CN108830328A - 融合空间知识的微震信号smote识别方法及监测系统 - Google Patents
融合空间知识的微震信号smote识别方法及监测系统 Download PDFInfo
- Publication number
- CN108830328A CN108830328A CN201810646595.6A CN201810646595A CN108830328A CN 108830328 A CN108830328 A CN 108830328A CN 201810646595 A CN201810646595 A CN 201810646595A CN 108830328 A CN108830328 A CN 108830328A
- Authority
- CN
- China
- Prior art keywords
- microseismic signals
- data
- microseism
- microseismic
- smote
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 239000000523 sample Substances 0.000 claims description 120
- 238000001514 detection method Methods 0.000 claims description 56
- 238000007477 logistic regression Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 239000011435 rock Substances 0.000 abstract description 15
- 239000003245 coal Substances 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010358 mechanical oscillation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种融合空间知识的微震信号SMOTE识别方法及监测系统，实现对微震信号的分类，从而完成对冲击地压灾害更加准确及时的预警。首先，对源于SOS微震监测系统的微震数据进行数据格式转换和划分；其次，确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集；再次，根据训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成；最后，采用模型融合结构，实现融合空间知识的微震信号分类器学习。本发明充分利用微震信号的空间布局信息，挖掘具有强相关性的同类数据，减少不相关同类数据对过采样数据生成的影响，提高微震信号学习器的分类正确率和时效性，为冲击地压灾害及时有效预警提供更有力的支持。
Description
技术领域
本发明涉及一种融合空间知识的微震信号SMOTE识别方法，属于机器学习与数据挖掘领域。
背景技术
冲击地压是一种典型的煤矿动力灾害，严重威胁煤矿的高效生产和人员安全，因此，对冲击地压灾害的预警至关重要。冲击地压指在高应力作用下，聚集的能量突然释放，对煤岩体造成冲击，导致人员伤亡，建筑物破坏的现象。微震是采矿活动诱发的微地震，是煤岩介质在矿区应力作用下，聚集的弹性应变能突然释放，造成采掘空间周围岩体破裂的现象。因此，通过对微震信号分类，可以有效识别煤岩体状态，逐渐成为冲击地压预警的一种有效手段。
目前，微震信号数据识别的方法主要有时频分析和机器学习方法两类。其中，时频分析能有效分析微震波形频谱特征。常用的时频分析方法包括：傅里叶变换、小波变换、小波包变换和频率切片小波变换，等。文献(曹安业,窦林名,秦玉红,等.高应力区微震监测信号特征分析[J].采矿与安全工程学报,2007,24(2):146-149.)利用傅里叶变换，得到矿山微震信号的幅频特征，为煤矿微震信号的初步辨识提供依据。文献(唐守锋,童敏明,潘玉祥,等.煤岩破裂微震信号的小波特征能谱系数分析法[J].仪器仪表学报,2011,32(7):1521-1527.)分析了微震信号与噪声信号的能量分布特征，提出采用小波能谱系数的方法，提取微震信号的特征信息。文献(赵国彦,邓青林,马举.基于FSWT时频分析的矿山微震信号分析与识别[J].岩土工程学报,2015,37(2):306-312.)采用频率切片小波变换，识别煤矿微震信号。
