CC BY
24
УДК 622.8:622.28
Л.В. Маркарян
МОНИТОРИНГ И МОДЕЛИРОВАНИЕ ПРОЦЕССА СЖАТИЯ ГЕОФИЗИЧЕСКИХ
ДАННЫХ
Предложена в качестве информационно-диагностической системы типовая система мониторинга в угольных шахтах. Проанализированы разновидности компрессий и предложен вейвлет-анализ для характеристики локальных особенностей сигнала: разрывов и пик, каковыми являются сигналы о состоянии шахтной атмосферы. Дан сравнительный анализ разновидностей вейвлетов и представлена таблица, характеризующая их влияния на степени сжатия данных акутического каротажа. Представлена концепция дискретного вейвлет-анализа и J-шагового дискретного вейвлет преобразования. Для обеспечения одновременной передачи большого числа измеряемых параметров в качестве одного из эффективных вариантов предложена модель адаптивной информационно-измерительной системы обработки данных, представленная в среде Simulink (МаШЬ).
Ключевые слова: информационно-диагностические системы, геофизические данные, система мониторинга, управляющие системы, алгоритм компрессии, вейвлет преобразование, степень сжатия, адаптивная система.
Развитие геоинформационных систем требует постоянного контроля и обработки больших объемов информации. Для дистанционного мониторинга параметров безопасности ведения горных работ, осуществления информационной поддержки, контроля и управления технологическими процессами все большее применение получают информационно-диагностические и управляющие системы.
Система предназначенная для автоматизированного выполнения комплекса функций повышения уровня безопасности и снижения количества аварий на шахтах, предназначена для [2]:
• отбора, введения, обработки информации о параметрах и режимах работы;
• выявления и индикации недопустимых отклонений от установленных значе-
DOI: 10.25018/0236-1493-2018-3-0-218-225
ний основных технологических параметров и параметров безопасности;
• распознавания развития аварийных (нештатных) ситуаций на начальных стадиях; своевременного доведение информации с целью принятия решений по прекращению развития аварий;
• обработки информации о состоянии элементов, узлов, окружающей среды, горного массива и других составных звеньев технологического цикла шахты;
• оснащения шахт созданными техническими и программными средствами диагностики, автоматизации сбора и обработки информации;
• многоуровневого управления технологическим процессом работы шахты, которое должно осуществляться и координироваться руководителем смены и
ISSN 0236-1493. Горный информационно-аналитический бюллетень. 2018. № 3. С. 218-225. © Л.В. Маркарян. 2018.
Рис. 1. Система мониторинга в угольных шахтах
диспетчерскими службами по направлениям.
По функциям предназначения данной системы, выполнение которых возлагается на информационно-диагностические и управляющие системы видно, что актуальной является задача минимизации объема информации, передаваемой в базу данных.
Передача большого объема информации влечет за собой большие расходы и потерю времени. Для этого необходима минимизация этих затрат методом компрессии сигналов.
Фактически существуют два в корне различающихся подхода к сжатию данных: сжатие с потерями и без потерь. Сжатие без потерь предусматривает преобразование представления набора данных таким образом, чтобы затем можно было в точности воспроизвести первоначальный набор данных путем обратного преобразования.
Сжатие с потерями — это представление, которое позволяет воспроизводить нечто «очень похожее» на первоначальный набор данных.
Проанализировав два класса алгоритмов компрессии:
• сжатие без потерь (малоэффективно, поскольку коэффициент компрессии редко превышает 2);
• сжатие с потерей некоторого количества информации, (основанное на децимации-интерполяции, быстром преобразовании Фурье и дискретном косинусном преобразовании), исходя из того, что они не обеспечивают требуемой степени компрессии при допустимом уровне искажений не применимы к геофизическим данным [1, 5].
Следовательно, в таком случае лучше оперировать нестационарными данны-
ми, при которых можно адаптироваться к структуре сигналов, путем выбора параметров для преобразования.
В качестве такого преобразования выступает вейвлет-преобразование. Вейв-лет-преобразование (ВП) состоит из разложения сигнала по базису в плоскости частота-время, и в отличие от спектральных методов показывает частотно-временной анализ. Каждая из функций базиса характеризует как пространственную частоту, так и ее локализацию во временном пространстве [5, 7]. ВП обеспечивает двумерную развертку исследуемого сигнала, где частота и координата рассматриваются как независимые переменные. Вейвлет-анализ показывает локальные особенности сигнала, а именно, разрывы и пики, каковыми являются сигналы о состоянии шахтной атмосферы.
