Page 87 - 无损检测2025年第一期

王婷婷，等：

基于改进 EFD- 小波去噪算法的岩石压裂声发射信号分类

to obtain the probability distribution of feature vectors, and the different stages of fracture process were analyzed. Finally,
the parameters of acoustic emission signals were extracted to construct feature vectors for classification and recognition of
rock core fracture acoustic emission signals by LVQ algorithm. According to the experimental results, this method could
accurately identify different stages of rock core fracture based on acoustic emission signals.
Key words: rock fracture acoustic emission signal; Fourier decomposition; spectral kurtosis; Gaussian mixture model;
learning vector quantization

随着油气与矿产资源的不断开发，对岩石破裂 段，实现有用信息的定位，减少无效噪声分量的划
问题的深入探究变得十分重要。通过分析捕捉到的 分，提高分解信号的准确性。基于二叉树结构的多
声发射信号，可以发现岩石中的破裂情况并将其应 级无限冲击响应滤波器是谱峭度算法 中常用的频
[9]
用于安全监测和预测 。近年来，针对非平稳、非线 带划分方法。构建一个低通滤波器h(n)，截止频率
[1]
性信号的降噪方法不断得到改进，常见方法有：小波 为f =1/8+ε(ε 为滤波器常数，ε ≥0)，通过平移h(n)
c
变换，傅里叶变换，经验模态分解（Empirical mode 频率得到准解析低通滤波器h (n)和h (n)，截止频率
1
0
decomposition，EMD），变 分模 态 分 解（Variational 为[0；1/4]与[1/4；1/2]，其表达式可以写为
mode decomposition，VMD）等。在信号降噪中只 h n hn π j n /4 （1）
0 ()=()e
采用傅里叶变换无法有效处理信号中的瞬时变化 ；
[2]
hn
h ()=()e j3 n /4 （2）
n
π
小波阈值去噪法具有较好的局部性，但在应用过程 1
中小波基函数的选择与阈值的大小会对降噪效果 第k层的第i个滤波器系数序列为 c ，信号经过
i
k
产生较大影响 ；EMD能够适应信号的非平稳性特 h (n)和h (n)滤波后进行系数为2的降采样取样，得
[3]
0
1
性，但分解过程中模态混叠、伪模态等问题也随之而 到第k+1层的序列为 c 2i () 和 c 2 1i () ，以该方式从
n
n
来 ；VMD在信号降噪方面表现优异，但分解模态 k 1 k 1
[4]
k= 0层开始迭代，构建树状滤波器组，如图1所示。
的个数与二次惩罚因子需要提前设定，否则会对分
则峭度值的表达式为
[5]
解精度造成影响 ；经验傅里叶是将经验小波与傅 4
里叶分解的优势相结合的一种新方法，其使用零相 c  k i ()  n
K i = -2 （3）
滤波器避免模态混叠问题 [6-8] 。在实际应用中岩石破 k c  k i ()  n 2 2
裂声发射信号噪声干扰大，频谱毛刺较多，影响了
n
c
i
式中： () 为子带系数。
EFD对频带划分的准确性，而根据岩石声发射信号 k
的非平稳性特点，利用谱峭度就可以发现频谱中存 峭度值可以通过计算所有子带系数的峭度获
在的非平稳成分并定位其所处频带。 得，若信号中只有噪声信号，则其峭度值近似为0；
而在非平稳成分存在的频率上，其谱峭度为较大的
文章提出基于树状滤波器组的谱峭度算法对EFD
进行改进，与小波阈值相结合，降噪后完成信号重构， 正值。由于声发射信号是非平稳信号，通过计算信
通过对比分析证明降噪算法的有效性；再通过特征 号的谱峭度，能够获取声发射信号所在频率范围，实
向量概率分布，将岩石破裂的过程分为4个阶段，并 现对信号有用信息的定位。在完成定位后，需要对
其进行频带分割，获取边界频率，完成信号分解。峭
将LVQ算法作为分类器进行识别分类试验。试验结
果表明，降噪后的信号可以有效提高分类的准确性。 度值的最大值所在范围为Z，对峭度值大于1的频段
进行频谱划分时，首先设置窗口值大小为W = Z ，
1 声发射信号的处理 3
对频段上的N个局部最大值M进行搜索，并按降序
1.1 改进后的EFD算法 N
}M
对其排序可以得到集合 { k k =1 ，M ≥M …M ,其
N
1
2
EFD算法以傅里叶频谱为基础，在应用过程中 在频谱中的位置为Ω={Ω } ，将 M 设
k k =1，2， …， N
1
排除了小波函数与滤波器组需预设的问题。当一个 为 第 一 个 中 心 点 O ，在 频 谱 上 的 位 置 表 示 为
1
非平稳信号的信噪比较低时，噪声的干扰会导致信
，将窗口内的其余最大值
号分解不充分或分解后的信号混入虚假分量。不同
于原始EFD对信号频谱的分割，文章根据所有频线 点置为0，将剩余最大值点中排序最高的视为下一个
的峭度值来发现声发射信号中具有非平稳特征的频 中心点O ，直到集合 { }M N 全部为0，视为K个中
2 k k 1
53
2025 年 第 47 卷 第 1 期
无损检测