时频域分析方法虽然可以有效分析煤矿微震信号频谱的特性，但是，由于每个传感器产生的数据量规模巨大，所以现场实时应用存在一定难度。因此，结合机器学习和计算机技术，实现大规模微震数据处理成为微震数据分析的一种新兴有效方法。文献(朱权洁,姜福兴,尹永明,等.基于小波分形特征与模式识别的矿山微震波形识别研究[J].岩土工程学报,2012,34(11):2036-2042.)将小波包与分形相结合，提取微震信号特征，并采用支持向量机实现微震信号分类。文献(Vallejos J A,Mckinnon S D.Logistic regression andneural network classification of seismic records[J].International Journal ofRock Mechanics&Mining Sciences,2013,62(9):86-95.)应用逻辑回归和人工神经网络，对微震信号和爆炸信号实现分类。文献(Dong L,Wesseloo J,Potvin Y,etal.Discrimination of Mine Seismic Events and Blasts Using the FisherClassifier,Naive Bayesian Classifier and Logistic Regression[J].RockMechanics and Rock Engineering,2016,49(1):183-211.)采用Fisher分类器、朴素贝叶斯分类器和逻辑回归，分析矿山微震和爆炸事件发生的可能性。
目前，微震信号的识别主要存在以下不足：煤矿微震信号受背景噪音、机械振动等环境因素影响，信噪比低，不同微震信号采集点获取的微震数据存在一定不平衡性，已有的微震监测系统，如：澳大利亚的IMS、加拿大的ESG和波兰的SOS系统存在自动识别效果差、分类准确率低且不稳定等问题。鉴于此，设计一种准确有效的煤矿冲击地压微震信号数据识别方法，对煤矿冲击地压灾害的监测及预警具有重要意义。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于融合空间知识的微震信号SMOTE识别方法及监测系统，达到提高总体识别准确率和解决微震信号数据在分类识别中的倾向性问题。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种融合空间知识的微震信号SMOTE识别方法，包括以下步骤：
步骤1)，通过SOS微震监测系统采集微震数据并进行数据预处理，按照时间窗大小，划分微震检测数据集；
步骤2)，根据步骤1时间窗大小划分微震检测数据集，得到时间窗内各个微震检波测量探头所采集的微震信号，并求各个微震检波测量探头所采集的微震信号的方差，根据时间窗内各个微震检波测量探头所采集的微震信号方差确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集；
步骤3)，根据训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成；
步骤4)，采用模型融合结构，实现融合空间知识的微震信号分类器学习。
进一步地：还包括基于Python3.6软件平台，验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性。
优选的：验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性的方法：首先，基于Python3.6软件平台，构建融合空间知识的微震信号SMOTE识别方法；其次，确定所提方法中的关键参数取值，包括l、K和基分类器中的训练参数；最后，实验验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性。
优选的：所述步骤1中对SOS微震监测系统采集获得的微震数据以.w格式保存；采用专用软件SEISGR通过二进制流方式，将其转换为.asc格式的可读数据；进而，基于MATLAB软件平台，再将其转换为.csv格式的微震数据。
优选的：所述步骤1中按照时间窗大小划分微震检测数据集的方法：将转化格式后的微震数据，按照时间窗T，分割为组采样数据，其中，tmax为采样微震数据的最大采样时间，T为时间窗大小。
优选的：所述步骤2中确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集方法：
步骤21)，记为第k组采样数据中第i个微震检波测量探头在第j个采样时刻获得的微震信号，其中，i＝1,2,…,N,j＝1,2,…,T,k＝1,2,…,J，N为微震检波测量探头个数，J为采样数据集规模；根据每组采样数据中所有有效微震信号所对应的微震检波测量探头与微震震源之间的空间距离d(oi,z)＝||oi-z||2，计算该组微震检测信号的能量值ek，记为：
ek＝λ(rk)q (1)
其中，q和λ为预先设定的常数，oi和z分别为微震检波测量探头的空间位置和微震震源的空间位置，则：
其中，rk表示第第k组采样数据中所有非零的有效微震信号所对应的微震检波测量探头与微震震源之间的最大空间距离；
步骤22)，以104J为能量分界点，满足ek＞104J的微震信号，标记为强微震信号，即yk＝0；满足ek≤104J的微震信号，标记为弱微震信号，即yk＝1；
步骤23)，针对第k组采样数据，计算每个微震检波测量探头在时间窗内所采集微震信号的平均值和方差分别为：
步骤24)，对第k组采样数据中，各个微震检波测量探头所采样数据依方差升序排列；若第k组采样数据标记为强微震信号，则选取前l个微震检波测量探头所获得的微震信号，l<N，作为空间相关小类训练样本，构成小类样本集对于标记为弱微震信号的第k组采样数据，选取后l个微震检波测量探头所采样的微震信号，作为空间相关大类训练样本，构成大类样本集
