CN108919358B - 一种矿震灾害判别及信号重构方法 - Google Patents

一种矿震灾害判别及信号重构方法 Download PDF

Info

Publication number
CN108919358B
CN108919358B CN201810366457.2A CN201810366457A CN108919358B CN 108919358 B CN108919358 B CN 108919358B CN 201810366457 A CN201810366457 A CN 201810366457A CN 108919358 B CN108919358 B CN 108919358B
Authority
CN
China
Prior art keywords
signal
mine earthquake
mine
data
sparse matrix
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.)
Active
Application number
CN201810366457.2A
Other languages
English (en)
Other versions
CN108919358A (zh
Inventor
赵小虎
有鹏
谢国军
张凯
李富强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xuzhou Kaixun Network Information Technology Co ltd
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201810366457.2A priority Critical patent/CN108919358B/zh
Publication of CN108919358A publication Critical patent/CN108919358A/zh
Application granted granted Critical
Publication of CN108919358B publication Critical patent/CN108919358B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/46—Data acquisition

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

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：
Figure BDA0001637388670000011
其中，
Figure BDA0001637388670000012
是矿震数据，θj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：
xj(xj∈[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...∪xj，将分组xj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：
Figure BDA0001637388670000031
其中，
Figure BDA0001637388670000032
是矿震数据，θj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：
xj(xj∈[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 (3)

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；
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；
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：
xj，xj∈[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，x表示为稀疏矩阵，g(·)是非线性函数，w是输入层到中间层的链接权值，b为中间层的偏置值，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，x为信号f(x)，g(·)是非线性函数，w′是中间层到输出层的链接权值，b′为输出层的偏置值，h(x)被当作是x的预测。
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：
Figure FDA0002388938700000011
其中，
Figure FDA0002388938700000012
是矿震数据，θj为信号的系数向量。
3.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。
CN201810366457.2A 2018-04-23 2018-04-23 一种矿震灾害判别及信号重构方法 Active CN108919358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810366457.2A CN108919358B (zh) 2018-04-23 2018-04-23 一种矿震灾害判别及信号重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810366457.2A CN108919358B (zh) 2018-04-23 2018-04-23 一种矿震灾害判别及信号重构方法

Publications (2)

Publication Number Publication Date
CN108919358A CN108919358A (zh) 2018-11-30
CN108919358B true CN108919358B (zh) 2020-07-24

Family

ID=64404141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810366457.2A Active CN108919358B (zh) 2018-04-23 2018-04-23 一种矿震灾害判别及信号重构方法

Country Status (1)

Country Link
CN (1) CN108919358B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770038B (zh) * 2010-01-22 2012-08-22 中国科学院武汉岩土力学研究所 矿山微震源智能定位方法
CN103912310B (zh) * 2014-04-15 2016-05-25 辽宁工程技术大学 一种矿井动力灾害预测方法
CN103941281B (zh) * 2014-04-24 2018-04-27 中国矿业大学 一种分布式矿震检测方法及装置
EP3602138B1 (en) * 2017-03-29 2023-02-15 Schlumberger Technology B.V. Compressive sensing imaging
CN107563092B (zh) * 2017-09-19 2020-08-04 山东蓝光软件有限公司 一种矿山动力灾害的全息预警方法
CN108986074B (zh) * 2018-06-12 2022-05-17 中国矿业大学 一种基于分块稀疏算法的煤矿井下图像处理方法

Also Published As

Publication number Publication date
CN108919358A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
Yang et al. Unsupervised 3-D random noise attenuation using deep skip autoencoder
Ahmed et al. Intelligent condition monitoring method for bearing faults from highly compressed measurements using sparse over-complete features
CN111723329B (zh) 一种基于全卷积神经网络的震相特征识别波形反演方法
CN107784276B (zh) 微震事件识别方法和装置
CN109613610B (zh) 微震信号到时差的自动拾取方法
CN110632662A (zh) 一种利用DCNN-Inception网络自动识别微地震信号的算法
Yang et al. Denoising of distributed acoustic sensing data using supervised deep learning
CN104769458A (zh) 一种基于柯西分布的叠后波阻抗反演方法
CN112884134B (zh) 面向地震震相识别的基于时域的卷积神经网络模型及应用
CN113687433B (zh) 一种基于Bi-LSTM的大地电磁信号去噪方法及系统
Li et al. Multisensory speech enhancement in noisy environments using bone-conducted and air-conducted microphones
Zhang et al. Deep convolutional neural network for microseismic signal detection and classification
Yang et al. Denoising distributed acoustic sensing data using unsupervised deep learning
CN113050189A (zh) 一种测井曲线的重构方法、装置、设备及存储介质
CN108919358B (zh) 一种矿震灾害判别及信号重构方法
CN110837111A (zh) 地震数据插值方法及系统
CN109884691B (zh) 用于随采地震信号的强单频和随机噪声压制方法及系统
CN111815561A (zh) 一种基于深度时空特征的管道缺陷及管道组件的检测方法
CN112100906A (zh) 数据驱动的大尺度密度建模方法、计算设备及存储介质
CN113608258B (zh) 一种构建高分辨率波阻抗反演标签的自洽深度学习方法
Dai et al. Stratigraphic automatic correlation using SegNet semantic segmentation model
CN106291676A (zh) 一种基于匹配追踪算法的地震数据重构方法
Liu et al. Research on seismic wave first arrival Picking Based on improved U-Net
CN114706128A (zh) 一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备
CN104570100B (zh) 多子波克希霍夫地震数据偏移方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240116

Address after: Room B805, No. 99 Daxue Road, Tongshan District, Xuzhou City, Jiangsu Province, 221000

Patentee after: Xuzhou Kaixun Network Information Technology Co.,Ltd.

Address before: 221116 No.1 Daxue Road, Xuzhou City, Jiangsu Province

Patentee before: CHINA University OF MINING AND TECHNOLOGY

TR01 Transfer of patent right