基于希尔伯特-黄变换的瓦斯特征信号处理研究

樊文涛

(同煤浙能麻家梁煤业有限责任公司，山西 朔州 036000)

基于希尔伯特-黄变换的瓦斯特征信号处理研究

樊文涛

(同煤浙能麻家梁煤业有限责任公司，山西 朔州 036000)

通过研究煤矿中瓦斯数据信息的实际情况，在检测瓦斯数据时采用希尔伯特-黄变换分析法，参考浓度时间瞬性，选取比较科学合理的方式来完成预测，使最后的预测更加有说服力，起到简化预测流程的目的，能够快捷地进行瓦斯监测信息预处理，为更准确科学地预测瓦斯浓度提供有效理论基础。

瓦斯监测；希尔伯特-黄；数据处理；预测精度

引 言

国内的煤炭开采环境繁杂多变，在掘取技术、开采机器和管理角度上，跟发达国家相比，差距还是比较明显。随着矿井开采量越来越高，开采的深度及强度也随之加大，而伴随着产量上升，矿井可能出现的危害也会随之增加，此形势在扩大煤矿增产，加强经济利益方面均会造成影响，同时，也给煤矿安全带来极大的挑战，引起社会的广泛关注，对我国煤炭工业的进一步发展形成了制约[1-2]。本文通过参考通风安全理论时间序列分析法，研究了日常瓦斯监测数据，进一步分析了取得数据节点处的瓦斯数据的相关性和相互关联巷道监测点数据强关联性，通过以此为基础，联系性地进行瓦斯浓度预测研究，通过该途径使预测结果更加准确、可靠，得到的预警数据为以后的预测甚至矿井安全管理具有显著地现实指导作用。

1 瓦斯监测数据特性分析

煤企里面安装的相关设备的安全监测系统，可以不间断地对井下的一氧化碳、二氧化碳、甲烷、氧气等气体浓度及风速、压力、粉灰度含量等环境数据进行检测，同时，监测机器运行情况。这些数据的采集、传输都是在现实操作生产里面获取的。井下特殊的环境情况非常的危险恶劣，许多干扰因素，如，气温、粉尘、湿度对监测部件会造成影响，同时，在数据进行获取、传输、存贮、处理时，还可能有意想不到的情况发生，如，存储介质发生事故、传感器无反应、传输出现故障、电磁对传输产生干扰，另外，还有人员管理方面的原因。因井下特别复杂环境因素，还有系统自己的运行错误因素等，所以，在监控系统获取的监测数据并不是任何时候均有作用，还可能存在数据失稳、缺项还有监测准确度失效等情况，此外，还包括噪声，体现出比较繁冗的非线性特征。

2 瓦斯监测数据小波消噪处理

2.1 瓦斯浓度时间序列小波分解

若采取小波基函数，其分解层数目不一致也会造成消噪结果效果不一致的现象，所以，有个比较适宜的函数和分解层数对于结果十分重要。在经历序列异常值处理及补缺后，数据波动仍然明显，极大值点分布度一般不理想，所以，具有平滑度好、 sym4低的特点的小波基成了最佳选择。比照小波原理，高层分解小波系数和序列低频部分与之对应，有效信号的组成也基本为低频部分，因此，分解层次显著度越高，滤掉低频部分越强。尽管有了很好的去噪效果，但是也造成了不比较大的失真。所以，对瓦斯浓度时间序列来说，其分解层数L太高并不有利，其层数要低于5时最佳。

1) 小波分解系数阈值处理

对时间序列消噪来讲，因为造成瓦斯浓度不同的因素多种多样，会引起浓度监测信息数据不稳定，具有很大的波动性，而且有效信号与噪声之间有叠加，造成一定的干扰。在不同的过程中，一些监测数据不具有很好的规律性，因此进行阈值确定时，采取具有自适应能力的无偏风险估计方法比较适宜，这样有利于使有效信号大部分保留。这样确定阈值的方法则参考 Stein无偏似然估计原理，以此为基准进行阈值选取，对设定的阈值l，风险值最低就可选取。估计算法对分解得到的小波系数平方值从低至高排列成向量，见式(1)：

W={w(k),k=1,2,Λ,Nk}

(1)

对向量中的各个元素，风险值定义为式(2)：

(2)

2) 小波逆变换重新构建

经过采用小波逆变换方法，处理过阈值，待重新构建后，能够得到消噪的浓度时间序列。

2.2 时间序列HHT研究

因处于实际操作生产过程里，采用HHT能够解决那些具有高复杂度且平稳度不好的时间序列问题，我们通过展开瓦斯监测数据组成的瓦斯浓度时间序列，提出瞬时特征，对内部包括的时间序列规律分量、趋势项及含噪声高频分量进行建模，接着开展预测，然后结果合成，使最后的预测比较简单快捷[3]。通过预处理而形成时间均匀分布的时间序列，首先，经HHT进行EMD处理，将序列变为不一致频率IMF分量，然后，经Hilbert变换得到各分量瞬频，将瓦斯浓度时间序列，参考各分量瞬时频率后，将其分成高频、低频与趋势项，过程如下。

2.3 瓦斯浓度时间序列分解

把经预处理的瓦斯浓度时间序列{xt,t=1,2,Λ,Nx}采用EMD法，能够获得IMF分量{imf1,imf2,Λ,imfM}及余项{xn(t),M<[log2Nx]+1,imfi}，与由原始数据分解后得到的时间序列{ct(t),t=1,2,L,Nx}相对应，表示瓦斯浓度时间序列包括的频率自上而下分量。