优选的：所述步骤3根据训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成的方法：
步骤31)，对于空间相关小类训练样本xi，计算其与训练小类样本集S1中其他样本之间的欧氏距离D(xi,xj),j＝1,2,…|S1|，其中，|S1|为小类样本集规模；根据样本之间的欧式距离，升序排列S1中所有微震信号；选取前k个微震信号作为xi的k-近邻；记两个微震信号之间的欧式距离为：
步骤32)，根据小类样本集和大类样本集规模，确定强微震信号和弱微震信号之间的非平衡率α，记为α＝|S1|/|S0|，其中，|S0|为大类样本集规模；根据微震信号的非平衡率，确定采样倍率ρ，记为ρ＝1/α；
步骤33)，对于小类微震信号xi，从其k-近邻微震信号中，随机选择P个微震信号x1,x2,...,xP；在xi与xj之间进行线性插值，j＝1,2,...,P，构造新的强微震信号样本，记为xnew：
xnew＝xi+λ(xj-xi),j＝1,2,...,P (6)
其中，λ～rand(0,1)是(0,1)之间满足均匀分布的一个随机数。
优选的：所述步骤4)实现融合空间知识的微震信号分类器学习的方法：
步骤41)，采用随机森林、AdaBoost、逻辑回归、决策树、K近邻、支持向量机这6种算法作为模型融合第一层的基学习器；训练样本对(xi,yi)作为基学习器输入，实现对基学习器的训练；
步骤42)，采用XGBoost算法构成模型融合第二层的次学习器；采用基学习器的输出yim,m＝1,2,…,6作为次学习器的输入，样本xi的真实类别yi作为次学习器的输出，构成次学习器的训练样本对，实现对次学习器的训练。
一种采用融合空间知识的微震信号SMOTE识别方法的监测系统，所述监测系统为SOS微震监测系统，包括地面监控室和井下信号采集单元，其中，井下信号采集单元包括微震检波测量探头和电缆，通过微震检波测量探头探测微震传播速度信号，并将该信号通过电缆传输到地面监控室；所述地面监控室包括DLM-SO数据采集器、数据记录仪和数据分析仪，所述DLM-SO数据采集器分别与微震检波测量探头、数据记录仪和数据分析仪连接，同时所述数据记录仪和数据分析仪连接。
优选的：还包括UPS电源模块，所述UPS电源模块分别与DLM-SO数据采集器、数据记录仪和数据分析仪连接。
本发明相比现有技术，具有以下有益效果：
本发明适用于对煤矿微震信号的分类识别，解决了微震信号在分类识别中存在的非平衡和空间信息利用不足等问题；提出的融合空间知识微震信号SMOTE方法，一方面，充分利用微震信号的空间布局信息，挖掘具有强相关性的同类数据，减少不相关同类数据对过采样过程的影响，另一方面，采用模型融合结构，通过综合集成多种基学习器，提高微震信号学习器的分类正确率和时效性，为冲击地压灾害及时有效预警提供更有力的支持。
附图说明
图1是本发明数据采集系统结构图；
图2是本发明底层数据处理模块处理过程示意图；
图3是本发明Data数据结构示意图；
图4是本发明实施例的分类识别准确率曲线图；
图5是本发明实施例的分类识别ROC曲线图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种SOS微震监测系统，包括微震检波测量探头、DLM-SO数据采集器、数据记录仪和数据分析仪四部分，见附图1。
所述SOS微震监测系统在实际安装中，分为地面监控室和井下信号采集单元两部分。井下信号采集单元包括微震检波测量探头和连接电缆，通过微震检波测量探头探测微震传播速度信号，并将该信号通过电缆传输到地面监控室。地面监控室由UPS不间断电源模块、DLM-SO数据采集器、数据记录仪和数据分析仪组成，所述DLM-SO数据采集器分别与微震检波测量探头、数据记录仪和数据分析仪连接，同时所述数据记录仪和数据分析仪连接，所述UPS电源模块分别与DLM-SO数据采集器、数据记录仪和数据分析仪连接，通过分析和处理源于井下的微震信号，根据其隐含的能量等级，实现微震信号的分类。
一种融合空间知识的微震信号SMOTE识别方法，实现对微震信号的分类，从而完成对冲击地压灾害更加准确及时的预警，具体包括如下步骤：
步骤1)对源于SOS微震监测系统的微震数据进行数据预处理，按照时间窗大小，划分微震检测数据集；
11)SOS微震监测系统采集获得的微震数据以.w格式保存；采用专用软件SEISGR，通过二进制流方式，将其转换为.asc格式的可读数据；进而，基于MATLAB软件平台，将其转换为.csv格式的微震数据；具体信号处理流程见附图2；
12)将转化格式后的微震数据，按照时间窗T，分割为组采样数据。其中，tmax为采样微震数据的最大采样时间，T为时间窗大小。
步骤2)根据时间窗内各个微震检波测量探头所采集的微震信号方差，确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集；
