饒運(yùn)章 王 丹 饒 睿 邵亞建 張永勝

(1.江西理工大學(xué)資源與環(huán)境工程學(xué)院，江西 贛州341000;2.贛州有色冶金研究所，江西 贛州341000)

稀土礦邊坡在線監(jiān)測(cè)是指通過(guò)監(jiān)測(cè)多項(xiàng)參數(shù)，依據(jù)數(shù)據(jù)判斷邊坡穩(wěn)定性，并建立模型進(jìn)行滑坡預(yù)測(cè)預(yù)警，避免礦山職工生命和財(cái)產(chǎn)遭受危害。但在線監(jiān)測(cè)資料作為待處理時(shí)間序列，受到環(huán)境和自身性能等因素干擾，質(zhì)量受限，為提取真實(shí)準(zhǔn)確的優(yōu)質(zhì)信號(hào)值，去噪是后續(xù)數(shù)據(jù)處理不可缺少的步驟。濾波器、傅里葉變換、小波變換等［1］傳統(tǒng)方法常用于信號(hào)去噪，但實(shí)踐和研究表明，長(zhǎng)時(shí)間的經(jīng)驗(yàn)資料本質(zhì)上是非線性和非平穩(wěn)數(shù)據(jù)［2］，在信噪低的情況下，傳統(tǒng)方法存在閾值設(shè)置難、基函數(shù)和尺度選擇、虛假信號(hào)和虛假頻率等諸多弊端，改善信號(hào)質(zhì)量，效果不佳。

現(xiàn)階段，預(yù)測(cè)方法(模型)有曲線擬合、統(tǒng)計(jì)回歸分析、灰色理論模型、BP 神經(jīng)網(wǎng)絡(luò)、自回歸滑動(dòng)平均(ARMA)［3］等。這些方法各有優(yōu)劣，曲線擬合、統(tǒng)計(jì)回歸分析和灰色理論預(yù)測(cè)范圍和精度有限;BP 神經(jīng)網(wǎng)絡(luò)需要借助大樣本訓(xùn)練，且過(guò)分依賴使用者經(jīng)驗(yàn)，易陷入局部極小點(diǎn)等缺陷［4］;ARMA 預(yù)測(cè)模型階數(shù)難以確定［5］。小波神經(jīng)網(wǎng)絡(luò)預(yù)`測(cè)模型法，取得了較好效果，但小波技術(shù)存在分解層數(shù)和小波基選擇問(wèn)題，間接影響了預(yù)測(cè)準(zhǔn)確性［6］。

為此，借助經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，簡(jiǎn)寫為EMD)技術(shù)的自適應(yīng)分解特性，對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行處理，獲取多個(gè)IMF 分量，并結(jié)合頻率分析，識(shí)別表征真實(shí)信號(hào)波形的低頻IMF 分量。在此基礎(chǔ)上，把各IMF 分量作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入層，建立EMD －RBFNN 聯(lián)合預(yù)測(cè)模型，根據(jù)某稀土礦地表位移實(shí)測(cè)數(shù)據(jù)，對(duì)模型預(yù)測(cè)精度進(jìn)行驗(yàn)證，結(jié)果表明，效果良好。

1 EMD 監(jiān)測(cè)數(shù)據(jù)處理

1.1 EMD 簡(jiǎn)介

EMD 技術(shù)是N. E. Huang 等人提出的一種信號(hào)分解方法［7］，針對(duì)邊坡在線監(jiān)測(cè)非平穩(wěn)數(shù)據(jù)，EMD 無(wú)需先驗(yàn)基，能隨信號(hào)的變化自適應(yīng)分解成有限若干IMF 分量。

式中，S(t)為在線監(jiān)測(cè)原始信號(hào);t =1，2，…，m 為時(shí)間采樣點(diǎn)數(shù);j =1，2，…，n 為IMF 分量的次序，是按頻率高低原則依次排列;R(t)為EMD 分解后的趨勢(shì)分量。

1.2 EMD 結(jié)果分析

樣本數(shù)據(jù)為某稀土礦采場(chǎng)邊坡地表位移在線監(jiān)測(cè)數(shù)據(jù)(見(jiàn)圖1)，從2013 年12 月9 日至2014 年2 月20 日共計(jì)2 371個(gè)數(shù)據(jù)，受溫度、雨水、冰霧、元件性能等外界隨機(jī)性因素影響，原始數(shù)據(jù)波動(dòng)幅度大，真實(shí)信號(hào)被淹沒(méi)，需進(jìn)一步處理。

圖1 邊坡地表位移在線監(jiān)測(cè)數(shù)據(jù)Fig.1 Online monitoring data of surface slope displacement

