基于希爾伯特-黃變換的瓦斯特征信號處理研究

樊文濤

(同煤浙能麻家梁煤業有限責任公司，山西 朔州 036000)

基于希爾伯特-黃變換的瓦斯特征信號處理研究

樊文濤

(同煤浙能麻家梁煤業有限責任公司，山西 朔州 036000)

通過研究煤礦中瓦斯數據信息的實際情況，在檢測瓦斯數據時采用希爾伯特-黃變換分析法，參考濃度時間瞬性，選取比較科學合理的方式來完成預測，使最后的預測更加有說服力，起到簡化預測流程的目的，能夠快捷地進行瓦斯監測信息預處理，為更準確科學地預測瓦斯濃度提供有效理論基礎。

瓦斯監測；希爾伯特-黃；數據處理；預測精度

引 言

國內的煤炭開采環境繁雜多變，在掘取技術、開采機器和管理角度上，跟發達國家相比，差距還是比較明顯。隨著礦井開采量越來越高，開采的深度及強度也隨之加大，而伴隨著產量上升，礦井可能出現的危害也會隨之增加，此形勢在擴大煤礦增產，加強經濟利益方面均會造成影響，同時，也給煤礦安全帶來極大的挑戰，引起社會的廣泛關注，對我國煤炭工業的進一步發展形成了制約[1-2]。本文通過參考通風安全理論時間序列分析法，研究了日常瓦斯監測數據，進一步分析了取得數據節點處的瓦斯數據的相關性和相互關聯巷道監測點數據強關聯性，通過以此為基礎，聯系性地進行瓦斯濃度預測研究，通過該途徑使預測結果更加準確、可靠，得到的預警數據為以后的預測甚至礦井安全管理具有顯著地現實指導作用。

1 瓦斯監測數據特性分析

煤企里面安裝的相關設備的安全監測系統，可以不間斷地對井下的一氧化碳、二氧化碳、甲烷、氧氣等氣體濃度及風速、壓力、粉灰度含量等環境數據進行檢測，同時，監測機器運行情況。這些數據的采集、傳輸都是在現實操作生產里面獲取的。井下特殊的環境情況非常的危險惡劣，許多干擾因素，如，氣溫、粉塵、濕度對監測部件會造成影響，同時，在數據進行獲取、傳輸、存貯、處理時，還可能有意想不到的情況發生，如，存儲介質發生事故、傳感器無反應、傳輸出現故障、電磁對傳輸產生干擾，另外，還有人員管理方面的原因。因井下特別復雜環境因素，還有系統自己的運行錯誤因素等，所以，在監控系統獲取的監測數據并不是任何時候均有作用，還可能存在數據失穩、缺項還有監測準確度失效等情況，此外，還包括噪聲，體現出比較繁冗的非線性特征。

2 瓦斯監測數據小波消噪處理

2.1 瓦斯濃度時間序列小波分解

若采取小波基函數，其分解層數目不一致也會造成消噪結果效果不一致的現象，所以，有個比較適宜的函數和分解層數對于結果十分重要。在經歷序列異常值處理及補缺后，數據波動仍然明顯，極大值點分布度一般不理想，所以，具有平滑度好、 sym4低的特點的小波基成了最佳選擇。比照小波原理，高層分解小波系數和序列低頻部分與之對應，有效信號的組成也基本為低頻部分，因此，分解層次顯著度越高，濾掉低頻部分越強。盡管有了很好的去噪效果，但是也造成了不比較大的失真。所以，對瓦斯濃度時間序列來說，其分解層數L太高并不有利，其層數要低于5時最佳。

1) 小波分解系數閾值處理

對時間序列消噪來講，因為造成瓦斯濃度不同的因素多種多樣，會引起濃度監測信息數據不穩定，具有很大的波動性，而且有效信號與噪聲之間有疊加，造成一定的干擾。在不同的過程中，一些監測數據不具有很好的規律性，因此進行閾值確定時，采取具有自適應能力的無偏風險估計方法比較適宜，這樣有利于使有效信號大部分保留。這樣確定閾值的方法則參考 Stein無偏似然估計原理，以此為基準進行閾值選取，對設定的閾值l，風險值最低就可選取。估計算法對分解得到的小波系數平方值從低至高排列成向量，見式(1)：

