一种基于SVMD与MPE的爆破振动信号降噪方法

    公开(公告)号:CN116484178A

    公开(公告)日:2023-07-25

    申请号:CN202310536326.5

    申请日:2023-05-12

    IPC分类号: G06F18/10

    摘要: 本发明公开一种基于SVMD与MPE的爆破振动信号降噪方法,将爆破振动信号数据导入数据处理平台;采用SVMD算法将爆破振动信号数据分解为数个模态函数;对各模态函数采用MPE算法计算,得各模态函数的MPE值;若MPE值不小于预设值K,则判定该模态函数为噪声函数;若MPE值小于K,则判定该模态函数为有用信息,然后将该有用信息的模态函数进行重构组合,得到爆破振动降噪后的信号。本发明采用SVMD处理振动信号,不仅解决了EMD存在的端点混叠效应,而且可连续提取模态函数,并且无需知道模态函数的数量,与VMD相比可大大提高运算速度,对中心频率初始值拥有更强的鲁棒性,最终可有效提取强噪声背景下的爆破振动信号。

    一种非常温、非常压、深水条件下的起爆具及使用方法

    公开(公告)号:CN117091463A

    公开(公告)日:2023-11-21

    申请号:CN202310642048.1

    申请日:2023-06-01

    IPC分类号: F42D1/00 F42D3/00

    摘要: 本发明公开了一种非常温、非常压、深水条件下的起爆具及使用方法,涉及工程爆破技术领域,本发明以适当厚度的无缝钢管作为装药主体,由于钢管刚度大,内部装药结构受高压基本不变形;钢管与钢管设计用螺纹连接,螺纹连接处设有螺纹套,使得使用钢管的长度可灵活调节,并保证其不透水性;为使装药容易下沉,且减小风浪对装药结构的晃动,在无缝钢管最下端设计能调节重量的配重头;为防止雷管性能下降、炸药受压造成的起爆感度不足,在无缝钢管内放置起爆药柱,保证炸药起爆的可靠度;保护装置内留有足够的空间,以便加入保温隔热材料,使得内部装药结构不受外界温度影响。本发明能够确保爆破器材在非常温、非常压、深水等环境下正常发挥。

    一种基于WOA-VMD-MPE的爆破振动信号降噪方法

    公开(公告)号:CN116561520A

    公开(公告)日:2023-08-08

    申请号:CN202310819743.0

    申请日:2023-07-06

    IPC分类号: G06F18/10 G06N3/006 G06F18/20

    摘要: 本发明公开一种基于WOA‑VMD‑MPE的爆破振动信号降噪方法,将爆破振动信号导入数据处理平台;将K、a作为鲸鱼个体位置对信号数据VMD分解,迭代计算功率谱熵值最小的个体位置作为VMD的K、a值;K、a值用于VMD将信号分解为数个模态分量;用MPE计算各模态分量得MPE值;MPE值小于K则对该模态分量重构组合,得爆破振动降噪后的信号。本发明采用WOA调整VMD中的K、a值,可一次性经多次迭代算出最适宜的K值、a值,并通过VMD‑MPE算法对爆破震动信号进行分解及重构以排除噪声干扰,最终有效解决杂乱噪音的干扰,实验证明其信噪比、均方根误差均优于现有技术的降噪指标,而且还能保留原始信号的能量信息。

    一种高陡山体深孔集束药包爆破方法

    公开(公告)号:CN116202390A

    公开(公告)日:2023-06-02

    申请号:CN202310307584.6

    申请日:2023-03-27

    IPC分类号: F42D3/04 F42D1/00

    摘要: 本发明涉及一种高陡山体深孔集束药包爆破方法,属于爆破技术领域。本发明针对高陡山体无法采用普通的深孔台阶爆破的情况,先用硐室爆破思路布置药包,用等效替换原理将药量分散在多个彼此平行、距离很近的水平深孔中,即采用深孔集束药包爆破方法,通过合理的爆破参数设计,可以有效地控制爆破振动和飞石等危害效应,作业条件好、施工速度快、爆破效率高,使得深孔集束药包爆破既可以代替硐室爆破取得满意的效果,又可以克服硐室爆破的开挖导硐速度慢及作业条件差、装药量过于集中导致爆破振动和飞石难以控制等缺陷。

    一种基于Pearson-CNN模型的露天矿山爆破振速预测方法

    公开(公告)号:CN117033940A

    公开(公告)日:2023-11-10

    申请号:CN202311019359.9

    申请日:2023-08-14

    摘要: 本发明公开了一种基于Pearson‑CNN模型的露天矿山爆破振速预测方法,属于矿山爆破工程技术领域。本发明针对所述基于Pearson‑CNN模型的露天矿山爆破振速预测方法首先采用统计算法皮尔逊相关性分析对现场实测数据进行因素敏感性分析及参量降维,随之采用深度学习卷积神经网络模型对优化后的输入参量进行训练验证,利用多种评价指标对模型进行评判,并与多种预报公式及传统模型进行对比研究。所述模型的训练R2值为0.975,RMSE值为0.292,MAPE值为0.083,训练时间仅为85s,相较传统公式及模型,所述Pearson‑CNN模型在训练集和测试集上的表现均为最优,解决了复杂条件下露天矿山爆破振速预测输入参数选取困难、预测精度低等问题,为复杂条件下露天矿山爆破振速的预报提供了一种新思路。