Для получения необходимого эффекта сжатия используются понятия нормы восстановления и сжатия сигналов. При этом подход к выбору вейвлета зависит от требований, которые предъявляют к конечному сигналу. В различных ситуациях выбирают разные, наиболее подходящие для требуемого анализа. Выбор вейвлета влияет на степень компрессии. Так, в ходе экспериментов над геофизическими данными, которые подвергались разложению с помощью различных вейвлетов из сформированного перечня были получены результаты представленные рис. 2—7.
Как видно из табл. 1, составленной на основе проведенных экспериментов, выбор вейвлета существенно влияет на результат. Надо отметить, что не всегда больший коэффициент сжатия ведет к большим искажениям. Так, в ходе экспериментов было отмечено, что Вюг 3.9 показал наибольшую степень сжатия,
Влияние выбора вейвлета на степень сжатия данных акустического каротажа
Вейвлет Haar Db9 Bior 3.9 Coif 3 Rbio 3.9 Sym 9
Степень сжатия, % 96,56 96,90 97,16 96,94 97,09 96,77
Retained energy 96.56 % - Zeros 88.84 %
Original and compressed signals
100
200
300
400
500
Select thresholding method
Scarce high
Sparsity
' l~ Г
Leu 4 3 2 1
1 V JLJ J Jj|_0.146
1 V 4 I "I 0.203
1 V -Ü J >l| 0.253
1 V -I I -1| 0.248
Retained energy Number of zeros
Рис. 2. Результат пороговой настройки и сжатия с использованием Haar
Retained energy 96.90 % - Zeros 84.81 %
Original and compressed signals
100
200
300
400
500
Select thresholding method (scarce high
Sparsity +
' Г I 4
Lev 4 3 2 1
Int
Select
1 v -I—I—-I
1 v • I I >l
1 v -I I -I
1 v _y-J_u
Retained energy Number of zeros
96.90 J % 04.81 П %
Рис. 3. Результат пороговой настройки и сжатия с использованием Db9
Energy ratio 97.1614 - Zeros 85.22 S Original and compressed signals
Select thresholding method
Scarce high
Sparsity
iCX
Lev 4 3 2 1
1 v ' I I > l| 0.193 I
1 w <l I >l| 0348 |
1 v <l I "Ml П 317_|
1 V •I I 4| 0.192 |
Norm cfs recovery Number of zeros
85.22
Рис. 4. Результат пороговой настройки и сжатия с использованием Bior 3.9
Retained energy 96.94 % - Zeros 85.34 %
Original and compressed signals
100
200
300
400
Select thresholding method
Scarce high
Sparsity
-Г Г
Lev 4
3 2 1
1 v <l I >l
1 v 11-1-► 1
1 v <1 14
1 v ■IJ J Jj
0.088
0.254
Retained energy Number of zeros
96.94
500
Рис. 5. Результат пороговой настройки и сжатия с использованием Coif3
Energy ratio 97.09 % - Zeros 85.39 %
Original and compressed signals
100
200
300
400
500
Select thresholding method
Scarce high
Spars ity
Lev 4
3 2 1
1 v .....
1 v 11-1-11
1 v <1 14
1 v <1 1 >1
0.337
Norm cfs recovery Number of zeros
%
85.39 I %
Рис. 6. Результат пороговой настройки и сжатия с использованием Rbio3
Retained energy 96.77 % -- Zeros 85.34 % Original and compressed signals
100
200
300
400
500
Select thresholding method
Scarce high
Spars ity
Lev 4
3 2 1
1 v -I—I—> I
1 v <l I >l
1 v •I I 4
1 V 11 1 и
Retained energy Number of zeros
Рис. 7. Результат пороговой настройки и сжатия
а погрешность восстановления — наименьшую. Подобрать универсальный вейв-лет для сжатия геофизических данных с максимальной степенью сжатия практически невозможно, так как это множество сигналов с различными информационными параметрами и свойствами. Данные сигналы можно разбить на классы согласно общим параметрам и уже к каждому из классов подобрать оптимальные параметры вейвлет-преобразова-ния для эффективного сжатия. К таким классам можно отнести данные волнового акустического каротажа, данные сква-жинной сейсмической разведки и т.д.[1].
Для обеспечения одновременной передачи большого числа измеряемых параметров в качестве одного из эффективных вариантов предлагается адаптивная информационно-измерительная система представленная на рис. 8.
Данная система функционирует на основе блока сбора данных с внутрисхемной обработкой и функцией сжатия
с использованием Sym9
данных [8]. Для реализации адаптивности этой системы необходим выбор наиболее оптимального вейвлет-преобразо-вания, основанный на характеристиках входного сигнала. Модель данной адаптивной системы выполнена в программе Ма^аЬ.
