一种CEEMD与IWOA改进小波联合的受载煤岩内部热源定位方法

本发明涉及热源定位，尤其涉及一种ceemd与iwoa改进小波联合的受载煤岩内部热源定位方法。

背景技术：

1、近年来煤炭的开采量逐年上升，与之相随的冲击地压、煤与瓦斯突出等煤岩动力灾害发生的更为频繁，这使得如何预警、治理此类灾害愈发成为国民经济重大问题之一。煤岩动力灾害本质是地下煤岩体受载破裂的过程，受多复杂因素耦合影响，该过程中煤岩状态发生改变时也会导致红外辐射、煤岩表面温度等非应力信号同步变化，这为从非接触角度获得受载煤岩状态提供了手段，也为有利于更全面地研究煤岩动力灾害的产生机理。

2、受载煤岩破裂是其内部损伤集聚所致，这过程中伴随着原生裂隙的扩张与大量新生裂隙的产生，因而对煤岩内部裂隙集中区域进行定位将有利于实现对动力灾害的有效防控。目前的研究多集中于“灾害何时发生”的问题上，对“何处发生”的相关研究还处于起步阶段，相关研究主要与电磁法相关，但该类方法的原始数据极易受到环境干扰且数据维数较多，因而为实际应用造成了困难。与其相较，煤岩表面温度虽然也会受到外界因素干扰，但其干扰源远少于电磁类信号且特征也更易捕获，由此易知利用其对因煤岩损伤而产生的内部热源进行定位在一定程度上效果更佳。综上，为实现对煤岩内部损伤区域的监测，提出一种专门针对定位受载煤岩内部热源位置的方法十分重要。

技术实现思路

1、针对上述现有技术的不足，本发明提供一种ceemd与iwoa改进小波联合的受载煤岩内部热源定位方法。

2、本发明所采取的技术方案是一种ceemd与iwoa改进小波联合的受载煤岩内部热源定位方法，总体流程包括以下6个步骤。

3、步骤1：采用自制的受载煤岩表面温度采样装置对煤岩表面4点温度变化数据进行实时监测与采集。

4、进一步的，所述步骤1中的受载煤岩表面温度采样装置由4个数字式表面温度传感器、数据采样板、上位计算机组成，运用该装置工作时须提前将4个数字式表面温度传感器均布在受载煤岩表面，之后其将实时将所处位置的表面温度转化为数字信号送入数据采样板，并最终送入上位计算机进行存储，以待后续数据处理。

5、更进一步的，所述受载煤岩采样装置的4个数字式表面温度传感器的核心器件均为pt100型贴片式热电偶测温桥，其可实现将表面温度信号转化为数字电压信号的目的。

6、更进一步的，所述受载煤岩采集装置的数据采样板的核心器件为stm32型单片机，其起到将表面温度传感器模拟电压转化为实际温度数值的作用，同时利用自带的lcd显示屏实时显示4路温度信号的数值变化，并利用串口通讯完成向上位机传送数据的目的。

7、更进一步的，所述受载煤岩采集装置的上位机内置基于labview的煤岩表面温度采样软件，由此实现对4路温度信号的实时存储与数据曲线显示，其有利于后期利用温度数据对受载煤岩内部热源进行定位。

8、步骤2：对直接采集获得的4路表面温度信号分别进行ceemd分解，获得其各自n个模态子函数imf1–imfn及其残余分量res。

9、步骤3：对残余分量res求均值以去除环境温度波动对信号整体趋势的影响，其计算方法如式(1)所示。

10、

11、式中，res*为残余分量res的均值；n为残余分量res内所含的采样点数。

12、步骤4：分别对4路表面温度信号各自的模态函数imf1–imfn进行信号处理，以去除系统直接采集而获的温度信号中环境、机械、电子等各内外因素所引入的干扰误差，从而提高位置信息在4路温度信号中的信噪比。

