一种基于多指标融合的技术，用于识别岩石破坏过程中的声发射信号 李德贤、 王宏伟、 王登宇、 王雪梅、 李连辉、 裴中伟、 王颖

《Sensors》：A Multi-Indicator Fusion-Based Technique for the Identification of Acoustic Emission Signals During Rock Failure Dexian Li, Hongwei Wang, Dengyu Wang, Xuemei Wang, Lianhui Li, Zhongwei Pei and Ying Wang

　　**亮点**

- **主要发现是什么？**
- 提出了一种基于能量包络的分割策略，用于分离密集且重叠的声发射（AE）波形，而无需依赖固定的时间参数。
- 提出了一种多指标模板滑动窗口识别方案（相关性、环数、上升时间和能量），用于检测与岩石破坏相关的AE事件，并通过时间差校正来改进到达时间的选取。

- **主要发现的意义是什么？**
- 所提出的工作流程在强衰减、非平稳性和通道丢失的记录条件下提高了AE事件检测和选取的可靠性，使得在岩石破坏测试中能够更准确地定位事件。
- 该方法为岩土工程应用中的实时损伤监测和岩石不稳定性的早期预警提供了实用的基础。

**摘要**

随着声发射（AE）技术在岩土工程中的广泛应用，有效分离和识别岩石破裂过程中产生的密集AE信号仍然是一个关键挑战。本研究提出了一种基于波形能量包络和多指标特征参数的AE事件识别技术。首先，利用波形能量包络自适应地分割密集且部分重叠的AE波形，而不依赖于固定的时间参数。然后，通过结合波形相关性、环数、上升时间和信号能量进行模板滑动窗口扫描来识别候选AE事件。此外，采用时间差校正和窗口堆叠策略来改进多通道到达时间的选取。在实验室岩石破坏测试中提取的单峰单事件和双峰多波形案例的实验验证表明，所提出的方法能够在测试条件下有效分离和识别AE波形。与传统的基于时间参数的分割和以相关性为主的匹配方法相比，该方法对波形衰减和失真具有更好的鲁棒性。该方法为岩石破坏监测中的AE波形识别和到达时间提取提供了方法论基础，并且在进一步验证后具有支持早期预警的潜力。

**1. 引言**

近年来，随着生活水平的不断提高，基础设施建设迅速发展。然而，各种岩土工程灾害也随之出现，如边坡失稳、岩石崩塌、岩爆等。这些灾害造成了严重的伤亡和经济损失，并严重威胁到工程安全。这些灾害通常是岩石内部断裂和不稳定性的宏观表现；因此，理解控制这些过程的演变规律对于预防和控制此类灾害至关重要[1,2,3]。然而，岩石断裂不稳定的机制非常复杂。这些机制不仅与岩石的结构特性密切相关，还与环境因素（如原位应力和温度）有关，这对全面理解岩石的力学性质提出了重大挑战[4,5]。

在岩石破坏过程中，内部节理结构在应力作用下发生变形，导致微裂纹扩展并逐渐积累能量。当宏观裂纹形成时，积累的能量以应力波的形式迅速释放，产生密集的声发射（AE）信号[6,7,8]。这些密集的AE信号全面反映了微观颗粒的位移和断裂、宏观裂纹的起始和扩展以及与特定状态下岩石相关的环境因素[9,10]，从而包含了关于内部结构演变的信息。因此，在岩石破坏过程中识别密集的AE信号有助于深入理解岩石破坏的演变机制。这对于实现动态监测、早期损伤预警和防止岩石破坏具有重要意义，对于预防和控制岩土工程灾害也具有重大意义[11,12,13]。

