楊 勇 張忠政 程 浩
(1.鞍鋼集團(tuán)礦業(yè)弓長嶺有限公司露采分公司,遼寧 遼陽 111007;2.東北大學(xué)資源與土木工程學(xué)院,遼寧 沈陽 110819)
在金屬礦山開采過程中,微震監(jiān)測作為礦山安全開采的主要監(jiān)測手段之一,得到了廣泛的應(yīng)用[1]。通過監(jiān)測井下作業(yè)、巖體破裂等因素激發(fā)的彈性波信號(hào),利用拾取到的不同傳感器的信號(hào)進(jìn)行微震源定位,進(jìn)而為預(yù)警井下事故提供依據(jù)。微震數(shù)據(jù)有效信號(hào)的到時(shí)拾取是微震源定位處理過程的關(guān)鍵步驟之一,直接影響反演結(jié)果的準(zhǔn)確性。但金屬礦山開采環(huán)境復(fù)雜,通常所采集到的微震數(shù)據(jù)中包括了大量的隨機(jī)噪聲,嚴(yán)重影響了微震數(shù)據(jù)有效信號(hào)到時(shí)拾取的精度。所以,對微震數(shù)據(jù)進(jìn)行隨機(jī)噪聲去除處理是提高有效信號(hào)到時(shí)拾取精度的關(guān)鍵步驟。
時(shí)頻峰值濾波(Time-Frequency Peak Filtering,TFPF)作為一種時(shí)頻分析方法,它通過求解信號(hào)的偽維格納—維利分布(Pseudo Wigner-Ville Distribution,PWVD)頻譜來估計(jì)瞬時(shí)頻率,可以克服變換域中基函數(shù)的影響,同時(shí)又無需任何的假定條件即可達(dá)到去除噪聲的目的[2]。憑借其獨(dú)特的優(yōu)越性和有效性,TFPF 已逐步地被廣泛應(yīng)用于多種類數(shù)據(jù)的隨機(jī)噪聲去除。林紅波等[3-8]對TFPF 去噪方法進(jìn)行了較為系統(tǒng)的研究,并將其應(yīng)用于實(shí)際地震數(shù)據(jù)隨機(jī)噪聲去除。但由于TFPF 較為適宜處理平穩(wěn)信號(hào),所以,固定窗長制約了對于非平穩(wěn)信號(hào)隨機(jī)噪聲去除的效果。
上世紀(jì)90 年代,Huang 等[9-12]針對信號(hào)非平穩(wěn)問題提出了經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)方法。該方法是一種自適應(yīng)分解方法,無需任何假定條件即可將信號(hào)分解成模態(tài)分量,突出信號(hào)的物理特性。但是這種方法會(huì)帶來模態(tài)混疊的問題。針對上述問題,變分模態(tài)分解方法(Variational Mode Decomposition,VMD)被提出,該方法通過估算各信號(hào)分量的信號(hào)主頻與帶寬,將原始信號(hào)分解成主頻不同帶寬不同的信號(hào)分量,解決了模態(tài)混疊的問題,使信號(hào)分解成頻率不同的近似平穩(wěn)信號(hào)?;赩MD 分解方法的優(yōu)越性,劉沖等[13]和喬云等[14]將其結(jié)合于小波變換應(yīng)用于不同領(lǐng)域的去噪研究。
通過上述TFPF 與VMD 方法的特點(diǎn)分析,本研究提出了一種基于VMD 的TFPF 隨機(jī)噪聲壓制方法。首先,將含噪信號(hào)通過VMD 分解,獲取若干個(gè)不同主頻占優(yōu)的近似平穩(wěn)信號(hào)分量;然后,對不同頻率的信號(hào)分量靈活地選取不同的窗長進(jìn)行TFPF 去噪,得到處理后的各信號(hào)分量;最后,進(jìn)行信號(hào)重構(gòu),獲取隨機(jī)噪聲去除以后的信號(hào)。并將通過理論與實(shí)際微震數(shù)據(jù)進(jìn)行該方法有效性的驗(yàn)證。
VMD 是一種基于模態(tài)分解的自適應(yīng)性較高的信號(hào)分解算法。VMD 通過將模態(tài)估計(jì)轉(zhuǎn)化為變分問題,解決該變分問題的構(gòu)造和求解來確定非平穩(wěn)信號(hào)中不同的信號(hào)主頻與帶寬,將原始信號(hào)分解成K個(gè)具有一定帶寬的信號(hào)模態(tài)分量,進(jìn)而將有效信號(hào)和噪音分為不同的模態(tài)分量區(qū)分開來。VMD 分解的結(jié)果要求各模態(tài)分量的頻帶寬度之和最小,其分解出來的各階模態(tài)分量相加即可得到原始信號(hào)。
