基于ICEEMDAN和MC-CNN的礦山聲發(fā)射信號識別分類方法*

謝學(xué)斌，王小平，劉 濤

(中南大學(xué) 資源與安全工程學(xué)院，湖南 長沙 410083)

0 引言

聲發(fā)射指在應(yīng)力作用下巖石內(nèi)部釋放的彈性波。每個聲發(fā)射事件均包含巖石內(nèi)部狀態(tài)變化信息，能夠準(zhǔn)確識別分析、判斷巖石內(nèi)部裂紋活動特征和應(yīng)力場分布，確定安全工作時間和工作地點，確保礦山安全生產(chǎn)[1-2]。但地下礦山環(huán)境復(fù)雜，聲發(fā)射監(jiān)測系統(tǒng)收集到的信號種類繁多，準(zhǔn)確識別圍巖聲發(fā)射事件比較困難，因此，對聲發(fā)射事件進(jìn)行準(zhǔn)確分類十分必要[3]。聲發(fā)射事件分類首要步驟為獲取聲發(fā)射信號時頻特征[4]。傳統(tǒng)傅里葉變換分析方法，在非平穩(wěn)信號分析上效果不佳[5-6]；基于傳統(tǒng)傅里葉變換分析法提出短時傅里葉變換，可同時提供時域和頻域局部化信息，但不能敏感反映信號突變；小波變換在短時傅里葉基礎(chǔ)上，發(fā)展局部化思想，具備較敏感的變焦特性，但其降噪效果過于依賴小波基的選擇，小波基不同降噪效果差異較大[7-8];Huang等[9]提出經(jīng)驗?zāi)B(tài)分解(EMD)，將原始信號分解為固有模態(tài)函數(shù)(IMF)分量，但EMD存在模態(tài)混疊的問題，學(xué)者提出EEMD、CEEMD、CEEMDAN多種改進(jìn)方法[10-12]，但EEMD和CEEMD計算效率較低，CEEMDAN模態(tài)雜散，因此，本文采用ICEEMDAN獲取聲發(fā)射信號時頻特征。

聲發(fā)射事件分類第2步即分類器的選擇，合適的分類方法對最后分類結(jié)果影響巨大。目前，機(jī)器學(xué)習(xí)算法得到學(xué)者廣泛關(guān)注：尚雪義等[13]應(yīng)用SVM對微震信號和爆破信號進(jìn)行分類；程鐵棟等[14]利用GA優(yōu)化的SVM對微震信號和爆破信號進(jìn)行分類；雖然機(jī)器學(xué)習(xí)分類效果較好，但淺層結(jié)構(gòu)分類器算法很難學(xué)習(xí)非線性的數(shù)據(jù)特征[15]，并且上述分類器均基于高質(zhì)量訓(xùn)練數(shù)據(jù)以及專家知識篩選特征。

近年來，深度學(xué)習(xí)方法不斷發(fā)展，其中，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)具有較強(qiáng)的圖像特征提取能力和表達(dá)能力[16]，Dong等[17]將礦山微震信號和爆破信號轉(zhuǎn)換成圖像輸入卷積神經(jīng)網(wǎng)絡(luò)，對微震信號和爆破信號進(jìn)行識別，識別結(jié)果良好。在機(jī)電齒輪箱故障診斷領(lǐng)域，學(xué)者利用多通道1-D CNN進(jìn)行故障診斷，并通過對比實驗發(fā)現(xiàn)多通道1-D CNN方法診斷效果優(yōu)于單通道效果[18]。

因此，本文提出1種基于多通道2D CNN的礦山聲發(fā)射信號識別方法，該識別方法具有以下3點優(yōu)勢：

1)采用改進(jìn)的完全集合經(jīng)驗?zāi)B(tài)分解(ICEEMDAN)對礦山聲發(fā)射信號進(jìn)行分解，分解出的IMF分量包含更多特征信息。

2)多通道圖像比單通道提取特征更全面，可充分提取圖像數(shù)據(jù)隱含特征。

3)根據(jù)各通道輸入分量的峭度值確定權(quán)重，能夠進(jìn)一步凸顯特征圖特征。

1 基本原理

1.1 ICEEMDAN

ICEEMDAN[19]因其良好的特征提取和分解能力，在相關(guān)領(lǐng)域得到廣泛應(yīng)用。不同于傳統(tǒng)方法選擇增加普通高斯白噪聲，ICEEMDAN在提取第K層IMF時，選擇加入特殊噪聲Ek(w(n))。

ICEEMDAN具體包括以下7個步驟：

步驟1：把E1(w(n))添加給原始信號x，如式(1)所示：

(1)

(2)

