CN107392786A - 基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法 - Google Patents

Abstract

一种基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，属于监测系统缺失数据补偿方法。包括步骤1：对矿井光纤光栅监测系统传感设备进行数据采集；步骤2：对光纤光栅传感设备采集的监测数据用时间序列表示并进行预处理；步骤3：选择与构造支持向量机的核函数；步骤4：选择确定支持向量机的超参数；步骤5：根据确定的核函数、损失函数及惩罚参数构建核矩阵，采用优化算法得到支持向量机最优参数值；步骤6：建立支持向量机回归函数模型，对数据进行拟合回归分析，得到缺失数据补偿结果，实现缺失数据的缺失补偿工作。本发明能够对监测缺失数据进行补偿，完善监测数据，使数据更加接近真实、可靠，保障了矿井安全生产、施工及稳定。

Description

基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法

技术领域

本发明涉及一种监测系统缺失数据补偿方法，特别是一种基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法。

背景技术

在煤矿生产过程中，由于开采的影响导致巷道和工作面顶板处于非稳定状态，随着煤矿开采深度的不断增大，煤矿的矿山压力显现及煤矿安全压力更为明显，造成的灾害也越来越严重，如果不及时采取支护措施，便会发生顶板冒落、巷道变形、冲击矿压、瓦斯爆炸、煤矿突水、煤矿火灾等事故，给我国的煤矿业造成了巨大的损失，严重影响了从业人员的生命安全和矿井生产。因此建立一个先进的光纤光栅在线监测系统，就能有效监控矿井安全生产，有效地预防和减少煤矿事故的发生。

光纤光栅作为一种新兴的研究领域，已经广泛的应用于光纤光栅传感技术方面并得到快速的发展，其中将光纤光栅传感器用于煤矿安全监测领域成为发展趋势并得到应用。光纤光栅传感器基于以上的光纤光栅传感技术，具有本质安全、测量精度高、抗干扰能力强，监测数据误差小、可实时在线长期监测等优点。在矿井安全生产工程关键参数监测过程中，当光纤光栅受到非均匀应力，容易发生光谱畸变等问题，导致中心波长无法采集或釆集不准确，一旦该情况发生，则可能造成该点传感器数据失效，由于安装施工、采矿井下环境等各方面因素，光纤光栅传感器在监测过程中可能出现光强衰减过大或者损坏的情况，同样可能造成损坏部位数据缺失的情况，进而影响光纤光栅传感系统的可靠性。针对监测过程中传感器信息突然缺失的情况，可以引入统计学习的方法对缺失数据进行修补，以提高光纤光栅监测系统的测量稳定性，改善光纤光栅监测系统的监测效果。

缺失数据修补的问题可以看作对工程中测量数据随时间序列及其各影响因素间的复杂的非线性函数关系的逼近问题。采用有效的补偿方法处理缺失数据可以提高对数据资源的有效利用，减少数据资源的浪费，并且有助于采矿环境安全监测的数据处理与评估等工作，甚至可能影响研究结果。因此，对有缺失的监测数据采用正确和有效的处理方法是能否得出正确结论的关键之一。

常用的缺失数据插补法有均值插补法、热卡插补法、冷卡插补法、最邻近插补法、回归插补法等。但这些方法都有一些缺点，它们经常忽略缺失数据补偿的不确定性，比如均值插补法只用样本均值作为插补数据，传统回归插补法的插补数据也不考虑原始数据的离散性，这会导致插补数据的方差被低估，而不能真实地反映出原始数据。尽管后来由于回归插补引入了随机误差项，能够缓解这一问题，但是随机误差项的确定是比较困难的。另外，在某些复杂的情况下，对数据趋势进行回归建模的方法会难以应用，有时为了方便使用而采用了一些简单的回归方程还会导致部分趋势信息的丢失。

发明内容

本发明的目的是要提供一种基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，解决采矿工程生产过程中安全监测数据的缺失补偿的问题。

本发明的目的是这样实现的：矿井光纤光栅监测系统缺失数据补偿方法，包括以下几个步骤：

步骤1：对矿井光纤光栅监测系统传感设备进行数据采集；

所述的矿井光纤光栅监测系统包括地面数据处理及控制子系统、井下传输通讯子系统和井下传感监测子系统，其中地面数据处理及控制子系统包括光纤光栅信号处理器和电脑主机，井下传输通讯子系统包括矿用通信光缆和光缆接续盒，井下传感设备监测子系统包括至少一个光纤光栅传感设备；

