CN116736375B - 基于稀疏规范变量分析的微震信号状态判识方法 - Google Patents

基于稀疏规范变量分析的微震信号状态判识方法 Download PDF

Info

Publication number
CN116736375B
CN116736375B CN202310820349.9A CN202310820349A CN116736375B CN 116736375 B CN116736375 B CN 116736375B CN 202310820349 A CN202310820349 A CN 202310820349A CN 116736375 B CN116736375 B CN 116736375B
Authority
CN
China
Prior art keywords
microseismic
microseismic data
monitoring
historical
real
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
CN202310820349.9A
Other languages
English (en)
Other versions
CN116736375A (zh
Inventor
程健
石林松
骆意
周天白
杨凌凯
孙闯
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.)
Beijing Technology Research Branch Of Tiandi Technology Co ltd
General Coal Research Institute Co Ltd
Original Assignee
Beijing Technology Research Branch Of Tiandi Technology Co ltd
General Coal Research Institute Co Ltd
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 Beijing Technology Research Branch Of Tiandi Technology Co ltd, General Coal Research Institute Co Ltd filed Critical Beijing Technology Research Branch Of Tiandi Technology Co ltd
Priority to CN202310820349.9A priority Critical patent/CN116736375B/zh
Publication of CN116736375A publication Critical patent/CN116736375A/zh
Application granted granted Critical
Publication of CN116736375B publication Critical patent/CN116736375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F2218/08—Feature extraction
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geology (AREA)
  • Acoustics & Sound (AREA)
  • Geophysics (AREA)
  • Business, Economics & Management (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提出一种基于稀疏规范变量分析的微震信号状态判识方法，涉及煤炭技术领域。该方法包括：根据第一、二微震监测区域的第一、二历史微震数据生成第一、二历史时间序列微震数据向量；基于稀疏化改进的规范变量分析法确定第一、二映射矩阵；根据所述第一、二微震监测区域的第一、二实时微震数据生成第一、二实时时间序列微震数据向量；根据第一映射矩阵和第一实时时间序列微震数据向量确定第一监测统计量值；根据第二映射矩阵和第二实时时间序列微震数据向量，确定第二监测统计量值；根据第一、二监测统计量值和对应的第一、二监测统计量阈值，识别微震信号的状态。本申请可以实现在复杂带噪的环境下对实时微震信号状态的准确识别。