對(duì)原始數(shù)據(jù)進(jìn)行EMD 分解，獲取了9 個(gè)IMF 分量(見(jiàn)圖2)，IMF1～I(xiàn)MF7頻率較高，存在明顯突變現(xiàn)象，與滑坡前地表位移的漸變性相悖，因此是噪聲信號(hào)和干擾信號(hào);IMF8分量已逐漸趨于緩和，綜合考慮地表位移的復(fù)雜多變性，將其視為真實(shí)信號(hào)的一部分;IMF9為EMD 分解的余項(xiàng)，具有單調(diào)函數(shù)特征，為真實(shí)信號(hào)。

因此，將IMF9視為理想地表位移值，IMF8+IMF9視為真實(shí)地表位移值(見(jiàn)圖1)，結(jié)合系統(tǒng)自帶溫度補(bǔ)償模塊處理后的數(shù)據(jù)，IMF9能較好地反映地表位移變化趨勢(shì)，IMF8+IMF9則更逼近溫度補(bǔ)償后地表位移值。也即，去掉高頻分量后，低頻分量能更好地表征實(shí)際位移值。通過(guò)內(nèi)置溫度傳感器所測(cè)溫度值和原始信號(hào)與IMF8+IMF9的差值對(duì)比，發(fā)現(xiàn)兩者趨勢(shì)基本一致(圖3)，相關(guān)系數(shù)為0.801，表明二者具有很高的相關(guān)性，證明本次提取的真實(shí)信號(hào)(IMF8+IMF9)較可靠。

2 基于EMD－RBFNN 的預(yù)測(cè)模型

2.1 EMD－RBFNN 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)是以徑向基函數(shù)作為隱含層神經(jīng)元的三層前向型神經(jīng)網(wǎng)絡(luò)［8］。除輸入、輸出層僅有一個(gè)隱層，隱層神經(jīng)元個(gè)數(shù)由實(shí)際問(wèn)題而決定。利用EMD 對(duì)線性、非平穩(wěn)時(shí)間監(jiān)測(cè)序列分解的優(yōu)勢(shì)，將在線監(jiān)測(cè)數(shù)據(jù)分解，分解的IMFj(j =1，2，…，n)作為輸入向量，實(shí)測(cè)監(jiān)測(cè)時(shí)間序列作為輸出向量，神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，將各向量作歸一化處理，以便后續(xù)網(wǎng)絡(luò)訓(xùn)練更快收斂。利用RBF 神經(jīng)網(wǎng)絡(luò)非線性逼近的強(qiáng)大能力，將EMD 與RBF 神經(jīng)網(wǎng)絡(luò)方法結(jié)合起來(lái)應(yīng)用，就是基于EMD －RBF 神經(jīng)網(wǎng)絡(luò)的聯(lián)合預(yù)測(cè)模型。

圖2 IMF 分量Fig.2 IMF components

圖3 溫度與差值對(duì)比Fig.3 Contrast between the temperature and the difference

EMD 分解后的IMFj作為輸入向量X = (IMF1，IMF2，…，IMFn)，輸入層單元記作Xj=IMFj。隱含層與輸入層相連的權(quán)值ω 和輸入向量X 之間的距離乘以閾值b 作為網(wǎng)絡(luò)輸入，得到輸出Y，構(gòu)成EMD －RBFN 神經(jīng)元模型(圖4)。

圖4 EMD－RBFNN 預(yù)測(cè)模型Fig.4 EMD-RBFNN forecasting model

第i 個(gè)隱含層神經(jīng)元的輸入為

第i 個(gè)隱含層神經(jīng)元的輸出為

2.2 實(shí)例分析

本次采用的在線監(jiān)測(cè)系統(tǒng)的采集頻率是間隔15 min，理論上對(duì)地表位移值在15 min 內(nèi)的預(yù)測(cè)都是可行的，但實(shí)際中并不需要如此短的預(yù)測(cè)周期。本次確定預(yù)測(cè)周期為3 d，進(jìn)行1 次6 步預(yù)測(cè)，即預(yù)測(cè)3 ～5 d內(nèi)的位移變化。

依照EMD－RBFNN 的基本思路，將經(jīng)驗(yàn)?zāi)B(tài)分解的9 個(gè)IMFj作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入層，創(chuàng)建并訓(xùn)練神經(jīng)網(wǎng)絡(luò)程式net = newrbe (P，T，SPREAD)。P 是訓(xùn)練輸入向量，T 是訓(xùn)練目標(biāo)向量，SPREAD 為徑向基函數(shù)的分布密度。通過(guò)試算預(yù)測(cè)性能和方差，編寫自動(dòng)識(shí)別最佳SPREAD 程序，確定了26 為最優(yōu)SPREAD 值。

