一种去除P波初至系统观测误差的声发射事件Bayes定位方法、系统及介质与流程

本发明属于声发射领域，尤其是涉及一种去除p波初至系统观测误差的声发射事件bayes定位方法、系统及介质。
背景技术：
：p波初至到时拾取质量直接关系到声发射事件定位精度。目前常用绝对到时法确定p波初至，例如长短时窗均值比法、自回归池赤准则法、峰度法、偏度法、分形维法、卓越周期法和人工神经网络法等。上述p波初至绝对到时拾取方法利用单个波形振幅的起跳点，然而受背景噪声和波场传播的波前愈合效应等影响，p波初至绝对振幅可能很不清晰或淹没于背景噪声之中，由此造成p波初至绝对到时拾取困难。为解决上述问题，一些研究者开始采用波形互相关法测量相对到时来替代传统的p波初至绝对到时拾取，其对加窗波形段进行互相关操作，取互相关最大值作为对比信号的到时差。因此，波形互相关法主要取决于加窗波形段优势频段主峰的位置，受背景噪声的影响较p波初至绝对到时拾取要小很多，且研究表明波形互相关法对于地震波相对到时拾取非常有效。上述p波到时拾取方法均建立在波形不存在p波初至系统观测误差的假定上，然而传感器场地效应和中转设备处理响应时间等可能导致稳定的p波初至系统观测误差；那么观测波形的p波到时应该等于震源实际发生的时刻、p波由震源到传感器的传播时间和p波初至系统观测误差之和，由此声发射事件定位前需校正p波初至系统观测误差。震源定位目标函数的收敛性常和选择的最优化反演算法息息相关。geiger定位法采用了一阶梯度下降法，计算快捷、但易受初始值选择的影响，而thurber和lietal分别采用包含二阶偏导数的牛顿法和高斯牛顿法对目标函数进行求解，提高了算法的稳定性，但二阶hessian矩阵计算量巨大；pruggerandgendzwill和lietal将单纯形法引入到震源定位中，具有较好的计算速度和定位精度。上述梯度基算法对于初始点的依赖性很强，容易陷入局部最优解，定位稳定性较差。技术实现要素：本发明提出了一种去除p波初至系统观测误差的声发射事件bayes定位方法、系统及介质，该方法针对现有p波初至拾取方法不稳定，提出用《一种矿山微震信号p波初至时刻联合拾取方法》自动拾取p波初至，并采用人工方法校正拾取不好和无p波初至拾取的信号，降低了错误拾取率，增强了自动拾取p波初至的稳定性。利用bayes建立基于p波初至理论与观测数据差的p波初至系统观测误差反演模型，有助于高维数据反演。最后，利用bayes、mcmc方法对校正后的p波初至数据展开定位，极大的提高了定位精度。本发明提供了以下技术方案：一方面，一种去除p波初至系统观测误差的声发射事件bayes定位方法，其特征在于，包括以下步骤：步骤1：采用低通滤波器对声发射信号高频噪音降噪；步骤2：拾取声发射信号p波初至观测到时；步骤3：建立基于声发射事件位置和p波初至系统观测误差的理论到时与p波初至观测到时之差的目标函数；步骤4：构建参数模型与p波初至系统观测误差的bayes定位后验概率密度函数，并利用mcmc对参数模型中的任意参数采样，生成新的参数模型后，计算随机获取的声发射事件的所述bayes定位后验概率密度函数，判断采样更新后的参数模型是否可接受，通过迭代，利用参数模型在迭代稳定期的均值，获得p波初至系统观测误差；所述参数模型包括的参数为声发射事件位置、发震时刻以及p波初至系统观测误差；所述利用mcmc对参数模型中的参数采样，是指改变参数模型中的任意一个参数，获得新的参数模型；步骤5：对待求的单个声发射事件的p波初至拾取到时加上p波初至系统观测误差，得到校正后的p波初至到时；步骤6：将校正后的p波初至到时代入参数模型中，生成新的参数模型后，利用mcmc对参数模型中的声发射事件位置、发震时刻采样，计算待求解的单个声发射事件的所述bayes定位后验概率密度函数，判断采样更新后的参数模型是否可接受，通过迭代，利用参数模型在迭代稳定期的均值，定位待求解的单个声发射事件位置。采用bayes定位方法易于得到全局最优解，能够给出声发射事件定位结果的可靠性评价，迭代后期各参数趋于稳定，则结果可靠；若迭代后期各参数震荡范围较大，则结果可靠性有限。