21)记为第k组采样数据中，第i个微震检波测量探头在第j个采样时刻获得的微震信号。其中，N为微震检波测量探头个数，J为采样数据集规模。根据每组采样数据中所有有效微震信号(即，采样微震信号非零的微震数据)所对应的微震检波测量探头与微震震源之间的空间距离d(oi,z)＝||oi-z||2，计算该组微震检测信号的能量值，记为
ek＝λ(rk)q (1)
其中，q和λ为预先设定的常数，取决于煤矿赋层条件。记为oi和z分别为微震检波测量探头和微震震源的空间位置，则
22)以104J为能量分界点，满足ek＞104J的微震信号，标记为强微震信号，即yk＝0；满足ek≤104J的微震信号，标记为弱微震信号，即yk＝1。
23)针对第k组采样数据，计算每个微震检波测量探头在时间窗内所采集微震信号的平均值和方差分别为：
24)对第k组采样数据中，各个微震检波测量探头所采样数据依方差升序排列。若第k组采样数据标记为强微震信号，则选取前l(l<N)个微震检波测量探头所获得的微震信号，作为空间相关小类(正类)训练样本，构成小类样本集对于标记为弱微震信号的第k组采样数据，选取后l(l<N)个微震检波测量探头所采样的微震信号，作为空间相关大类(负类)训练样本，构成大类样本集
步骤3)根据训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成；
31)对于空间相关小类(正类)训练样本xi，计算其与训练样本集S1中其他样本之间的欧氏距离D(xi,xj),j＝1,2,…|S1|；根据样本之间的欧式距离，升序排列S1中所有微震信号；选取前k个微震信号作为xi的k-近邻；记两个微震信号之间的欧式距离为
32)根据小类样本集和大类样本集规模，确定强微震信号和弱微震信号之间的非平衡率，记为α＝|S1|/|S0|；根据微震信号的非平衡率，确定采样倍率，记为ρ＝1/α；
33)对于小类微震信号xi，从其k-近邻微震信号中，随机选择P个微震信号x1,x2,...,xP；在xi与xj(j＝1,2,...,P)之间进行线性插值，构造新的强微震信号样本，记为xnew。
xnew＝xi+λ(xj-xi),j＝1,2,...,P (6)
其中，λ～rand(0,1)是(0,1)之间满足均匀分布的一个随机数。
步骤4)采用模型融合结构，实现融合空间知识的微震信号分类器学习；
41)采用随机森林、AdaBoost、逻辑回归、决策树、K近邻、支持向量机这6种算法作为模型融合第一层的基学习器；训练样本对(xi,yi)作为基学习器输入，实现对基学习器的训练；
42)采用XGBoost算法构成模型融合第二层的次学习器；采用基学习器的输出yim,m＝1,2,…,6作为次学习器的输入，样本xi的真实类别yi作为次学习器的输出，构成次学习器的训练样本对，实现对次学习器的训练。
步骤5)基于Python3.6软件平台，验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性。
首先，基于Python3.6软件平台，构建融合空间知识的微震信号SMOTE识别方法；其次，确定所提方法中的关键参数取值，包括l、K和基分类器中的训练参数；最后，实验验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性。
实例
某煤矿巷道的SOS微震监测系统由20个微震检波测量探头构成，微震数据处理的时间窗设置为4小时，每个微震检波测量探头在该时间窗内包含10240个微震信号采样值，由此，构成一组微震信号，其数据结构见附图3。根据采样时间范围，共获得220组微震信号。
采用步骤1所述方法，计算220组微震信号的能量值，确定其强弱程度。选取其中20组微震信号，其能量计算值如表1所示。220组微震信号中，标记为弱微震信号的共计200个，属于强微震信号的共计20个。
表1微震信号能量分布
| 编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| 能量/J | 2.42×107 | 7.98×106 | 5.55×106 | 5.53×106 | 2.91×106 | 2.66×106 | 1.69×106 |
| 编号 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
| 能量/J | 1.34×106 | 1.08×106 | 1.05×106 | 9.99×105 | 8.11×105 | 7.56×105 | 5.65×105 |
| 编号 | 15 | 16 | 17 | 18 | 19 | 20 | |
| 能量/J | 4.55×105 | 3.08×105 | 2.47×105 | 1.34×105 | 1.05×105 | 8.34×104 |
采用步骤2所述方法，计算每组微震数据中各个微震检波测量探头在该时间窗内的均值和方差；对于强微震信号，选取前l个具有较大方差的微震检波测量探头所采集微震信号，作为空间相关小类(正类)训练样本集，构成小类样本集S1；对于弱微震信号，选取后l个具有较小方差的微震检波测量探头所采集微震信号，作为空间相关大类(负类)训练样本集，构成大类样本集S0。其中，l＝1,2,…,20直接决定了各类训练样本集规模，即|S1|＝l×K强，|S0|＝l×K弱，且K强+K弱＝K，这里有|S1|＝20，|S0|＝200。
