基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法*

2022-03-20 13:13谢学斌王小平
中国安全生产科学技术 2022年2期
关键词:峭度分量准确率

谢学斌,王小平,刘 涛

(中南大学 资源与安全工程学院,湖南 长沙 410083)

0 引言

声发射指在应力作用下岩石内部释放的弹性波。每个声发射事件均包含岩石内部状态变化信息,能够准确识别分析、判断岩石内部裂纹活动特征和应力场分布,确定安全工作时间和工作地点,确保矿山安全生产[1-2]。但地下矿山环境复杂,声发射监测系统收集到的信号种类繁多,准确识别围岩声发射事件比较困难,因此,对声发射事件进行准确分类十分必要[3]。声发射事件分类首要步骤为获取声发射信号时频特征[4]。传统傅里叶变换分析方法,在非平稳信号分析上效果不佳[5-6];基于传统傅里叶变换分析法提出短时傅里叶变换,可同时提供时域和频域局部化信息,但不能敏感反映信号突变;小波变换在短时傅里叶基础上,发展局部化思想,具备较敏感的变焦特性,但其降噪效果过于依赖小波基的选择,小波基不同降噪效果差异较大[7-8];Huang等[9]提出经验模态分解(EMD),将原始信号分解为固有模态函数(IMF)分量,但EMD存在模态混叠的问题,学者提出EEMD、CEEMD、CEEMDAN多种改进方法[10-12],但EEMD和CEEMD计算效率较低,CEEMDAN模态杂散,因此,本文采用ICEEMDAN获取声发射信号时频特征。

声发射事件分类第2步即分类器的选择,合适的分类方法对最后分类结果影响巨大。目前,机器学习算法得到学者广泛关注:尚雪义等[13]应用SVM对微震信号和爆破信号进行分类;程铁栋等[14]利用GA优化的SVM对微震信号和爆破信号进行分类;虽然机器学习分类效果较好,但浅层结构分类器算法很难学习非线性的数据特征[15],并且上述分类器均基于高质量训练数据以及专家知识筛选特征。

近年来,深度学习方法不断发展,其中,卷积神经网络(Convolutional Neural Network,CNN)具有较强的图像特征提取能力和表达能力[16],Dong等[17]将矿山微震信号和爆破信号转换成图像输入卷积神经网络,对微震信号和爆破信号进行识别,识别结果良好。在机电齿轮箱故障诊断领域,学者利用多通道1-D CNN进行故障诊断,并通过对比实验发现多通道1-D CNN方法诊断效果优于单通道效果[18]。

因此,本文提出1种基于多通道2D CNN的矿山声发射信号识别方法,该识别方法具有以下3点优势:

1)采用改进的完全集合经验模态分解(ICEEMDAN)对矿山声发射信号进行分解,分解出的IMF分量包含更多特征信息。

2)多通道图像比单通道提取特征更全面,可充分提取图像数据隐含特征。

3)根据各通道输入分量的峭度值确定权重,能够进一步凸显特征图特征。

1 基本原理

1.1 ICEEMDAN

ICEEMDAN[19]因其良好的特征提取和分解能力,在相关领域得到广泛应用。不同于传统方法选择增加普通高斯白噪声,ICEEMDAN在提取第K层IMF时,选择加入特殊噪声Ek(w(n))。

ICEEMDAN具体包括以下7个步骤:

步骤1:把E1(w(n))添加给原始信号x,如式(1)所示:

(1)

(2)

式中:〈·〉为计算N个信号平均值的操作符。

步骤3:将原信号x减去第1个残差r1,得到原信号第1个分量,记作M1,如式(3)所示:

M1=x-r1

(3)

步骤4:当i≥2时,构造第i组N个含可控噪声的信号,如式(4)所示:

(4)

(5)

步骤6:将残差ri-1减去残差ri,得到原信号第i个分量,记作Mi,如式(6)所示:

Mi=ri-1-ri

(6)

步骤7:令i=i+1,返回步骤4计算下一个i值。

1.2 多通道卷积神经网络

本文选用多通道卷积神经网络(MC-CNN),MC-CNN优势为将多个2维图像输入1个卷积层中,通过卷积层提取信号特征,并且各通道根据输入信号的峭度值确定权重,从而更合理融合各特征图中包含的特征信息。MC-CNN结构模型如图1所示。

图1 多通道卷积神经网络结构模型Fig.1 Structural model of multi-channel convolutional neural network

通过ICEEMDAN对矿山声发射系统收集到的1维振动信号进行分解得到IMF分量,能够在各尺度细节上有效反映振动特征。峭度是1种无量纲指标,反映声发射信号中包含的强振动特征,峭度值越大表示IMF分量包含的振动信息越多,从而选择保留峭度值较大的分量。因最后生成的波形图信息特征呈现与颜色无关,输入图片为灰度图可减少计算量,所以将选择的IMF分量绘制并保存为灰度图,得到多通道图像输入。围岩声发射信号分解过程如图2所示。由图2可知,经ICEEMDAN分解的信号包含原始信号中不同频率段的特征,并且振动频率由上至下递减,因此需要对不同的IMF图像进行不同的卷积计算,从而全面有效地提取各IMF分量中独有特征。

提取4个IMF分量图形特征,因每张图片包含特征信息不同,导致各通道获取信息的重要性和信息量不同。峭度是反映信号中振动信息特征的指标,一定程度可表示各分量蕴含振动信息的信息量,因此可根据选取IMF分量的峭度设置各通道权重,使包含特征信息多的图片输入的信息比重增大,有利于提高识别分类精确度。设ki为通道i上IMF分量峭度值,如式(7)所示:

(7)

式中:m为单个数据总长度;xi为表示第i个元素。该通道权重如式(8)所示:

(8)

式中:n为通道数。

确定各通道权重后进行加权融合,如式(9)所示:

(9)

2 基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

本文提出1种基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法,具体识别流程如图3所示。主要包括以下3部分:

图3 地下矿山声发射信号识别流程 Fig.3 Flow chart of recognition of AE signals in underground mines

1)数据预处理

步骤1:通过在矿山安装声发射监测系统获取矿山实际声发射信号。

步骤2:对收集到的信号进行ICEEMDAN分解,筛选出具有显著特征的IMF分量。

步骤3:将筛选出来的IMF分量绘制成图像并转换成灰度图,构建训练集和测试集。

2)MC-CNN训练

步骤1:构建MC-CNN,对模型中的参数进行初始化。

步骤2:输入训练集,对模型中的参数进行多次训练,输出并保存模型。

3)测试集检验模型效果

将测试集输入已训练好的模型中,对地下矿山声发射信号进行分类。

3 实例分析

3.1 数据处理与模型建立

本文基于广西盘龙铅锌矿声发射地压监控系统收集到的声发射信号数据,验证本文方法的有效性和可行性。根据产生机理不同将信号分为围岩声发射信号、铲运机作业声发射信号、凿岩作业声发射信号和爆破作业声发射信号。各类信号典型波形如图4所示。

图4 4种典型井下声发射信号波形Fig.4 Four typical underground AE signal waveforms

对信号进行ICEEMDAN分解得到所有IMF分量后,根据式(7)计算各IMF分量峭度值,选出峭度值较大的4个IMF分量,并将其转换成灰度图,作为多通道卷积层的输入。

3.2 结果分析

多通道卷积神经网络方法实现对声发射图片数据的全面提取,并进行有效精准识别。训练过程准确率如图5所示。

图5 训练过程准确率Fig.5 Accuracy of training process

在模型训练过程中,需要对4种声发射信号波形进行标记,方便训练和识别:将围岩声发射信号波形记为0,铲运机作业声发射信号记为1,凿岩作业声发射信号记为2,爆破作业声发射信号记为3,为使实验结果更具说服力,进行五折交叉实验,结果见表1,平均正确率为97.64%。

表1 五折交叉实验各声发射信号识别准确率Table 1 Recognition accuracy of AE signals in five-fold cross experiments %

3.3 可视化分析

为更直接展示分类过程,采用T-sne方法对各层特征提取层进行降维可视化操作,输入层、cov1、con2、cov3、cov4和全连接层提取的特征可视化图如图6所示。由图6可知,原始数据经过特征提取后,分类效果逐渐呈现,其中全连接层分类效果相对较好。

图6 每层特征降维可视化图Fig.6 Reduced-dimension visualization graphs of each layer's features

3.4 性能比较

将MC-CNN识别方法与人工神经网络(BPN)、支持向量机(SVM)、深度置信网络(DBN)进行对比,得到基于五折交叉实验分类结果,如图7所示。由图7可知,MC-CNN识别方法准确率远高于其他方法。

图7 基于五折交叉验证的分类结果对比Fig.7 Comparison of classification results based on five-fold cross validation

进一步将多通道卷积神经网络与单通道2维卷积神经网络(SC-CNN)和1维卷积神经网络(1D CNN)进行比较,各方法分类准确率见表2。虽然卷积神经网络方法分类识别准确率高达90%以上,但相比于其他卷积神经网络方法,基于ICEEMDAN和MC-CNN方法的准确率更高。由表2可知,MC-CNN识别方法能够更全面有效提取声发射波形特征,在地下矿山声发射信号分类中表现尤为突出。

表2 基于五折交叉验证的典型CNN分类结果对比Table 2 Comparison of typical CNN classification results based on five-fold cross validation %

4 结论

1)基于ICEEMDAN对原始波形信号的分解,将IMF分量作为多通道输入,能更全面凸显信号特征;将原始1维信号转换成2维图像,将矿山声发射信号识别进一步转换为图像识别问题,明显提高多通道卷积神经网络波形识别准确率。

2)以多通道图像作为输入,能较全面获取特征信息,并且通过峭度确定权重定义各通道输入的权重,有利于提高后续分类准确率。

3)基于ICEEMDAN和MC-CNN模型的分类效果优于传统识别方法和经典卷积神经网络,分类识别准确率达到97.64%,表明基于ICEEMDAN分解的多通道卷积神经网络模型分类识别地下矿山声发射事件可行,并且具有较高的准确率。

猜你喜欢
峭度分量准确率
基于重加权谱峭度方法的航空发动机故障诊断
乳腺超声检查诊断乳腺肿瘤的特异度及准确率分析
不同序列磁共振成像诊断脊柱损伤的临床准确率比较探讨
2015—2017 年宁夏各天气预报参考产品质量检验分析
颈椎病患者使用X线平片和CT影像诊断的临床准确率比照观察
画里有话
联合快速峭度图与变带宽包络谱峭度图的轮对轴承复合故障检测研究
一斤生漆的“分量”——“漆农”刘照元的平常生活
一物千斤
论《哈姆雷特》中良心的分量