В данной модели представлены 15 входных сигналов и 1 выходной сигнал. Вейвлет-преобразование входных сигналов реализует блок ДВП (дискретное вейвлет преобразование). По концепции дискретного вейвлет-анализа [3] сигнал х) декомпозируется на две функции ^(х) е и е±(х) е
<0 (х) = 4 (х) + (х) =
= Т°1МФ1Л (х) + &,*(х)
где с1к и d1M
могут быть рассчитаны через фильтры h и g:
1/2 Tpj-i
С = 21
h
-1,n n+2k ,
d = 21/2
Tdi-i,ngn
k
k
k
El
-»|q-*ry
1
Д8тщ*2
data}
датчисЗ
•Hiugy
дапл*4
-►jquery ~ääta|—
датшк 5 •»[query aätT|-►
ДЯТЧИсв
-Hduery
дат*«* 7
■Hw"
ASivincS
-»I query
даплк 9 •►jquery d
Д9ТЧЖ 10
-Hquery "datai—
датчик 11 -Hqutfy "datai—Г"* датчяс 12
-И query
дяплк 13 -Нчииу da
ДЯМИ! 14
п
DWP
S
Filtration
О
Static kod»
data rec_data
tact W
Блок опроса
1-Phase Clor*
Multiphase Ckx*
data h
дятчмс 15
qu«y
data
basis d«p_data
data
fiitr data
param
> data
param
prooess.data —
solution —J
error
data k_compress
solution
data
tntropy —I
Рис. 8. Модель информационно-измерительной системы обработки данных
После проведения ^-шагового ДВП к N элементам последовательности входного сигнала, получены последовательности с, б,, .....й1, где общее количество данных, полученное путем сложения длин этих последовательностей, опять будет равно N. Такое разложение позволяет собрать всю информацию сигнала в немногих значимых коэффициентах, так как остальные коэффициенты ДВП после разложения стремятся к нулю. Эта и дает возможность произвести сжатие данных. Для достижения высокой степени сжатия большая часть коэффициентов преобразования должна быть приравнена к нулю. Обнуление и фильтрация осуществляется в блоке фильтрации системы. Хорошее применение в вейвлет-преобразовании нашел метод арифметического кодирования. С его помощью коэффициенты ДВП можно представить малым количеством бит и тем самым получить сжатый сигнал.
Особое внимание нужно уделить обратной связи, которая осуществляется с помощью блока обратного ДВП, который
СПИСОК ЛИТЕРАТУРЫ
имеет те же параметры, что и блок ДВП и предназначен для набора отсчетов и коэффициентов ДВП, блоков оценки оптимальной степени сжатия, оценки точности сжатия, анализа попыток сжатия, выбора параметров и алгоритмов обработки данных [6, 8]. Именно на основании сигналов поступающих с блоков обратной связи производится соответствующая настройка параметров блоков, еще до того как будет принято решение о выборе оптимального вейвлета. После прохождения всех этапов обработки сигнал подается на блок формирования выходных пакетов, где и формируется выходной сигнал.
В ходе проведенного анализа структуры адаптивной системы и реализации дискретного вейвлет-преобразования можно добиться высоких коэффициентов сжатия с допустимой погрешностью восстановления. Системы сжатия на основе ДВП для построения и сбора данных могут быть достаточно эффективными при применении их в многоканальных измерительных системах.
1. Булаев И.В., Мунасыпов Р.А. Сжатие геофизических данных с применением вейвлет-преобразования и нейронных сетей // Вестник УГАТУ. - 2008. - № 1(28). - C. 200-207.
2. Курносов В. Г., Силаев В. И., Синенко В. В., Винарик А. А. Автоматизированные системы управления на производстве. Основные направления развития работ по созданию автоматизированных систем оперативно-диспетчерского управления горным предприятием. — http:// masters.donntu.org/2013/fknt/vasyuk/library/4.html.
3. Новиков И.Я., Стечкин С. Б. Основы теории всплесков // Успехи математических наук. - 1998. - Т. 53. - № 6(324). - С. 53-128.
4. Смоленцев Н. К. Основы теории вейвлетов. Вейвлеты в Matlab. - М.: ДМК Пресс, 2014.
5. Grinsted A., Moore J. C., Jevrejeva S. Application of the cross wavelet transform and wavelet coherence to geophysical time series, Nonlin. Processes Geophys., 2004, 11, pp. 561-566.