进一步地，使用《一种矿山微震信号p波初至时刻联合拾取方法》自动拾取p波初至，并采用人工方法校正拾取不好和无p波初至拾取的信号；其中，《一种矿山微震信号p波初至时刻联合拾取方法》具体过程如下：提取微震信号波形数据；最大峰度值到时点(k1)拾取；最小自相关值到时点(k2)拾取；判定∣k1-k2∣是否大于阈值l，若是则舍弃该段微震信号，反之则输出p波到时k＝k2；l取值范围为3-5ms。进一步地，所述基于声发射事件位置和p波初至系统观测误差的理论到时与观测到时差的目标函数如下：其中，i为声发射事件个数，j为传感器编号，为第i个声发射事件的发震时刻，为第i个声发射事件震源到j号传感器的传播时间，tj为j号传感器p波初至系统观测误差，tij为观测数据中的第i个声发射事件j号传感器的p波初至波形拾取时刻，参与p波初至系统观测误差反演的传感器数为n1个、声发射事件数为n2个。假定ims监测系统一直处于稳定工作状态，即声发射信号p波初至系统观测误差在研究时段保持不变。设定参与p波初至系统观测误差反演的传感器数为n1个、声发射事件数为n2个、p波初至数据为n3个，每个事件的三维坐标和发震时刻未知，则总未知数为4n2+n1个。又因求解方程时总未知数的个数需小于或等于p波初至数据个数，即4n2+n1≤n3。上述目标函数求解的方式多种多样，然而该问题未知数维数达到了4n2+n1个，为此本申请将建立基于公式(1)的高维全局最优解求解的bayes定位方法。具体建模过程如下：记观测数据中的p波初至到时dij为第i个声发射事件j号传感器的p波初至波形拾取时刻tij(dij＝tij)，理论模型数据中的p波初至理论到时为第i个声发射事件j号传感器的p波初至理论到时为进一步地，所述基于理论数据与观测数据之差的bayes定位后验概率密度函数：其中，为p波初至到时观测数据dij依次排开所组成的一个列向量，为p波初至理论到时依次排开所组成的一个列向量，为表征拟合程度的协方差矩阵；为关于声发射事件位置、发震时刻以及p波初至系统观测误差的参数模型。对于某一具体参数模型时，可由该模型的声发射事件震源位置计算第i个声发射事件震源到j号传感器的传播时间再结合该模型的和tj参数，可计算得到的值，所有声发射事件和传感器的理论到时构成理论模型数据又为已知的观测数据，由此可计算得到公式(2)中的进一步地，由射线理论计算所述bayes定位后验概率密度函数中的第i个声发射事件震源到j号传感器的传播时间再用马尔科夫链蒙特卡罗(markovchainmontecarlo,mcmc)采样并结合来计算声发射事件震源位置和p波初至系统观测误差；当时，接受迭代计算中更新参数后的新模型当时，拒绝该新模型，并保持为模型其中，u为0～1的均匀分布随机数据，每次迭代时均需重新生成一个u值。在每次迭代时，若更新参数后得到的新模型不被接受时，利用前一个被接受的参数模型作为当前迭代获得的参数模型；进一步地，mcmc采样时每次随机更新声发射事件震源位置、发震时刻和p波初至系统观测误差中的一个参数：当选中的参数为声发射事件震源位置中的一个参数时，更新速度为m*g；当选中的参数为发震时刻或p波初至系统观测误差时，更新速度为n*g；其中，g指均值为0、方差为1的标准正态分布，m取值范围为1～3mm，n为1us。mcmc采样更新某个参数后，其余参数保持当前模型参数，计算这些参数对应的进而得到和由公式(3)判断是否接受新模型。所述更新速度是指选中的参数更新后的取值，在每次迭代时，g都会生成新的取值；进一步地，取各参数最后5000～10000次迭代的均值作为各参数反演结果。mcmc迭代的后期各参数趋于稳定；进一步地，使用matlab导入声发射信号，利用经验模态分解将声发射信号自适应分解为多个模态分量，去除前两个模态分量，实现声发射信号高频噪音降噪。再一方面，一种去除p波初至系统观测误差的声发射事件bayes定位系统，包括：声发射信号去噪单元：采用低通滤波器对声发射信号进行去噪；p波初至时刻拾取单元：用于拾取声发射信号p波初至观测到时；目标函数构建单元：建立基于声发射事件位置和p波初至系统观测误差的理论到时与p波初至观测到时之差的目标函数；p波初至系统观测误差获取单元：通过构建参数模型与p波初至系统观测误差的bayes定位后验概率密度函数，并利用mcmc对参数模型中的任意参数采样，生成新的参数模型后，计算随机获取的声发射事件的所述bayes定位后验概率密度函数，判断采样更新后的参数模型是否可接受，通过迭代，利用参数模型在迭代稳定期的均值，获得p波初至系统观测误差；单个声发射事件校正单元：对待求的单个声发射事件的p波初至拾取到时加上p波初至系统观测误差，得到校正后的p波初至到时；单个声发射事件定位单元：将校正后的p波初至到时代入参数模型中，生成新的参数模型后，利用mcmc对参数模型中的声发射事件位置、发震时刻采样，计算待求解的单个声发射事件的所述bayes定位后验概率密度函数，判断采样更新后的参数模型是否可接受，通过迭代，利用参数模型在迭代稳定期的均值，定位待求解的单个声发射事件位置。再一方面，一种可读存储介质，包括计算机程序指令，所述计算机程序指令被处理终端执行时使所述处理终端执行一种去除p波初至系统观测误差的声发射事件bayes定位的方法。有益效果本发明提供了一种去除p波初至系统观测误差的声发射事件bayes定位方法、系统及介质，主要用于去除声发射事件定位中p波初至系统观测误差，解决传统定位中受p波初至系统观测误差的影响，bayes反演有利于实现高维数据反演和全局最优解，并给出定位结果可靠性评价。本方法包括如下步骤：首先采用低通滤波器对声发射信号高频噪音降噪；再用自动法+人工拾取确定声发射信号p波初至；建立基于p波初至理论与观测数据差的bayes定位后验概率密度函数；进而采用马尔科夫链蒙特卡罗(mcmc)采样方法来迭代求解p波初至系统观测误差；利用p波初至拾取到时tij加上p波初至系统观测误差tj，得到校正后的p波初至数据；进而利用bayes定位后验概率密度函数、mcmc方法对校正后的p波初至数据开展定位；最后输出定位结果，并评价定位结果的可靠性。该方法拾取p波初至数据较快、精度高，可去除p波初至系统观测误差，提高了p波初至数据的准确性，bayes定位方法易于得到全局最优解，并且能够给出声发射事件定位结果的可靠性评价。附图说明图1是本发明实例所述方法流程图；图2是传感器和断铅测试事件位置及坐标图；图3是1-8号传感器接收断铅实验得到的声发射信号波形图；图4是1-8号传感器声发射信号波形局部放大后的p波初至拾取图；图5是校正系统观测误差前后bayes方法定位效果图，其中，(a)为包含8号传感器且未校正p波初至系统观测误差的bayes定位效果图，(b)为包含8号传感器且校正p波初至系统观测误差的bayes定位效果图，(c)为不包含8号传感器且未校正p波初至系统观测误差的bayes定位效果图，(d)为不包含8号传感器且校正p波初至系统观测误差的bayes定位效果图。具体实施方式本发明实施例所述的方法思想如下：声发射定位时需要考虑p波初至系统观测误差，倘若将其直接作为未知数对单个事件开展震源定位，那么再加上未知数(x0,y0,z0,t0)，总未知数的个数将多余该事件p波初至数据个数，为此需要预先去除p波初至系统观测误差再开展定位。首先随机选取多个事件反演得到这些事件的震源位置、发生时刻和传感器p波初至系统观测误差。进而利用bayes方法对去除p波初至系统观测误差的单个待定位新声发射事件进行定位。如图1所示，一种去除p波初至系统观测误差的声发射事件bayes定位方法，包括以下步骤：步骤1：采用低通滤波器对声发射信号高频噪音降噪；使用matlab导入声发射信号，利用经验模态分解将声发射信号自适应分解为多个模态分量，去除前两个模态分量，实现声发射信号高频噪音降噪。步骤2：拾取声发射信号p波初至观测到时；步骤3：建立基于声发射事件位置和p波初至系统观测误差的理论到时与p波初至观测到时之差的目标函数；步骤4：构建参数模型与p波初至系统观测误差的bayes定位后验概率密度函数，并利用mcmc对参数模型中的任意参数采样，生成新的参数模型后，计算随机获取的声发射事件的所述bayes定位后验概率密度函数，判断采样更新后的参数模型是否可接受，通过迭代，利用参数模型在迭代稳定期的均值，获得p波初至系统观测误差；所述参数模型包括的参数为声发射事件位置、发震时刻以及p波初至系统观测误差；所述利用mcmc对参数模型中的参数采样，是指改变参数模型中的任意参数，获得新的参数模型；步骤5：对待求的单个声发射事件的p波初至拾取到时加上p波初至系统观测误差，得到校正后的p波初至到时；步骤6：将校正后的p波初至到时代入参数模型中，生成新的参数模型后，利用mcmc对参数模型中的声发射事件位置、发震时刻采样，计算待求解的单个声发射事件的所述bayes定位后验概率密度函数，判断采样更新后的参数模型是否可接受，通过迭代，利用参数模型在迭代稳定期的均值，定位待求解的单个声发射事件位置。采用bayes定位方法易于得到全局最优解，能够给出声发射事件定位结果的可靠性评价，迭代后期各参数趋于稳定，则结果可靠；若迭代后期各参数震荡范围较大，则结果可靠性有限。使用《一种矿山微震信号p波初至时刻联合拾取方法》自动拾取p波初至，并采用人工方法校正拾取不好和无p波初至拾取的信号；《一种矿山微震信号p波初至时刻联合拾取方法》具体过程如下：提取微震信号波形数据；最大峰度值到时点(k1)拾取；最小自相关值到时点(k2)拾取；判定∣k1-k2∣是否大于阈值l，若是则舍弃该段微震信号，反之则输出p波到时k＝k2；l取值范围为3-5ms。所述基于声发射事件位置和p波初至系统观测误差的理论到时与观测到时差的目标函数如下：其中，i为声发射事件个数，j为传感器编号，为第i个声发射事件的发震时刻，为第i个声发射事件震源到j号传感器的传播时间，tj为j号传感器p波初至系统观测误差，tij为观测数据中的第i个声发射事件j号传感器的p波初至波形拾取时刻，参与p波初至系统观测误差反演的传感器数为n1个、声发射事件数为n2个。假定ims监测系统一直处于稳定工作状态，即声发射信号p波初至系统观测误差在研究时段保持不变。设定参与p波初至系统观测误差反演的传感器数为n1个、声发射事件数为n2个、p波初至数据为n3个，每个事件的三维坐标和发震时刻未知，则总未知数为4n2+n1个，又因求解方程时总未知数的个数需小于或等于p波初至数据个数，即4n2+n1≤n3。上述目标函数求解的方式多种多样，然而该问题未知数维数达到了4n2+n1个，为此本申请将建立基于公式(1)的高维全局最优解求解的bayes定位方法，具体建模过程如下：记观测数据中的p波初至到时dij为第i个声发射事件j号传感器的p波初至波形拾取时刻tij(dij＝tij)，理论模型数据中的p波初至理论到时为第i个声发射事件j号传感器的p波初至理论到时为所述基于理论数据与观测数据之差的bayes定位后验概率密度函数：其中，为p波初至到时观测数据dij依次排开所组成的一个列向量，为p波初至理论到时依次排开所组成的一个列向量，为表征拟合程度的协方差矩阵；为关于声发射事件位置、发震时刻以及p波初至系统观测误差的参数模型。对于某一具体参数模型时，可由该模型的声发射事件震源位置计算第i个声发射事件震源到j号传感器的传播时间再结合该模型的和tj参数，可计算得到的值，所有声发射事件和传感器的理论到时构成理论模型数据又为已知的观测数据，由此可计算得到公式(2)中的由射线理论计算所述bayes定位后验概率密度函数中的第i个声发射事件震源到j号传感器的传播时间再用马尔科夫链蒙特卡罗(markovchainmontecarlo,mcmc)采样并结合和来计算声发射事件震源位置和p波初至系统观测误差；当时，接受迭代计算中更新参数后的新模型当时，拒绝该新模型，并保持为模型其中，u为0～1的均匀分布随机数据，每次迭代时均需重新生成一个u值。mcmc采样时每次随机更新声发射事件震源位置、发震时刻和p波初至系统观测误差中的一个参数：当选中的参数为声发射事件震源位置中的一个参数时，更新速度为m*g；当选中的参数为发震时刻或p波初至系统观测误差时，更新速度为n*g；其中，g指均值为0、方差为1的标准正态分布，m取值范围为1～3mm，n为1us。所述更新速度是指选中的参数更新后的取值，在每次迭代时，g都会生成新的取值；mcmc采样更新某个参数后，其余参数保持当前模型参数，计算这些参数对应的进而得到和由公式(3)判断是否接受新模型。各参数最后5000～10000次迭代的均值作为各参数反演结果，mcmc迭代的后期各参数趋于稳定。实施例图2是声发射实验各传感器和断铅测试事件的位置图，图中三角形代表传感器，五角星为断铅实验位置。各传感器的具体位置坐标如下表1所示，断铅实验(x,y,z)的位置坐标为(50,10,40)mm。表1声发射实验传感器布设位置坐标图3是各传感器接收断铅实验得到的声发射信号波形图。由图可知：在观测时间1024us内，各传感器接收的声发射信号波形相似，另外实现发现8号传感器总是早约260us于其它传感器接收到波形，基于上述分析8号声发射信号与信号为同一声发射事件产生，而50mm×50mm×100mm的砂岩事件声发射信号p波传播时间不会超过50us，有理由相信声发射实验观测到了明显的p波初至系统观测误差，而其他传感器是否存在p波初至系统观测误差需要通过计算验证。图4是图3中各传感器声发射信号p波初至段波形放大后的p波初至拾取结果图，进而利用公式(1)和(2)的bayes后验概率目标函数和mcmc采样计算得到各传感器p波初至系统观测误差如表2所示，由表知各传感器确实存在p波初至系统观测误差，进一步地，可通过断铅实验确定去除p波初至系统观测误差后的定位效果。表2bayes反演得到的各传感器p波初至系统观测误差传感器编号12345678p波初至系统观测误差(us)-6.5-0.21.10.2-3.30.7-0.8254.0图5是校正p波初至系统观测误差前后bayes方法定位效果图，其中，(a)为包含8号传感器且未校正p波初至系统观测误差的bayes定位效果图，(b)为包含8号传感器且校正p波初至系统观测误差的bayes定位效果图，(c)为不包含8号传感器且未校正p波初至系统观测误差的bayes定位效果图，(d)为不包含8号传感器且校正p波初至系统观测误差的bayes定位效果图。由图5(a)～(d)最后10000次mcmc迭代的平均值得到bayes反演的定位结果如表3所示。由图表可知，包含8号传感器且未校正p波初至系统观测误差时，bayes定位结果不收敛，而不包含8号传感器且未校正p波初至系统观测误差时，bayes定位结果收敛较差，表明8号传感器的p波初至系统观测误差对定位结果影响很大和p波初至系统观测误差对定位结果具有较大影响，而校正p波初至系统观测误差后的bayes定位效果很好，再次证明p波初至系统观测误差校正对声发射事件定位具有重要意义。表3校正p波初至系统观测误差前后bayes方法定位效果图基于上述方法，本发明实例还提供了一种去除p波初至系统观测误差的声发射事件bayes定位系统，包括：声发射信号去噪单元：采用低通滤波器对声发射信号进行去噪；p波初至时刻拾取单元：用于拾取声发射信号p波初至观测到时；目标函数构建单元：建立基于声发射事件位置和p波初至系统观测误差的理论到时与p波初至观测到时之差的目标函数；p波初至系统观测误差获取单元：通过构建参数模型与p波初至系统观测误差的bayes定位后验概率密度函数，并利用mcmc对参数模型中的任意参数采样，生成新的参数模型后，计算随机获取的声发射事件的所述bayes定位后验概率密度函数，判断采样更新后的参数模型是否可接受，通过迭代，利用参数模型在迭代稳定期的均值，获得p波初至系统观测误差；单个声发射事件校正单元：对待求的单个声发射事件的p波初至拾取到时加上p波初至系统观测误差，得到校正后的p波初至到时；单个声发射事件定位单元：将校正后的p波初至到时代入参数模型中，生成新的参数模型后，利用mcmc对参数模型中的声发射事件位置、发震时刻采样，计算待求解的单个声发射事件的所述bayes定位后验概率密度函数，判断采样更新后的参数模型是否可接受，通过迭代，利用参数模型在迭代稳定期的均值，定位待求解的单个声发射事件位置。应当理解，本发明各个实施例中的功能单元模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。一种可读存储介质，包括计算机程序指令，所述计算机程序指令被处理终端执行时使所述处理终端执行所述的一种去除p波初至系统观测误差的声发射事件bayes定位方法。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详尽的说明，所属领域的普通技术人员应当理解，上述实施例仅仅是对本发明的示意性实现方式的解释，实施例中的细节并不构成对本发明范围的限制，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案的等效变换、简单替换等显而易见的改变，均落在本发明保护范围之内。当前第1页12