基于峰值前后波形斜率的矿山微震与爆破信号识别方法
【技术领域】
[0001] 本发明涉及一种矿山微震和爆破信号识别方法，尤其涉及一种基于峰值前后波形 斜率的矿山微震与爆破信号识别方法。
【背景技术】
[0002] 微震监测是通过分析生产活动所产生的微震事件来监测地下状态的地球物理技 术。由于该技术并非直接测定被监测岩体的应力、应变等基本力学参数，而是通过微震震源 定位确定其在受到应力和变形时的稳定性，因此相比于传统位移和应力监测的方法，微震 监测技术能够获知岩体内部微破裂分布及微破裂演化过程并反映相邻区域内的岩体变形 或位移。近年来，该技术在地下工程及岩体边坡工程领域得到快速发展，广泛应用于矿山、 隧道、石油和天然气及地热资源储藏库、核废料处置室等地下构筑物和岩石边坡、超大桥墩 及水坝等地表工程的稳定性监测，并在油气和金属资源勘探开发中发挥越来越重要的作 用。
[0003] 由于矿山微震监测主要是采集岩体破裂产生的震动信号，通过信号的分析与处理 求解震源参数，分析微震事件的时空分布，以此评价岩体的稳定性。整个过程的基础是信号 的辨识，针对监测目标，剔除噪音、爆破等无用信号，为岩体稳定性分析和地压灾害评价提 供可靠数据。目前，国内外应用微震监测系统对岩体的稳定性进行监测时，都因遇到或多或 少的问题而不被现场认可，这其中最主要的原因就是：现场生产环境较为复杂、噪声源多且 杂、爆破影响较大，导致大量的爆破数据与有效的微震信息夹杂在一起，很难准确地甄别， 以致难以提供直观的监测数据为现场生产服务，而传统的依靠人工手动不精确的波形识别 和处理，很容易导致微震事件快速标定和微震事件空间分布规律预测产生严重误差。
[0004] 涉及微震事件与爆破事件识别的专利申请（申请号201410556890. 4)给出了一种 基于波形起振特征的矿山微震与爆破识别方法，该方法具有较高的识别准确度，但背景噪 音较大时，首次峰值点不易拾取，且波形起振斜率受噪音影响较大，尤其当噪音的幅值高于 原信号的首次峰值时，识别结果将更多的取决于噪音信号的起振斜率，而不是原信号的波 形起振特征，识别结果出现不准确性。
[0005] 因此，有必要设计一种充分考虑波形的起振特征和衰减特征，计算简单，识别效果 良好，且识别结果不受噪音影响的矿山微震与爆破信号识别方法。
【发明内容】
[0006] 本发明所要解决的技术问题是，针对现有技术的不足，提供一种基于峰值前后波 形斜率的矿山微震与爆破信号识别方法，该方法计算量小、识别准确度高、无需时域到频域 变换，且识别结果不受噪音影响。
[0007] 本发明的技术解决方案如下：
[0008] -种基于峰值前后波形斜率的矿山微震与爆破信号识别方法，包括以下步骤：
[0009] 步骤1 :获得线性识别方程：
[0010] 基于N次微震事件与M次爆破事件的采样序列，获得以A、V k2、k3、k4、M5P k 6的 对数为特征参数的线性识别方程：Y = adlgGO+adlgG^+adlgG^+adlgG^+a^lgO^ )+a6*lg(k6) +b*lg(A) +c ;其中Y为线性识别方程的因变量，即待识别事件的判别值；【Y是一 个能将多维空间中的点（此处指X= (Aipk2Ayl^k5A6))降为一维数值的线性函数，这 个线性函数把多维空间中的已知类别总体以及求知类别归属的样本都变换为一维数据，这 个线性函数能够在把多维空间中的所有点转化为一维数值之后，既能最大限度地缩小同类 中各个样本点之间的差异，又能最大限度地扩大不同类别中各个样本点之间的差异。本发 明中字母γ是线性识别函数的因变量】， ki、匕和k 3为最大峰值点之前的三个波形斜率【波 形斜率根据最大峰值点和其它采样点的坐标计算得到】，k4、匕和k 6为最大峰值点之后的三 个波形斜率，A为波形最大峰值点幅值的绝对值，apayayapapapb和c为基于样本辨识 得到的8个常量值；N和M为整数，且N，M彡100 ;