13、进一步的，上述步骤4中的信号处理的具体步骤如下。

14、步骤4.1：通过自相关函数分析，完成对4路表面温度信号各自的模态函数进行分类，完成将imf1–imfn分类为噪声分量与非噪声分量。

15、步骤4.2：对各噪声为主的imf分量利用iowa改进的小波去噪算法进行降噪，提升位置信息在各模态分量中的信噪比。

16、更进一步的，上述步骤4.1中自相关函数分析的具体步骤如下。

17、步骤4.1.1：生成与各imfi尺度相同的随机白噪声数列ri。

18、步骤4.1.2：分别计算imfi与ri的自相关函数z_imfi、z_ri，其具体计算方法如式(2)所示。

19、

20、式中，“*”为卷积计算符；imfi*与ri*分别为imfi与ri的共轭函数；τ为时延。

21、步骤4.1.3：分别对z_imfi、z_ri进行归一化，从而获得取值范围为[0,1]的归一化自相关函数imfi与ri，其具体计算方法如式(3)所示。

22、

23、式中，max(·)与min(·)分别为“·”的最大值和最小值。

24、步骤4.1.4：分别计算各模态函数imfi的白噪声相似度wi，其计算方法如式(4)所示。

25、

26、式中，a为调整因子，其数值大于0；var(·)为方差算子，其计算方法如式(5)所示。

27、

28、式中，n为“·”中元素个数；·i为“·”的第i个元素；为“·”的均值。

29、步骤4.1.5：根据wi数值判断各模态函数imfi的信号属性，当wi不大于1时该模态函数可视为是以噪声为主而需要去噪，反之则以信号特征为主是非噪声，其无须去噪。

30、更进一步的，上述步骤4.2中对各噪声为主的imf分量利用iwoa改进的小波去噪算法降噪的具体步骤如下。

31、步骤4.2.1：分别输入噪声为主的模态函数imfi。

32、步骤4.2.2：选取输入信号imfi的最优基小波，之后利用最优基小波对imfi进行完全小波分解，得到共u层小波分量。

33、再进一步的，上述步骤4.2.2中选取imfi最优基小波的方法为，利用不同基小波对imfi进行1层小波分解，之后利用式(6)计算小波分解效果系数p，分解后所获最大p值对应的基小波即为最优基小波。

34、

35、式中，li、hi分别为经1层小波分解后所获的第i个低频小波系数与高频小波系数；z为小波系数的个数。

36、步骤4.2.3：分别获得imfi的1、2、……、u层各自的高频小波系数矩阵，并利用式(7)获得第j层(j＝1,2,…,u)高频小波阈值λj，因高频小波系数矩阵一般均大于32，所以认为高频小波阈值λj的取值范围[λmin,λmax]均为z>32时的数值。

37、

38、式中，std(·)为取“·”的标准差；hj,all为第j层的小波高频系数。

39、步骤4.2.4：利用改进iwoa算法获取各层高频小波最优阈值λj_best(j＝1,2,…,u)。

40、再进一步的，上述步骤4.2.4中的运用改进iwoa算法求解第j层高频小波最优阈值λj_best的具体步骤如下。

41、步骤4.2.4.1：按式(8)设置适应度函数f，其本质为经阈值处理后高频系数hj的相对熵，其优化参数仅有一个阈值λj。

42、

43、式中，ph为无噪信号的高频系数所蕴含能量eh在总能量e里的占比，理想条件下eh与e的数值相同；ph'为无噪信号的高频系数所蕴含能量eh在噪声信号高频系数所蕴含能量en中的占比；hj,k*为优化后的第j层小波高频系数的第k个元素，k＝1,2,…,z，其计算式如式(9)所示；nj,k为第j层小波噪声信号高频系数的第k个元素，k＝1,2,…,z。

44、

45、式中，sgn(·)为“·”的符号函数。

46、步骤4.2.4.2：设置优化算法的探索边界(为[λmin,λmax])、最大迭代次数、变量维度、种群数目，并利用式(10)所示的对立学习法获得由第j层小波数据的m个初始种群位置组成的向量矩阵xj＝[xj1,xj2,…,xjm]。

47、

48、式中，xj为第j层小波数据原始种群位置组成的向量矩阵，xj＝[xj1,xj2,…,xjm]；x'j为与xj相对立存在的原始种群位置组成的向量矩阵，x'j＝[x'j1,x'j2,…,x'jm]；best_f(·)为从“·”中选取适应度函数最优的m个元素组成xj向量；rand(0,1)为从0至1之间生成随机数。

49、步骤4.2.4.3：计算目前各种群位置的个体适应度，并记录最优阈值。

50、步骤4.2.4.4：判断目前迭代次数是否已经达到上限，若已达上限则停止迭代直接输出最优阈值λbest，并结束整个循环；否则继续执行下一步。

51、步骤4.2.4.5：生成位于(0，1)之间的随机数p，并根据式(11)的改进非线性准则更新收敛因子a。

52、

53、式中，t为当前迭代次数；tmax为最大迭代次数。

54、步骤4.2.4.6：根据式(12)计算系数a和c。

55、

56、式中，r1、r2均为(0，1)之间的随机数。

57、步骤4.2.4.7：更新种群位置，首先判断随机数p是否小于0.5，若不满足此条件则利用式(13)以捕获猎物的方式更新位置；若满足则继续判断a的绝对值是否小于1，若小于1则利用式(14)以包围猎物的方式更新位置，若不小于1则利用式(15)以搜索猎物的方式更新位置。

58、

59、式中，xj(t+1)为迭代后第j层小波数据种群位置组成的向量矩阵，xj(t+1)＝[xj1(t+1),xj2(t+1),…,xjm(t+1)]；xj*(t)为迭代前第j层小波数据种群位置中适应度最佳的种群位置；b为常量系数，取1；l为[-1,1]之间的随机数。

60、

61、

62、式中，xjrand(t)为现有种群xj随机的一个种群位置。

63、步骤4.2.4.8：利用式(16)对已生成的新的种群位置进行交叉变异操作，获得最终迭代后的种群位置xj'。

64、

65、式中，u为[0,1]的随机数；s为取值从1至m的随机数。

66、步骤4.2.4.9：重复步骤4.2.4.3至步骤4.2.4.9。

67、步骤4.2.5：利用式(9)对高频小波系数进行调整，获得第j层调整后的高频小波系数

68、步骤4.2.6：利用低频小波系数和调整后的高频小波系数重构第j层模态函数imfj，之后输出降噪后的模态函数imfj*。

69、步骤5：利用res*、降噪后噪声为主的模态函数imfc、信号为主的模态函数imf对4路表面温度信号分别进行重构，重构后的信号tp如式(17)所示。

70、

71、式中，g为噪声为主的模态函数数量。

72、步骤6：基于时间差原理，将短时内4个测温点的坐标(xr,yr,zr)及其前后测得两次温度tr,1、tr,2(r＝1,2,3,4)代入式(18)并对其求解，即可获得受载煤岩内部热源的理论位置(x0,y0,z0)。

73、

74、采用上述技术方案所产生的有益效果在于：本发明提供一种ceemd与iwoa改进小波联合的受载煤岩内部热源定位方法，利用自研的受载煤岩表面温度采集装置对受载煤岩表面4点温度进行监测，实现对4点温度数据实时采集；分别对4点温度数据进行ceemd分解获得多个imf函数及res分量，并通过求均值实现对res中的静态干扰进行滤除；利用自相关函数判断imf信号属性，并利用iowa改进的小波去噪方法对噪声为主的imf函数进行噪声抑制；利用处理后的模态函数、残余分量实现对4路受载煤岩表面温度信号的降噪，并基于时间差原理获得受载煤岩内部热源所处的理论位置坐标。