，该方法可以对单事件多通道波形进行有效分类识别，识别效果良好。

(2)单一特征很难完整描述微震信号的复杂特性。从时域、频域以及统计分析等角度对微震信号进行了分析，分别提取了常规特征、统计特征和相关性等特征。底部噪声起跳幅度不大，门限阈值统计TS低，分别为0.08%，0.06%，AD为36.10%，51.14%，频率f散布0～30 Hz；电磁干扰信号的波长约为400 ms，频率特征固定于50 Hz及其倍频；岩石破裂信号的波长在500～1 100 ms范围，频率散布45～165 Hz，统计特征TS约为15%，AD在10%～40%范围。因此，在识别时可根据波形识别的难易程度分级识别。

(3)利用相关系数可以求解出两列波形间的线性关系。通过典型单事件多通道波形的分析，得出岩石破裂波形与干扰波形之间的相关系数分布于0.02～0.14，岩石破裂波形间的相关系数分布于0.20～0.45。通过设定阈值界线，可以有效识别出有效波形。

(4)波形的优化选择是波形识别的一部分，直接影响着定位的精度。利用“到时-振幅”和“到时对比”判断模块，可以对识别后的波形进行优化选择，剔除传播介质差异大的监测通道，优化微震定位的精度。

[1] 姜福兴，宋广东，孔令海，等.微地震波在煤矿岩层中的传播特征研究[J].岩石力学与工程学报，2009，28(S1)：2674-2679. Jiang Fuxing,Song Guangdong,Kong Linghai,et al.Research on spread characterstcs of microseismic wave in mine strata[J].Chinese Journal of Rock Mechanics and Engineering,2009,28(S1):2674-2679.

[2] 和雪松，李世愚，沈 萍，等.用小波包识别地震和矿震[J].中国地震，2006，22(4)：425-434. He Xuesong,Li Shiyu,Shen Ping,et al.A wavelet packet approach to wave classification of earthquakes and mining shocks[J].Earthquake Research in China,2006,22(4):425-434.

[3] 刘希强，沈 萍，张 玲，等.用小波变换能量线性度方法识别天然地震与爆破或塌方[J].西北地震学报，2003，25(3)：204-209. Liu Xiqiang,Shen Ping,Zhang Ling,et al.Using method of energy linearity in wavelet transform to distinguish explosion or collapse from nature earthquake[J].Northwestern Seismological Journal,2003,25(3):204-209.

[4] Dargahi-Noubary G R.Identification of seismic events based on stochastic properties of the short-period records[J].Soil Dynamics and Earthquake Engineering,1998,17:101-115.

[5] 魏福胜，许忠淮，郭祥云.基于波形相关性的地震事件分类[J].地震地磁观测与研究，2010，31(3):52-57. Wei Fusheng,Xu Zhonghuai,Guo Xiangyun.Classification of seismic events based on waveform correlation analysis[J].Seismological and Geomagnetic Observation and Research,2010,31(3):52-57.

[6] 黄汉明，边银菊，卢世军，等.天然地震与人工爆破的波形小波特征研究[J].地震学报，2010，32(3)：270-276. Huang Hanming,Bian Yinju,Lu Shijun,et al.A wavelet feature research on seismic waveforms of earthquakes and explosions[J].Acta Seismologica Sinica,2010,32(3):270-276.

[7] Jeffrey F Tan,Robert R Stewart,Joe Wong.Classification of microsesmic events va principal component analysis of trace statistics[J].CSEG RECORDER,2010(1):34-38.

[8] 张少泉，李世愚，邹立晔.矿山震动的类型及其判别[A].1995年中国地球物理学会第十一届学术年会论文集[C].武汉,1995.

[9] 朱权洁，姜福兴，于正兴，等.爆破震动与岩石破裂微震信号能量分布特征研究[J].岩石力学与工程学报，2012，31(4)：723-730. Zhu Quanjie,Jiang Fuxing,Yu Zhengxing,et al.Study on energy distribution characters about blasting vibration and rock fracture microseismic signal[J].Chinese Journal of Rock Mechanics and Engineering,2012,31(4):723-730.

[10] 朱权洁，姜福兴，尹永明，等.基于小波分形特征与模式识别的矿山微震波形识别研究[J].岩土工程学报，2012，34(11)：2036-2042. Zhu Quanjie,Jiang Fuxing,Yin Yongming,et al.Classification of mine microseismic events based on wavelet-fractal method and pattern recognition[J].Chinese Journal of Geotechnical Engineering,2012,34(11):2036-2042.

