基于ICEEMDAN和MC-CNN的礦山聲發射信號識別分類方法*

謝學斌，王小平，劉 濤

(中南大學 資源與安全工程學院，湖南 長沙 410083)

0 引言

聲發射指在應力作用下巖石內部釋放的彈性波。每個聲發射事件均包含巖石內部狀態變化信息，能夠準確識別分析、判斷巖石內部裂紋活動特征和應力場分布，確定安全工作時間和工作地點，確保礦山安全生產[1-2]。但地下礦山環境復雜，聲發射監測系統收集到的信號種類繁多，準確識別圍巖聲發射事件比較困難，因此，對聲發射事件進行準確分類十分必要[3]。聲發射事件分類首要步驟為獲取聲發射信號時頻特征[4]。傳統傅里葉變換分析方法，在非平穩信號分析上效果不佳[5-6]；基于傳統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上，發展局部化思想，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]提出經驗模態分解(EMD)，將原始信號分解為固有模態函數(IMF)分量，但EMD存在模態混疊的問題，學者提出EEMD、CEEMD、CEEMDAN多種改進方法[10-12]，但EEMD和CEEMD計算效率較低，CEEMDAN模態雜散，因此，本文采用ICEEMDAN獲取聲發射信號時頻特征。

聲發射事件分類第2步即分類器的選擇，合適的分類方法對最后分類結果影響巨大。目前，機器學習算法得到學者廣泛關注：尚雪義等[13]應用SVM對微震信號和爆破信號進行分類；程鐵棟等[14]利用GA優化的SVM對微震信號和爆破信號進行分類；雖然機器學習分類效果較好，但淺層結構分類器算法很難學習非線性的數據特征[15]，并且上述分類器均基于高質量訓練數據以及專家知識篩選特征。

近年來，深度學習方法不斷發展，其中，卷積神經網絡(Convolutional Neural Network，CNN)具有較強的圖像特征提取能力和表達能力[16]，Dong等[17]將礦山微震信號和爆破信號轉換成圖像輸入卷積神經網絡，對微震信號和爆破信號進行識別，識別結果良好。在機電齒輪箱故障診斷領域，學者利用多通道1-D CNN進行故障診斷，并通過對比實驗發現多通道1-D CNN方法診斷效果優于單通道效果[18]。

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

1)采用改進的完全集合經驗模態分解(ICEEMDAN)對礦山聲發射信號進行分解，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，可充分提取圖像數據隱含特征。

3)根據各通道輸入分量的峭度值確定權重，能夠進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，在相關領域得到廣泛應用。不同于傳統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i≥2時，構造第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 多通道卷積神經網絡

本文選用多通道卷積神經網絡(MC-CNN)，MC-CNN優勢為將多個2維圖像輸入1個卷積層中，通過卷積層提取信號特征，并且各通道根據輸入信號的峭度值確定權重，從而更合理融合各特征圖中包含的特征信息。MC-CNN結構模型如圖1所示。

圖1 多通道卷積神經網絡結構模型Fig.1 Structural model of multi-channel convolutional neural network

通過ICEEMDAN對礦山聲發射系統收集到的1維振動信號進行分解得到IMF分量，能夠在各尺度細節上有效反映振動特征。峭度是1種無量綱指標，反映聲發射信號中包含的強振動特征，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與顏色無關，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。圍巖聲發射信號分解過程如圖2所示。由圖2可知，經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，一定程度可表示各分量蘊含振動信息的信息量，因此可根據選取IMF分量的峭度設置各通道權重，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為單個數據總長度;xi為表示第i個元素。該通道權重如式(8)所示：

(8)

式中：n為通道數。

確定各通道權重后進行加權融合，如式(9)所示：

(9)

2 基于ICEEMDAN和MC-CNN的礦山聲發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 地下礦山聲發射信號識別流程 Fig.3 Flow chart of recognition of AE signals in underground mines

1)數據預處理

步驟1：通過在礦山安裝聲發射監測系統獲取礦山實際聲發射信號。

步驟2：對收集到的信號進行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換成灰度圖，構建訓練集和測試集。

2)MC-CNN訓練

步驟1：構建MC-CNN，對模型中的參數進行初始化。

步驟2：輸入訓練集，對模型中的參數進行多次訓練，輸出并保存模型。

3)測試集檢驗模型效果

將測試集輸入已訓練好的模型中，對地下礦山聲發射信號進行分類。

3 實例分析

3.1 數據處理與模型建立

本文基于廣西盤龍鉛鋅礦聲發射地壓監控系統收集到的聲發射信號數據，驗證本文方法的有效性和可行性。根據產生機理不同將信號分為圍巖聲發射信號、鏟運機作業聲發射信號、鑿巖作業聲發射信號和爆破作業聲發射信號。各類信號典型波形如圖4所示。

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

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

3.2 結果分析

多通道卷積神經網絡方法實現對聲發射圖片數據的全面提取，并進行有效精準識別。訓練過程準確率如圖5所示。

圖5 訓練過程準確率Fig.5 Accuracy of training process

在模型訓練過程中，需要對4種聲發射信號波形進行標記，方便訓練和識別：將圍巖聲發射信號波形記為0，鏟運機作業聲發射信號記為1，鑿巖作業聲發射信號記為2，爆破作業聲發射信號記為3，為使實驗結果更具說服力，進行五折交叉實驗，結果見表1，平均正確率為97.64%。

表1 五折交叉實驗各聲發射信號識別準確率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，原始數據經過特征提取后，分類效果逐漸呈現，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網絡(BPN)、支持向量機(SVM)、深度置信網絡(DBN)進行對比，得到基于五折交叉實驗分類結果，如圖7所示。由圖7可知，MC-CNN識別方法準確率遠高于其他方法。

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

進一步將多通道卷積神經網絡與單通道2維卷積神經網絡(SC-CNN)和1維卷積神經網絡(1D CNN)進行比較，各方法分類準確率見表2。雖然卷積神經網絡方法分類識別準確率高達90%以上，但相比于其他卷積神經網絡方法，基于ICEEMDAN和MC-CNN方法的準確率更高。由表2可知，MC-CNN識別方法能夠更全面有效提取聲發射波形特征，在地下礦山聲發射信號分類中表現尤為突出。

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

4 結論

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維信號轉換成2維圖像，將礦山聲發射信號識別進一步轉換為圖像識別問題，明顯提高多通道卷積神經網絡波形識別準確率。

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重定義各通道輸入的權重，有利于提高后續分類準確率。

3)基于ICEEMDAN和MC-CNN模型的分類效果優于傳統識別方法和經典卷積神經網絡，分類識別準確率達到97.64%，表明基于ICEEMDAN分解的多通道卷積神經網絡模型分類識別地下礦山聲發射事件可行，并且具有較高的準確率。