AE信号的识别主要涉及两个阶段：波形分割和波形识别。目前，波形分割通常依赖于物理声学公司（PAC）或Vallen Systeme定义的预设时间参数，从数据采集通道中提取独立的AE信号。这些基于预设参数的波形分割方法简单且计算效率高，当AE事件稀疏且波形重叠有限时表现良好。然而，在岩石破坏过程中触发密集的情况下，相邻信号可能在撞击定义时间（HDT）内到达，导致多个事件被合并为一个记录的波形或被错误截断。因此，当信号高度重叠或通道间衰减严重时，这些方法的分割性能可能会显著下降。关于波形识别，现有研究主要可以分为源扫描算法（SSA）和匹配滤波器方法[14,15,16]。前者利用绝对幅度、能量包络或短期平均/长期平均（STA/LTA）比率等特征来遍历时间序列中的潜在源位置和起源时间，从而实现波形识别和定位[17,18,19,20]。基于源扫描的方法通过扫描可能的源位置和起源时间并在通道间评估波形一致性、能量堆叠或特征函数来确定事件发生。它们的主要优点在于能够在多通道框架中检测和定位事件，而无需为每个事件提供精确的波形模板。然而，这些方法通常对波形失真、衰减和选取不确定性敏感，当搜索空间较大或事件密度较高时，计算负担可能变得相当大。后者则通过计算每个通道上记录的模板波形与潜在AE事件波形之间的互相关，然后利用相关波形的叠加来进行识别[21,22]。基于匹配滤波器的方法对于检测重复或高度相似的波形非常有效，特别适用于噪声数据中的弱事件恢复。然而，它们的性能在很大程度上取决于所选模板的代表性。当由于衰减或阈值触发效应导致波形变形、到达时间偏差或通道丢失时，匹配的可靠性可能会显著降低[23,24]。

近年来，随着密集/连续监测数据的发展，基于机器学习的到达时间选取、去噪和事件检测也被越来越多地引入，以提高在低信噪比和复杂传播条件下的鲁棒性[25,26,27]。这些方法在提高到达时间一致性、减少人工干预和改善弱信号识别方面显示出明显优势。然而，它们通常需要足够标注的数据集进行训练，其在不同岩性、加载路径、传感器布局和采集系统间的可解释性和可转移性仍然具有挑战性[28,29,30]。

然而，岩石破坏产生的AE信号通常具有非平稳性、大样本量和高衰减等特征。在数据采集过程中，事件触发非常密集；如果相邻信号之间的间隔小于撞击定义时间（HDT），多个事件往往会在同一时间序列中重叠，使得基于预设时间参数的方法无效。此外，一旦信号超过阈值并打开通道，低能量信号会继续进入，而一些通道由于信号衰减过多而无法记录。这导致通道间的时间序列长度不一致，高能量事件的记录到达时间有显著偏差。这些现象会导致记录波形的错位、变形或丢失，使得现有方法难以在岩石破坏过程中有效识别AE信号。

为了解决上述问题，本文提出了一种识别AE信号的方法。需要注意的是，本研究的新颖之处并不简单在于结合了多个指标，因为多指标分析已经在AE研究中得到了广泛应用。相反，本研究的主要贡献是为岩石破坏过程中密集触发和部分重叠的AE波形开发了一个集成的识别工作流程。该工作流程结合了基于波形能量包络的自动波形分割、跨通道的模板滑动窗口扫描、互相关、环数、上升时间和信号能量的联合评估，以及随后的时间差校正，以提高到达时间选取的一致性。与主要使用几个参数进行事件分类或定性区分的现有多指标研究相比，所提出的方法旨在解决波形重叠、衰减引起的波形变形、通道间记录长度不一致和到达时间偏差等问题，提供了一个统一且物理上可解释的框架。首先，利用波形能量包络自动分割时间序列中的单个波形。然后，选择波形相关性、环数、上升时间和信号能量等特征参数。接着使用波形模板滑动窗口扫描采集通道中的时间序列，识别与岩石破坏相关的AE信号，并应用时间差校正来提高每个事件的到达时间选取精度。本文首先介绍了AE信号的评估指标和分析方法，然后通过识别和分离从实验室岩石破坏测试中提取的单峰单事件和多峰波形案例来验证所提出方法的有效性和定位精度。