6. Stephane Mallat A wavelet tour of signal processing. 2008, pp. 42-49.
7. Torrence C., Compo G.P. A practical guide to wavelet analysis. Bull. Amer. Meteor. Soc., 1998, 79, pp. 61-78.
8. Федулеева М. В. Разработка многоканального блока сжатия в составе измерительной системы // Известия ЮФУ. Технические науки. Тематический выпуск. - 2012. - № 5. -С. 190-194.
9. Dunaeva K.A., Sagaydachnaya O. M.Choosing the analyzing wavelet for seismic data filtration // Extend Abstracts 72th EAGE Conference and Exhibition. Barcelona, Spanish, 2010. P. 397. итш
КОРОТКО ОБ АВТОРЕ
Маркарян Лаура Виликовна - кандидат технических наук, доцент, e-mail: laura.alex@mail.ru, НИТУ «МИСиС».
ISSN 0236-1493. Gornyy informatsionno-analiticheskiy byulleten'. 2018. No. 3, pp. 218-225.
L.V. Markaryan
MONITORING AND MODELING COMPRESSION OF GEOPHYSICAL DATA
It is proposed to use a standard monitoring system as an information-and-diagnosis system in coal mines. Various compressions are analyzed, and the wavelet analysis is suggested for the characterization of local features of signals, namely, breaks and peaks, which signal on the condition of mine air. The comparative analysis of a variety of wavelets is performed, and the characteristics of their influence on the level of compression of acoustic logging data are compiled in a table. The concept of the discrete wavelet analysis and the J-step discrete wavelet transform is presented.
As one of the efficient variants of simultaneous transfer of many measured parameters, the Simulink(Matlab) model of an adaptable information-and-measurement system of data processing is put forward.
Key words: information-and-diagnosis systems, geophysical data, monitoring system, control systems, compression algorithm, wavelet transform (WT), model, discrete wavelet transform (DWT), compression level, adaptable system.
DOI: 10.25018/0236-1493-2018-3-0-218-225
AUTHOR
Markaryan L.V., Candidate of Technical Sciences, Assistant Professor, e-mail: laura.alex@mail.ru,
National University of Science and Technology «MISiS», 119049, Moscow, Russia. REFERENCES
1. Bulaev I. V., Munasypov R. A. Vestnik Ufimskogo gosudarstvennogo aviatsionnogo tekhnichesko-go universiteta. 2008, no 1(28), pp. 200-207.
2. Kurnosov V. G., Silaev V. I., Sinenko V. V., Vinarik A. A. Avtomatizirovannye sistemy upravleniya na proizvodstve. Osnovnye napravleniya razvitiya rabot po sozdaniyu avtomatizirovannykh sistem op-erativno-dispetcherskogo upravleniya gornym predpriyatiem, http://masters.donntu.org/2013/fknt/ vasyuk/library/4.html.
3. Novikov I. Ya., Stechkin S. B. Uspekhi matematicheskikh nauk. 1998, vol. 53, no 6(324), pp. 53-128.
4. Smolentsev N. K. Osnovy teorii veyvletov. Veyvlety v Matlab (Fundamentals of the theory of wavelets. Wavelets in Matlab), Moscow, DMK Press, 2014.
5. Grinsted A., Moore J. C., Jevrejeva S. Application of the cross wavelet transform and wavelet coherence to geophysical time series, Nonlin. Processes Geophys., 2004, 11, pp. 561—566.
6. Stephane Mallat A wavelet tour of signal processing. 2008, pp. 42—49.
7. Torrence C., Compo G. P. A practical guide to wavelet analysis. Bull. Amer. Meteor. Soc., 1998, 79, pp. 61—78.
8. Feduleeva M. V. Izvestiya YuFU. Tekhnicheskienauki. Tematicheskiy vypusk. 2012, no 5, pp. 190—194.
9. Dunaeva K. A., Sagaydachnaya O. M.Choosing the analyzing wavelet for seismic data filtration. Extend Abstracts 72th EAGE Conference and Exhibition. Barcelona, Spanish, 2010. P. 397.
FIGURES
Fig. 1. Monitoring system for coal mines. Fig. 2. Threshold setting and compression results using Haar. Fig. 3. Threshold setting and compression results using Db9. Fig. 4. Threshold setting and compression results using Bior 3.9. Fig. 5. Threshold setting and compression results using Coif3. Fig. 6. Threshold setting and compression results using Rbio3. Fig. 7. Threshold setting and compression results using Sym9. Fig. 8. Date measuring and processing system model.
TABLE
Influence of wavelet selection on the compression level of acoustic logging data.