采用步骤3所述方法，对于空间相关小类(正类)样本集S1中的每个训练样本xi，计算其与S1中其他样本之间的欧式距离，选取前k个微震信号作为xi的k-近邻。这里，k＝15。
根据正类和负类训练样本集规模，确定非平衡率α＝0.1，采样倍率ρ＝10；对于样本集中每个训练样本xi，从其k-近邻微震信号中，随机选择10个微震信号x1,x2,...,x10；在xi与xj(j＝1,2,...,10)之间进行线性插值，构造新的强微震信号样本。
采用步骤4所述方法，实现微震信号分类器学习，分类器参数如表2所示。
表2分类器参数取值
从两类微震数据中，选取90％的数据作为训练数据，10％的数据作为测试数据。在l(＝1,2,……,20)取不同值时，分析其分类测试结果，如表3所示。
表3不同l取值下的数据集分类性能
相应的测试分类识别准确率曲线和ROC曲线，见附图5。由图5可见，当l＝3时，分类识别准确率最高，ROC曲线所包围的面积最大，得到的测试分类结果最优。
本发明解决了微震信号在分类识别中存在的非平衡和空间信息利用不足等问题；充分利用微震信号的空间布局信息，挖掘具有强相关性的同类数据，减少不相关同类数据对过采样数据生成的影响，提高微震信号学习器的分类正确率和时效性，为冲击地压灾害及时有效预警提供更有力的支持。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种融合空间知识的微震信号SMOTE识别方法，其特征在于：包括如下步骤：
步骤1)，通过监测系统采集微震数据并进行数据预处理，按照时间窗大小，划分微震检测数据集；
步骤2)，根据步骤1时间窗大小划分微震检测数据集，得到时间窗内各个微震检波测量探头所采集的微震信号，并求各个微震检波测量探头所采集的微震信号的方差，根据时间窗内各个微震检波测量探头所采集的微震信号方差确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集；
步骤3)，根据训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成；
步骤4)，采用模型融合结构，实现融合空间知识的微震信号分类器学习。
2.根据权利要求1所述融合空间知识的微震信号SMOTE识别方法，其特征在于：还包括基于Python3.6软件平台，验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性。
3.根据权利要求2所述融合空间知识的微震信号SMOTE识别方法，其特征在于：验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性的方法：首先，基于Python3.6软件平台，构建融合空间知识的微震信号SMOTE识别方法；其次，确定所提方法中的关键参数取值，包括l、K和基分类器中的训练参数；最后，实验验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性。
4.根据权利要求3所述融合空间知识的微震信号SMOTE识别方法，其特征在于：所述步骤1中对SOS微震监测系统采集获得的微震数据以.w格式保存；采用专用软件SEISGR通过二进制流方式，将其转换为.asc格式的可读数据；进而，基于MATLAB软件平台，再将其转换为.csv格式的微震数据。
5.根据权利要求4所述融合空间知识的微震信号SMOTE识别方法，其特征在于：所述步骤1中按照时间窗大小划分微震检测数据集的方法：将转化格式后的微震数据，按照时间窗T，分割为组采样数据，其中，tmax为采样微震数据的最大采样时间，T为时间窗大小。
6.根据权利要求5所述融合空间知识的微震信号SMOTE识别方法，其特征在于：所述步骤2中确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集方法：
步骤21)，记为第k组采样数据中第i个微震检波测量探头在第j个采样时刻获得的微震信号，其中，i＝1,2,…,N,j＝1,2,…,T,k＝1,2,…,J，N为微震检波测量探头个数，J为采样数据集规模；根据每组采样数据中所有非零的有效微震信号所对应的微震检波测量探头与微震震源之间的空间距离d(oi,z)＝||oi-z||2，计算该组微震检测信号的能量值ek，记为：
ek＝λ(rk)q (1)
其中，q和λ为预先设定的常数，oi和z分别为微震检波测量探头的空间位置和微震震源的空间位置，则：
其中，rk表示第k组采样数据中所有非零的有效微震信号所对应的微震检波测量探头与微震震源之间的最大空间距离；
步骤22)，以104J为能量分界点，满足ek＞104J的微震信号，标记为强微震信号，即yk＝0；满足ek≤104J的微震信号，标记为弱微震信号，即yk＝1；
步骤23)，针对第k组采样数据，计算每个微震检波测量探头在时间窗内所采集微震信号的平均值和方差分别为：