**2. 基于波形能量包络的波形分割方法**

AE信号触发密集，因此每个采集通道可能同时包含多个相邻波形间隔极短的AE信号。基于PAC和Vallen预设时间参数的方法可能无法有效分割这些单独的波形。此外，由于AE波形的快速衰减，某些通道中的幅度可能低于阈值而未被记录，导致时间序列长度不一致和观察到的到达时间有显著偏差。因此，为了有效分离AE中的密集波形，本研究采用了一种利用波形能量包络自动分割时间序列中波形的方法。

AE波形的形态可能随相位而变化。因此，首先需要计算通道内时间序列的包络以消除相位效应，并用它来近似能量变化。采用希尔伯特变换来计算包络，将此积分视为柯西主值，从而避免了奇异性：[公式此处省略]。从包络计算中得到的信号表现出不稳定性，这对波形分割不利；因此需要额外的平滑处理。采用Savitzky–Golay（SG）滤波器[31]，该方法基于曲线的局部多项式拟合来确定移动窗口加权平均的权重系数。它确保重构的数据有效保留了岩石声发射事件的局部特征，并更好地反映了信号幅度的变化。计算结果如图1所示。图1显示了波形包络及其SG滤波效果。AE信号主体的能量显著高于前导波和背景噪声。因此，通过搜索和筛选过滤时间序列中的峰值点（如图2a所示），可以初步确定潜在的岩石AE事件数量。图2：(a) 波形包络及其峰值点分布；(b) 波形分割方法的演示。

在本研究中，使用窗口长度为901个样本、多项式阶数为5的Savitzky–Golay滤波器对波形包络进行平滑处理。从过滤后的包络中筛选出最小间隔为1000个样本的峰值。仅保留高于50 dB且与最大峰值相差5 dB以内的峰值。对于单峰情况，从最后一个超过阈值点开始向后延伸500个样本（0.05 μs）定义起始点，终止点取为包络衰减到最大幅度20%的第一个后峰样本。对于多峰情况，分离点定义为相邻保留峰值之间的最小包络值，后续波形的终止点取为包络衰减到最大幅度10%的第一个后峰样本。结果波形分割如图2b所示。

**3. AE信号识别的特征参数**

AE信号主要表现出非线性和非平稳特性。由于岩石破坏过程中不同微裂纹的产生，AE信号在加载类型（拉伸、剪切和扭转）和幅度上存在显著差异。这些差异具体体现在互相关系数、频率、能量和强度等特征参数上的差异。相反，尽管来自同一微裂纹源的信号在传播路径上可能有所不同，但它们在上述特征参数上仍保持高度相似性。利用这些信号差异可以有效地识别和分类与不同微裂纹源、加载类型和幅度相关的AE信号。