W={w(k),k=1,2,Λ,Nk}

(1)

對向量中的各個元素，風險值定義為式(2)：

(2)

2) 小波逆變換重新構建

經過采用小波逆變換方法，處理過閾值，待重新構建后，能夠得到消噪的濃度時間序列。

2.2 時間序列HHT研究

因處于實際操作生產過程里，采用HHT能夠解決那些具有高復雜度且平穩度不好的時間序列問題，我們通過展開瓦斯監測數據組成的瓦斯濃度時間序列，提出瞬時特征，對內部包括的時間序列規律分量、趨勢項及含噪聲高頻分量進行建模，接著開展預測，然后結果合成，使最后的預測比較簡單快捷[3]。通過預處理而形成時間均勻分布的時間序列，首先，經HHT進行EMD處理，將序列變為不一致頻率IMF分量，然后，經Hilbert變換得到各分量瞬頻，將瓦斯濃度時間序列，參考各分量瞬時頻率后，將其分成高頻、低頻與趨勢項，過程如下。

2.3 瓦斯濃度時間序列分解

把經預處理的瓦斯濃度時間序列{xt,t=1,2,Λ,Nx}采用EMD法，能夠獲得IMF分量{imf1,imf2,Λ,imfM}及余項{xn(t),M<[log2Nx]+1,imfi}，與由原始數據分解后得到的時間序列{ct(t),t=1,2,L,Nx}相對應，表示瓦斯濃度時間序列包括的頻率自上而下分量。

1) 分解序列Hilbert變換

對于{imf1,imf2,Λ,imfM}，經Hilbert變換獲得各個IMF分量瞬時頻率{f1,f2,Λ,fM}。需要注意的是，各個fi對應一個序列{ft(t),t=1,2,Λ,Nx}，因瞬時頻率為時間函數，表現的是序列某時的局部頻率，因此，{f1,f2,Λ,fM}式中各fi表示時間序列分量局部瞬時特性，IMF在fi的劃分下，變成分布規律的低頻部分與波動性強烈的高頻部分。

2) 由瞬時頻率來劃分分量

2.4 瓦斯監測數據預處理驗證模型

經對原始監測數據預處理獲得還算整齊的濃度數據，時間序列樣本信息；通過采取EMD法分解時間序列同時進行Hilbert變換；把分解后獲得的IMF參考其瞬時頻率高低得出新的高低頻分量，同余項進行順序性預測，將三者進行相加得到最后數據信息。此流程參照第115頁圖1，詳細過程如下：

1) 監測數據初步預處理。上線在監測數據中會有不正常數據出現的現象；對時間間隔均勻不夠好的監測數據變換成的時間間隔相對均勻的，再次參考巡檢周期，用某倍數再一次進行樣獲取，得到整齊度比較好的時間序列，同時進行消噪。

2) 在EMD法上的時間序列進行分解。比照1)得到的序列進行EMD過程，最終能夠獲取每個IMF分量{imf1,imf2,Λ,imfM}與表現濃度時間序列走勢的余項Xt(n)。

4) 在HHT法的角度開展預測。結合之前的預測途徑，對于較高頻xh分量、低頻l分量、余項xn采取依次順序的預測。

5) 獲得最后結果。將4)里3部分數據結果相加獲得最早預測數據信息。

圖1 預測驗證模型流程圖

3 現實礦井條件下的預處理驗證

在進行某礦的實際調查中，將其中2336瓦斯監測點進行分析，總共持續33 d，時間達2 847 547 s，間隔差最大43 852 s，均時98.37 s，獲取數據節點28 947個，最高瓦斯濃度0.34%，最低為0。對于以上數據應用瓦斯監測數據預處理法來展開分析研究。獲得前30 d濃度數據，并以之為樣本，提前構建好3種SVMR、RBFNN、AR預測模型；把最后3 d數據作為預測樣本，選取軟件MATLAB進行編程運行，對比預測結果與實際數據，得出預測誤差，并以得到的結果來證實文中提出的預處理方法的可靠性。圖2為原始瓦斯濃度數據時間序列。在經過對時間序列的不正常狀態進行處理與數據補齊后，需要重新采集數據，因為巡檢周期范圍為10 s～30 s，所以本次采取樣本的頻率為每分鐘取1點，重采序列見圖3，然后，進行小波消噪，結束之后時間序列見圖4。經過零值替代最初時間序列，經過插值處理后時間間隔就顯得普遍平滑均勻，和最初的數據信息趨勢保持相似，再經軟閾值消噪，獲取的曲線又變得平整了一點，瞬時特征在此時就很容易提取。