1) 分解序列Hilbert变换

对于{imf1,imf2,Λ,imfM}，经Hilbert变换获得各个IMF分量瞬时频率{f1,f2,Λ,fM}。需要注意的是，各个fi对应一个序列{ft(t),t=1,2,Λ,Nx}，因瞬时频率为时间函数，表现的是序列某时的局部频率，因此，{f1,f2,Λ,fM}式中各fi表示时间序列分量局部瞬时特性，IMF在fi的划分下，变成分布规律的低频部分与波动性强烈的高频部分。

2) 由瞬时频率来划分分量

2.4 瓦斯监测数据预处理验证模型

经对原始监测数据预处理获得还算整齐的浓度数据，时间序列样本信息；通过采取EMD法分解时间序列同时进行Hilbert变换；把分解后获得的IMF参考其瞬时频率高低得出新的高低频分量，同余项进行顺序性预测，将三者进行相加得到最后数据信息。此流程参照第115页图1，详细过程如下：

1) 监测数据初步预处理。上线在监测数据中会有不正常数据出现的现象；对时间间隔均匀不够好的监测数据变换成的时间间隔相对均匀的，再次参考巡检周期，用某倍数再一次进行样获取，得到整齐度比较好的时间序列，同时进行消噪。

2) 在EMD法上的时间序列进行分解。比照1)得到的序列进行EMD过程，最终能够获取每个IMF分量{imf1,imf2,Λ,imfM}与表现浓度时间序列走势的余项Xt(n)。

4) 在HHT法的角度开展预测。结合之前的预测途径，对于较高频xh分量、低频l分量、余项xn采取依次顺序的预测。

5) 获得最后结果。将4)里3部分数据结果相加获得最早预测数据信息。

图1 预测验证模型流程图

3 现实矿井条件下的预处理验证

在进行某矿的实际调查中，将其中2336瓦斯监测点进行分析，总共持续33 d，时间达2 847 547 s，间隔差最大43 852 s，均时98.37 s，获取数据节点28 947个，最高瓦斯浓度0.34%，最低为0。对于以上数据应用瓦斯监测数据预处理法来展开分析研究。获得前30 d浓度数据，并以之为样本，提前构建好3种SVMR、RBFNN、AR预测模型；把最后3 d数据作为预测样本，选取软件MATLAB进行编程运行，对比预测结果与实际数据，得出预测误差，并以得到的结果来证实文中提出的预处理方法的可靠性。图2为原始瓦斯浓度数据时间序列。在经过对时间序列的不正常状态进行处理与数据补齐后，需要重新采集数据，因为巡检周期范围为10 s～30 s，所以本次采取样本的频率为每分钟取1点，重采序列见图3，然后，进行小波消噪，结束之后时间序列见图4。经过零值替代最初时间序列，经过插值处理后时间间隔就显得普遍平滑均匀，和最初的数据信息趋势保持相似，再经软阈值消噪，获取的曲线又变得平整了一点，瞬时特征在此时就很容易提取。

采取EMD途径警告处理后的数据如图5。经分解获得的各IMF经过Hilbert变换获得瞬时频率如第116页表1。因为IMF7的瞬时频率比IMF6幅度较低，把较高频分量段设为IMF1～IMF6，较低频分量设为IMF7～IMF12，接着，这两频分量分别进行求和组成新高频分量与低频风量，对高频、低频分量和余项采取10 min重采样构成新的样本。在经过AR、SVMR、RBFNN等模型进行预测的高频、低频分量及余项。

图2 原始数据时间序列

图3 异常值处理、数据补缺后新采样序列

图4 消噪后序列

图5 EMD处理结果

将后面的3 d划分为9个8 h，与现场每班8 h组成1次相对应预测模型，获得结果，添加前8 h的数据开始1次模型构建，然后，就通过以10 min的间隔开始进行一次的预测。在经过EMD进行分解之后，得到了较高频、较低频这两者分量求和结果，以及得到了余项预测结相对的IMF分量求和比照图，如第116页图6所示。

表1 瞬时频率表

图6 各分量预测结果

4 结束语

通过研究实际生产中矿井瓦斯浓度监测信息数据特性，并以此为参考方向，重点研究了瓦斯监测数据预处理的解决方法。主要过程包括：

1) 研究了矿井监测数据的特征，得出其浓度时间序列复杂多样性，同时其非线性特性很明显。

2) 在进行了矿井瓦斯浓度时间序列HHT分

析之后，获取了时间序列的瞬时特征，这些数据结果能够把高度复杂、非线性的问题转化为简单且有规律性的问题，大大减少了工作量，明显降低了预测难度。

3) 联合分析了AR、RBFNN和SVMR预测模型，并且同时验证了井下瓦斯监测数据预处理选用方法的可行性，对实际情况的监测数据进行预处理，并把前、后的预测结果对比得出结果，表明，对瓦斯监测数据进行预处理对最后结果有好处，能够使预测结果更加符合要求，且准确性高，证实进行预处理有助于提高预测结果准确性。

4) 经预处理和HHT分析验证其有效性，这些均为以后此类领域的研究提供了有效的帮助。

[1] 陈华友.基于预测有效度的组合预测模型近似求解[J].安徽大学学报(自然科学版),2003,27(3):7-10.

[2] 姚恩营，周玉国.基于多尺度小波分解的时间序列预测方法研究[J].计算机时代,2009(1):4-6.

[3] 董丁稳，常心坦.基于HHT方法的矿井瓦斯体积分数预测[J].中国安全科学学报,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

樊文涛，男，1984年出生，2015年毕业于辽宁工程技术大学，硕士，助理工程师，从事煤矿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

煤矿工程