式中：〈·〉為計算N個信號平均值的操作符。

步驟3：將原信號x減去第1個殘差r1，得到原信號第1個分量，記作M1，如式(3)所示：

M1=x-r1

(3)

步驟4：當(dāng)i≥2時，構(gòu)造第i組N個含可控噪聲的信號，如式(4)所示：

(4)

(5)

步驟6：將殘差ri-1減去殘差ri，得到原信號第i個分量，記作Mi，如式(6)所示：

Mi=ri-1-ri

(6)

步驟7：令i=i+1，返回步驟4計算下一個i值。

1.2 多通道卷積神經(jīng)網(wǎng)絡(luò)

本文選用多通道卷積神經(jīng)網(wǎng)絡(luò)(MC-CNN)，MC-CNN優(yōu)勢為將多個2維圖像輸入1個卷積層中，通過卷積層提取信號特征，并且各通道根據(jù)輸入信號的峭度值確定權(quán)重，從而更合理融合各特征圖中包含的特征信息。MC-CNN結(jié)構(gòu)模型如圖1所示。

圖1 多通道卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.1 Structural model of multi-channel convolutional neural network

通過ICEEMDAN對礦山聲發(fā)射系統(tǒng)收集到的1維振動信號進(jìn)行分解得到IMF分量，能夠在各尺度細(xì)節(jié)上有效反映振動特征。峭度是1種無量綱指標(biāo)，反映聲發(fā)射信號中包含的強(qiáng)振動特征，峭度值越大表示IMF分量包含的振動信息越多，從而選擇保留峭度值較大的分量。因最后生成的波形圖信息特征呈現(xiàn)與顏色無關(guān)，輸入圖片為灰度圖可減少計算量，所以將選擇的IMF分量繪制并保存為灰度圖，得到多通道圖像輸入。圍巖聲發(fā)射信號分解過程如圖2所示。由圖2可知，經(jīng)ICEEMDAN分解的信號包含原始信號中不同頻率段的特征，并且振動頻率由上至下遞減，因此需要對不同的IMF圖像進(jìn)行不同的卷積計算，從而全面有效地提取各IMF分量中獨有特征。

提取4個IMF分量圖形特征，因每張圖片包含特征信息不同，導(dǎo)致各通道獲取信息的重要性和信息量不同。峭度是反映信號中振動信息特征的指標(biāo)，一定程度可表示各分量蘊含振動信息的信息量，因此可根據(jù)選取IMF分量的峭度設(shè)置各通道權(quán)重，使包含特征信息多的圖片輸入的信息比重增大，有利于提高識別分類精確度。設(shè)ki為通道i上IMF分量峭度值，如式(7)所示：

(7)

式中：m為單個數(shù)據(jù)總長度;xi為表示第i個元素。該通道權(quán)重如式(8)所示：

(8)

式中：n為通道數(shù)。

確定各通道權(quán)重后進(jìn)行加權(quán)融合，如式(9)所示：

(9)

2 基于ICEEMDAN和MC-CNN的礦山聲發(fā)射信號識別分類方法

本文提出1種基于ICEEMDAN和MC-CNN的礦山聲發(fā)射信號識別分類方法，具體識別流程如圖3所示。主要包括以下3部分：

圖3 地下礦山聲發(fā)射信號識別流程 Fig.3 Flow chart of recognition of AE signals in underground mines

1)數(shù)據(jù)預(yù)處理

步驟1：通過在礦山安裝聲發(fā)射監(jiān)測系統(tǒng)獲取礦山實際聲發(fā)射信號。

步驟2：對收集到的信號進(jìn)行ICEEMDAN分解，篩選出具有顯著特征的IMF分量。

步驟3：將篩選出來的IMF分量繪制成圖像并轉(zhuǎn)換成灰度圖，構(gòu)建訓(xùn)練集和測試集。

2)MC-CNN訓(xùn)練

步驟1：構(gòu)建MC-CNN，對模型中的參數(shù)進(jìn)行初始化。

步驟2：輸入訓(xùn)練集，對模型中的參數(shù)進(jìn)行多次訓(xùn)練，輸出并保存模型。

3)測試集檢驗?zāi)Ｐ托Ч?/p>

將測試集輸入已訓(xùn)練好的模型中，對地下礦山聲發(fā)射信號進(jìn)行分類。

3 實例分析

3.1 數(shù)據(jù)處理與模型建立

本文基于廣西盤龍鉛鋅礦聲發(fā)射地壓監(jiān)控系統(tǒng)收集到的聲發(fā)射信號數(shù)據(jù)，驗證本文方法的有效性和可行性。根據(jù)產(chǎn)生機(jī)理不同將信號分為圍巖聲發(fā)射信號、鏟運機(jī)作業(yè)聲發(fā)射信號、鑿巖作業(yè)聲發(fā)射信號和爆破作業(yè)聲發(fā)射信號。各類信號典型波形如圖4所示。