本研究采用的四个特征参数是根据它们的物理意义和互补的区分能力选择的。具体来说，互相关系数用于量化波形形状的相似性，环数反映了振荡和阈值穿越行为，上升时间表征了起始发展和传播相关的展宽，信号能量反映了波形整体的强度。这些参数描述了声发射（AE）波形的不同但互补的方面。因此，它们的结合使用可以在密集触发、波形重叠、衰减和部分波形失真的条件下提高AE事件识别的可靠性。3.1. 相关系数 相关系数通常表示两个波形变化之间的相关程度。在本文中，相关系数被用来量化滑动时间窗口内的扫描波形与模板波形之间的相似性。假设两个波形分别表示为 和 ，它们之间的相关系数表示为： （2） 其中 表示对应于滑动时间窗口的采样点的相关系数， 是滑动时间窗口内的采样点总数， 是滑动时间窗口的起始点， 是在通道中记录的时间序列中的采样点总数。设要识别的时间窗口内的波形为 ，然后将其与模板波形进行相关计算。相关系数的值范围是 [0, 1]。该系数的大小反映了扫描波形与模板波形之间的振幅变化趋势的相关性：相似度越高，该值越接近 1；相反，窗口中来自不同微裂纹源的信号或随机噪声的比例越高，该值越接近 0。相关系数方法可以有效解决在同一时间序列中识别间隔过短的连续波形的难题。当滑动时间窗口的相关系数超过预设阈值时，可以推断出窗口内记录的波形和模板波形属于由同一微裂纹源触发的声发射事件。然而，相关系数主要反映了波形变化趋势的一致性，并且对波形失真和能量衰减敏感。因此，通常需要整合其他识别指标以实现AE信号的有效识别。3.2. 环计数 环计数是指信号跨越预设阈值的次数，反映了滑动时间窗口内扫描波形的频率特性。由于其处理简单，这一指标被广泛用于评估AE信号的活动。作为岩石内部接头结构变化的外部声响应，环计数体现了AE活动的强度和内部岩石损伤的演变过程；其值受弹性模量、初始缺陷和岩石结构等因素的影响 [4,32]。由于来自同一微裂纹源的AE信号在环计数上表现出一定的相似性，这一指标可以作为识别AE信号的标准之一。在本文中，环计数被用来测量滑动时间窗口内波形的平均频率，计算公式如下： （3） 其中 表示对应于滑动时间窗口的采样点的环计数， 表示信号在滑动时间窗口内跨越阈值的次数， 是滑动时间窗口内的采样点总数， 是在通道中记录的时间序列中的采样点总数。3.3. 上升时间 上升时间定义为AE信号首次跨越阈值到达到最大振幅的时间间隔。它被广泛用于断裂模式识别和噪声信号区分的研究中。上升时间反映了岩石属性对波传播的影响。在传播过程中，由于色散和衰减的影响，靠近源的信号具有更短的上升时间。相反，对于远离源的信号，由于高频成分和峰值振幅的快速衰减，上升时间相对较长。3.4. 信号能量 信号能量是一个与信号幅度及其分布密切相关的参数，通常定义为AE信号包络下的面积。尽管这个参数主要具有数学意义，并不对应于AE信号的真正物理能量，但它有效地反映了事件的相对能量强度，对于评估岩石破裂和损伤的程度非常重要。来自不同微裂纹源的波形在信号能量上表现出显著差异。此外，波形主体的信号能量与背景噪声不同，从而有助于信号识别和分离。计算公式如下： （4） 其中 表示对应于滑动时间窗口的采样点的信号能量， 表示滑动窗口内扫描波形的能量包络。信号能量不受阈值或相位的影响，因此适用于AE信号的识别。在这项研究中，这些指标不是独立使用的，而是在波形-模板-滑动窗口框架内整合的。它们的联合使用不仅旨在提高波形区分能力，还支持密集时间序列扫描和随后的到达校正。因此，所提出的方法不同于主要关注事件后分类或定性比较的传统多指标识别方法，因为这里选定的指标直接嵌入到AE波形识别过程中。4. 基于多指标融合的AE信号识别和校正技术 4.1. 模板通道选择 岩石微裂纹受到加载类型和幅度变化的影响，导致诱导的AE事件信号具有显著的多样性。仅依赖个别典型波形作为扫描模板很容易导致事件识别错误和遗漏。为了解决这个问题，本文使用在采集通道中记录的实际波形作为模板，并采用了滑动扫描方法进行处理。每个通道的单位时间序列长度设置为5000 μs。为了避免当信噪比（SNR）和信号能量不一致时产生歧义，模板通道的选择基于归一化SNR和归一化信号能量的综合得分： （5） 其中 和 分别是通道的归一化SNR和归一化信号能量。综合得分最高的通道被选为模板通道。