[0011] 步骤2 :计算判别阈值Yd:
[0012] 步骤3 :基于线性识别方程和判别阈值Yd对待识别事件进行识别：
[0013] 计算待识别事件最大峰值点之前的三个波形斜率kp kdP k 3、最大峰值点之后的 三个波形斜率k4、匕和k 6及最大峰值点幅值的绝对值A，代入所述的识别方程得判别值Y， 若Y <判别阈值Yd，则说明该待识别事件为微震事件，否则若Y >判别阈值Yd，则说明该待 识别事件为爆破事件。
[0014] 所述步骤1中，针对每一次微震事件或爆破事件，进行以下操作：
[0015] (1)选取采样序列中振幅绝对值最大的采样点，即最大峰值点，记为P (y，X)，y的 绝对值记为A ;
[0016] (2)选取与最大峰值点最近的前后三个采样点，依时间顺序分别记为P1Oc 1, yi)、 f*2 (X2，y2)、(X3，y3)、(X4，y4)、(X5，y5)和 (X6，y6);
[0017] (3)计算最大峰值点前后的波形斜率的大小，Ic1= abs[(y-y V(X-X1)]，k2 = abs [ (y-y2) / (X-X2) ]，k3 = abs [ (y-y 3) / (X-X3) ]，k4 = abs [ (y-y 4) / (X-X4) ]，k5 = abs [ (y-y 5) / (X-X5) ]，k6= abs [ (y-y 6) / (X-X6)];
[0018] 统计已确定的N次微震事件与M次爆破事件，得到以mHkdP A的对 数为特征参数的线性识别方程：Y = adlgGO+adlgG^+a^lgG^+adlgG^+a^lgO^) + a6*lg(k6)+b*lg(A)+c〇
[0019] 采用Fisher判别方法得到所述的线性识别方程。
[0020] 所述步骤2中，计算判别阈值Yd的方法为：
[0021] 计算N次微震事件的最大峰值点之前的三个波形斜率kpkJP k3、最大峰值点之后 的三个波形斜率k4、匕和k 6及最大峰值点幅值的绝对值A ;
[0022] 计算N次微震事件中各特征参数的平均值：Zcmsl = 3 Ig (Zq)、Zfms2 = ^Elg(^) > femss ^ ^ms4 > kms：i=^g(.k5) . kmse^=^g(k6) 和Ans = [Σ Ig ⑷：
[0023] 将Iinisl、U、U、U、1?κ5、1^6和A κ代入线性识别方程Υ，得到微震事件类型判别 临界值为 Ynis= a ;
[0024] 计算M次爆破事件的最大峰值点之前的三个波形斜率I^kJPk3、最大峰值点之后 的三个波形斜率k 4、匕和k 6及最大峰值点幅值的绝对值A ;
[0025] 计算M次爆破事件中各特征参数的平均值： ^blastl - Σ Ig (/ci)， ^blast2 - ~Σ Ig (M-ι) > ^blast；^ = ~Σ Ig > ^blast4 = Ig (^4) 、^blasts ^Σ Ig (&5)、&blast6 = Ig (女6)和Ablast = Ig 〇4);
[0026] 将 kblastl、kblast2、kblast3、kblast4、k blast5、kblast6和 A blast代入线性识别方f王 Υ，丫守到爆破 事件类型判别临界值为 Yblast= a dkbhw+adkbhw+adkbhw+a^kb^w+adk blast5+a6*kblast6+ b*Ablast+c ；
[0027] 取Yms和Y blast的平均值作为未知事件判别阈值Y d。
[0028] 所述步骤3,针对待识别事件计算kp k2、k3、k4、k5、1^6和A的步骤为：
[0029] (1)选取待识别事件采样序列中振幅绝对值最大的采样点，即最大峰值点，记为 P (y，X)，y的绝对值记为A ;
[0030] (2)选取与最大峰值点最近的前后三个采样点，依时间顺序分别记为P1U 1, yi)、 f*2 (X2，y2)、P3 (X3，y3)、P4 (X4，y4)、P5 (X5，y5)和 (X6，y6);
