CN107422373A - 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 - Google Patents

Abstract

本发明公开了一种基于特征漂移的煤矿冲击地压灾害在线预警方法，属于信息处理技术领域，本发明应用非线性信号分析理论对时窗内的微震数据流进行处理，对每个微震事件提取出8个时频域数据组成特征向量，更能准确描述微震数据在冲击地压灾变前后的漂移规律；引入最小二乘支持向量机(LS‑SVM)对样本数据进行学习与训练，得出LS‑SVM分类器，使用LS‑SVM分类器对微震监测数据流进行分类，进而发现冲击地压灾变前兆并在线预警，相较于常规阈值预警方法鲁棒性更强。

Description

一种基于特征漂移的煤矿冲击地压灾害在线预警方法

技术领域

本发明属于信息处理技术领域，具体涉及一种基于特征漂移的煤矿冲击地压灾害在线预警方法。

背景技术

冲击地压是一种典型的煤岩动力灾害，具有孕灾过程长、发生突然、破坏力强等特征，对煤矿安全生产构成巨大威胁。目前，微震监测已成为煤矿冲击地压监测预警的重要手段之一，国内外开展这方面的研究也已有多年历史，取得了丰硕的成果，但由于冲击地压发生机理十分复杂，已有的微震监测预警方法大多基于对微震事件数及能量的静态统计，通过设定阈值进行监测预警，且阈值设定需要综合考虑多方面的因素，有时甚至需要不断调整相关参数，大大限制了微震监测预警系统的推广应用，同时也使预警的准确率大打折扣。换而言之，这些预警方法没有充分考虑冲击地压孕灾的过程特征，特别是微震监测数据流的漂移特征，导致其推广应用困难、预警准确率低。

在微震监测过程中，产生了大量的微震监测数据，这些微震监测数据以数据流的形式存在，并且在不断膨胀，而对这些数据的利用目前还仅停留在微震事件数统计及能量计算层面，还没有对数据流所蕴含的特征规律进行深入分析研究，出现了数据丰富、但可利用信息和知识贫乏的尴尬局面。因此，基于机器学习及数据挖掘技术对微震监测流数据进行分析处理，进而获得监测数据流的漂移特征及规律，对于提高冲击地压灾害预警的准确率具有重要意义。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于特征漂移的煤矿冲击地压灾害在线预警方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于特征漂移的煤矿冲击地压灾害在线预警方法，包括如下步骤：

步骤1：构建并训练最小二乘支持向量机(LS-SVM)分类器M；

微震数据流表示为S＝{d₁,d₂,...,d_i,...}，其中d_i＝[f₁,f₂,...,f₈]是维度为8的数据点，每个d_i为一个独立的微震事件，f₁～f₈组成的集合称为微震事件d_i的特征集，记为F；

设冲击地压灾害类别为C＝{C₁,C₂,C₃}，分别表示煤矿生产处于正常、危险、临界三种状态，对应于绿色、黄色、红色三种预警信号；

输入：从历史监测数据中选择3a个微震数据段，且a≥200，每个微震数据段包含100个微震事件，记为数据集SC；其中对应C₁状态的微震数据段a个，记为SC₁数据集，对应C₂状态的微震数据段a个，记为SC₂数据集，对应C₃状态的微震数据段a个，记为SC₃数据集；

输出：LS-SVM分类器M；

具体包括如下步骤：

步骤1.1：使用高斯径向基函数作为核函数，构建初始LS-SVM分类器M，令正规化参数γ＝0.1及核函数参数δ²＝1；

步骤1.2：将数据集SC随机均分成b份，且b≥10，并使每份都含有等量的SC₁、SC₂、SC₃数据集样本；

步骤1.3：取前b-1份作为训练集，余下的1份作为验证集，先用训练集对初始LS-SVM分类器M进行训练，再用验证集对初始LS-SVM分类器M进行验证；

步骤1.4：调整初始LS-SVM分类器M的正规化参数γ及核函数参数δ²，将步骤1.2-步骤1.3重复b次，将b次过程中分类准确率最高的正规化参数γ及核函数参数δ²作为初LS-SVM分类器M的最优参数；

步骤1.5：输出LS-SVM分类器M；

步骤2：分段处理

对微震事件进行分段处理，当计算机缓存中的微震事件数达到设定阈值Q＝100时，记该缓存窗口为W，转步骤3对缓存窗口W中的微震数据进行处理；

步骤3：特征度量

针对缓存窗口W中的微震数据，采用熵估计法计算微震数据特征集F＝[f₁,f₂,...,f₈]中每个特征的度量值FM，其表达式如公式(1)所示：

其中，t_ik为微震事件d_i和第k个近邻在一维子空间的欧几里得距离；l_ik为微震事件d_i和第k个近邻在p-1维子空间的欧几里得距离；n为微震事件个数，取值为100；p为微震事件特征维数，取值为8；

根据公式(1)计算特征集F中所有特征f_i的FM值，并按从大到小的次序存入数组FMS＝[FM₁,FM₂,…,FM₈]；

步骤4：关键特征选择

从F＝[f₁,f₂,...,f₈]中选择关键特征；

输入：缓存窗口W中的微震数据集S，特征集F；已标记的先验微震数据集及根据先验知识构造的LS-SVM分类器M，阈值τ＝0.001；

输出：关键特征集CFS；

具体包括如下步骤：

步骤4.1：令数组FMS中元素个数＝m；

步骤4.2：在数组FMS中取前m个特征组成特征集CFS₁，利用先验微震数据集和LS-SVM分类器M计算分类精度γ_i；

步骤4.3：在数组FMS中取前m-1个特征组成特征集CFS₂，利用先验微震数据集和LS-SVM分类器M计算分类精度γ_i-1；

步骤4.4：若|γ_m-γ_m-1|＜τ且m＞1，则令m＝m-1，然后转步骤4.2；否则转步骤4.5；

步骤4.5：关键特征集CFS＝CFS₁；

步骤5：特征漂移判断，具体包括如下步骤：

步骤5.1：利用步骤4所述方法对缓存窗口W中的数据进行关键特征选择，得到关键特征集CFS_j＝CFS；

步骤5.2：清空缓存窗口W，继续接收微震事件，当缓存窗口W中微震事件个数达到100个时，利用步骤4所述方法对缓存窗口W中的数据进行关键特征选择，得到关键特征集CFS_j+1＝CFS；

步骤5.3：判断CFS_j与CFS_j+1的大小；

若：判断结果为CFS_j＝CFS_j+1，则没有特征漂移发生，令j＝j+1，然后转步骤5.2；

或判断结果为CFS_j≠CFS_j+1，则有特征漂移发生，此时利用特征集CFS_j+1训练新的特征分类器M_new，然后转步骤6；

步骤6：输出灾害状态

利用新的特征分类器M_new对缓存窗口W中的数据段进行分类，输出分类标号即输出C₁-绿色，C₂-黄色，C₃-红色三类中其中的任意一种标号，并启动相应级别的预警信号。

本发明所带来的有益技术效果：

本发明应用非线性信号分析理论对时窗内的微震数据流进行处理，对每个微震事件提取出8个时频域数据组成特征向量，更能准确描述微震数据在冲击地压灾变前后的漂移规律；引入最小二乘支持向量机对样本数据进行学习与训练，得出LS-SVM分类器，使用LS-SVM分类器发现隐藏在微震监测数据流中特征漂移规律，进而发现冲击地压灾变前兆并在线预警，相较于常规阈值预警方法鲁棒性更强。

附图说明

图1为本发明一种基于特征漂移的煤矿冲击地压灾害在线预警方法的流程图。

图2为本发明中微震数据段的示意图。

图3为本发明中微震事件的示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

一种基于特征漂移的煤矿冲击地压灾害在线预警方法(如图1所示)，包括以下步骤：

步骤1：训练分类器。

选择600个微震数据段，其中对应C₁、C₂、C₃状态的微震数据段各200个。每个数据段均包含有100个微震事件(如图2所示)，数据段中每个微震事件的时序序列如图3所示。针对每个微震事件，提取微震事件的均值f₁、方差f₂、均方根值f₃、峰值f₄、峰值因子f₅、偏度f₆、频率重心f₇及能量f₈共8个时频域特征，组成表征该微震事件的特征向量，图3中微震事件对应的特征向量可表示为：f＝[0.009865,0.001,0.0091,0.012356,0.00003,0.00021,102.52,214.55]，其余微震事件均可表示为形如特征向量f的格式，如表1所示。初始化LS-SVM，取正规化参数γ＝0.1、核函数参数δ²＝1；把表1中的600个微震数据段对应的特征向量随机分成10份，且使每份都含有等量的SC₁、SC₂、SC₃数据集样本。取前9份作为训练集，余下的1份作为验证集，先用训练集对初始分类器M进行训练，再利用验证集对分类器M进行验证；调整LS-SVM的正规化参数γ及核函数参数δ²，重复该过程10次，使数据集SC中的所有样本既参与了训练又参与了测试，取10次过程中分类准确率最高的正规化参数γ及核函数参数δ²作为LS-SVM分类器的最优参数，即可得到最新的分类器M。

表1微震事件特征向量及对应的灾变状态

步骤2：分段处理。

拾震器把采集到微震事件传输给计算机缓存，当计算机接收到的微震事件数目达到100时，把数据存入数据窗口W，同时清空缓存继续接收微震事件，并转步骤3对W中的数据进行处理。

步骤3：特征度量。

按照公式(1)计算出W窗口内微震事件的8个特征度量值，对于表1中前100行数据计算出8个特征度量值为FM＝[0.6587(f₁),0.7825(f₂),0.3564(f₃),0.8457(f₄),0.6598(f₅),0.3286(f₆),0.4256(f₇),0.5542(f₈)]；按从大到小的顺序存放入数组FMS＝[0.8457(f₄),0.7825(f₂),0.6598(f₅),0.6587(f₁),0.5542(f₈),0.4256(f₇),0.3564(f₃),0.3286(f₆)]。

步骤4：关键特征选择。

对于W窗口中的数据，进行关键特征选择，得到关键特征集合为CFS_j＝[f₄,f₂,f₅,f₁,f₈,f₇]。

步骤5：特征漂移判断。

清空W窗口中数据，继续接收微震事件，当微震事件数达到100时，进行关键特征选择，得到的关键特征集合为CFS_j+1＝[f₄,f₂,f₅,f₁,f₈,f₇,f₃]，由于CFS_j≠CFS_j+1，说明微震数据流特征发生了漂移，此时利用新的特征集CFS_j+1训练结合先验数据集训练新的特征分类器M_new。

步骤6：输出灾害状态。

利用新的特征分类器M_new对新近到来的数据段进行分类，输出分类标号为：C₂-黄色，并启动冲击地压黄色预警信号。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (1)

1.一种基于特征漂移的煤矿冲击地压灾害在线预警方法，其特征在于：包括如下步骤：

步骤1：构建并训练最小二乘支持向量机(LS-SVM)分类器M；

微震数据流表示为S＝{d₁,d₂,...,d_i,...}，其中d_i＝[f₁,f₂,...,f₈]是维度为8的数据点，每个d_i为一个独立的微震事件，f₁～f₈组成的集合称为微震事件d_i的特征集，记为F；

设冲击地压灾害类别为C＝{C₁,C₂,C₃}，分别表示煤矿生产处于正常、危险、临界三种状态，对应于绿色、黄色、红色三种预警信号；

输入：从历史监测数据中选择3a个微震数据段，且a≥200，每个微震数据段包含100个微震事件，记为数据集SC；其中对应C₁状态的微震数据段a个，记为SC₁数据集，对应C₂状态的微震数据段a个，记为SC₂数据集，对应C₃状态的微震数据段a个，记为SC₃数据集；

输出：LS-SVM分类器M；

具体包括如下步骤：

步骤1.1：使用高斯径向基函数作为核函数，构建初始LS-SVM分类器M，令正规化参数γ＝0.1及核函数参数δ²＝1；

步骤1.2：将数据集SC随机均分成b份，且b≥10，并使每份都含有等量的SC₁、SC₂、SC₃数据集样本；

步骤1.3：取前b-1份作为训练集，余下的1份作为验证集，先用训练集对初始LS-SVM分类器M进行训练，再用验证集对初始LS-SVM分类器M进行验证；

步骤1.4：调整初始LS-SVM分类器M的正规化参数γ及核函数参数δ²，将步骤1.2-步骤1.3重复b次，将b次过程中分类准确率最高的正规化参数γ及核函数参数δ²作为初LS-SVM分类器M的最优参数；

步骤1.5：输出LS-SVM分类器M；

步骤2：分段处理

对微震事件进行分段处理，当计算机缓存中的微震事件数达到设定阈值Q＝100时，记该缓存窗口为W，转步骤3对缓存窗口W中的微震数据进行处理；

步骤3：特征度量

针对缓存窗口W中的微震数据，采用熵估计法计算微震数据特征集F＝[f₁,f₂,...,f₈]中每个特征的度量值FM，其表达式如公式(1)所示：

<mrow> <mi>F</mi> <mi>M</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <mfrac> <mrow> <mi>p</mi> <mo>-</mo> <mn>1</mn> </mrow> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

其中，t_ik为微震事件d_i和第k个近邻在一维子空间的欧几里得距离；l_ik为微震事件d_i和第k个近邻在p-1维子空间的欧几里得距离；n为微震事件个数，取值为100；p为微震事件特征维数，取值为8；

根据公式(1)计算特征集F中所有特征f_i的FM值，并按从大到小的次序存入数组FMS＝[FM₁,FM₂,…,FM₈]；

步骤4：关键特征选择

从F＝[f₁,f₂,...,f₈]中选择关键特征；

输入：缓存窗口W中的微震数据集S，特征集F；已标记的先验微震数据集及根据先验知识构造的LS-SVM分类器M，阈值τ＝0.001；

输出：关键特征集CFS；

具体包括如下步骤：

步骤4.1：令数组FMS中元素个数＝m；

步骤4.2：在数组FMS中取前m个特征组成特征集CFS₁，利用先验微震数据集和LS-SVM分类器M计算分类精度γ_i；

步骤4.3：在数组FMS中取前m-1个特征组成特征集CFS₂，利用先验微震数据集和LS-SVM分类器M计算分类精度γ_i-1；

步骤4.4：若|γ_m-γ_m-1|＜τ且m>1，则令m＝m-1，然后转步骤4.2；否则转步骤4.5；

步骤4.5：关键特征集CFS＝CFS₁；

步骤5：特征漂移判断，具体包括如下步骤：

步骤5.1：利用步骤4所述方法对缓存窗口W中的数据进行关键特征选择，得到关键特征集CFS_j＝CFS；

步骤5.2：清空缓存窗口W，继续接收微震事件，当缓存窗口W中微震事件个数达到100个时，利用步骤4所述方法对缓存窗口W中的数据进行关键特征选择，得到关键特征集CFS_j+1＝CFS；

步骤5.3：判断CFS_j与CFS_j+1的大小；

若：判断结果为CFS_j＝CFS_j+1，则没有特征漂移发生，令j＝j+1，然后转步骤5.2；

或判断结果为CFS_j≠CFS_j+1，则有特征漂移发生，此时利用特征集CFS_j+1训练新的特征分类器M_new，然后转步骤6；

步骤6：输出灾害状态

利用新的特征分类器M_new对缓存窗口W中的数据段进行分类，输出分类标号即输出C₁-绿色，C₂-黄色，C₃-红色三类中其中的任意一种标号，并启动相应级别的预警信号。