地表位移預(yù)測(cè)值與實(shí)際值對(duì)比結(jié)果顯示(表1)，1 次6 步連續(xù)預(yù)測(cè)精度非常高，絕對(duì)誤差控制在0.1 mm 以內(nèi)，相對(duì)誤差控制在0.12%以內(nèi)，誤差極小(圖5)。

圖5 地表位移預(yù)測(cè)結(jié)果Fig.5 Surface displacement prediction results

表1 EMD－RBFNN 預(yù)測(cè)結(jié)果Table 1 EMD-RBFNN forecast results

3 結(jié) 論

借助EMD 自適應(yīng)特性，分解得到實(shí)測(cè)數(shù)據(jù)的各分量，并利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的逼近預(yù)測(cè)優(yōu)勢(shì)，在提取真實(shí)在線監(jiān)測(cè)數(shù)據(jù)基礎(chǔ)上，構(gòu)建了EMD －RBFNN 預(yù)測(cè)模型，并根據(jù)某稀土礦邊坡地表位移實(shí)測(cè)數(shù)據(jù)驗(yàn)證。

(1)EMD 分解后，IMF 分量可實(shí)現(xiàn)自由重構(gòu)，去掉高頻分量，能夠較好地去除環(huán)境因素對(duì)在線監(jiān)測(cè)位移數(shù)據(jù)的影響，低頻分量能更好地反映實(shí)際位移值。

(2)EMD －RBFNN 預(yù)測(cè)模型預(yù)測(cè)結(jié)果準(zhǔn)確，相對(duì)誤差僅0.12%，完全能滿足工程需求。

(3)在線監(jiān)測(cè)系統(tǒng)能夠全天候提供實(shí)時(shí)在線數(shù)據(jù)，確保采集頻率和采集數(shù)據(jù)量，從而保證大數(shù)據(jù)下EMD－RBFNN 預(yù)測(cè)精度，EMD －RBFNN 應(yīng)用于采場(chǎng)在線監(jiān)測(cè)系統(tǒng)完全可行。

［1］ 鄭祖光，劉莉紅.經(jīng)驗(yàn)?zāi)B(tài)分析與小波分析及其應(yīng)用［M］.北京:氣象出版社，2010:180-226.

Zheng Zuguang，Liu Lihong. Empirical Mode Analysis and Wavelet Analysis and Its Applications［M］. Beijing:Meteorological Press，2010:180-226.

［2］ 張正祿.工程的變形監(jiān)測(cè)分析與預(yù)報(bào)［M］. 北京:測(cè)繪出版社，2007:55-60.

Zhang Zhenglu.Analysis and Prediction of Deformation Monitoring of Engineering［M］. Beijing:Surveying and Mapping Press，2007:55-60.

［3］ 劉霖雯，劉 超，江成順.EMD 新算法及其應(yīng)用［J］.系統(tǒng)仿真學(xué)報(bào)，2007(2):446-447.

Liu Linwen，Liu Chao，Jiang Chengshun. Novel EMD algorithm and its application［J］. Journal of System Simulation，2007(2):446-447.

［4］ 易慶林，曾懷恩.利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行水庫(kù)滑坡變形預(yù)測(cè)［J］.水文地質(zhì)工程地質(zhì)，2013(1):124-127.

Yi Qinglin，Zeng Huaien.Reservoir landslide deformation forecast using BP neural network［J］. Hydrogeology ＆ Engineering Geology，2013(1):124-127.

［5］ Lu S，Ju K H，Chon K H.A new algorithm for linear and nonlinear ARMA model parameter estimation using affine geometry［J］. IEEE Transactions on Biomedical Engineering，2001，48(10):1116-1124.

［6］ 牛東曉，邢 棉. 時(shí)間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的研究［J］.系統(tǒng)工程理論與實(shí)踐，1999(5):90-93.

Niu Dongxiao，Xing Mian. A study on wavelet neural net work prediction model of time series［J］. Systems Engineering Theory ＆Practice，1999(5):90-93.

［7］ 姜 濤，袁勝發(fā). 基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷［J］.華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2014(1):131-136.

Jiang Tao，Yuan Shengfa. Rolling bearing faults diagnosis based on the improved wavelet neural network［J］.Journal of Huazhong Agricultural University，2014(1):131-136.

［8］ 董長(zhǎng)虹. 神經(jīng)網(wǎng)絡(luò)與應(yīng)用［M］. 北京:國(guó)防工業(yè)出版社，2007:121-124.

Dong Changhong.Neural Network and Its Application［M］.Beijing:National Defense Industry Press，2007:121-124.