2. 西南交通大学机械工程学院,成都市二环路北一段111号,610031;
3. 四川省安全科学技术研究院,成都市武科西四路18号,610000
在将微震监测技术应用于矿山边坡、地质灾害的实时在线监测和岩体稳定性安全评估[1]时,由于采集到的数据中包含大量干扰信号[2],探究微震信号降噪方法已成为识别岩石破裂信号和准确拾取信号初至时间的关键技术之一。部分学者将经验模态分解(empirical mode decomposition,EMD)及其改进方法引入到微震信号的分析处理中[3-7],但与其相关的降噪方法不能完全消除边界效应和模态混叠的影响。
针对低信噪比微震信号初至拾取精度低、难度大等问题,本文基于经验小波变换(empirical wavelet transform, EWT)方法[8-9],提出一种EWT结合分量阈值重构规则及奇异值分解技术的微震信号降噪方法,并通过仿真信号与实际微震信号验证本文降噪方法的有效性和适用性。
1 方法与原理 1.1 经验小波理论EWT是Gilles[10]提出的一种构建自适应小波的新方法,其与EMD的相同之处是都能根据信号特点自适应调整相关参数,但EMD方法在理论基础方面有所欠缺,而小波变换方法无法自适应划分频带。因此,EWT是一种EMD自适应性与小波框架理论多尺度特点相结合的信号分析方法,具体分解过程与原理见文献[11]。
1.2 降噪算法流程利用MATLAB软件编程,构建微震信号降噪处理算法模型,具体流程如下:
1) 选取合适的小波函数,利用EWT算法将原始微震信号f(j)自适应分解为各个频率尺度的固有模态分量C0,C1,…,Ci。
2) 计算原始微震信号f(j)与分解出的固有模态分量Ci的相关系数及方差贡献率。
3) 对于高信噪比信号,选取相关系数大于0.3且方差贡献率大于15%的固有模态分量作为EWT分量阈值重构规则进行信号重构;对于低信噪比信号,利用SVD技术去除分量阈值重构规则未能除去的高频分量中的噪声,并与EWT计算出的低频有效分量进行重构,计算重构信号的信噪比。若信噪比无明显改善,则需返回步骤1)重新选取小波函数,再重复以上步骤。
2 仿真信号分析利用式(1)生成能量随时间呈指数衰减的正弦信号作为有效信号,并叠加不同能量的白噪声n(t),构造不同信噪比的仿真信号,结果见图 1(a)~(c):
$ x\left( t \right) = 0.3{{\rm{e}}^{( - 0.007\;5t + 2.25)}}{\rm{sin}}(0.05{\rm{ \mathsf{ π} }}t - 15{\rm{ \mathsf{ π} }}) + n\left( t \right) $ | (1) |
![]() |
图 1 仿真信号与降噪结果 Fig. 1 Simulation signal and denoising results |
首先利用EWT方法分解原始信号,并按阈值重构规则对各仿真信号进行降噪,结果如图 1(d)~(f)所示。该降噪方法虽可改善原始信号的信噪比,但从各降噪信号的频谱(图 2)中可以看出,与高信噪比信号(图 2(c))相比,降噪后信号(图 2(a)、(b))仍包含高频噪声,原因为EWT方法分解出的高频分量未能被去除。
![]() |
图 2 降噪信号频谱 Fig. 2 Denoising signal spectrum |
针对上述问题,本文构造EWT-SVD信号降噪方法。以图 2(a)信号为例,对包含噪声的第11、12阶高频分量进行奇异值分解,得到各分量的奇异值分布如图 3所示。由图可知,第11阶分量的奇异值具有“台阶”形式,选取前2个奇异值分量并通过奇异值分解逆过程进行重构,得到降噪处理的第11阶分量。而第12阶分量的奇异值不具有“台阶”形式,认为该分量主要由噪声信号贡献,可去除该分量。将降噪后的第11阶分量与满足分量阈值重构条件的其他低频EWT分量进行重构,得到降噪信号(图 4(a)),图 4(b)信号同样按上述步骤完成降噪。对比图 2和图 4发现,高频部分对应的幅值可得到有效抑制,且降噪信号的信噪比分别升至3.956 7和7.803 0。
![]() |
图 3 第11、12阶分量奇异值分布 Fig. 3 The singular value distribution of 11th and 12th order components |
![]() |
图 4 低信噪比信号EWT-SVD降噪频谱 Fig. 4 EWT-SVD denoising spectrum of low signal-to-noise ratio signal |
截取一段微震信号,其时域图与频谱图分别如图 5(a)和5(b)所示,微震信号的有效成分被噪声掩盖,且信号中混杂着不同频率的噪声信号,很难直接读取到微震信号的初至时间。利用本文提出的降噪方法分析该信号并拾取信号初至,进一步验证本文方法的适用性。
![]() |
图 5 原始信号及其频谱 Fig. 5 Original signal and its spectrum |
