CN110765983B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110765983B CN110765983B CN201911081711.5A CN201911081711A CN110765983B CN 110765983 B CN110765983 B CN 110765983B CN 201911081711 A CN201911081711 A CN 201911081711A CN 110765983 B CN110765983 B CN 110765983B
- Authority
- CN
- China
- Prior art keywords
- rock burst
- microseismic
- coal pillar
- frequency
- signal
- 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
Links
- 239000011435 rock Substances 0.000 title claims abstract description 80
- 239000003245 coal Substances 0.000 title claims abstract description 64
- 238000001228 spectrum Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010183 spectrum analysis Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 208000013201 Stress fracture Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- Probability & Statistics with Applications (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了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;该方法首先通过对微震信号进行自适应分解,获得多个频段的信号分量,使用信息熵对信号分量中所包含的冲击特征信息进行评价,将包含较多冲击特征信息的分量重构成新的信号;其次,对重构后的信号进行频谱分析,获得一个多维特征向量,将该特征向量输入到训练好的RBF神经网络中,即可输出冲击地压危险性评价结果。本发明能准确提取微震信号中的微弱特征信息,实现煤柱型冲击地压危险性的准确判断,与传统冲击地压危险性评价方法相比,该发明能实时判断输出冲击地压危险性类别,具有判断结果准确且算法的实时性较强。
Description
技术领域
本发明涉及一种煤矿煤柱型冲击地压危险性评价方法,具体的说,就是通过埋设在煤柱内的微震传感器采集震动信号,对采集到的微震信号进行频谱分析,提取能真实反应煤柱稳定性的频谱特征,并将其用于评价煤柱型冲击地压危险性,属于信息处理技术领域。
背景技术
随着煤矿开采深度的增加,我国煤矿冲击地压灾害日趋严重。受煤层赋存和开采技术限制,在煤矿开采过程中不可避免地需要留设煤柱来支撑巷道或工作面,在多个方向应力叠加作用下,煤柱需要承受比原始应力大数倍的集中应力,因此极易发生冲击地压灾害。由于冲击地压的发生具有突发性及复杂性,冲击地压灾害监测预警一直是困扰煤矿安全生产的技术难题。
目前冲击地压危害性的评价方法有很多,比如中国专利申请号201610601243.X公开的一种冲击地压危险性综合评价系统;中国专利申请号201410415701.1公开的一种冲击危险性实测综合评价方法;中国专利申请号201510665572.6公开的一种煤矿冲击地压检测方法;中国专利申请号201610055606.4公开的一种高应力集中区冲击地压的微震多参量预警方法;中国专利申请号201810574205.9公开的一种煤矿冲击地压预测预警方法;中国专利申请号201811357374.3公开的一种矿区冲击地压的危险性评估方法。这些专利都是从不同角度对矿井下冲击地压的危险性进行评估和预测,但是它们都不是利用微震信号频谱分析技术对煤柱型冲击地压进行评估的,由于煤柱型冲击地压与监测现场的地质构造、开采方式、煤柱属性等都有密切关系,因此使用微震频谱分析技术能够在更深层次上提取冲击地压灾变特征,所提取的特征也更加稳定,有效排除了外部噪声带来的不利影响,使煤柱型冲击地压稳定性评价结果更加准确。
中国专利申请号201910166343.8公开了一种利用侧向应变差值对孤岛煤柱冲击地压进行预警的方法,通过实时采集待监测煤柱的应力数据得到相应的实时侧向应变差值,再通过比对实时侧向应变差值与最大侧向应变差值之间的关系,判断是否需要进行冲击地压预警。该技术属最近公开的一种孤岛煤柱型冲击地压预警方法,与本发明的区别是采用应力数据进行预警,本发明采用的是微震监测数据,本发明的优势在于:利用微震信号的频谱特征反映煤柱型冲击地压的危险程度,可以有效排除外部噪声对传感器造成的干扰,使得监测结果更接近于真实状况,进一步提高了煤柱型冲击地压危险性评价的准确度,且能连续实时在线监测:
微震技术是监测冲击地压灾变过程的有效手段,它能够对煤岩体内部的微震活动进行连续的实时在线监测,已成为煤矿冲击地压灾害监测预警的重要手段之一,但由于冲击地压的发生机理复杂,影响因素众多,不同地质构造、不同岩性、不同区域的煤柱型冲击地压的微震信号差异较大,使用微震监测技术成功预报冲击地压灾害的案例还不多见,因此进一步挖掘微震信号所包含的大量特征信息成为目前该领域研究的热点,本发明通过分析和研究冲击地压孕灾过程中的微震信号频谱分布特征,提取多域时频特征对煤柱型冲击地压危险性的进行评价。
发明内容
为了减少人为主观选择冲击地压危险性评价参数存在的弊端,本发明提出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,包括以下步骤:
步骤1:在待评价煤柱的不同位置,均匀间隔安装拾震器,每个拾震器监测结果代表该拾震器所处的煤柱位置冲击地压危险程度;当煤柱在应力作用下发生微震事件时,产生的微震信号被拾震器接收并传送给计算机,计算机将每个微震事件作为一个数据文件单独存储,并按时序存储这些数据文件;
优选地,拾震器的采集频率设定为1000Hz。
步骤2:计算机将接收到的微震信号{x(t),t=1,2,...,N}分解成k个分量,记第i个分量为xi(t),获得第i个分量xi(t)的推导过程如下:
其中t代表采样时刻;
步骤2.1:将第i个分量xi(t)定义为一个调频调幅信号,定义如下:
步骤2.2:对于第i个分量xi(t),应用Hilbert变换计算其单边谱fi(t),计算公式为:
式中,σ(t)为狄拉克函数,*表示卷积操作,j为虚数单位;
步骤2.3:为每一个单边谱fi(t)预估一个中心频率ωi,对单边谱fi(t)进行移频,计算公式如下:
步骤2.4:利用H1高斯平滑指标估计每个分量xi(t)的带宽,得到约束问题:
式中,{xi}表示分解得到的k个分量,{ωi}表示k个分量的中心频率;
步骤2.5:为求解式(4),引入二次惩罚因子α和Lagrange乘子,将公式(4)转化为式(5)所示的无约束问题进行求解:
式中,α为二次惩罚因子,λ(t)为Lagrange乘子;
优选地,取二次惩罚因子α=300。
步骤2.6:利用乘子交替方向法对式(5)进行求解,求得式(5)的鞍点,即为无约束问题的最优解,最优解为微震信号分解得到的分量{xi}及各自的中心频率{ωi},其中微震信号x(t)分解得到分量{xi}的结果表示如下:
优选地,取微震信号分解的分量个数k=6。
步骤3:计算每个分量xi(t)的信息熵,提取能反映冲击地压危险性的特征分量,具体步骤如下:
步骤3.1:对分量xi(t)进行归一化处理,计算式如下:
优选地,取l=50;这样,每个分量xi(t)都对应一个信息熵Ei。
步骤3.3:根据Ei值的大小按照降序排序,选择n(n<k)个较大的分量作为反映冲击地压危险性的特征分量,记为集合{xa(t),a=1,2,...,n},其中,n满足如下条件:
|E(xa(t))-E(xa+1(t))|≤μ,a=1,2,...,n (9)
优选地,取阈值μ=0.15;
步骤4:提取特征信号的时域、频域特征组成一个特征向量R;其中时域特征包括均值、方差、均方根、峰值、峰值因子、峭度、偏度等7个指标,频域特征包括频率重心、均方频率、均方根频率、频率方差以及特征分量信号{xj(t),j=1,2,...,n}对应的n个频段能量,频段能量的计算式为:
式中,f1,f2为信号xj(t)的频率上、下界限,Pj(f)为信号xj(t)的功率谱;
至此,特征向量R可表示为(a1,a2,...,a7,b1,b2,...,b4,c1,c2,...,cn);其中ai表示时域特征,bi表示4个频域特征,ci表示n个频段能量;对特征向量R中的各维数据进行归一化处理,使各维数据均介于[0,1]之间;
步骤5:使用历史经验数据训练神经网络,生成冲击地压危险性分类器,该分类器输入微震信号分解重构后的特征向量R,输出煤柱型冲击地压的危险性等级分类,分成三类:正常(NOR)、危险(DAN)、临界(CRI);其中,神经网络采用RBF神经网络,将高斯函数作为RBF神经网络的径向基函数,RBF神经网络的激活函数定义为:
式中,Ci为高斯函数的中心;||xp-Ci||为欧氏范数;σ为高斯函数的标准方差;xp为输入样本;RBF神经网络的学习算法步骤如下:
步骤5.1:设有M组输入样本xp,dp是每组样本的期望输出值,定义目标误差函数如下:
式中,yp是对应xp输入的RBF网络输出向量;
步骤5.2:使用K均值聚类算法确定式(12)中基函数的中心点Ci;
步骤5.3:Ci确定后,使用最小二乘法进行RBF网络的权值调整;
将历史上煤柱内测得的微震数据划分成3个数据集,每个数据集中的样本数为30000个,3个数据集分别对应冲击地压危险性的三个等级:正常(NOR)、危险(DAN)、临界(CRI),从3类共90000个样本数据集中随机选取60000个样本进行RBF网络训练,同时保持60000个样本中代表三个危险等级的样本的比例为1:1:1,其余30000个数据作为测试样本,训练误差Err达到最小值时停止训练,保存训练完成的RBF网络,即为判断冲击地压危险性的分类器Q;
步骤6:计算机在线读取煤柱内拾震器采集的微震事件,按照步骤1到步骤4提取微震事件的特征向量R,并将特征向量R输入到步骤5训练完成的分类器Q中,即可输出每个拾震器所处的煤柱位置发生冲击地压危险等级。
本发明的积极效果总结如下:
1、本发明为了减少人为主观选择冲击地压危险性评价参数存在的弊端,提出了新的微震频谱分解与重构方法,通过信息熵计算重新选择了敏感频带,排除了无用频谱成分的干扰,所提取的信号频谱特征更能直观反映冲击地压危险性;
2、本发明为了准确评价冲击地压危险性等级,基于RBF神经网络提出了样本集训练方法,并给出了适用于煤柱型冲击地压危险性评价的RBF神经网络训练方法,分析结果表明,该方法能准确提取微震信号中的微弱特征信息,实现煤柱型冲击地压危险性的准确判断,与传统冲击地压危险性评价方法相比,该发明能实时判断输出冲击地压危险性类别,具有判断结果准确且算法的实时性较强。
3、本发明监测系统的拾震器设在煤柱的不同位置,每个拾震器的监测结果代表了该拾震器所处位置的冲击地压的危险程度,这样通过监测结果可以快速准确判断出冲击地压发生的位置,为现场冲击地压的防治和预警提供了可靠的依据。
总之:本发明针对煤柱型冲击地压危险性评价困难问题,提出一种基于微震频谱特征的冲击地压危险性评价方法;该方法首先通过对微震信号进行自适应分解,获得多个频段的信号分量,使用信息熵对信号分量中所包含的冲击特征信息进行评价,将包含较多冲击特征信息的分量重构成新的信号;其次,对重构后的信号进行频谱分析,获得一个多维特征向量,将该特征向量输入到训练好的RBF神经网络中,即可输出冲击地压危险性评价结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中为冲击地压危险性判别方法流程图。
图2为本发明中拾震器接收到的微震波形示意图。
图3a-3f为本发明中自适应分解后得到的6个信号分量波形示意图。
图4为本发明中重构后的微震波形示意图。
具体实施方式
下面结合附图对本发明的实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
实施例,某煤矿煤柱型冲击地压频发,为此安装了多通道24位微震监测系统,该系统共有12个拾震器,分别安装在煤柱的不同位置,现以一个拾震器为例说明该方法的执行过程,其执行流程图如附图1所示:
第一步,煤柱内由于应力作用煤岩产生微破裂时,会发生微震事件,拾震器捕获微震事件,并将其波形数据传送给计算机,计算机将单个的波形数据存储成一个数据文件,微震波形如附图2所示;
第二步,按照步骤2.1到2.6,计算机对接收到的微震波形数据进行自适应分解,分解得到6个分量,首先设第i个分量xi(t)为一个调频调幅信号对于分量xi(t),应用Hilbert变换计算其单边谱fi(t),并为每一个单边谱fi(t)预估一个中心频率ωi,对单边谱fi(t)进行移频;其次,利用H1高斯平滑指标估计每个分量xi(t)的带宽,得到如式(4)所示的约束问题,为求解式(4),引入二次惩罚因子α和Lagrange乘子,将其转化为式(5)所示的无约束问题进行求解;最后利用乘子交替方向法对式(5)进行求解,求得式(5)的鞍点,即为无约束问题的最优解,最优解为微震信号分解得到的分量{xi}及各自的中心频率{ωi},其中微震信号x(t)分解得到分量{xi}的结果可表示式(6),6个分量的波形如附图3a-3f所示;
表1微震信号分解得到的6个分量的信息熵
第4步,提取特征信号的时域、频域特征组成一个特征向量R;其中时域特征包括均值、方差、均方根、峰值、峰值因子、峭度、偏度等7个指标,频域特征包括频率重心、均方频率、均方根频率、频率方差以及特征分量信号{xj(t),j=1,2,...,n}对应的n个频段能量,特征向量R可表示为(a1,a2,...,a7,b1,b2,...,b4,c1,c2,...,cn)。其中ai表示时域特征,bi表示4个频域特征,ci表示n个频段能量,对向量R中的各维数据进行归一化处理,使各维数据均介于[0,1]之间。
第5步:将历史上煤柱内测得的微震数据划分成3个数据集,每个数据集中的样本数为30000个,3个数据集分别对应冲击地压危险性的三个等级:正常(NOR)、危险(DAN)、临界(CRI),从3类共90000个样本数据集中随机选取60000个样本进行RBF网络训练,同时保持60000个样本中各类样本的比例为1:1:1,其余30000个数据作为测试样本,训练误差Err达到最小值时停止训练,保存训练完成的RBF网络,即为判断冲击地压危险性的分类器Q。
步骤6:计算机在线读取煤柱内拾震器采集的微震事件,按照步骤1到步骤4提取微震事件的特征向量R,并将特征向量R输入到步骤5训练完成的分类器Q中,即可输出当前煤柱发生冲击地压危险等级。
同理,根据上述方法得到煤柱不同位置发生冲击地压危险等级。
Claims (6)
1.一种基于微震频谱特征的煤柱型冲击地压危险性评价方法,其特征在于,包括以下步骤:
步骤1:在待评价煤柱的不同位置,均匀间隔安装拾震器,每个拾震器监测结果代表该拾震器所处的煤柱位置冲击地压危险程度;当煤柱在应力作用下发生微震事件时,产生的微震信号被拾震器接收并传送给计算机,计算机将每个微震事件作为一个数据文件单独存储,并按时序存储这些数据文件;
步骤2:计算机将接收到的微震信号{x(t),t=1,2,...,N}分解成k个分量,记第i个分量为xi(t),获得第i个分量xi(t)的推导过程如下:
其中t代表采样时刻;
步骤2.1:将第i个分量xi(t)定义为一个调频调幅信号,定义如下:
步骤2.2:对于第i个分量xi(t),应用Hilbert变换计算其单边谱fi(t),计算公式为:
式中,σ(t)为狄拉克函数,*表示卷积操作,j为虚数单位;
步骤2.3:为每一个单边谱fi(t)预估一个中心频率ωi,对单边谱fi(t)进行移频,计算公式如下:
步骤2.4:利用H1高斯平滑指标估计每个分量xi(t)的带宽,得到约束问题:
式中,{xi}表示分解得到的k个分量,{ωi}表示k个分量的中心频率;
步骤2.5:为求解式(4),引入二次惩罚因子α和Lagrange乘子,将公式(4)转化为式(5)所示的无约束问题进行求解:
式中,α为二次惩罚因子,λ(t)为Lagrange乘子;
步骤2.6:利用乘子交替方向法对式(5)进行求解,求得式(5)的鞍点,即为无约束问题的最优解,最优解为微震信号分解得到的分量{xi}及各自的中心频率{ωi},其中微震信号x(t)分解得到分量{xi}的结果表示如下:
步骤3:计算每个分量xi(t)的信息熵,提取能反映冲击地压危险性的特征分量,具体步骤如下:
步骤3.1:对分量xi(t)进行归一化处理,计算式如下:
步骤3.3:根据Ei值的大小按照降序排序,选择n个较大的分量n<k,作为反映冲击地压危险性的特征分量,记为集合{xa(t),a=1,2,...,n},其中,n满足如下条件:
|E(xa(t))-E(xa+1(t))|≤μ,a=1,2,...,n (9)
步骤4:提取特征信号的时域、频域特征组成一个特征向量R;其中时域特征包括均值、方差、均方根、峰值、峰值因子、峭度、偏度7个指标,频域特征包括频率重心、均方频率、均方根频率、频率方差以及特征分量信号{xj(t),j=1,2,...,n}对应的n个频段能量,频段能量的计算式为:
式中,f1,f2为信号xj(t)的频率上、下界限,Pj(f)为信号xj(t)的功率谱;
至此,特征向量R可表示为(a1,a2,...,a7,b1,b2,...,b4,c1,c2,...,cn);其中ai表示时域特征,bi表示4个频域特征,ci表示n个频段能量;对特征向量R中的各维数据进行归一化处理,使各维数据均介于[0,1]之间;
步骤5:使用历史经验数据训练神经网络,生成冲击地压危险性分类器,该分类器输入微震信号分解重构后的特征向量R,输出煤柱型冲击地压的危险性等级分类,分成三类:正常、危险、临界;其中,神经网络采用RBF神经网络,将高斯函数作为RBF神经网络的径向基函数,RBF神经网络的激活函数定义为:
式中,Ci为高斯函数的中心;||xp-Ci||为欧氏范数;σ为高斯函数的标准方差;xp为输入样本;RBF神经网络的学习算法步骤如下:
步骤5.1:设有M组输入样本xp,dp是每组样本的期望输出值,定义目标误差函数如下:
式中,yp是对应xp输入的RBF网络输出向量;
步骤5.2:使用K均值聚类算法确定式(12)中基函数的中心点Ci;
步骤5.3:Ci确定后,使用最小二乘法进行RBF网络的权值调整;
将历史上煤柱内测得的微震数据划分成3个数据集,每个数据集中的样本数为30000个,3个数据集分别对应冲击地压危险性的三个等级:正常、危险、临界,从3类共90000个样本数据集中随机选取60000个样本进行RBF网络训练,同时保持60000个样本中代表三个危险等级的样本的比例为1:1:1,其余30000个数据作为测试样本,训练误差Err达到最小值时停止训练,保存训练完成的RBF网络,即为判断冲击地压危险性的分类器Q;
步骤6:计算机在线读取煤柱内拾震器采集的微震事件,按照步骤1到步骤4提取微震事件的特征向量R,并将特征向量R输入到步骤5训练完成的分类器Q中,即可输出每个拾震器所处的煤柱位置发生冲击地压危险等级。
2.如权利要求1所述的基于微震频谱特征的煤柱型冲击地压危险性评价方法,其特征在于,步骤1中拾震器的采集频率设定为1000Hz。
3.如权利要求1所述的基于微震频谱特征的煤柱型冲击地压危险性评价方法,其特征在于,步骤2.5中的二次惩罚因子α=300。
4.如权利要求1所述的基于微震频谱特征的煤柱型冲击地压危险性评价方法,其特征在于,步骤2.6中的微震信号分解的分量个数k=6。
5.如权利要求1所述的基于微震频谱特征的煤柱型冲击地压危险性评价方法,其特征在于,步骤3.2中时窗长度l=50。
6.如权利要求1所述的基于微震频谱特征的煤柱型冲击地压危险性评价方法,其特征在于,步骤3.3中的阈值μ=0.15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081711.5A CN110765983B (zh) | 2019-11-07 | 2019-11-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081711.5A CN110765983B (zh) | 2019-11-07 | 2019-11-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110765983A CN110765983A (zh) | 2020-02-07 |
CN110765983B true CN110765983B (zh) | 2023-07-11 |
Family
ID=69336447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911081711.5A Active CN110765983B (zh) | 2019-11-07 | 2019-11-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765983B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401168B (zh) * | 2020-03-06 | 2023-11-17 | 上海神添实业有限公司 | 一种无人机的多层雷达特征提取与选择方法 |
CN111963243B (zh) * | 2020-07-22 | 2021-05-07 | 中国矿业大学 | 一种基于动静组合应力分析的冲击地压危险监测预警方法 |
CN113469342A (zh) * | 2021-07-08 | 2021-10-01 | 北京科技大学 | 一种基于深度学习微震监测数据的冲击地压预警方法 |
CN113901939B (zh) * | 2021-10-21 | 2022-07-01 | 黑龙江科技大学 | 基于模糊修正的冲击地压危险等级预测方法、存储介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109447837A (zh) * | 2018-11-15 | 2019-03-08 | 国家能源投资集团有限责任公司 | 一种矿区冲击地压的危险性评估方法 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
-
2019
- 2019-11-07 CN CN201911081711.5A patent/CN110765983B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
CN109447837A (zh) * | 2018-11-15 | 2019-03-08 | 国家能源投资集团有限责任公司 | 一种矿区冲击地压的危险性评估方法 |
Non-Patent Citations (1)
Title |
---|
基于小波包分解重构的微地震信号降噪方法;曹伟;孙红梅;贾瑞生;崔云洁;陈兴飞;;电子测量与仪器学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110765983A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765983B (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 | |
CN102809493B (zh) | 异常音诊断装置 | |
CN103617684B (zh) | 干涉型光纤周界振动入侵识别算法 | |
CN102778358A (zh) | 故障预测模型建立方法及系统、风机监测预警系统及方法 | |
CN104764869B (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
CN109711632B (zh) | 一种基于瓦斯涌出异常敏感指标的煤与瓦斯突出预测方法 | |
CN106198924B (zh) | 基于自适应采集频率的危岩监测系统及其风险评估方法 | |
CN111767897B (zh) | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 | |
CN102175768A (zh) | 一种基于振动信号的高铁钢轨伤损探测方法及装置 | |
CN104880217B (zh) | 一种基于测量值关联度的故障传感器信息重构方法 | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
CN109443766A (zh) | 一种重载车辆变速箱齿轮安全性分析方法 | |
CN104173064A (zh) | 基于心率变异分析的测谎方法及测谎装置 | |
CN103994817A (zh) | 一种基于长距离光纤多发事件的振动振源的识别方法 | |
CN116181416A (zh) | 一种冲击地压多参量超前预警系统及方法 | |
CN114166943A (zh) | 基于非线性超声波的主动式钢轨伤损监测方法及终端 | |
CN111307092A (zh) | 一种地铁深隧工程建设安全自动连续监控系统及信息平台 | |
CN116579615A (zh) | 一种基于无人机遥感的植被覆盖监测系统 | |
CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
Xie et al. | A novel quality control method of time-series ocean wave observation data combining deep-learning prediction and statistical analysis | |
CN103924963B (zh) | 一种示功仪采样率自动切换方法 | |
CN116399948A (zh) | 一种水闸混凝土底板局部脱空监测方法及系统 | |
CN114469138B (zh) | 基于时频域的脑电爆发抑制模式的检测方法、系统及介质 | |
CN103487275A (zh) | 基于二维投射的煤矿设备状态识别和预警方法 |
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 |