步骤24)，对第k组采样数据中，各个微震检波测量探头所采样数据依方差升序排列；若第k组采样数据标记为强微震信号，则选取前l个微震检波测量探头所获得的微震信号，l<N，作为空间相关小类训练样本，构成小类样本集对于标记为弱微震信号的第k组采样数据，选取后l个微震检波测量探头所采样的微震信号，作为空间相关大类训练样本，构成大类样本集
7.根据权利要求6所述融合空间知识的微震信号SMOTE识别方法，其特征在于：所述步骤3根据训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成的方法：
步骤31)，对于空间相关小类训练样本xi，计算其与训练小类样本集S1中其他样本之间的欧氏距离D(xi,xj),j＝1,2,…|S1|，其中，|S1|为小类样本集规模；根据样本之间的欧式距离，升序排列S1中所有微震信号；选取前k个微震信号作为xi的k-近邻；记两个微震信号之间的欧式距离为：
步骤32)，根据小类样本集和大类样本集规模，确定强微震信号和弱微震信号之间的非平衡率α，记为α＝|S1|/|S0|，其中，|S0|为大类样本集规模；根据微震信号的非平衡率，确定采样倍率ρ，记为ρ＝1/α；
步骤33)，对于小类微震信号xi，从其k-近邻微震信号中，随机选择P个微震信号x1,x2,...,xP；在xi与xj之间进行线性插值，j＝1,2,...,P，构造新的强微震信号样本，记为xnew：
xnew＝xi+λ(xj-xi),j＝1,2,...,P (6)
其中，λ～rand(0,1)是(0,1)之间满足均匀分布的一个随机数。
8.根据权利要求7所述融合空间知识的微震信号SMOTE识别方法，其特征在于：所述步骤4)实现融合空间知识的微震信号分类器学习的方法：
步骤41)，采用随机森林、AdaBoost、逻辑回归、决策树、K近邻、支持向量机这6种算法作为模型融合第一层的基学习器；训练样本对(xi,yi)作为基学习器输入，实现对基学习器的训练；
步骤42)，采用XGBoost算法构成模型融合第二层的次学习器；采用基学习器的输出yim,m＝1,2,…,6作为次学习器的输入，样本xi的真实类别yi作为次学习器的输出，构成次学习器的训练样本对，实现对次学习器的训练。
9.一种采用权利要求8所述融合空间知识的微震信号SMOTE识别方法的监测系统，所述监测系统为SOS微震监测系统，其特征在于：包括地面监控室和井下信号采集单元，其中，井下信号采集单元包括微震检波测量探头和电缆，通过微震检波测量探头探测微震传播速度信号，并将该信号通过电缆传输到地面监控室；所述地面监控室包括DLM-SO数据采集器、数据记录仪和数据分析仪，所述DLM-SO数据采集器分别与微震检波测量探头、数据记录仪和数据分析仪连接，同时所述数据记录仪和数据分析仪连接。
10.根据权利要求9所监测系统，其特征在于：还包括UPS电源模块，所述UPS电源模块分别与DLM-SO数据采集器、数据记录仪和数据分析仪连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810646595.6A CN108830328B (zh) | 2018-06-21 | 2018-06-21 | 融合空间知识的微震信号smote识别方法及监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810646595.6A CN108830328B (zh) | 2018-06-21 | 2018-06-21 | 融合空间知识的微震信号smote识别方法及监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108830328A true CN108830328A (zh) | 2018-11-16 |
| CN108830328B CN108830328B (zh) | 2022-01-11 |
Family
ID=64143048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810646595.6A Active CN108830328B (zh) | 2018-06-21 | 2018-06-21 | 融合空间知识的微震信号smote识别方法及监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830328B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084126A (zh) * | 2019-03-29 | 2019-08-02 | 西安电子科技大学 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
| CN110163381A (zh) * | 2019-04-26 | 2019-08-23 | 美林数据技术股份有限公司 | 智能学习方法及装置 |
| CN110688983A (zh) * | 2019-08-22 | 2020-01-14 | 中国矿业大学 | 基于多模态优化和集成学习的微震信号识别方法 |
| CN112418354A (zh) * | 2020-12-15 | 2021-02-26 | 江苏满运物流信息有限公司 | 货源信息分类方法、装置、电子设备、存储介质 |