[0031] (3)计算最大峰值点前后的波形斜率的大小，Ii1= abs[(y-y ^/(X-X)]，k2 = abs [ (y-y2) / (X-X2) ]，k3 = abs [ (y-y 3) / (X-X3) ]，k4 = abs [ (y-y 4) / (X-X4) ]，k5 = abs [ (y-y 5) / (X-X5) ]，k6= abs [ (y_y 6) / (x-x6) ] 〇
[0032] 有益效果：
[0033] I)、识别结果不受背景噪音的影响
[0034] 虽然现有技术中，涉及微震事件与爆破事件识别的专利（申请号 201410556890. 4)已给出了一种基于波形起振特征的矿山微震与爆破识别方法，但当背景 噪音较大时，首次峰值点不易拾取，且波形起振斜率受噪音影响较大，尤其当噪音的幅值高 于原信号的首次峰值时，识别结果将更多的取决于噪音信号的起振斜率，而不是原信号的 波形起振特征，识别结果出现不准确性。而本技术方案彻底放弃依据首次峰值前波形起振 斜率这一识别特征，选用受噪音信号干扰影响较小的最大峰值前后波形的起振与衰减特征 作为识别参数，该方法不仅降低了噪音信号对识别结果的影响，而且增加了衰减特征作为 识别参数，使识别结果更为精准。
[0035] 2)、无需时域到频域转换，计算量少
[0036] 本发明针矿山微震与爆破信号识别，提出一种基于峰值前后波形斜率的矿山微震 和爆破信号识别方法。该方法充分考虑了信号的起振和衰减特征，无需波形从时域到频域 的变化，计算量少。
[0037] 3)、识别正确率高
[0038] 相比于以震源参数为特征参数进行事件类型识别的方法，本发明无需P波和S波 的到时提取，从而避免了由到时提取误差造成的识别正确率低下。
[0039] 4)、自动识另Ij、效率高
[0040] 传统的人工手动识别不仅工作量巨大且与识别效率与数据处理员的技术经验息 息相关关，本发明建立了自动识别爆破和微震信号的数学模型，可由计算机程序进行自动 识别，大大提高了识别效率。
[0041] 5)、本发明成本低，易于实施。
【附图说明】
[0042] 图1是针对两类事件各100次采样的各参数统计的结果；图I (a)、I (b)、I (c)、 I (d)、1 (e)、1 (f)和I (g)分别为针对两类事件各100次采样的kp k2, k3, k4, k5, k6, A统计的 结果。
[0043] 图2是本发明关键数据点选取示意图。
[0044] 图3是微震事件首先触发传感器波形图。
[0045] 图4是爆破事件首先触发传感器波形图。
[0046] 图5是待识别事件首先触发传感器波形图；图5(a)和图5(b)分别为两次待识别 事件首先触发传感器波形图。
【具体实施方式】
[0047] 以下将结合附图和具体实施例对本发明做进一步详细说明：
[0048] 本发明提供了一种基于峰值前后波形斜率的矿山微震与爆破信号识别方法，包括 以下步骤：
[0049] 步骤1 :获得线性识别方程：
[0050] 基于N次微震事件与M次爆破事件的采样序列，获得以A、V k2、k3、k4、kjP k 6的 对数为特征参数的线性识别方程：Y = adlgGO+adlgG^+adlgG^+adlgG^+a^lgO^ )+a6*lg(k6)+b*lg(A)+c ;其中Y为线性识别方程的因变量，即待识别事件的判别值；kpkdP k3为最大峰值点之前的三个波形斜率【波形斜率根据最大峰值点和其它采样点的坐标计算 得到】，k 4、匕和k 6为最大峰值点之后的三个波形斜率，A为波形最大峰值点幅值的绝对值， ai、a2、a3、a4、a5、a 6、b和c为基于样本辨识得到的8个常量值；N和M为整数，且N，M彡100 ;
[0051] 步骤2 :计算判别阈值Yd:
[0052] 步骤3 :基于线性识别方程和判别阈值Yd