摘要：微震监测系统主要用来监测和分析各种生产及开采活动中由岩石破坏所引起的微震。微震监测原理与地震监测相同，主要包括数据采集，事件的信号识别和定位，其中信号识别主要是指P波震相的识别，它直接影响微震定位的可靠性。目前在地震监测中，广泛使用的识别算法主要是pick_ew和FilterPicker算法。使用实际数据对这两个算法进行研究并优化其参数，使它们能够更好地应用在微震事件的监测中。由于pick_ew配置参数的复杂性，主要是依据前人使用的历史经验对参数进行优化；而FilterPicker算法只需要调整一个参数就可以将其更好的应用在微震监测中，主要使用0.618法来找出这个参数值。

　　关键词：微震监测；自动识别；参数优化；pick_ew；FilterPicker

　　中图分类号：TN911.7?34文献标识码：A文章编号：1004?373X（2013）23?0065?05

　　Researchandparameteroptimizationonmicroseismiceventsignalrecognitionalgorithm

　　WUYi?qun，WUGuan?mao

　　（SchoolofComputerScienceandTechnology，AnhuiUniversityofScienceandTechnology，Huainan232001，China）

　　Abstract：Microseismicmonitoringsystemismainlyusedtomonitorandanalyzethemicroseismscausedbyrockdestructionofvariousproductionsandminingactivities.Microseismicmonitoringprincipleisthesameasearthquakemonitoring，whichincludesdataacquisition，signalidentificationandlocationofevents.ThesignalidentificationmainlyreferstotheP?waveseismicphaseidentification，whichdirectlyaffectsthereliabilityofmicroseismicmonitoringsystem.Currentlytherecognitionalgorithmswidelyusedinseismicmonitoringarepick_ewalgorithmandFilterPickeralgorithms.Actualdataisusedtostudythesetwoalgorithmsandoptimizetheirparameters，toenablethemtobetteruseinmonitoringmicroseismicevents.Sincethecomplexityoftheparameterconfigurationofpick_ew，thehistoricalexperienceofourpredecessorsaremainlyusedtooptimizetheparameters，whileitonlyneedtoadjustoneparameterinFilterPickeralgorithm，thatcanmakeitbetterapplicationinmicroseismicmonitoring.Theparametervalueisfoundoutby0.618method.

　　Keywords：microseismicmonitoring；automaticidentification；parameteroptimization；pick_ew；FilterPicker

　　0引言

　　微震，局部地区的小型地震，可作为岩石破坏的标志，在工程施工和矿山安全领域得到越来越多的关注。近年来，微震监测系统得到了广泛地应用。微震监测系统由数据采集，事件的信号识别，定位及相应的参数计算等模块组成。在这些模块中，事件的信号识别是最基本的模块，它直接影响到定位及所有其他微震相关参数计算的准确性。与地震相比，微震发生的频率要大得多，对每一微震事件进行人工识别是不切实际的，鉴于此，微震事件的自动识别技术一直得到人们的重视。

　　Allen提出了pick_ew算法[1]以及Baer和Kradolfer提出了BK87算法[2]用于地震事件信号的自动识别。这两种信号识别算法都是通过比较信号特征函数的短期平均值（STA）、长期平均值（LTA）和阈值之间的关系。算法的特征函数是基于信号及其在连续样例上时间导数的组合，导数使得算法对于信号的高频变化比较敏感。这两种算法设定阈值的方式是不同的，在pick_ew算法中阈值是预定义的，但BK87算法中，阈值是根据特征函数标准差来自动设定的。

　　AnthonyLomax提出了FilterPicker算法[3]。该算法的基本原理是：设特征函数[3]为[FC（i）]，监视每一个时间区间长度为[Tup，]定义两个阈值[S1]和[S2]分别用于判断信号是否被触发或被识别。FilterPicker算法的效率是非常高的，几乎全使用逻辑和算术运算。

　　世界大多数的地震台站监测的自动识别算法，主要频率在125Hz左右。而在煤矿中，微震事件的信号频率可达到[4]2500Hz。Mele等的优化方案也都是针对地震信号的[5]，然而对于微震监测所对应的高频信号的应用和优化，却鲜有报道。本文研究目的就是根据实际数据，比较两种地震信号识别方法在微震监测高频信号的应用以及不同参数组合的效果，找出适合于微震监测系统的最佳参数组合。

　　1数据的获取和可优化参数的选取

　　pick_ew算法和FilterPicker算法主要是用于地震事件的识别，地震数据采样率比较低，一般都是几百左右。在大范围的地震中这样的精度是比较高的。但是在小范围的微震监测中，这样的采样率是远远不够的。采样率越高，微震定位精度就越高。本文的数据采样率[S=5]000个/s，其所对应的采样时间间隔为[Δt=1S=]0.0002s。

　　1.1试验条件

　　采用人工锤击产生震源。传感器采用主频为15Hz的速度型传感器，灵敏度为31.9V/（m/s）。传感器布置如图1所示。

　　图1传感器布置

　　传感器及震源的布置：07～11均为传感器，S为人工震源（锤击）的位置，12号传感器位于震源位置。一般做人工震源时，07～10号以及12号传感器均能采集到微震信号，12号传感器采集到微震事件信号的时间为锤击时间[t0。]由于11号传感器距锤击点相对比较远，有可能采集不到微震事件的信号。