| CN113361624A (zh) * | 2021-06-22 | 2021-09-07 | 北京邮电大学 | 一种基于机器学习的传感数据质量评估方法 |
| CN116500678A (zh) * | 2023-06-26 | 2023-07-28 | 煤炭科学研究总院有限公司 | 一种多源数据因果融合驱动的微震时空预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104570083A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 基于多维地震属性的地质体自动识别方法 |
| CN107059895A (zh) * | 2017-06-08 | 2017-08-18 | 东北大学 | 开挖扰动岩质边坡失稳预警系统及方法 |
| CN107203003A (zh) * | 2017-07-27 | 2017-09-26 | 河北煤炭科学研究院 | 一种矿井水害微震监测时空簇分析方法 |
| CN107422373A (zh) * | 2017-04-21 | 2017-12-01 | 山东科技大学 | 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 |
| CN108038442A (zh) * | 2017-12-08 | 2018-05-15 | 桂林电子科技大学 | 一种基于数据挖掘的微震信号的识别方法 |
-
2018
- 2018-06-21 CN CN201810646595.6A patent/CN108830328B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104570083A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 基于多维地震属性的地质体自动识别方法 |
| CN107422373A (zh) * | 2017-04-21 | 2017-12-01 | 山东科技大学 | 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 |
| CN107059895A (zh) * | 2017-06-08 | 2017-08-18 | 东北大学 | 开挖扰动岩质边坡失稳预警系统及方法 |
| CN107203003A (zh) * | 2017-07-27 | 2017-09-26 | 河北煤炭科学研究院 | 一种矿井水害微震监测时空簇分析方法 |
| CN108038442A (zh) * | 2017-12-08 | 2018-05-15 | 桂林电子科技大学 | 一种基于数据挖掘的微震信号的识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| YUE GENG 等: "《Cost-Sensitive Convolution based Neural Networks for Imbalanced Time-Series Classification》", 《ARXIV.ORG》 * |
| 程健 等: "《基于半监督过采样非平衡学习的矿山微震信号识别》", 《煤炭科学技术》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084126A (zh) * | 2019-03-29 | 2019-08-02 | 西安电子科技大学 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
| CN110084126B (zh) * | 2019-03-29 | 2022-01-28 | 西安电子科技大学 | 一种基于Xgboost的卫星通信干扰样式识别方法 |
| CN110163381A (zh) * | 2019-04-26 | 2019-08-23 | 美林数据技术股份有限公司 | 智能学习方法及装置 |
| CN110688983A (zh) * | 2019-08-22 | 2020-01-14 | 中国矿业大学 | 基于多模态优化和集成学习的微震信号识别方法 |
| CN112418354A (zh) * | 2020-12-15 | 2021-02-26 | 江苏满运物流信息有限公司 | 货源信息分类方法、装置、电子设备、存储介质 |
| CN112418354B (zh) * | 2020-12-15 | 2022-07-15 | 江苏满运物流信息有限公司 | 货源信息分类方法、装置、电子设备、存储介质 |
| CN113361624A (zh) * | 2021-06-22 | 2021-09-07 | 北京邮电大学 | 一种基于机器学习的传感数据质量评估方法 |
| CN116500678A (zh) * | 2023-06-26 | 2023-07-28 | 煤炭科学研究总院有限公司 | 一种多源数据因果融合驱动的微震时空预测方法 |