所述的光纤光栅传感设备包括光纤光栅顶板离层仪、光纤光栅锚杆测力计、光纤光栅测力锚杆、光纤光栅钻孔应力计、光纤光栅温度传感器、光纤光栅支架压力计、光纤光栅振动传感器、光纤光栅倾角传感器、光纤光栅水压传感器；

所述的光纤光栅传感设备监测的数据根据监测参数、传感设备安装位置、变化特性的特点，选择合适的传感设备数据作为支持向量机的训练样本，根据这些传感设备的数据时变规律，对缺失数据值进行估计。

步骤2：对光纤光栅传感设备采集的监测数据用时间序列表示并进行预处理；

首先，在矿井开采技术条件、地质条件、边界条件及噪声复杂影响因素使得数据的波动性较大，因此根据所选择的光纤光栅传感设备监测数据用时间序列表示，并对时间序列数据进行预处理；

所述的时间序列数据的预处理分为数据的归一化和小波去噪，其具体实现包括以下子步骤：

步骤2.1：根据选择的数据训练样本，对其进行归一化处理，将样本输入数据规整到[0,1]区间范围内，计算公式为：

式中，x_i为样本输入数据，x′_i为归一化之后x_i的变量，x_max为样本输入数据的最大值，x_min为样本输入数据的最小值；

步骤2.2：对监测数据时间序列进行小波去噪，消除噪声误差并提取变形规律特征，具体步骤为：首先选择小波滤波系数构造变换矩阵进而确定监测数据小波分解层次，其次确定小波分解层次的高频系数，对高频系数进行阈值量化处理，最后用小波分解的低频系数和阈值量化处理后的高频系数进行重构，得到去噪后的监测数据序列的估计值。

步骤3：选择与构造支持向量机的核函数；

针对矿井光纤光栅传感设备监测数据时序的特点，选择与构造支持向量机已有类型的核函数，确定核参数σ的取值范围。

步骤4：选择确定支持向量机的超参数；

首先选择支持向量机的损失函数类型，确定损失函数的参数取值范围，其次确定支持向量机的惩罚参数C的取值范围，惩罚参数的选取公式为：

式中，为数据训练样本输出数据的平均值，σ_y为输出数据的标准离差。

步骤5：根据确定的核函数、损失函数及惩罚参数构建核矩阵，采用优化算法得到支持向量机最优参数值；

求解出支持向量解α_i、和权向量ω，优化支持向量机中的核参数σ和惩罚参数C，采用交叉验证的算法得到支持向量机中核参数σ和惩罚参数C的最优组合。

步骤6：根据最优参数建立支持向量机回归函数模型，对数据进行拟合回归分析，得到缺失数据补偿结果，实现缺失数据的缺失补偿工作。

所述的回归函数为线性时，支持向量机回归模型的回归函数为：对于非线性问题，支持向量机回归模型的回归函数为：其中K(x_i,y_i)为支持向量机核函数，训练样本集为{(x_i,y_i),i＝1,2,3,…,n}，x_i∈Rⁿ为输入向量，y_i∈Rⁿ为输出向量，Rⁿ为输入样本空间，n为样本个数，b∈R为阈值，α_i、为拉格朗日乘子，利用支持向量机回归模型的回归函数得到缺失数据补偿结果，实现缺失数据的缺失补偿工作。

进一步的，步骤3中所述的核函数包括以下几种：

1)多项式核函数：

K(x,y)＝(x·y)^d或K(x,y)＝(x·y+1)^d；

2)径向基函数：

3)Sigmoid核函数：

K(x,y)＝tanh[b·(x·y)+θ]；θ为核函数的回归系数；

进一步的，步骤4所述的损失函数包括以下几种：

1)ε不敏感损失函数：

其中参数ε的取值计算公式为式中n为数据训练样本大小，σ_noise为噪声的标准离差，k为近邻估计点数，取值范围为2～6；

2)r范数损失函数：

L_r(y,f(x,ω))＝|y-f(x,ω)|^r,r>0

其中参数r的取值为2；

3)Huber损失函数：

其中参数μ的取值计算公式为：

σ_noise为噪声的标准离差.