圖4 4種典型井下聲發(fā)射信號波形Fig.4 Four typical underground AE signal waveforms

對信號進(jìn)行ICEEMDAN分解得到所有IMF分量后，根據(jù)式(7)計算各IMF分量峭度值，選出峭度值較大的4個IMF分量，并將其轉(zhuǎn)換成灰度圖，作為多通道卷積層的輸入。

3.2 結(jié)果分析

多通道卷積神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)對聲發(fā)射圖片數(shù)據(jù)的全面提取，并進(jìn)行有效精準(zhǔn)識別。訓(xùn)練過程準(zhǔn)確率如圖5所示。

圖5 訓(xùn)練過程準(zhǔn)確率Fig.5 Accuracy of training process

在模型訓(xùn)練過程中，需要對4種聲發(fā)射信號波形進(jìn)行標(biāo)記，方便訓(xùn)練和識別：將圍巖聲發(fā)射信號波形記為0，鏟運機(jī)作業(yè)聲發(fā)射信號記為1，鑿巖作業(yè)聲發(fā)射信號記為2，爆破作業(yè)聲發(fā)射信號記為3，為使實驗結(jié)果更具說服力，進(jìn)行五折交叉實驗，結(jié)果見表1，平均正確率為97.64%。

表1 五折交叉實驗各聲發(fā)射信號識別準(zhǔn)確率Table 1 Recognition accuracy of AE signals in five-fold cross experiments %

3.3 可視化分析

為更直接展示分類過程，采用T-sne方法對各層特征提取層進(jìn)行降維可視化操作，輸入層、cov1、con2、cov3、cov4和全連接層提取的特征可視化圖如圖6所示。由圖6可知，原始數(shù)據(jù)經(jīng)過特征提取后，分類效果逐漸呈現(xiàn)，其中全連接層分類效果相對較好。

圖6 每層特征降維可視化圖Fig.6 Reduced-dimension visualization graphs of each layer's features

3.4 性能比較

將MC-CNN識別方法與人工神經(jīng)網(wǎng)絡(luò)(BPN)、支持向量機(jī)(SVM)、深度置信網(wǎng)絡(luò)(DBN)進(jìn)行對比，得到基于五折交叉實驗分類結(jié)果，如圖7所示。由圖7可知，MC-CNN識別方法準(zhǔn)確率遠(yuǎn)高于其他方法。

圖7 基于五折交叉驗證的分類結(jié)果對比Fig.7 Comparison of classification results based on five-fold cross validation

進(jìn)一步將多通道卷積神經(jīng)網(wǎng)絡(luò)與單通道2維卷積神經(jīng)網(wǎng)絡(luò)(SC-CNN)和1維卷積神經(jīng)網(wǎng)絡(luò)(1D CNN)進(jìn)行比較，各方法分類準(zhǔn)確率見表2。雖然卷積神經(jīng)網(wǎng)絡(luò)方法分類識別準(zhǔn)確率高達(dá)90%以上，但相比于其他卷積神經(jīng)網(wǎng)絡(luò)方法，基于ICEEMDAN和MC-CNN方法的準(zhǔn)確率更高。由表2可知，MC-CNN識別方法能夠更全面有效提取聲發(fā)射波形特征，在地下礦山聲發(fā)射信號分類中表現(xiàn)尤為突出。

表2 基于五折交叉驗證的典型CNN分類結(jié)果對比Table 2 Comparison of typical CNN classification results based on five-fold cross validation %

4 結(jié)論

1)基于ICEEMDAN對原始波形信號的分解，將IMF分量作為多通道輸入，能更全面凸顯信號特征；將原始1維信號轉(zhuǎn)換成2維圖像，將礦山聲發(fā)射信號識別進(jìn)一步轉(zhuǎn)換為圖像識別問題，明顯提高多通道卷積神經(jīng)網(wǎng)絡(luò)波形識別準(zhǔn)確率。

2)以多通道圖像作為輸入，能較全面獲取特征信息，并且通過峭度確定權(quán)重定義各通道輸入的權(quán)重，有利于提高后續(xù)分類準(zhǔn)確率。

3)基于ICEEMDAN和MC-CNN模型的分類效果優(yōu)于傳統(tǒng)識別方法和經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)，分類識別準(zhǔn)確率達(dá)到97.64%，表明基于ICEEMDAN分解的多通道卷積神經(jīng)網(wǎng)絡(luò)模型分類識別地下礦山聲發(fā)射事件可行，并且具有較高的準(zhǔn)確率。