VMD 將信號(hào)看作是不同的具有一定帶寬的信號(hào)分量組成:
通過對信號(hào)分量進(jìn)行希爾伯特變換以得到其單邊頻譜,隨后將各信號(hào)分量頻譜調(diào)整到以估計(jì)中心頻率為中心的基頻帶上,并估計(jì)各信號(hào)分量的帶寬,由此引出約束性變分問題。VMD 的約束方程式為
式中,{xk}為第k個(gè)分量;{ωk}為各信號(hào)分量的中心頻率;?t為Tikhonov 矩陣;δ(t)為脈沖函數(shù);*表示卷積;x(t)是原始信號(hào)。
為了解決式(2)約束性問題,引入二次懲罰因子和Lagrange 乘法算子,將上述約束性變分問題轉(zhuǎn)化為無約束優(yōu)化問題:
式(6)和式(7)中,τ表示的是噪聲容限參數(shù),ε為給定的一個(gè)大于0 的判別精度。當(dāng)?shù)Y(jié)果滿足式(7)中的收斂條件,則迭代完成,原始信號(hào)被分解為K個(gè)信號(hào)分量。
TFPF 算法通過頻率調(diào)制因子μ對含噪信號(hào)進(jìn)行頻率調(diào)制,得到解析信號(hào),通過求解析信號(hào)的偽維格納—維利分布(PWVD)頻譜及其峰值,得到解析信號(hào)的瞬時(shí)頻率估計(jì),達(dá)到去噪的目的。其具體步驟如下:
(1)將含噪信號(hào)表示為有效信號(hào)和隨機(jī)噪聲的疊加:
式中,x(t)為有效信號(hào);r(t)為隨機(jī)噪聲。
(2)用一個(gè)頻率調(diào)制因子μ對包含隨機(jī)噪聲的信號(hào)進(jìn)行頻率調(diào)制:
(3)求解析信號(hào)的偽維格納—維利分布頻譜(PWVD):
(4)求解析信號(hào)的PWVD 分布頻譜的峰值,作為解析信號(hào)瞬時(shí)頻率估計(jì):
在TFPF 算法中,窗長的選擇會(huì)對信號(hào)的去噪效果產(chǎn)生影響。通過理論數(shù)據(jù)對TFPF 固定窗長的問題進(jìn)行探討。對理論數(shù)據(jù)進(jìn)行加噪處理,得到含噪信號(hào)。再分別選取窗長為7、11、15,對含噪信號(hào)進(jìn)行濾波,如圖1所示。從處理結(jié)果來看,各窗長處理結(jié)果都能對噪聲進(jìn)行壓制,還原出原始信號(hào),說明TFPF算法在噪聲去除的效果上能取得良好的效果。分別選取波峰處和低振幅信號(hào)處進(jìn)行局部顯示,可以觀察到在波峰處,短窗長結(jié)果有更好的信號(hào)擬合度,長窗長則存在波峰擬合度較低的問題;在低振幅信號(hào)處,長窗長對噪聲的去除效果更加明顯,而短窗長去除噪聲的效果相比長窗長較差。
圖1 TFPF 固定窗長影響Fig.1 Effect of fixed window length of TFPF
根據(jù)地震數(shù)據(jù)的經(jīng)驗(yàn)公式,TFPF算法中固定窗長的選取:
式中,fs為地震波的采樣頻率;fd為主頻。
由式(12)可知,TFPF 方法中窗長長度與微震信號(hào)的采樣頻率成正比,與微震信號(hào)的主頻成反比,若fs增大或者fd減小,則窗長相應(yīng)變大,且窗長取值通常為奇數(shù)。因此在利用TFPF 處理高頻信號(hào)時(shí),應(yīng)采用短窗長進(jìn)行處理,而處理低頻信號(hào)時(shí),應(yīng)采用長窗長進(jìn)行處理。這樣TFPF 算法在進(jìn)行信號(hào)去噪的過程中既能有效地壓制噪聲也能更好地保持有效信號(hào)的幅值。
本文方法的處理流程如下:
(1)對含噪信號(hào)進(jìn)行VMD 分解,將信號(hào)分解成具有不同主頻占優(yōu)的若干個(gè)近似平穩(wěn)信號(hào)分量。
