第18卷第2期 中国安全生产科学技术 Vol. 18 Nveness of the classification and identification method are verified by the Five-fold cross experiment method. The results show that the classification recognition accuracy based on ICEEMDAN and MC - CNN model is 97. 64% . Compared with other traditional recognition methods, it can accurately and ef fectively classify the acoustic emission signals of underground mines, and significantly improve the waveform recognition. Key words: acoustic emission ( AE) event; pattern recognition; improved complete ensemble empirical mode decomposition with adaptive noise (ICEEMDAN) ; multi-channel convolutional neural network ( MC - CNN) 因此，对声发射事件进行准确分类十分必要⑶。声发射 0引言 事件分类首要步骤为获取声发射信号时频特征⑷。传 声发射指在应力作用下岩石内部释放的弹性波。 统傅里叶变换分析方法，在非平稳信号分析上效果不 每个声发射事件均包含岩石内部状态变化信息，能够准 佳;基于传统傅里叶变换分析法提出短时傅里叶变 确识别分析、判断岩石内部裂纹活动特征和应力场分 换，可同时提供时域和频域局部化信息，但不能敏感反 布，确定安全工作时间和工作地点，确保矿山安全生 映信号突变;小波变换在短时傅里叶基础上，发展局部 产但地下矿山环境复杂，声发射监测系统收集到 化思