[11] 樊计昌，刘明军，王夫运，等.小波包节点域和空间域倾角扫描高阶相关去噪技术[J].石油地球物理勘探，2009，44(6)：695-699. Fan Jichang,Liu Mingjun,Wang Fuyun,et al.Dip scanning high order correlation denoise technique in wavelet packet node field and space domain[J].OGP,2009,44(6):695-699.

[12] 李夕兵，张义平，左宇军，等.岩石爆破振动信号的EMD滤波与消噪[J].中南大学学报(自然科学版)，2006，37(1)：150-154. Li Xibing,Zhang Yiping,Zuo Yujun,et al.Filtering and denoising of rock blasting vibration signal with EMD[J].J.Cent.South Univ.(Science and Technology),2006,37(1):150-154.

[13] Allen R.Automatic earthquake recognition and timing from single traces[J].Bulletin of the Seismological Society of America,1978,68:1521-1532.

[14] Ismael Vera Rodriguez.Automatic time-picking of microseismic data combining STA/LTA and the stationary discrete wavelet transform[A].2011 CSPGCSEGCWLS Convention[C].2011:1-4.

[15] 顾汉明，周鸿秋，张学强.初至时间的自动拾取[J].物探与化探，1992，16(2)：120-129. Gu Hanming,Zhou Hongqiu,Zhang Xueqiang.Automatic pick of first arrival time[J].Geophysical & Geochemical Exploration,1992,16(2):120-129.

[16] Alessia Maggi,Carl Tape,Min Chen,et al.An automated time-window selection algorithm for seismic tomography[J].Geophys.J.Int.,2009,178:257-281.

[17] 朱权洁，姜福兴，王存文，等.微震波自动拾取与多通道联合定位优化[J].煤炭学报，2013，38(3)：397-403. Zhu Quanjie,Jiang Fuxing,Wang Cunwen,et al.Automated microseismic event arrival picking and multi-channel recognition and location[J].Journal of China Coal Society,2013,38(3):397-403.

Featureextractionandclassificationofminingmicroseismicwaveformsviamulti-channelsanalysis

JIANG Fu-xing1,YIN Yong-ming1,ZHU Quan-jie1,LI Shu-xia2,YU Zheng-xing3

(1.SchoolofCivilandEnvironmentalEngineering,UniversityofScienceandTechnologyBeijing,Beijing100083,China;2.BeijingHuaxiaJianlongMiningScience&TechnologyCo.,Ltd.,Beijing100070,China;3.ChinaAcademyofSafetyScienceandTechnology,Beijing100012,China)

In this paper,the author presented a strategy for classifying local multi-channels MS waveform,triggering by a single event.There were three steps to achieve the goal.Firstly,based on STA/LTA method,the first arrival and terminated time had been picked up,using the MS signal preprocessed;secondly,the author extracted the waveform features,time-frequency(L,f),amplitude(A),statistics of amplitude distribution(AD) and threshold algorithm(TS),and correlation coefficient(R);thirdly,before establishing an effective judgment mechanism,this method employed a hierarchical recognition framework with 3 layers,which integrated preliminary judgment,combined recognition and optimizationjudgment.This method was validated through analyzing a coal mine visual event in Shandong Province,and the result shows that it is successfully used to classify electromagnetic interference wave,background noise and MS events.The result can basically meet the requirements of classification accuracy.

microseismic;multi-channel wave recognition;wave feature;feature extraction;STA/LTA

国家重点基础研究发展计划(973)资助项目(2010CB226803)；国家自然科学基金资助项目(51174016，51274022)

姜福兴(1962—)，男，江苏常州人,教授,博士生导师。通讯作者：朱权洁(1984—)，男，湖北武汉人，博士。E-mail：youyicun2008@gmail.com

10.13225/j.cnki.jccs.2013.2004

TD326

A

0253-9993(2014)02-0229-09

姜福兴，尹永明，朱权洁，等.单事件多通道微震波形的特征提取与联合识别研究[J].煤炭学报,2014,39(2):229-237.

Jiang Fuxing,Yin Yongming,Zhu Quanjie,et al.Feature extraction and classification of mining microseismicwaveformsviamulti-channelsanalysis[J].Journal of China Coal Society,2014,39(2):229-237.doi:10.13225/j.cnki.jccs.2013.2004