来源：期刊VIP网 时间：
作者：赵云锋;陈林林;罗忠浩;蒲源源;尚雪义;黄文祥;
单位：河南大有能源股份有限公司耿村煤矿;重庆大学资源与安全学院;重庆工程职业技术学院;
摘要：为获得有效的灾害前兆信息，微震事件分类是必要前提。针对岩体破裂信号与爆破振动信号自动识别准确率低的问题，提出了基于自适应噪声集合经验模态分解(CEEMDAN)的矿山微震信号特征提取及分类方法：采用CEEMDAN求取微震信号的多阶本征模态(IMF)分量，借助相关性系数筛选主分量，计算各主分量的方差贡献率和能量谱系数，以此作为分类学习的特征向量；利用鲸鱼算法(WOA)优化的卷积长短时记忆神经网络(WOA-CNN-LSTM)对岩体破裂和爆破振动信号进行分类。结果表明：CEEMDAN的主分量为PC1～PC8,随着分解层数的增加，岩体破裂信号的方差贡献率和能量谱系数平均值先增后减，而爆破振动信号呈下降趋势；与相关系数、方差贡献率相比，将特征向量能量谱系数作为WOA-CNN-LSTM、支持向量机(SVM)、BP神经网络3种方法的输入，分类准确率最高；WOA-CNN-LSTM的识别效果明显优于Bayes判别法、SVM和BP神经网络，且基于主分量能量谱系数的分类准确率达到了91.50%。
关键词：微震信号分类;;自适应噪声集合经验模态分解;;鲸鱼算法;;卷积长短时记忆神经网络
基金资助：国家自然科学基金项目(52004041,U21A2030,52104077);国家自然科学基金面上项目(52474093);; 重庆大学煤矿灾害动力学与控制国家重点实验室访问学者项目(2011DA105287-FW201903);; 重庆市教育委员会科学技术研究项目(KJQN202203416)