(2)通過上述窗長選取原則,對高頻信號(hào)分量使用短窗長進(jìn)行TFPF 去噪,對低頻信號(hào)分量采用長窗長進(jìn)行TFPF 去噪。
(3)將TFPF 去噪后的各階信號(hào)分量進(jìn)行精確的信號(hào)重構(gòu),獲取隨機(jī)噪聲壓制以后的結(jié)果。
選用3 個(gè)主頻分別為20,25,30 Hz,帶寬分別為2,3,4 的Ricker 子波組合作為人工合成信號(hào)進(jìn)行理論數(shù)據(jù)實(shí)驗(yàn)。該信號(hào)采樣率為1 ms,共計(jì)1 000 個(gè)采樣點(diǎn)。向該信號(hào)中加入隨機(jī)噪聲,使信號(hào)的信噪比降低至5 dB 左右,此時(shí),合成信號(hào)被噪聲污染嚴(yán)重,低頻處有效信號(hào)基本被噪聲淹沒,原始有效信號(hào)無法被識(shí)別出來。利用VMD 分解將原始合成信號(hào)和加噪信號(hào)進(jìn)行信號(hào)分解,取分解信號(hào)分量個(gè)數(shù)K=4,可以得到主頻不同帶寬不同的4 階信號(hào)分量,如圖2所示。
圖2 理論數(shù)據(jù)模型Fig.2 Theoretical data model
對比原始合成信號(hào)和含噪信號(hào)的VMD 分解結(jié)果,可以觀察到原始合成信號(hào)經(jīng)過加噪處理后,其VMD 分解得到的4 階分量中第一信號(hào)分量出現(xiàn)低振幅噪聲,剩余三階信號(hào)分量基本被噪聲覆蓋,無法識(shí)別出有效信號(hào)。根據(jù)TFPF 窗長選擇規(guī)則,分別對含噪各階信號(hào)分量靈活地選取利用TFPF 去噪的自適應(yīng)窗長,進(jìn)行TFPF 降噪處理,再將經(jīng)過TFPF 降噪后各階信號(hào)分量進(jìn)行信號(hào)重構(gòu),得到壓噪后的信號(hào)。進(jìn)行TFPF去噪后,各階信號(hào)分量的噪聲都有明顯的壓制(圖3)。對上述壓噪處理后各階分量進(jìn)行信號(hào)重構(gòu),即可得到去噪信號(hào)(圖4)。
圖3 各階信號(hào)分量對比Fig.3 Comparison of signal components of different order
圖4 人工合成數(shù)據(jù)壓噪信號(hào)Fig.4 Denoising signal of theoretical data
本文方法是將VMD 分解與TFPF 相結(jié)合,通過分解原始信號(hào)并將各信號(hào)分量以合理的窗長進(jìn)行TFPF 去噪,為了證明其有效性,下面分別應(yīng)用不同固定窗長TFPF 去噪方法與本文VMD-TFPF 去噪方法對上述理論數(shù)據(jù)進(jìn)行隨機(jī)噪聲的去除結(jié)果對比。為了更充分直觀地展示實(shí)驗(yàn)成果,將原始數(shù)據(jù)不同固定窗長(取窗長長度為7、11、15)TFPF 去噪方法和VMD-TFPF 去噪方法的去噪結(jié)果置于同一參考系中,并將其波峰、波谷處局部放大進(jìn)行保幅、保真、去噪效果的對比,如圖5所示。
圖5 人工合成數(shù)據(jù)壓噪對比Fig.5 Comparison of denoising result of theoretical data
觀察去噪結(jié)果對比圖,固定窗長TFPF 去噪和VMD-TFPF 去噪結(jié)果都可以有效地壓制隨機(jī)噪聲,將原始信號(hào)還原出來。觀察波峰數(shù)據(jù)(圖5(b)),本文方法在去噪效果和保幅保真上達(dá)到平衡,與原始數(shù)據(jù)擬合度更高,而窗長為7 的TFPF 去噪效果其有效信號(hào)遭到破壞,而窗長為11、15 的TFPF 去噪效果其幅值有一定的衰減。觀察波谷數(shù)據(jù)(圖5(c)),亦可見,本文的去噪結(jié)果與原始信號(hào)擬合度更高。
為了進(jìn)一步說明本文方法的有效性,表1 給出了含噪信號(hào)與去噪所得信號(hào)均方誤差(MSE)、信噪比(SNR)和峰值信噪比(PSNR)的對比。