　　1.2pick_ew参数说明

　　pick_ew配置参数一共23个，可优化的参数[1]17个。相关的参数说明和优化见参考文献[5]。跟采样率有关的6个参数：[T1=]0.68s，StaFilt=1-[e-2πΔtT1]=0.01831；[T2=]2.06s，LtaFilt=1-[e-2πΔtT2]=0.00061；[C*2=]0.0003s2，CharFuncFilt=[C*2Δt2]=7500；[T3=]16.08s，RmavFilt=[e-2πΔtT3]=0.99999；[fc=]4Hz，[T4=-2πΔt，]RawDataFilt=[eT4=]0.99498；[T5=]20s，MaxMint=[T4Δt]=10000。

　　StaFilt：筛选参数，用来计算特征函数的短期平均值；LtaFilt：筛选参数，用来计算特征函数的长期平均值；RawDataFilt：筛选参数，用于原始数据；CharFuncFilt：筛选参数，用于波形数据特征函数的计算；RmavFilt：筛选参数，用于计算波形数据的绝对值的平均值；MaxMint：两个零交叉的最大时间间隔（样例的数量）；其中StaFilt和LtaFilt是两个最重要的参数。

　　1.3FilterPicker参数说明

　　FilterPicker配置参数一共11个，可优化的参数5个。详细原理见参考文献[3]。跟采样率有关的参数3个。参考文献[6]给出的采样率为100个/s，故[Δt=]0.01s。由于[S=]5000个/s，故最优解需要除以50。具体跟采样率相关的3个参数：[Tfilter=300Δt，]最优值为0.0173；[Tlong=][500Δt，]最优值为0.24；[Tup=20Δt，]最优值为0.00776。两个阈值：[S1=]10，最优值为9.36；[S2=]10，最优值为9.21。[Tfilter]是输入信号分频后各频率组的最长周期，这个参数跟[Nband]的计算有关系，主要跟参考文献[3]中公式（2）～（5）的计算有关；[Tlong]是计算所用的输入信号长期平均值的时间窗口，主要跟参考文献[3]中公式（1）的计算有关；[S1]是信号的触发阈值；[S2]是信号的识别阈值；[Tup]是用于验证pick合法性验证的时间窗口。

　　2微震事件的信号识别算法比较及参数优化

　　微震事件信号识别算法的评价标准是同一微震事件的信号有且只能被识别一次，即不遗漏和不重复。07～12号传感器采集到的数据如图2所示。图2显示UTC时间2013年5月24号01点55分55秒到01点56分54秒的数据，在这一分钟，间隔7～8s做一次人工震源（锤击），一共做了6次。根据如图1所示的传感器布局，在S位置处锤击产生微震事件，通过试验来验证这两个算法的有效性，并优化参数。其中第4个人工产生的微震事件如图3所示。

　　图2人工震源

　　2.1pick_ew参数优化以及结果

　　pick_ew算法触发微震事件信号的条件是特征函数的短期平均值（STA）和长期平均值（LTA）的比值大于预定义的阈值。StaFilt和LtaFilt分别指定与STA和LTA相关的参数，EventThresh是预定义的阈值；识别微震事件信号的条件是在信号被触发后，高通滤波的信号值的前三个峰值中，至少有一个值要大于等于由参数MinPeakSize指定的最小峰值（表示微震事件的开始），并且有40次连续低于参数CodaTerm指定的值（表示微震事件的结束），即在pick_ew中一个微震事件必须包括开始和结束，否则不是一个有效的微震事件，且MinPeakSize值大于CodaTerm。

　　图3第4个微震事件的信号图

　　本文使用4组不同的参数组合，包括与采样率相关的6个配置参数（StaFilt，LtaFilt，CharFuncFilt，RmavFilt，RawDataFilt，MaxMint）以及EventThresh的值，其他参数值均为EW的推荐值[5]。4组值分别为：

　　（1）0.01831，0.00061，7500，0.999，0.994，10000，3.5；

　　（2）0.01831，0.00061，7500，0.999，0.994，10000，2.3；

　　（3）0.023，0.0008，4800，0.999，0.939，500，2.3；

　　（4）0.15，0.021，4800，0.996，0.979，500，2.3。

　　第（1）组是根据Mele[5]的推荐值和计算结果。第（4）组为典型的地震监测使用值[3]。第（2）组只调整了EventThresh。第（3）组数据，根据经验，只计算对采样率敏感的4个参数的计算值，其他的使用EW（earthworm）的推荐值。

　　EventThresh是一个预定义的阈值，控制微震事件的信号被触发。它并不直接与采样率有关，而与信号的噪音有关。它确定在噪音条件下，对噪音信号的容忍度，值越低，容忍度越大。地震监测中，其值一般为5，目前最高使用在意大利地中海沿岸的地震台，其值[5]为3.5。对微震而言，信号的噪音较高，这里在3.5的基础上，降低至2.3来增加对噪音信号的识别。

　　表1中第3次实验对应的第3组pick_ew算法的参数组合，微震事件的信号识别率最高，其他的参数组合识别率比较低。其中StaFilt和LtaFilt参数修改幅度比较大，这两个参数直接确定信号的短期平均值和长期平均值，对pick_ew算法而言是极为重要的配置参数。4次试验表明：pick_ew算法对微震事件的信号识别均没有重复，只是出现遗漏的情况，如第（2）、（3）组参数遗漏比较少，这是比较合适的配置参数。

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。