采取EMD途徑警告處理后的數據如圖5。經分解獲得的各IMF經過Hilbert變換獲得瞬時頻率如第116頁表1。因為IMF7的瞬時頻率比IMF6幅度較低，把較高頻分量段設為IMF1～IMF6，較低頻分量設為IMF7～IMF12，接著，這兩頻分量分別進行求和組成新高頻分量與低頻風量，對高頻、低頻分量和余項采取10 min重采樣構成新的樣本。在經過AR、SVMR、RBFNN等模型進行預測的高頻、低頻分量及余項。

圖2 原始數據時間序列

圖3 異常值處理、數據補缺后新采樣序列

圖4 消噪后序列

圖5 EMD處理結果

將后面的3 d劃分為9個8 h，與現場每班8 h組成1次相對應預測模型，獲得結果，添加前8 h的數據開始1次模型構建，然后，就通過以10 min的間隔開始進行一次的預測。在經過EMD進行分解之后，得到了較高頻、較低頻這兩者分量求和結果，以及得到了余項預測結相對的IMF分量求和比照圖，如第116頁圖6所示。

表1 瞬時頻率表

圖6 各分量預測結果

4 結束語

通過研究實際生產中礦井瓦斯濃度監測信息數據特性，并以此為參考方向，重點研究了瓦斯監測數據預處理的解決方法。主要過程包括：

1) 研究了礦井監測數據的特征，得出其濃度時間序列復雜多樣性，同時其非線性特性很明顯。

2) 在進行了礦井瓦斯濃度時間序列HHT分

析之后，獲取了時間序列的瞬時特征，這些數據結果能夠把高度復雜、非線性的問題轉化為簡單且有規律性的問題，大大減少了工作量，明顯降低了預測難度。

3) 聯合分析了AR、RBFNN和SVMR預測模型，并且同時驗證了井下瓦斯監測數據預處理選用方法的可行性，對實際情況的監測數據進行預處理，并把前、后的預測結果對比得出結果，表明，對瓦斯監測數據進行預處理對最后結果有好處，能夠使預測結果更加符合要求，且準確性高，證實進行預處理有助于提高預測結果準確性。

4) 經預處理和HHT分析驗證其有效性，這些均為以后此類領域的研究提供了有效的幫助。

[1] 陳華友.基于預測有效度的組合預測模型近似求解[J].安徽大學學報(自然科學版),2003,27(3):7-10.

[2] 姚恩營，周玉國.基于多尺度小波分解的時間序列預測方法研究[J].計算機時代,2009(1):4-6.

[3] 董丁穩，常心坦.基于HHT方法的礦井瓦斯體積分數預測[J].中國安全科學學報,2011,21(9):100-105.

Study on the characteristics of gas and signal processing based on Hilbert-Huang Transform

FAN Wentao

(Datong Zheneng Majialiang Coal Mine Co., Ltd., Shuozhou Shanxi 036000, China)

Through the study of the actual situation of gas data in coal mine, gas data is detected by analysis method of Hilbert-Huang Transform, this paper refers to instantaneous concentration time, selects appropriate, scientific and reasonable method to forecast, making the final prediction more persuasive and simplifying prediction process, so as to quickly preprocess the gas monitoring information and accurately and scientifically provide effective theoretical basis for future prediction of gas concentration.

gas monitoring; Hilbert-Huang; data processing; prediction accuracy

2017-03-13

樊文濤，男，1984年出生，2015年畢業于遼寧工程技術大學，碩士，助理工程師，從事煤礦安全工程方面的研究。

10.16525/j.cnki.cn14-1109/tq.2017.02.38

TD712

A

1004-7050(2017)02-0113-04

煤礦工程