| CN116500678B (zh) * | 2023-06-26 | 2023-09-26 | 煤炭科学研究总院有限公司 | 一种多源数据因果融合驱动的微震时空预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108830328B (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830328A (zh) | 融合空间知识的微震信号smote识别方法及监测系统 | |
| CN105956526B (zh) | 基于多尺度排列熵的低信噪比微震事件辨识方法 | |
| CN101762830B (zh) | 分布式煤矿冲击地压监测方法 | |
| CN106437854B (zh) | 分布式煤岩动力灾害声电同步监测系统及方法 | |
| CN102565855B (zh) | 油田压裂地面微地震数据处理方法 | |
| CN104266894B (zh) | 一种基于相关性分析的矿山微震信号初至波时刻提取方法 | |
| CN107272061B (zh) | 一种次声信号与地震事件的自动关联方法 | |
| CN105676268A (zh) | 一种基于声音信号波形变化特征的应变型岩爆预警方法 | |
| US11789173B1 (en) | Real-time microseismic magnitude calculation method and device based on deep learning | |
| CN112985574B (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
| CN107355686B (zh) | 一种排水管道堵塞故障的检测方法 | |
| CN109443719B (zh) | 一种钻头振动信号在线虚拟测试方法及其系统 | |
| CN113029327B (zh) | 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 | |
| CN103913512B (zh) | 斜拉索定期检测的损伤定位系统 | |
| CN114139381B (zh) | 一种考虑桩土参数不确定性的桩基础损伤普查和评估方法 | |
| CN110196448A (zh) | 一种滑坡次声信号识别方法 | |
| CN110688983A (zh) | 基于多模态优化和集成学习的微震信号识别方法 | |
| CN110765983A (zh) | 一种基于微震频谱特征的煤柱型冲击地压危险性评价方法 | |
| CN107355687B (zh) | 一种下水管道故障检测方法 | |
| Jiang et al. | Microseismic event classification with time-, frequency-, and wavelet-domain convolutional neural networks | |
| Si et al. | A Novel coal-gangue recognition method for top coal caving face based on IALO-VMD and improved MobileNetV2 network | |
| CN111275003B (zh) | 基于类最优高斯核多分类支持向量机的微震信号识别方法 | |
| Zhu et al. | Time series segmentation clustering: A new method for S-phase picking in microseismic data | |
| CN108205016A (zh) | 声发射塔吊安全检测的工控机系统 | |
| CN116466408A (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211009 Address after: 100013 No. 5 qingqinggou Road, Hepingli, Chaoyang District, Beijing Applicant after: General Coal Research Institute Applicant after: China University of mining and technology Address before: 221116 Research Institute of China University of mining and technology, University Road, Tongshan District, Xuzhou City, Jiangsu Province Applicant before: China University of mining and technology |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |