面向矿区沉陷监测的GNSS垂向时间序列降噪方法

郑灿广; 郑辉; 谢世成; 朱明非; 韩雨辰; 杨旭

doi:10.12265/j.gnss.2024002

面向矿区沉陷监测的GNSS垂向时间序列降噪方法

doi: 10.12265/j.gnss.2024002

郑灿广^1,,
郑辉^1,,
谢世成^{2, 3, 4, 5, 6, ,},
朱明非^{2, 3, 4, 5, 6},
韩雨辰^{2, 3, 4, 5, 6},
杨旭^{2, 3, 4, 5}

1.
兖矿能源集团股份有限公司, 山东邹城 273500
2.
安徽理工大学空间信息与测绘工程学院, 安徽淮南 232001
3.
城市实景三维与智能安全监测安徽省联合共建学科重点实验室, 安徽淮南 232001
4.
安徽理工大学矿区环境与灾害协同监测煤炭行业工程研究中心, 安徽淮南 232001
5.
安徽理工大学矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室, 安徽淮南 232001
6.
安徽理工大学地球与环境学院, 安徽淮南 232001

基金项目: 国家自然科学基金(42304050)；安徽省科技重大专项(202103a05020026)；安徽省重点研究与开发计划(202104a07020014)；矿区沉降变形智能化监测预警项目(1000B2023000043，ZMXJ-BJ-JS-2021-8)

详细信息

作者简介:
郑灿广：(1980—)，男，工程师，研究方向为矿区灾害监测与预警. E-mail：dcbclk@163.com

郑辉：(1985—)，男，工程师，研究方向为矿区灾害监测与预警. E-mail：dcb3921@163.com

谢世成：(1996—)，男，博士研究生，研究方向为卫星导航与定位. E-mail：xsc123@aust.edu.cn

通讯作者:
谢世成 E-mail: xsc123@aust.edu.cn

中图分类号: P228.4
计量
- 文章访问数: 116
- HTML全文浏览量: 26
- PDF下载量: 8
- 被引次数: 0
出版历程
- 收稿日期: 2024-01-03
- 网络出版日期: 2024-05-14

GNSS vertical time series denoising method for mining area subsidence monitoring

ZHENG Canguang^1
,,
ZHENG Hui^1
,,
XIE Shicheng^{2, 3, 4, 5, 6
, ,},
ZHU Mingfei^{2, 3, 4, 5, 6},
HAN Yuchen^{2, 3, 4, 5, 6},
YANG Xu^{2, 3, 4, 5}

1.
Yankuang Energy Group Co., Ltd., zoucheng 273500, China
2.
School of Geomatics, Anhui University of Science and Technology, Huainan 232001, China
3.
Urban 3D Real Scene and Intelligent Security Monitoring Joint Laboratory of Anhui Province, Huainan 232001, China
4.
Coal Industry Engineering Research Center of Mining Area Environmental And Disaster Cooperative Monitoring, Anhui University of Science and Technology, Huainan 232001, China
5.
Key Laboratory of Aviation-aerospace-ground Cooperative Monitoring and Early Warning of Coal Mining-induced Disasters of Anhui Higher Education Institutes, Anhui University of Science and Technology, KLAHEI (KLAHEI18015), Huainan 232001, China
6.
School of Earth and Environment, Anhui University of Science and Technology, Huainan 232001, China

摘要

摘要: GNSS技术作为开采沉陷监测的重要手段，其时间序列中的噪声会对监测结果造成较大影响. 本文提出一种混合灰狼粒子群优化算法(improved hybrid grey wolf particle swarm optimization，IPSOGWO)和改进自适应噪声完备集合经验模态分解(improved complete ensemble empiricalmode decomposition with adaptive noise，ICEEMDAN)联合小波阈值(wavelet thresholding，WT)的降噪方法. 通过IPSOGWO优化ICEEMDAN算法的超参数，对GNSS时间序列进行分解，提取本征模态函数(Intrinsic Mode Function，IMF). 利用多尺度排列熵筛选出含有噪声的IMF分量，采用小波阈值对含噪分量进行二次处理，并与剩余IMF分量重构，获得降噪结果. 利用仿真信号和某矿区自动化监测站的实测数据进行实验，结果表明：与小波阈值、完备集合经验模态分解(complementary ensemble empirical mode decomposition，CEEMD)和GWO-ICEEMDAN相比，本文方法降噪性能更好，降噪后的数据可为后续工作面沉降分析提供支持.
- GNSS /
- ICEEMDAN /
- 小波阈值 /
- 矿区监测 /
- 时间序列降噪
Abstract: The GNSS technology, as an important tool for mining subsidence monitoring, is significantly affected by the noise present in its time series. This paper proposes a denoising method that combines an Improved hybrid grey wolf particle swarm optimization (IPSOGWO) and an improved complete ensemble empirical mode decomposition with adaptive noise (ICEEMDAN), coupled with wavelet thresholding (WT). The IPSOGWO optimizes the hyperparameters of the ICEEMDAN algorithm to decompose the GNSS time series and extract the intrinsic mode functions (IMF). The multi-scale permutation entropy is used to select the IMF components containing noise. These components are then secondarily processed using wavelet thresholding and reconstructed with the remaining IMF components to obtain the denoised results. Experiments with simulated signals and actual data from an automated monitoring station in a mining area demonstrate that the proposed method outperforms the wavelet threshold, complete ensemble empirical mode decomposition (CEEMD), and GWO-ICEEMDAN in terms of denoising performance, providing reliable data for subsequent analysis of working face subsidence.
- GNSS /
- ICEEMDAN /
- wavelet thresholding /
- mining area monitoring /
- time series denoising.