有益效果，由于采用了上述方案，本发明为了适应现在煤矿自动化、智能化安全监测，综合采用支持向量机方法及拟合回归原理，利用矿井光纤光栅传感器已监测的数据信息来实现缺失数据的补偿。支持向量机是建立在统计学习的VC(Vapnik—ChervonnkisDimension)维理论和结构风险最小原理基础上的一种机器学习算法，通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个高维空间中寻找输入变量和输出变量之间的一种非线性关系；其算法是一个凸二次优化问题，保证找到的解是全局最优解；对更接近实际工程状况中，小样本、非线性、高维数的随时间变化数据的分类与回归问题提供了很好的解决办法。解决了采矿工程生产过程中安全监测数据的缺失补偿的问题，达到了本发明的目的。

本发明与已有技术相比优点在于：

1、采用的光纤光栅具有极其灵敏的传感特性，当矿井物理参数发生很小的变化时，都可以测量出来。

2、光纤光栅传感设备利用了光纤光栅的核心技术，光纤光栅本质安全，无源工作，可实现井下现场直接采集数据，方便灵活，抗电磁干扰能力强；同时，利用光纤进行信号传输，传输距离远，可靠性高，测量范围大。

3、利用支持向量机对缺失数据的趋势进行建模可以使补偿数据的趋势与原始数据保持一致，且支持向量机使用起来非常方便。

4、利用支持向量机估计缺失数据可以使缺失数据保持原始数据的离散性，使补偿数据更加接近真实、可靠。

优点：本发明能够对监测缺失数据进行补偿，完善监测数据，使数据更加接近真实、可靠，保障了矿井安全生产、施工及稳定。

附图说明：

图1为本发明基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法的流程图。

图2为本发明的矿井光纤光栅监测系统架构示意图。

具体实施方式

下面结合附图对本发明的实施例作进一步的描述：

实施例1：如图1所示的技术方案是：一种基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，包括以下几个步骤：

步骤1：对矿井光纤光栅监测系统传感设备进行数据采集；

如图2所示的矿井光纤光栅监测系统包括地面数据处理及控制子系统、井下传输通讯子系统和井下传感设备监测子系统，其中地面数据处理及控制子系统包括光纤光栅信号处理器和电脑主机，井下传输通讯子系统包括矿用通信光缆和光缆接续盒，井下传感设备监测子系统包括至少一个光纤光栅传感设备；

所述的光纤光栅传感设备包括光纤光栅顶板离层仪、光纤光栅锚杆测力计、光纤光栅测力锚杆、光纤光栅钻孔应力计、光纤光栅温度传感器、光纤光栅支架压力计、光纤光栅振动传感器、光纤光栅倾角传感器、光纤光栅水压传感器；

所述的光纤光栅传感设备监测的数据根据监测参数、传感设备安装位置、变化特性等特点，选择合适的传感设备数据作为支持向量机的训练样本，根据这些传感设备的数据时变规律，对缺失数据值进行估计；

步骤2：对光纤光栅传感设备采集的监测数据用时间序列表示并进行预处理；

首先，在矿井开采技术条件、地质条件、边界条件及噪声等复杂影响因素使得数据的波动性较大，因此根据所选择的光纤光栅传感设备监测数据用时间序列表示，并对时间序列数据进行预处理；

所述的时间序列数据的预处理分为数据的归一化和小波去噪，其具体实现包括以下子步骤：

步骤2.1：根据选择的数据训练样本，对其进行归一化处理，将样本输入数据规整到[0,1]区间范围内，计算公式为：

式中，x_i为样本输入数据，x′_i为归一化之后x_i的变量，x_max为样本输入数据的最大值，x_min为样本输入数据的最小值；

步骤2.2：对监测数据时间序列进行小波去噪，消除噪声误差并提取变形规律特征，具体步骤为：首先选择小波滤波系数构造变换矩阵进而确定监测数据小波分解层次，其次确定小波分解层次的高频系数，对高频系数进行阈值量化处理，最后用小波分解的低频系数和阈值量化处理后的高频系数进行重构，得到去噪后的监测数据序列的估计值；

步骤3：选择与构造支持向量机的核函数；

针对矿井光纤光栅传感设备监测数据时序的特点，选择与构造支持向量机已有类型的核函数，确定核参数σ的取值范围；

步骤4：选择确定支持向量机的超参数；

首先选择支持向量机的损失函数类型，确定损失函数的参数取值范围，其次确定支持向量机的惩罚参数C的取值范围，惩罚参数的选取公式为：

式中，为数据训练样本输出数据的平均值，σ_y为输出数据的标准离差；

步骤5：根据确定的核函数、损失函数及惩罚参数构建核矩阵，采用优化算法得到支持向量机最优参数值；

求解出支持向量解α_i、和权向量ω，优化支持向量机中的核参数σ和惩罚参数C，采用交叉验证算法得到支持向量机中核参数σ和惩罚参数C的最优组合；

步骤6：根据最优参数建立支持向量机回归函数模型，对数据进行拟合回归分析，得到缺失数据补偿结果，实现缺失数据的缺失补偿工作。

所述的回归函数为线性时，支持向量机回归模型的回归函数为：为{(x_i,y_i),i＝1,2,3,…,n}，x_i∈Rⁿ为输入向量，y_i∈Rⁿ为输出向量，Rⁿ为输入样本空间，n为样本个数，b∈R为阈值，α_i、为拉格朗日乘子，利用支持向量机回归模型的回归函数得到缺失数据补偿结果，实现缺失数据的缺失补偿工作。

所述的步骤3中，所述的核函数包括以下几种：

1)多项式核函数：

K(x,y)＝(x·y)^d或K(x,y)＝(x·y+1)^d；d为多项式核函数的次幂；

2)径向基函数：

3)Sigmoid核函数：

K(x,y)＝tanh[b·(x·y)+θ]；θ为核函数的回归系数；

所述的步骤4中，所述的损失函数包括以下几种：

1)ε不敏感损失函数：

其中参数ε的取值计算公式为式中n为数据训练样本大小，σ_noise为噪声的标准离差，k为近邻估计点数，取值范围为2～6；

2)r范数损失函数：

L_r(y,f(x,ω))＝|y-f(x,ω)|^r,r>0

其中参数r的取值为2；

3)Huber损失函数：

其中参数μ的取值计算公式为

σ_noise为噪声的标准离差。

通过以上的具体实施，本发明提供了一种基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，系统实现了矿井物理参数安全监测及实时在线动态连续测量，采用的光纤光栅具有极其灵敏的传感特性，同时本质安全，井下现场直接采集数据，抗电磁干扰能力强；利用光纤进行信号传输，传输距离远，可靠性高，测量范围大；利用支持向量机对缺失数据的趋势进行建模可以使补偿数据的趋势与原始数据保持一致，可以使缺失数据保持原始数据的离散性，支持向量机使用起来非常方便，使补偿数据更加接近真实、可靠；数据的补偿使得监测系统的数据更加完整有效，对矿井复杂条件下监测的数据进行分析研究，可以探寻矿井安全监测参数的变形规律，为复杂多变的矿井安全施工和设计提供依据，对矿井安全生产及稳定性具有重要意义。

Claims (9)

1.一种基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，其特征是：矿井光纤光栅监测系统缺失数据补偿方法，包括以下几个步骤：

步骤1：对矿井光纤光栅监测系统传感设备进行数据采集；

步骤2：对光纤光栅传感设备采集的监测数据用时间序列表示并进行预处理；

步骤3：选择与构造支持向量机的核函数；

步骤4：选择确定支持向量机的超参数；

步骤5：根据确定的核函数、损失函数及惩罚参数构建核矩阵，采用优化算法得到支持向量机最优参数值；

步骤6：根据最优参数建立支持向量机回归函数模型，对数据进行拟合回归分析，得到缺失数据补偿结果，实现缺失数据的缺失补偿工作。

2.根据权利要求1所述的基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，其特征是：所述的步骤1中，具体的：所述的矿井光纤光栅监测系统包括地面数据处理及控制子系统、井下传输通讯子系统和井下传感监测子系统，其中地面数据处理及控制子系统包括光纤光栅信号处理器和电脑主机，井下传输通讯子系统包括矿用通信光缆和光缆接续盒，井下传感设备监测子系统包括至少一个光纤光栅传感设备；

所述的光纤光栅传感设备包括光纤光栅顶板离层仪、光纤光栅锚杆测力计、光纤光栅测力锚杆、光纤光栅钻孔应力计、光纤光栅温度传感器、光纤光栅支架压力计、光纤光栅振动传感器、光纤光栅倾角传感器、光纤光栅水压传感器；

所述的光纤光栅传感设备监测的数据根据监测参数、传感设备安装位置、变化特性的特点，选择合适的传感设备数据作为支持向量机的训练样本，根据这些传感设备的数据时变规律，对缺失数据值进行估计。

3.根据权利要求1所述的基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，其特征是：步骤2中，具体的：

首先，在矿井开采技术条件、地质条件、边界条件及噪声复杂影响因素使得数据的波动性较大，因此根据所选择的光纤光栅传感设备监测数据用时间序列表示，并对时间序列数据进行预处理；

所述的时间序列数据的预处理分为数据的归一化和小波去噪，其具体实现包括以下子步骤：

步骤2.1：根据选择的数据训练样本，对其进行归一化处理，将样本输入数据规整到[0,1]区间范围内，计算公式为：

式中，x_i为样本输入数据，x'_i为归一化之后x_i的变量，x_max为样本输入数据的最大值，x_min为样本输入数据的最小值；

步骤2.2：对监测数据时间序列进行小波去噪，消除噪声误差并提取变形规律特征，具体步骤为：首先选择小波滤波系数构造变换矩阵进而确定监测数据小波分解层次，其次确定小波分解层次的高频系数，对高频系数进行阈值量化处理，最后用小波分解的低频系数和阈值量化处理后的高频系数进行重构，得到去噪后的监测数据序列的估计值。

4.根据权利要求1所述的基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，其特征是：步骤3中，具体的：针对矿井光纤光栅传感设备监测数据时序的特点，选择与构造支持向量机已有类型的核函数，确定核参数σ的取值范围。

5.根据权利要求1所述的基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，其特征是：步骤4中，具体的：

首先选择支持向量机的损失函数类型，确定损失函数的参数取值范围，其次确定支持向量机的惩罚参数C的取值范围，惩罚参数的选取公式为：

式中，为数据训练样本输出数据的平均值，σ_y为输出数据的标准离差。

6.根据权利要求1所述的基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，其特征是：步骤5中，具体的：求解出支持向量解α_i、和权向量ω，优化支持向量机中的核参数σ和惩罚参数C，采用交叉验证算法得到支持向量机中核参数σ和惩罚参数C的最优组合。

7.根据权利要求1所述的基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，其特征是：步骤6中，具体的：所述的回归函数为线性时，支持向量机回归模型的回归函数为：对于非线性问题，支持向量机回归模型的回归函数为：其中K(x_i,y_i)为支持向量机核函数，训练样本集为{(x_i,y_i),i＝1,2,3,…,n}，x_i∈Rⁿ为输入向量，y_i∈Rⁿ为输出向量，Rⁿ为输入样本空间，n为样本个数，b∈R为阈值，α_i、为拉格朗日乘子，利用支持向量机回归模型的回归函数得到缺失数据补偿结果，实现缺失数据的缺失补偿工作。

8.根据权利要求1所述的基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，其特征是：步骤3中所述的核函数包括以下几种：

1)多项式核函数：

K(x,y)＝(x·y)^d或K(x,y)＝(x·y+1)^d；d为多项式核函数的次幂；

2)径向基函数：

3)Sigmoid核函数：

K(x,y)＝tanh[b·(x·y)+θ]；θ为核函数的回归系数。

9.根据权利要求1所述的基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法，其特征是：步骤4所述的损失函数包括以下几种：

1)ε不敏感损失函数：

其中参数ε的取值计算公式为式中n为数据训练样本大小，σ_noise为噪声的标准离差，k为近邻估计点数，取值范围为2～6；

2)r范数损失函数：

L_r(y,f(x,ω))＝|y-f(x,ω)|^r,r>0

其中参数r的取值为2；

3)Huber损失函数：

其中参数μ的取值计算公式为：

σ_noise为噪声的标准离差。