EWT方法分解的微震信号中,第1、4和6阶分量满足分量阈值重构条件,但由于第4和6阶分量中噪声信号贡献的频率占比较大,对其采用奇异值分解进行降噪,并与第1阶分量进行重构,得到的降噪结果如图 6所示。从图中可以看出,与原始微震信号相比,降噪后的信噪比得到明显改善。从频谱图中可以看出,分解的微震信号中第1阶低频有效成分得以保留,但有效频率成分中仍包含部分噪声成分的第4和6阶分量,通过SVD降噪后所在频段的幅值均有所降低,其余由噪声贡献较多的频段则被完全去除。另外,利用修改的能量比(modified energy ratio,MER)法[12]和分形维数(fractal dimension,FD)法[13]拾取的初至时间分别为1 155 ms和1 150 ms(图 7),与实际到时1 146 ms相比,相对误差分别为0.79%和0.35%,表明经EWT-SVD降噪后信号的初至特征更加明显,验证了本文降噪方法的有效性。
![]() |
图 6 降噪信号及其频谱 Fig. 6 Denoising signal and its spectrum |
![]() |
图 7 降噪信号的初至拾取结果 Fig. 7 Primary arrival picking results of denoising signal |
1) 分量阈值重构规则能去除噪声含量高的EWT分量,采用SVD技术对其他高频分量进行降噪并与低频有效分量进行重构,能最大限度地保留原始信号中的有效信息,改善信号信噪比。
2) 利用本文降噪方法对仿真信号进行降噪,对比降噪前后信号的频谱变化发现,本文方法对不同信噪比的仿真信号均有较好的降噪效果。
3) 基于EWT结合分量阈值重构规则与SVD技术对实际微震信号进行降噪,不仅能改善信号的信噪比,而且能明显增强信号的初至特征,使初至精度得到提高。实验证明,本文提出的降噪方法具有有效性和适用性。
[1] |
赵博雄, 王忠仁, 刘瑞, 等. 国内外微地震监测技术综述[J]. 地球物理学进展, 2014, 29(4): 1 882-1 888 (Zhao Boxiong, Wang Zhongren, Liu Rui, et al. Review of Microseismic Monitoring Technology Research[J]. Progress in Geophysics, 2014, 29(4): 1 882-1 888)
( ![]() |
[2] |
李成武, 孙晓元, 高天宝, 等. 煤岩体振动破坏试验及微震信号特征[J]. 煤炭学报, 2015, 40(8): 1 834-1 844 (Li Chengwu, Sun Xiaoyuan, Gao Tianbao, et al. Coal and Rock Vibration Failure and the Characteristics of Micro-Seismic Signals[J]. Journal of China Coal Society, 2015, 40(8): 1 834-1 844)
( ![]() |
[3] |
宫月, 贾瑞生, 卢新明, 等. 利用经验模态分解及小波变换压制微震信号中的随机噪声[J]. 煤炭学报, 2018, 43(11): 3 247-3 256 (Gong Yue, Jia Ruisheng, Lu Xinming, et al. To Suppress the Random Noise in Microseismic Signal by Using Empirical Mode Decomposition and Wavelet Transform[J]. Journal of China Coal Society, 2018, 43(11): 3 247-3 256)
( ![]() |
[4] |
Han J J, Baan M. Microseismic and Seismic Denoising via Ensemble Empirical Mode Decomposition and Adaptive Thresholding[J]. Geophysics, 2015, 80(6): 69-80 DOI:10.1190/geo2014-0423.1
( ![]() |
[5] |
程浩, 袁月, 王恩德, 等. 基于小波变换的自适应阈值微震信号去噪研究[J]. 东北大学学报: 自然科学版, 2018, 39(9): 1 332-1 336 (Cheng Hao, Yuan Yue, Wang Ende, et al. Study of Hierarchical Adaptive Threshold Micro-Seismic Signal Denoising Based on Wavelet Transform[J]. Journal of Northeastern University: Natural Science, 2018, 39(9): 1 332-1 336)
( ![]() |
[6] |
Mousavi S M, Langston C A, Horton S P. Automatic Microseismic Denoising and Onset Detection Using the Synchrosqueezed Continuous Wavelet Transform[J]. Geophysics, 2016, 81(4): 341-355 DOI:10.1190/geo2015-0598.1
( ![]() |
[7] |
董林鹭, 蒋若辰, 徐奴文, 等. 基于LMD-SVD的微震信号降噪方法研究[J]. 工程科学与技术, 2019, 51(5): 126-136 (Dong Linlu, Jiang Ruochen, Xu Nuwen, et al. Research on Microseismic Signal Denoising Method Based on LMD-SVD[J]. Advanced Engineering Sciences, 2019, 51(5): 126-136)
( ![]() |
[8] |
陈学军, 杨永明. 采用经验小波变换的风力发电机振动信号消噪[J]. 浙江大学学报: 工学版, 2018, 52(5): 988-995 (Chen Xuejun, Yang Yongming. De-Noising for Vibration Signals of Wind Power Generator Using Empirical Wavelet Transform[J]. Journal of Zhejiang University: Engineering Science, 2018, 52(5): 988-995)
( ![]() |
[9] |
覃发兵, 徐振旺, 啜晓宇, 等. 基于经验小波变换的地震资料噪声压制方法[J]. 中国石油勘探, 2018, 23(5): 100-110 (Qin Fabing, Xu Zhenwang, Chuai Xiaoyu, et al. Seismic Noise Suppression Based on Empirical Wavelet Transformation[J]. China Petroleum Exploration, 2018, 23(5): 100-110)
( ![]() |
[10] |
Gilles J. Empirical Wavelet Transform[J]. IEEE Transactions on Signal Processing, 2013, 61(16): 3 999-4 010 DOI:10.1109/TSP.2013.2265222
( ![]() |
[11] |
李志农, 朱明, 褚福磊, 等. 基于经验小波变换的机械故障诊断方法研究[J]. 仪器仪表学报, 2014, 35(11): 2 423-2 432 (Li Zhinong, Zhu Ming, Chu Fulei, et al. Mechanical Fault Diagnosis Method Based on Empirical Wavelet Transform[J]. Chinese Journal of Scientific Instrument, 2014, 35(11): 2 423-2 432)
( ![]() |
[12] |
刘晗, 张建中. 微震信号自动检测的STA/LTA算法及其改进分析[J]. 地球物理学进展, 2014, 29(4): 1 708-1 714 (Liu Han, Zhang Jianzhong. STA/LTA Algorithm Analysis and Improvement of Microseismic Signal Automatic Detection[J]. Progress in Geophysics, 2014, 29(4): 1 708-1 714)
( ![]() |
[13] |
赵国彦, 邓青林, 李夕兵, 等. 基于EMD和形态分形维数的微震波形识别[J]. 中南大学学报: 自然科学版, 2017, 48(1): 162-167 (Zhao Guoyan, Deng Qinglin, Li Xibing, et al. Recognition of Microseismic Waveforms Based on EMD and Morphological Fractal Dimension[J]. Journal of Central South University: Science and Technology, 2017, 48(1): 162-167)
( ![]() |
2. School of Mechanical Engineering, Southwest Jiaotong University, 111 First Section of North-Erhuan Road, Chengdu 610031, China;
3. Sichuan Academy of Safety Science and Technology, 18 Fourth West-Wuke Road, Chengdu 610000, China