CN108919358A - 一种矿震灾害判别及信号重构方法 - Google Patents

Abstract

本发明公开了一种矿震灾害判别及信号重构方法，包括如下步骤：利用边缘计算服务器通过高速以太网从监测区域的分布式矿震监测节点中接收矿震数据；将矿震数据表示成稀疏矩阵；稀疏矩阵经过多重神经网络模型进行训练并对灾害结果进行判别；通过改进的稀疏度自适应匹配追踪算法对矿震信号进行重构。本发明将矿震监测及反演方法结合深度学习技术，可以大大降低监测环境中各种干扰的影响，提高矿震灾害判别及原始矿震信号重构精度，使反演结果更准确。

Description

一种矿震灾害判别及信号重构方法

技术领域

本发明涉及煤矿井下矿震信号提取与处理领域，具体涉及一种矿震灾害判别及信号重构方法。

背景技术

近年来，矿震监测技术成为多个领域专家、学者研究的热点课题。矿震监测技术不但是保障矿山安全生产的重要措施，还可以结合地震学、地质学、机械学等多个领域、多种学科进行矿压、围岩应力、矿山水文、机械振动等方面的监测，从而可以进行煤与瓦斯突出预测、物矿勘探、设备检修、无损探伤等很多方面的应用。但是现有的矿震监测技术容易受到监测环境中各种干扰的影响，使得反演结果准确度较低。

发明内容

发明目的：为了克服现有技术中存在的不足，把矿震监测技术与传感器网络相结合，通过深度学习的神经网络进行无监督的学习，训练出灾害判别模型，及时发现隐患，对矿区安全生产开发提供有效的指导，实现全方位、同步、智能化的监测，提供一种能够提高矿震灾害判别及原始矿震信息重构精度，使反演结果更准确的震灾害判别及信号重构方法。

技术方案：为实现上述目的，本发明提供一种矿震灾害判别及信号重构方法，包括如下步骤：

1)利用边缘计算服务器通过高速以太网从监测区域的分布式矿震监测节点中接收矿震数据；

2)将矿震数据表示成稀疏矩阵；

3)稀疏矩阵经过多重神经网络模型进行训练并对灾害结果进行判别；

4)通过改进的稀疏度自适应匹配追踪算法对矿震信号进行重构。

进一步地，所述步骤1中分布式矿震监测节点通过高速以太网连结并运行IEEE1588时间同步协议，矿震数据中加入时间戳保证矿震数据的时间一致性。

进一步地，所述步骤2中稀疏矩阵的表示方法为：将矿震数据根据同步时间差进行分组、部分丢弃并置零处理，处理后的数据表示成稀疏矩阵，即：

其中，是矿震数据，θ_j为信号的系数向量。

进一步地，所述步骤3中多重神经网络模型包含卷积网络和抗噪自动编码网络，其中卷积网络用于对稀疏矩阵数据进行特征提取，抗噪自动编码网络用于输出用于与专家系统进行灾害判别的训练结果，即：

x_j(x_j∈[0，1])，经过输入层到达中间层，信号变为y，可以用如下公式表示：

f(x)＝g(wx+b) (1)

上式(1)中，g(·)是非线性函数，w是输入层到中间层的链接权值，b为中间层的bias，信号f(x)经过解码层解码，输出到n个神经元的输出层，信号如下公式：

h(x)g(w＇x+b＇) (2)

上式(2)中，g(·)是非线性函数，w′是中间层到输出层的链接权值，b′为输出层的bias，h(x)被当作是x的预测。

进一步地，所述步骤4中用于对矿震信号进行重构的改进稀疏度自适应匹配追踪算法的具体步骤为：

首先对各个参数初始化，信号的支撑集为空集，初始残差矩阵为测量信号组成的矩阵，在满足残差的2范数没有足够的小的情况下，用测量矩阵的各列与残差匹配，计算无穷范数向量，保存将该向量中的S个最大绝对值分量的角标，将它与前次迭代产生的信号支撑集合并，然后计算更新后的支撑集在本次迭代中的残差，直至某次迭代产生的残差足够小，利用最后一次迭代产生的信号支撑集的估计去计算各信号非零分量的估计。

有益效果：本发明与现有技术相比，将矿震监测及反演方法结合深度学习技术，通过将矿震数据根据网络同步时间差进行分组并稀疏化处理，处理的结果接近神经网络的稀疏结构特性，通过卷积神经网络和抗噪自编码网络对数据进行提取，剔除各类噪声的干扰，采用无监督的深度学习训练还原出真实矿震信号。训练结果结合改进稀疏度自适应匹配追踪算法进行矿震信号重构，并用于与专家系统进行比对判别灾害结果，可以大大降低监测环境中各种干扰的影响，提高矿震灾害判别及原始矿震信号重构精度，使反演结果更准确。

附图说明

图1为原始矿震信号波形图；

图2为矿震数据的稀疏性示意图；

图3为重构后的矿震信号波形图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提供一种矿震灾害判别及信号重构方法，包括如下步骤：

1)将矿震节点分布式安装在监测区域组成监测台网，利用边缘计算服务器通过高速以太网从监测区域的分布式矿震监测节点中接收矿震数据，矿震监测节点通过高速以太网连结并运行IEEE1588时间同步协议，矿震数据中加入时间戳保证矿震数据的时间一致性。