HTML全文

图 1 灰狼的社会阶级

下载: 全尺寸图片幻灯片

图 2 IPSOGWO-ICEEMDAN-WT降噪流程

下载: 全尺寸图片幻灯片

图 3 模拟的两种信号

下载: 全尺寸图片幻灯片

图 4 两种信号不同优化算法的优化结果

下载: 全尺寸图片幻灯片

图 5 四个监测站的动态与静态数据

下载: 全尺寸图片幻灯片

图 6 MPE输入参数的确定

下载: 全尺寸图片幻灯片

图 7 1号监测站IPSOGWO-ICEEMDAN分解

下载: 全尺寸图片幻灯片

表 1 两种模拟信号四种降噪方法的评价指标

信号	降噪方法	RMSE	R	SNR/dB
信号1	原始信号+噪声	3.453 1	0.884 6	0.662 5
	WT	0.363 8	0.985 8	21.494 6
	CEEMD	0.419 9	0.921 5	20.107 4
	GWO-ICEEMDAN	0.345 4	0.990 6	22.177 9
	IPSOGWO-ICEEMDAN-WT	0.313 7	0.995 8	22.720 8
信号2	原始信号+噪声	0.911 3	0.910 7	9.837 7
	WT	0.238 9	0.993 0	21.465 2
	CEEMD	0.185 5	0.995 6	23.966 0
	GWO-ICEEMDAN	0.1697	0.996 8	24.970 4
	IPSOGWO-ICEEMDAN-WT	0.1594	0.998 0	25.981 5

下载: 导出CSV

表 2 IPSOGWO-ICEEMDAN分解后各IMF的MPE值

IMF分量	IMF1	IMF2	IMF3	IMF4	IMF5	IMF6	IMF7	IMF8	残余项
MPE	0.913	0.876	0.845	0.673	0.482	0.421	0.364	0.224	0.134

下载: 导出CSV

表 3 四个监测站的降噪指标

站点	降噪方法	MRSE	R	SNR/dB
1号监测站	WT	0.466	0.926	74.419
	CEEMD	0.528	0.921	73.590
	GWO-ICEEMDAN	0.325	0.930	77.284
	IPSOGWO-ICEEMDAN-WT	0.273	0.942	78.863
2号监测站	WT	1.004	0.935	76.906
	CEEMD	1.021	0.941	85.242
	GWO-ICEEMDAN	0.951	0.943	85.442
	IPSOGWO-ICEEMDAN-WT	0.931	0.970	85.419
3号监测站	WT	0.755	0.909	73.673
	CEEMD	0.834	0.914	78.696
	GWO-ICEEMDAN	0.702	0.933	78.758
	IPSOGWO-ICEEMDAN-WT	0.699	0.947	78.785
4号监测站	WT	0.205	0.981	73.889
	CEEMD	0.303	0.994	77.832
	GWO-ICEEMDAN	0.239	0.990	78.050
	IPSOGWO-ICEEMDAN-WT	0.228	0.997	78.396

下载: 导出CSV

参考文献(24)