表1 合成數(shù)據(jù)實(shí)驗(yàn)的MSE、SNR和PSNR 對比Table 1 Comparison of MSE,SNR and PSNR for the synthetic-data experiment
理論數(shù)據(jù)實(shí)驗(yàn)結(jié)果表明,本文方法的MSE 值比固定窗長TFPF 去噪方法更低,與原始信號(hào)擬合度更高;而在信噪比和峰值信噪比的指標(biāo)上,VMD-TFPF去噪方法和固定窗長TFPF 去噪方法都有顯著的提高,說明結(jié)果能夠壓制噪聲,達(dá)到還原出原始信號(hào)的目的,但本文方法的SNR和PSNR 比固定窗長TFPF去噪方法更高,其去噪效果最佳。
選取某地實(shí)際礦山微震數(shù)據(jù)(圖6)進(jìn)行實(shí)際數(shù)據(jù)VMD-TFPF 方法的應(yīng)用測試,觀察可見,實(shí)際信號(hào)中包含有大量的隨機(jī)噪聲,這對有效信號(hào)的識(shí)別產(chǎn)生了極大的干擾。對該微震數(shù)據(jù)進(jìn)行傅里葉變換,結(jié)果如圖7所示。經(jīng)過傅里葉變換后,分析其頻率特征發(fā)現(xiàn),該信號(hào)頻率主頻基本介于0 ~50 Hz 之間。由該地區(qū)微震數(shù)據(jù)的頻譜特征可知,數(shù)據(jù)的有效信號(hào)部分具有低頻特性,而在實(shí)際數(shù)據(jù)的傅里葉變換圖中可見,該信號(hào)在高頻部分也有分布,說明該部分是由隨機(jī)噪聲引起的,因而應(yīng)該壓制引起高頻分布的隨機(jī)噪聲。
圖6 某地實(shí)際礦山微震信號(hào)Fig.6 Actual micro-seismic data
圖7 實(shí)際礦山微震信號(hào)頻譜圖Fig.7 Frequency spectrum of the actual micro-seismic data
如圖8所示,對該實(shí)際數(shù)據(jù)進(jìn)行VMD 分解,取K值為8,由式(12)TFPF 算法窗長選取原則,對8 個(gè)分量分別選取自適應(yīng)窗長進(jìn)行TFPF 去噪處理。最后將各個(gè)處理后的信號(hào)分量組進(jìn)行信號(hào)重構(gòu)操作,以還原出有效信號(hào)。觀察利用VMD-TFPF 方法壓噪處理的結(jié)果,并與實(shí)際數(shù)據(jù)進(jìn)行對比(圖9),顯示本文方法能夠很好地去除隨機(jī)噪聲,而且還保護(hù)了信號(hào)的幅值,較為真實(shí)地還原出了有效信號(hào)。
圖8 實(shí)際礦山微震信號(hào)VMD 分解各階分量圖Fig.8 VMD decomposition of actual mine microseismic signals
圖9 實(shí)際去噪結(jié)果對比Fig.9 Comparison of actual denoising effects
微震數(shù)據(jù)中隨機(jī)噪聲的有效去除,對于準(zhǔn)確識(shí)別微震事件的到達(dá)時(shí)間,進(jìn)而提高微震源定位的精度具有重要的實(shí)際意義。針對金屬礦山微震數(shù)據(jù)中隨機(jī)噪聲的去除問題進(jìn)行研究,提出了一種基于VMD 的TFPF 隨機(jī)噪聲去除方法,充分結(jié)合2 種方法的優(yōu)勢,通過理論數(shù)據(jù)和實(shí)際數(shù)據(jù)的測試,可得以下結(jié)論:
(1)微震數(shù)據(jù)通過VMD 方法進(jìn)行分解,可獲得近似平穩(wěn)的多個(gè)信號(hào)分量,避免了直接利用TFPF 方法進(jìn)行非平穩(wěn)信號(hào)的處理。
(2)TFPF 方法可針對不同近似平穩(wěn)的多個(gè)信號(hào)分量選取對應(yīng)的窗長,進(jìn)而達(dá)到最大限度地去除隨機(jī)噪聲、保留有效信號(hào)。
(3)基于VMD 的TFPF 去噪方法能夠有效地去除隨機(jī)噪聲,提高微震數(shù)據(jù)的信噪比,同時(shí),更好地保留有效信號(hào)的幅值。