2)矿震应力场反演主要应用TDOA算法，需要矿震数据与时间差的严格对应否则反演结果误差很大。边缘计算服务器接收到监测台网的矿震数据后，根据同步时间差进行分组x＝x₁∪x₂∪x₃...∪x_j，将分组x_j内部矿震数据进行部分丢弃并置零处理，处理后的数据表示成稀疏矩阵，即：

其中，是矿震数据，θ_j为信号的系数向量。

3)稀疏矩阵经过多重神经网络模型进行训练并对灾害结果进行判别：

稀疏矩阵中的矿震数据包含噪声干扰造成的错误数据，需要经过进一步数据提取并降低错误数据的影响，多重神经网络模型包含卷积网络和抗噪自动编码网络等，稀疏矩阵输入到多重神经网络模型，其中卷积网络用于对稀疏矩阵数据进行特征提取，抗噪自动编码网络用于输出用于与专家系统进行灾害判别的训练结果，即：

x_j(x_j∈[0，1])，经过输入层到达中间层，信号变为y，可以用如下公式表示：

f(x)＝g(wx+b) (1)

上式(1)中，g(·)是非线性函数，w是输入层到中间层的链接权值，b为中间层的bias，信号f(x)经过解码层解码，输出到n个神经元的输出层，信号如下公式：

h(x)＝g(w′x+b′) (2)

上式(2)中，g(·)是非线性函数，w′是中间层到输出层的链接权值，b′为输出层的bias，h(x)被当作是x的预测，经过神经网络的训练得到能够正确提取矿震信号的网络模型，还原矿震信号并降低各种干扰的影响。

4)通过改进的稀疏度自适应匹配追踪算法对矿震信号进行重构：

改进稀疏度自适应匹配追踪算法以经过多重神经网络模型训练输出的数据为输入，用于对矿震信号进行重构，其具体步骤为：首先对各个参数初始化，信号的支撑集为空集，初始残差矩阵为测量信号组成的矩阵，在满足残差的2范数没有足够的小的情况下，用测量矩阵的各列与残差匹配，计算无穷范数向量，保存将该向量中的S个最大绝对值分量的角标，将它与前次迭代产生的信号支撑集合并，然后计算更新后的支撑集在本次迭代中的残差，直至某次迭代产生的残差足够小，利用最后一次迭代产生的信号支撑集的估计去计算各信号非零分量的估计，从而得到重构的信号波形。

图1给出了原始矿震信号波形图，通过上述步骤1～3得到了图2所示的矿震数据的稀疏性示意图，再通过上述步骤3和4得到了图3所示的重构后的矿震信号波形图，对比图1和图3，重构后的矿震信号波形和原始矿震信号波形基本完全一致，对于原始矿震信号的重构精度非常之高。

Claims (5)

1.一种矿震灾害判别及信号重构方法，其特征在于：包括如下步骤：

1)利用边缘计算服务器通过高速以太网从监测区域的分布式矿震监测节点中接收矿震数据；

2)将矿震数据表示成稀疏矩阵；

3)稀疏矩阵经过多重神经网络模型进行训练并对灾害结果进行判别；

4)通过改进的稀疏度自适应匹配追踪算法对矿震信号进行重构。

2.根据权利要求1所述的一种矿震灾害判别及信号重构方法，其特征在于：所述步骤1中分布式矿震监测节点通过高速以太网连结并运行IEEE1588时间同步协议，矿震数据中加入时间戳保证矿震数据的时间一致性。

3.根据权利要求2所述的一种矿震灾害判别及信号重构方法，其特征在于：所述步骤2中稀疏矩阵的表示方法为：将矿震数据根据同步时间差进行分组、部分丢弃并置零处理，处理后的数据表示成稀疏矩阵，即：

其中，是矿震数据，θ_j为信号的系数向量。

4.根据权利要求1所述的一种矿震灾害判别及信号重构方法，其特征在于：所述步骤3中多重神经网络模型包含卷积网络和抗噪自动编码网络，其中卷积网络用于对稀疏矩阵数据进行特征提取，抗噪自动编码网络用于输出用于与专家系统进行灾害判别的训练结果，即：

x_j(x_j∈[0，1])，经过输入层到达中间层，信号变为y，可以用如下公式表示：

f(x)＝g(wx+b) (1)

上式(1)中，g(·)是非线性函数，w是输入层到中间层的链接权值，b为中间层的bias，信号f(x)经过解码层解码，输出到n个神经元的输出层，信号如下公式：

h(x)＝g(w′x+b′) (2)

上式(2)中，g(·)是非线性函数，w′是中间层到输出层的链接权值，b′为输出层的bias，h(x)被当作是的预测。

5.根据权利要求1所述的一种矿震灾害判别及信号重构方法，其特征在于：所述步骤4中用于对矿震信号进行重构的改进稀疏度自适应匹配追踪算法的具体步骤为：

首先对各个参数初始化，信号的支撑集为空集，初始残差矩阵为测量信号组成的矩阵，在满足残差的2范数没有足够的小的情况下，用测量矩阵的各列与残差匹配，计算无穷范数向量，保存将该向量中的S个最大绝对值分量的角标，将它与前次迭代产生的信号支撑集合并，然后计算更新后的支撑集在本次迭代中的残差，直至某次迭代产生的残差足够小，利用最后一次迭代产生的信号支撑集的估计去计算各信号非零分量的估计。