当竞争通道的得分非常相似时，优先选择SNR较高的通道以减少噪声干扰并确保波形稳定性。然后使用从选定的模板通道提取的波形在剩余通道中进行滑动窗口扫描。这种策略避免了由预设固定模板引起的匹配错误，并提高了对源位置、波形衰减和通道质量的时间变化的适应性。4.2. 滑动窗口扫描 AE信号的识别是一个动态过程；因此，必须在特定的时间窗口内进行分析单位时间序列。时间窗口长度的选择至关重要。如果窗口太长，不仅会增加计算时间并降低识别效率，还可能导致在单个窗口中包含多个重叠的事件信号。相反，如果窗口太短，可能无法完全覆盖波形，从而导致单个事件被误分类为两个相邻事件，从而降低识别准确性。此外，由于微裂纹的规模不同，每个AE信号的持续时间也不同；因此，使用固定长度的时间窗口不利于有效事件识别。为了解决这个问题，本文提出了一种自适应调整策略。首先，基于波形能量包络方法提取AE信号可能存在的近似区域。然后，以该区域为基准，将窗口向前和向后各扩展一个窗口长度。这三个连续窗口的总长度被确定为波形的滑动扫描间隔。这种方法允许在自动识别过程中及时调整窗口长度，以匹配实际的微裂纹规模，从而适应不同持续时间的波形。一旦确定了滑动扫描间隔，就需要计算并比较模板波形与扫描窗口内波形之间的识别指标。是否引入SNR作为指标取决于单位时间序列的固有SNR水平：如果序列具有高SNR，则不需要考虑该指标；否则，必须将其纳入评估系统。最后，计算每个窗口的相似系数，选择具有最大值的窗口作为最佳匹配。相似系数的计算公式如下： （6） 其中 、 和 分别表示模板波形的环计数、上升时间和信号能量， 表示滑动扫描区域内采样点的数量。模板扫描过程的示意图如图3所示。与相关系数相比，相似系数避免了在较短时间窗口内噪声和模板波形波动相似性导致的误识别。此外，整合多个识别指标对于识别在传播过程中发生变形、衰减或位移的波形更为有效。图3. 基于模板通道的窗口扫描演示。4.3. 时间差校正 时间差校正使记录中潜在微裂纹信号的到达时间趋于平坦，从而使它们在每个单位时间序列中表现出高一致性。如果序列仅包含随机噪声，经过时间差校正后，通道记录将保持为噪声。在获得具有最大相似系数的采样点后，将它们指定为 ，并计算每个通道最佳匹配窗口的相对时间差。然而，由于岩石声发射事件到不同传感器的传播路径不同，以及噪声和衰减等因素的影响，记录在各种采集通道中的同一声发射事件的波形可能会有所不同。因此，需要构建以下线性方程： （7） 可以简化为以下形式： （8） 其中 是稀疏系数矩阵， 是相对时间差向量， 是未知的时间差校正参数向量。使用最小二乘法解，我们可以得到： （9） 一旦使用上述方程解决了 ，就可以根据具有最大相似系数值的采样点对每个通道的记录进行时间差校正。随后，将窗口堆叠起来。由于在各自窗口中记录的波形具有高一致性，而随机噪声相互不相关，因此堆叠后通道的SNR高于堆叠前的单个通道记录。4.4. 到达时间挑选 本文采用了赤池信息量准则（AIC）[33]进行到达时间挑选。AIC挑选器假设到达前后的时间窗口对应于两个不同的平稳时间序列。对于AE信号，AIC值作为合并点的函数给出： （10） 其中 是拟合数据的自回归阶数； 和 分别表示区间 和 内时间序列的预测误差方差； 是一个常数。为了获得AIC值，必须计算自回归系数和阶数，这两者都涉及高计算复杂性。与前述的AIC挑选器不同，AIC函数可以直接从地震图中计算，而无需使用自回归系数。该AIC函数定义为： （11） 其中和 分别表示点 和 的前后的信号。虽然AIC方法对于具有明显P相的地震信号可以非常准确，但在应用于信噪比较低的地震信号时，AIC挑选器可能会出现显著误差。因此，将AIC方法纳入多尺度分析中以减少噪声是必要的。5. 实验 本研究中分析的AE波形是从花岗岩试样的实验室加载测试中获得的。测试使用TRW-3000真三轴电液伺服系统进行。AE监测使用采样率为10 MHz的AMSY-6多通道AE系统进行。VS45-H AE传感器（Vallen Systeme GmbH，德国沃尔弗拉茨豪森）具有20–450 kHz的频率响应范围，通过耦合剂和固定装置安装在试样表面上，以确保稳定的信号传输。本研究使用采集到的AE波形数据进行波形分割、信号识别和到达时间校正。