[1]	陶国强. 基于奇异谱分析的GNSS坐标时间序列粗差探测与噪声估计[J]. 大地测量与地球动力学, 2021, 41(12): 1223-1229.
[2]	ZHUANG W Q, LI J, HAO M, et al. Analyze the characteristics of crustal activity in the southern Sichuan-Yunnan using GNSS data and focal mechanism solution[J]. Journal of geodesy and geodynamics, 2021, 41(7): 732-738,746.
[3]	曲轩宇, 李新瑞, 郑蕾, 等. 联合交叉验证和CEEMD-WT的GNSS时间序列降噪方法[J/OL]. 武汉大学学报(信息科学版). (2023-06-04)[2023-06-28]. https://doi.org/10.13203/j.whugis20220570
[4]	范小猛, 胡川, 张重阳, 等. 三种GNSS高程时序降噪方法的效果对比分析[J]. 全球定位系统, 2022, 47(1): 68-73.
[5]	戴海亮, 孙付平, 姜卫平, 等. 小波多尺度分解和奇异谱分析在GNSS站坐标时间序列分析中的应用[J]. 武汉大学学报(信息科学版), 2021, 46(3): 371-380.
[6]	YEH J R. SHIEH J S, HUANG N E. Complementary ensemble empirical mode decomposition: a novel noise enhanced data analysis method[J]. Advances in adaptive data analysis, 2010, 2(2): 135-156. DOI: 10.1142/S1793536910000422
[7]	刘希康, 丁志峰, 李媛, 等. EMD在GNSS时间序列周期项处理中的应用[J]. 武汉大学学报(信息科学版), 2023, 48(1): 135-145.
[8]	鲁铁定, 钱文龙, 贺小星, 等. 一种确定分界IMF分量的改进EMD方法[J]. 大地测量与地球动力学, 2020, 40(7): 720-725.
[9]	陈祥, 杨志强, 田镇, 等. GA-VMD与多尺度排列熵结合的GNSS坐标时序降噪方法[J]. 武汉大学学报(信息科学版), 2023, 48(9): 1425-1434.
[10]	嵇昆浦, 沈云中. 含缺值GNSS基准站坐标序列的非插值小波分析与信号提取[J]. 测绘学报, 2020, 49(5): 537-546.
[11]	邱小梦, 陶国强, 王奉伟, 等. LMD和小波阈值的GNSS坐标时间序列降噪应用[J]. 测绘科学, 2021, 46(8): 28-32,48.
[12]	马俊, 曹成度, 姜卫平, 等. 利用小波包系数信息熵去除GNSS站坐标时间序列有色噪声[J]. 武汉大学学报(信息科学版), 2021, 46(9): 1309-1317.
[13]	CIVERA M, SURACE C. A comparative analysis of signal decomposition techniques for structural health monitoring on an experimental benchmark[J]. Sensors, 2021, 21(5): 1825. DOI: 10.3390/s21051825
[14]	ZHANG B Y, WANG P, LIU G Y, et al. Diagnosis of single and multiple-source faults of chiller sensors using EWEEMD-ICKNN by time sequence denoising and non-Gaussian distribution feature extraction[J]. Energy and buildings, 2023(298): 113572. DOI: 10.1016/j.enbuild.2023.113572
[15]	WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in adaptive data analysis, 2009, 1(1): 1-41. DOI: 10.1142/S1793536909000047
[16]	TORRES M E, COLOMINAS M A, SCHLOTTHAUER G, et al. A complete ensemble empirical mode decomposition with adaptive noise[C]//IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2011: 4144-4147. DOI: 10.1109/ICASSP.2011.5947265
[17]	COLOMINAS M A, SCHLOTTHAUER G, TORRES M E. Improved complete ensemble EMD: a suitable tool for biomedical signal processing[J]. Biomedical signal processing and control, 2014, 14(11): 19-29. DOI: 10.1016/j.bspc.2014.06.009
[18]	REN C F, XU J, XU J, et al. Coal–Rock cutting sound denoising based on complete ensemble empirical mode decomposition with adaptive noise and an improved fruit fly optimization algorithm[J]. Machines, 2022, 10(6): 412. DOI: 10.3390/machines10060412
[19]	陈爱午, 王红卫. 基于HBA-ICEEMDAN和HWPE的行星齿轮箱故障诊断[J]. 机电工程, 2023, 40(8): 1157-1166.
[20]	赵桠松, 许辉群, 王泽峰, 等. 基于ICEEMDAN的曲波阈值地震数据去噪方法研究[J]. 工程地球物理学报, 2022, 19(2): 252-257.
[21]	周东红, 周建科, 夏同星, 等. 三参数小波变换自适应阈值压制地震数据高频随机噪声[J]. 地球物理学报, 2023, 66(5): 2095-2111.
[22]	于航, 王直, 董勃, 等. 基于改进小波阈值法的MEMS陀螺仪信号降噪研究[J]. 计算机与数字工程, 2022, 50(8): 1844-1847.
[23]	HALIDOU A, MOHAMADOU Y, ARI A A A, et al. Review of wavelet denoising algorithms[J]. Multimedia tools and applications, 2023(82): 41539-41569. DOI: 10.1007/s11042-023-15127-0
[24]	LI, H, LI S S, SUN J, et al. Ultrasound signal processing based on joint GWO-VMD wavelet threshold functions[J]. Measurement, 2024(226): 114143. DOI: 10.1016/j.measurement.2024.114143