论文总字数：26600字

摘 要

针对目前矿山微震监测系统在信号识别和震源定位方面存在的一些问题，本文借助智能算法开发软件MATLAB构建微震信号智能识别算法和微震源定位算法，对微震监测系统得到的微震数据进行处理和分析，并利用构建的智能算法进行识别和定位，识别的准确率和定位的精确度均有较好的表现，为矿山微震监测技术的改进提供了一条思路。

论文主要研究了智能算法在微震信号智能识别和微震定位两方面的使用，经过深入研究和资料查询，在微震信号智能识别方面，本文使用局部均值分解法（LMD）分解微震信号，得到微震信号的PF分量，并计算各PF分量的相关系数，根据相关系数的大小筛选出PF主分量，进而计算主分量的样本熵，并以主分量样本熵作为特征向量利用支持向量机（SVM）训练分类模型，最后利用分类模型对微震监测系统采集到的信号进行分类。在微震定位方面，构建引力搜索法—模拟退火（GSA-SA）混合算法，抓住两种算法的联系，弥补各自的不足，增强各自的优势。使混合算法具有收敛快、稳定性好、精度高等优点,最后使用某隧道开挖的微震监测数据对算法进行验证分析，获得了较好的结果。

研究结果表明：本文选取局部均值分解法分解微震信号，并计算分解得到的PF分量的样本熵，以此为特征参数构建特征向量，利用支持SVM训练出分类模型，在实验过程中，得到了平均92.5%的分类准确率。GSA-SA混合定位算法定位误差均在10m之内，能够满足工程精度的要求。

本文的特色：本文结合计算机技术，探讨了多种智能算法在矿山微震监测中的应用，通过MATLAB编程，对微震监测数据进行处理和分析，提高了识别和定位效率和准确度。

关键词：局部均值分解；相关系数；样本熵；支持向量机；引力搜索；模拟退火；微震识别与定位

Abstract

This paper mainly studies the application of intelligent algorithm in the intelligent recognition of microseismic signals and the location of microseismic signals. After in-depth research and data query, in terms of seismic signal intelligent identification.In this paper, in the intelligent recognition of microseismic signals, local mean decomposition method (LMD) was selected to decompose the microseismic signal to obtain the PF component. The correlation coefficients of each PF component were calculated. According to the correlation coefficients, the PF principal component was screened out and the sample entropy of the principal component was calculated.The sample entropy is used as the feature vector and the support vector mechanism is used to build the classification model, Finally, a classification model is used to classify the signals collected by the microseismic monitoring system. In terms of microseismic positioning.A hybrid algorithm of simulated annealing (GSA-SA) based on gravity search was constructed, In this paper, we grasp the connection between the two algorithms to make up for their shortcomings and enhance their advantages.The hybrid algorithm has the advantages of fast convergence, good stability and high precision. Finally, the microseismic monitoring data of a tunnel excavation is used to verify and analyze the algorithm, and a good result is obtained.

The results show that：In this paper, the local means decomposition method was used to decompose the microseismic signals, and the sample entropy of the PF component obtained by decomposition was calculated. Based on this method, the feature vector was constructed, and the classification model was trained using SVM support. In the experimental process, the average classification accuracy of 92.5% was obtained.The positioning error of gsa-sa hybrid positioning algorithm is within 10m, which can meet the requirements of engineering accuracy.

Features of this paper：Combined with computer technology, this paper discusses the application of various intelligent algorithms in mine microseismic monitoring. Through MATLAB programming, the microseismic monitoring data are processed and analyzed to improve the efficiency and accuracy of identification and positioning.

Key Words：Local mean decomposition algorithm；The correlation coefficient； The sample entropy；Support vector machine；Gravitational search algorithm； Simulated annealing algorithm ；Microseismic identification and localization.

目录

第1章 绪论 1

1.1 选题背景与研究意义 1

1.2 国内外研究现状 1

1.2.1 微震信号识别国内外研究现状 1

1.2.2 微震定位技术研究现状 2

1.3 本文研究内容与目标 3

第2章 矿山微震信号智能识别方法研究 4

2.1岩体破坏微震信号特征分析 4

2.2微震信号智能识别算法实现 4

2.2.1局部均值分解法 4

2.2.2样本熵 6

2.2.3支持向量机（SVM）模型训练和分类 7

2.3实例分析验证 7

2.3.1微震信号波形分析 7

2.3.2局部均值分解（LMD）处理和主分量筛选 9

2.3.3特征向量提取和支持向量机（SVM）模型训练 12

第3章矿山微震智能定位研究 13

3.1引力搜索法—模拟退火混合定位算法的提出 13

3.2引力搜索法—模拟退火混合定位算法的实现 13

3.2.1微震定位目标函数构建 13

3.2.2引力搜索—模拟退火混合算法 14

3.3案例分析 17

3.3.1验证思路 17

3.3.2数据选取 17

3.3.3算法运算和分析 19

第4章 工程应用 21

4.1铜陵冬瓜山铜矿微震监测系统简介 21

4.2微震信号智能识别方法工程实例验算 21

4.3微震事件定位算法工程实例验算 22

第5章 结论 25

参考文献 26

致 谢 28

第1章 绪论

1.1 选题背景与研究意义

微震监测技术是基于声发射学和地震学的一种新型监测技术。作为一种有效地预测预报地下动力灾害的监测手段，微震监测技术近年来被广泛应用于矿山安全监测当中。特别是随着我国矿山逐步过渡到深部开采，高温、高地应力带来的岩爆、冒顶、突水等动力灾害严重影响着矿山正常生产和作业人员的安全。这些问题必将导致微震监测技术在矿山中更加广泛的应用，同时也对微震监测技术的效果提出了更加严格的要求。

近年来，由于计算机技术的飞速进步，微震监测技术得以不断改进和发展。该技术主要包括：微震监测台网布设方案的制定、微震信号的处理与识别、微震事件定位和定位结果评价分析等方面。其中微震信号的识别和微震事件定位是微震监测技术的核心内容和研究热点。微震信号携带着矿山岩体内部运动信息，因此能否及时准确地处理微震信息将直接决定微震监测的效率及定位精度^[1]。但是在矿山实际生产过程中，作业环境复杂，干扰因素较多，微震监测传感器除了能够接收到岩石破裂产生的微震信号外，也会接收到诸如矿山爆破、机械震动、电磁通信等干扰信号。因此如何快速有效地识别出需要的岩体破裂微震信号、剔除其他干扰信号成为一个影响微震监测技术准确性的关键问题。识别出微震信号之后，通过对微震信号数据进行处理，实现微震源的定位也是微震监测技术的另一个核心。微震定位主要是通过对检波器接收到的波形信息进行处理，提取有用数据，对数据进行分析计算得到微震源的空间位置，进而对岩体破坏情况进行预警。因此微震定位的精度和时效性成为了研究的核心问题。满足工程精度的微震定位方法是微震监测系统准确预测岩体破坏、预防灾害发生的基础。对灾害发生位置和时间精确的预警，有利于矿山采取应对措施、保护作业人员生命财产安全、维持矿山正常生产作业。

1.2 国内外研究现状

1.2.1 微震信号识别国内外研究现状

微震监测的信号识别与处理是监测系统的关键环节。近年来，国内外许多学者对微震信号的识别做了大量的研究。目前主要的研究方法有参数法、频谱法和时频分析等方法。姜福兴^[2]等提出了微震单事件多通道信号特征提取与联合识别的研究方法；Ju Ma^[3]等采用Bayes判别法分别对震源参数和波形参数两类特征向量进行了识别研究；赵国彦^[4]等选取微震波形重复性、尾波下降、信号主频以及发生时间作为Fisher分类方法的特征参数进行分类，多参数法能够较好的识别微震信号，但由于其特征参数复杂，分类过程中计算量较大，因此实现起来具有一定的困难。

频谱分析方法作为一种简单高效的特征提取方法，在微震信号识别研究中得到越来越多的应用。陆菜平等^[5]针对顶板和煤层卸压爆破信号分别进行了功率谱和幅频特征分析，通过两种信号在频谱的差异来加以辨识；朱权洁^[6]等利用地震学方法中的小波包技术，对爆破震动信号和岩体破裂信号进行了多频谱分解，并对其能量分布进行了对比研究，但小波包分析对信号的自适应分解效果不太理想; Allmann^[7]等通过对微震信号进行傅里叶变换得到信号幅频信息，以此对岩体破裂和爆破震动信号进行识别; 董陇军^[8]等选取微震与爆破事件地震力矩对数、事件的能量对数等6个特征参数，利用fisher 判别法对两类信号的判别。但是这些方法主要研究岩石破裂与爆破振动信号的识别，而在矿山实际生产过程中，矿山机械工作、电缆通信等都会产生干扰信号，因此仅仅识别岩石破裂信号和爆破振动信号并不能满足实际的需求，建立全面、贴合实际的识别系统是一个研究趋势。近年来，在计算机技术的不断发展下，矿山微震信号识别研究开始与计算机技术结合，越来越多的智能算法被应用到矿山微震信号识别当中来，矿山微震信号识别在智能化、全面化、高效率等方面有很大的发展空间。

1.2.2 微震定位技术研究现状

最早在地震监测中的Geiger震源定位方法，被应用到微震定位当中来，其原理是将非线性方程组线性化，并通过最小二乘原理求解；后来随着计算机的兴起，很多广泛应用的方法大多是在Geiger 法的思想上深入发展而来。例如相对定位法、台偶时差法、双重残差法等。这些方法促进了震源定位研究的发展，但是每种方法都有不足之处。经典的Geiger法以及其演化而来的方法，计算量较大，而且在运用最小二乘法求解时容易产生病态方程；另一类联合反演法虽然解决了微震信号在岩石中传播的波速不稳定的问题，提高了微震源定位精度，但其参数之间没有相互独立，如果参数设置不合理，会出现多个解的情况，因此这种方法参数选取比较困难。

请支付后下载全文，论文总字数：26600字

相关图片展示：