5.1 单峰单波形的分割与识别
本文首先选择了从实验室岩石破坏试验中连续采集的AE记录中提取出的典型单峰单事件时间序列进行分析。这类波形通常由单一微裂纹源产生，相邻微裂纹源之间的激发时间间隔超过了典型信号的持续时间。待分析的单位时间序列如图4所示。在传播过程中，AE波形会表现出一定程度的衰减、变形和伸长。

（1）模板通道的选择
在波形分割和识别之前，需要根据每个单位时间序列的信噪比（SNR）和信号能量来选择模板通道。为了确定噪声信号功率，使用每个单位时间序列的前500个采样点作为背景噪声，并计算其功率。随后计算每个采集通道的信号功率，并取信号功率与噪声功率之比的对数，以获得每个通道的SNR。下表列出了每个采集通道的SNR和信号能量。如表所示，单位时间序列的总体SNR较好，最小值大于9。值得注意的是，采集通道2的SNR最高。

除了SNR之外，信号能量也是选择模板通道的关键标准。由于AE信号的信号能量显著高于噪声信号能量，且衰减较小的波形通常具有更大的信号能量，因此选择信号能量最大的序列作为模板通道是合理的。如表1所示，采集通道2的信号能量大约是其他较弱通道的两倍。尽管SNR和信号能量的排名具有一致性，但仅依赖单一指标可能会导致错误地选择SNR低但强度高的序列（或相反情况），从而影响后续波形识别的效果。因此，综合考虑这两个指标是必要的。综上所述，对于该单位时间序列，选择采集通道2作为其他采集通道中波形识别的模板通道。

（2）波形分割
应用波形能量包络方法对每个单位时间序列的波形进行分割，结果如图5所示。由于衰减，某些通道中分割出的波形比模板通道明显延长。这种延长是由于包络能量的减少导致作为分割基准的终止点向后移动。然而，与基于幅度的预设定时参数方法相比，波形能量包络方法受噪声信号的影响较小。如图5所示，即使有显著的信号衰减，通道在终止点之后仍表现出幅度波动。如果使用幅度阈值作为基准，这些波动可能会被错误地归类为波形的一部分。但从能量的角度来看，此时的波形能量包络已稳定衰减到阈值以下，满足分割要求，从而有效避免了后续噪声信号对波形的干扰。

（3）波形识别
使用模板通道，在每个通道的扫描区间内进行滑动窗口扫描，计算相应的上升时间比、环计数比、信号能量比和相似系数。从中选择最佳匹配窗口。如图6所示，使用上升时间作为判断标准具有一定的效果，结果与波形的大致区域一致。对于某些滑动窗口，如果比值呈负值（表示与模板波形的上升时间偏差过大），本文将其值设为0，以防止对后续分析的干扰。关于环计数，如图7所示，分析的单位时间序列之间的环计数比差异不超过0.2。这表明对于AE信号，尽管高频信息被衰减，但幅度损失很小，波形变形主要源于幅度衰减。在信号能量方面，由于模板通道被选为所有通道中强度最大的信号，从其他通道扫描得到的信号能量比大多位于[0, 1]范围内。观察各通道发现，在扫描高信号能量区域时，完整波形的信号能量比相对较高；然而，当窗口经过峰值采样点并包含低强度噪声时，该比值逐渐减小。在信号强度较低的通道中，由于传播过程中的波形能量衰减，整体信号能量较低。尽管滑动扫描在峰值前仍显示出较高的信号能量，但之后的比值有所下降，且波动相对较小，容易受到噪声干扰。如图9所示，随着滑动窗口的移动，互相关系数波动显著。这是因为互相关系数主要反映了幅度波动的相似性；然而，AE信号的严重衰减导致波形严重失真，仅凭互相关系数难以做出准确判断。认识到各个特征参数捕捉了信号的不同方面，本研究将相似系数定义为波形识别指标，计算方法为这些参数的乘积。如图10所示，对于SNR高和信号强度高的采集通道，最大相似系数准确地位于波形的实际区域附近；而对于噪声信号，该系数接近零。根据相似系数，提取了每个通道中最相似的波形（如图11所示）。结果表明，在该指标下，滑动窗口准确匹配了每个通道中的波形主体，很好地覆盖了起始点、峰值和终止点。尽管某些通道中的波形相对于模板波形存在一定程度的失真和能量衰减，但本文提出的方法有效减轻了传播衰减的影响，实现了每个通道中的准确波形识别。

（4）到达时间选取与校正
为了进行时间差校正，选择最相似窗口内的到达时间作为参考点。使用最小二乘法计算每个窗口的时间差校正值。通过差分时间序列轴实现平移，堆叠范围由每个窗口左右边界的极值确定。下图显示了每个单元事件序列的堆叠窗口；时间差校正后的窗口长度大于原始最相似窗口的长度。对每个校正后的窗口进行了堆叠处理。由于噪声信号是随机且不相关的，而来自同一微裂纹源的AE波形在特征参数和波形波动方面具有相似性，因此在时间差校正后波形的同相轴被压平。结果，在堆叠窗口内，噪声信号因相位差异而衰减，而有效的AE信号得到增强，从而显著提高了SNR。随后在堆叠窗口上进行到达时间选取，以获得高SNR条件下的到达时间（如图12所示）。通过使用时间差校正值进行反计算，可以获得每个单位时间序列的原始到达时间（如图13和表2所示）。结果表明，每个通道确定的到达时间都位于起始点附近。这种基于堆叠窗口的提取和反计算方法不仅能够准确选取高SNR和高能量波形的到达时间，也适用于具有显著衰减和失真的波形。

5.2 双峰多波形的分割与识别
在本节中，选择了从实验室岩石破坏试验中连续采集的AE记录中提取出的具有典型多峰特征的时间序列进行分析，如图14所示。在这个序列中，两个AE信号的信号强度相似，并且由短时间间隔分隔。通常，单个信号的持续时间约为1000 μs。然而，由于后续事件在先前事件完全结束之前就进入了通道，第一个信号的尾波信号未能充分衰减，未能满足预设定时参数定义的分割标准。因此，两个波形在同一通道中重叠。选择这个序列是为了验证所提出方法在分割和识别多峰多波形信号方面的有效性。这里，多峰波形情况被视为方法学验证中的代表性短间隔重叠波形案例。

（1）模板通道的选择
首先，通过计算每个通道的SNR和能量来选择模板通道；结果如表3所示。总体而言，每个通道的SNR较好，最小值超过16。第一个通道的SNR最高。关于信号能量，第一个通道的强度大约是其他较弱通道的四倍。因此，选择第一个通道作为其他采集通道中波形识别的模板通道。

（2）波形分割
随后，对每个采集通道应用波形能量包络方法，结果如图15所示。结果表明，该方法能有效分割PAC和Vallen预设参数无法处理的单位时间序列。尽管存在一定程度的重叠，但通过波形能量包络的波动仍可以合理确定前一个信号和后一个信号的终止点。在高SNR通道中，波形能量波动显著；随着能量衰减，整体幅度减小。在低SNR通道中，能量波动的变化较为平缓；例如，尽管通道6中两个事件之间的边界不明显，该方法仍实现了有效的分割。波形的终止点是根据峰值幅度能量稳定衰减到特定百分比阈值来确定的。对于高信号能量通道，后一个事件的终止点发生在250 μs之前；而对于低信号能量通道，由于峰值幅度的减小，峰值与后一个事件终止点之间的距离延长。尽管不同通道中分割出的波形长度不同，但模板通道的选择基于最大SNR和信号能量的原则，从而获得了相应事件中最短的事件长度。本研究使用模板通道的长度作为滑动时间窗口长度，以及其他序列中相应事件的长度作为扫描间隔。因此，在低信号能量通道中延长的距离不会影响对最相似事件的搜索。(3)波形识别使用模板通道，对每个单元事件序列进行了滑动窗口扫描，以计算上升时间比率、环计数比率、信号能量、互相关系数和相似性系数。结果如下图所示。(1)上升时间比率（图16）：每个通道中的高上升时间比率主要分布在10 μs附近，与其实际分布区域一致。图16. 双峰多波形的上升时间比率。(2)环计数比率（图17）：不同单元事件序列之间的环计数比率差异不超过0.2。图17. 双峰多波形的环计数比率。(3)信号能量比率（图18）：在同一通道内，随着窗口滑过峰值采样点并包含较弱的噪声信号，信号能量比率逐渐减小。在不同通道中，由于信号在传播过程中的衰减，比率的最大值会有所不同。图18. 双峰多波形的信号能量比率。(4)互相关系数（图19）：与信号能量的比较显示，高信号能量比率的通道在互相关系数变化上表现出更平缓的趋势，而低信号能量比率的通道则表现出更急剧的趋势。这可能归因于零交叉频率的增加和由于波形幅度减小而加速的波形波动。这表明，对于信噪比高且信号能量高的波形（例如通道1、3和5），互相关系数满足识别要求。然而，对于信噪比低、强度低的波形，互相关系数表现出许多局部最大值，使得难以仅凭其作为识别依据。图19. 双峰多波形的互相关系数。鉴于这些情况，本研究采用了相似性系数进行波形识别，如图20所示。结果表明，使用上升时间和环计数等波形特征参数进行校正后，相似性系数中的局部最大值显著减少，这对于选择最相似的波形非常重要。图20. 双峰多波形的相似性系数。根据计算出的相似性系数，确定了每个采集通道的最相似窗口，如图21所示。结果表明，模板波形能够准确匹配大多数单元时间序列中的相应波形，并有效覆盖每个波形的起始、峰值和终止点。由于导致岩石微裂隙的应力类型和大小的不同，波形在上升时间、环计数、信号能量和互相关系数上存在差异。利用相似性系数可以有效防止将来自序列中不同微裂隙源的前驱事件误识别。尽管某些采集通道中的波形与模板波形相比存在变形和信号衰减，但这对基于模板的事件识别影响很小。这表明，尽管存在一定程度的传播衰减，所提出的方法仍然可以准确识别每个通道中的波形。图21. 双峰多波形的识别结果。(4)到达时间选取每个通道中最相似窗口内的到达时间被选为参考点，以计算相应的时差校正值，如表4所示。根据这些校正值，每个单元时间序列都被进行了移动。每个窗口的左右边界的最小值和最大值被用来定义时间叠加窗口，其长度设置为1514 μs。在叠加窗口内进行了到达时间选取，得到到达时间AIC = 257 μs，如图22所示。随后，使用时差校正值反计算叠加窗口的到达时间，以得出每个单元时间序列内的实际到达时间。如图23所示，每个通道确定的到达时间通常接近地震震源。表4. 双峰多波形的时差校正值。图22. 双峰多波形的到达时间选取示例。虚线表示根据AIC值确定的到达点对应的样本点。图23. 双峰多波形的到达时间校正。总之，与传统的基于阈值的定时参数方法相比，所提出的方法不仅有效地分离了双峰多波形，从而解决了短间隔波形分离的难题，还通过时差校正和窗口叠加在高信噪比环境中实现了到达时间选取。这对于后续的波形定位研究具有重要意义。6. 结论本文提出了一种基于波形能量包络和特征参数的岩石声发射事件识别技术，旨在解决岩石破裂过程中密集声发射事件的识别问题。该方法使用波形能量包络结合环计数、上升时间和信号能量等特征参数对时间序列中的信号波形进行分割，从而实现了对岩石破裂过程中信号的有效识别。此外，为了提高到达时间选取的准确性，采用了时差校正方法来有效消除由于通道间信号传播差异引起的时间偏差。实验结果表明，所提出的方法具有识别能力。此外，时差校正方法的引入显著提高了多通道事件到达时间提取的准确性，特别是在多通道同步检测中表现出出色的鲁棒性。目前的结果表明，所提出的方法在实验室岩石破坏测试条件下对代表性单峰和多峰波形情况有效。它为岩石破坏监测中的声发射信号识别和到达时间提取提供了方法论基础。然而，其在更复杂的现场环境、更强噪声条件以及更广泛的预警场景中的适用性仍需进一步验证。未来的研究将进一步优化该方法的性能和适应性，探索其在更大规模和更复杂环境中的应用潜力，为地质工程中的安全监测和稳定性评估提供更精确的技术保障。