Description

基于稀疏规范变量分析的微震信号状态判识方法
技术领域
本申请涉及煤炭技术领域，尤其涉及一种基于稀疏规范变量分析的微震信号状态判识方法。
背景技术
微震监测技术对保障煤矿安全生产有着重要意义。受矿山井下复杂环境的影响，微震监测信号(简称微震信号)中包含由设备误差和环境误差产生的干扰信号，常导致微震信号在时序上呈现非稳态波动，难以完成有效的信号分析工作。因此，如何实现准确的对实时微震信号的状态识别成为业界亟待解决的问题。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的一个目的在于提出一种基于稀疏规范变量分析的微震信号状态判识方法，以实现准确的对实时微震信号的状态识别。
为达上述目的，本申请第一方面实施例提出了一种基于稀疏规范变量分析的微震信号状态判识方法，包括：根据第一微震监测区域的第一历史微震数据和第二微震监测区域的第二历史微震数据，生成第一历史时间序列微震数据向量和第二历史时间序列微震数据向量；基于稀疏化改进的规范变量分析法确定所述第一历史时间序列微震数据向量的第一协方差矩阵对应的第一映射矩阵和所述第二历史时间序列微震数据向量的第二协方差矩阵对应的第二映射矩阵；根据所述第一微震监测区域的第一实时微震数据和所述第二微震监测区域的第二实时微震数据，生成第一实时时间序列微震数据向量和第二实时时间序列微震数据向量；根据所述第一映射矩阵和所述第一实时时间序列微震数据向量，确定所述第一实时时间序列微震数据向量的第一监测统计量值；根据所述第二映射矩阵和所述第二实时时间序列微震数据向量，确定所述第二实时时间序列微震数据向量的第二监测统计量值；根据所述第一监测统计量值和对应的第一监测统计量阈值、所述第二监测统计量值和对应的第二监测统计量阈值，识别微震信号的状态。
根据本申请的一个实施例，所述第一历史时间序列微震数据向量中包括设定时刻前的所述第一历史微震数据和所述设定时刻前的所述第二历史微震数据；所述第二历史时间序列微震数据向量中包括所述设定时刻后的所述第二历史微震数据。
根据本申请的一个实施例，所述基于稀疏化改进的规范变量分析法确定所述第一历史时间序列微震数据向量的第一协方差矩阵对应的第一映射矩阵和所述第二历史时间序列微震数据向量的第二协方差矩阵对应的第二映射矩阵，包括：基于如下目标函数，将所述第一历史时间序列微震数据向量作为输入向量，将所述第二历史时间序列微震数据向量作为输出向量，采用拉格朗日乘子法迭代计算所述第一映射矩阵和所述第二映射矩阵：其中，所述R()为目标函数，所述X为所述输入向量，所述Y为所述输出向量，所述J为所述第一映射矩阵，所述x为所述X中的元素值，所述y为所述Y中的元素值，所述Σxy为所述x和所述y的互协方差矩阵，所述L为所述第二映射矩阵，所述T为转置符号，所述λ1和所述λ2为岭系数，所述||.||为范数符号。
根据本申请的一个实施例，所述迭代计算的停止条件为最近两次迭代对应的所述目标函数的值小于预设的迭代阈值。
根据本申请的一个实施例，所述第一映射矩阵的初始值和所述第二映射矩阵的初始值为随机生成的。
根据本申请的一个实施例，所述第一映射矩阵的初始值和所述第二映射矩阵的初始值为根据所述第一历史微震数据和所述第二历史微震数据基于规范变量分析法计算得到的。
根据本申请的一个实施例，所述根据所述第一映射矩阵和所述第一实时时间序列微震数据向量，确定所述第一实时时间序列微震数据向量的第一监测统计量值，包括：采用如下公式计算得到所述第一监测统计量值：Ts2＝pTJTJp；其中，所述Ts2为所述第一监测统计量值，所述p为所述第一实时时间序列微震数据向量中的元素值，所述J为所述第一映射矩阵，所述T为转置符号；所述根据所述第二映射矩阵和所述第二实时时间序列微震数据向量，确定所述第二实时时间序列微震数据向量的第二监测统计量值，包括：采用如下公式计算得到所述第二监测统计量值：Tr2＝fTLTLf；其中，所述Tr2为所述第二监测统计量值，所述f为所述第二实时时间序列微震数据向量中的元素值，所述L为所述第二映射矩阵。
根据本申请的一个实施例，还包括：采用如下公式计算得到所述第一监测统计量阈值：其中，所述/>为所述第一监测统计量阈值，所述N为所述第一历史微震数据和所述第二历史微震数据对应的时间维数，所述k为预先选取的监测通道数，所述Fα()为联合假设检验统计量，所述α为预设的置信度；采用如下公式计算得到所述第二监测统计量阈值：/>其中，所述/>为所述第二监测统计量阈值，所述Q为噪声空间维数，所述Q＝m+n-k，所述m为所述第一历史微震数据的监测通道数，所述n为所述第二历史微震数据的监测通道数。
根据本申请的一个实施例，所述根据所述第一监测统计量值和对应的第一监测统计量阈值、所述第二监测统计量值和对应的第二监测统计量阈值，识别微震信号的状态，包括：所述第一监测统计量值大于所述第一监测统计量阈值，或者所述第二监测统计量值大于所述第二监测统计量阈值，则识别微震信号的状态为异常状态；所述第一监测统计量值等于或者小于所述第一监测统计量阈值，且所述第二监测统计量值等于或者小于所述第二监测统计量阈值，则识别微震信号的状态为正常状态。
本申请至少实现以下有益效果：本申请根据第一微震监测区域的第一历史微震数据和第二微震监测区域的第二历史微震数据，生成第一历史时间序列微震数据向量和第二历史时间序列微震数据向量，并基于稀疏化改进的规范变量分析法确定第一映射矩阵和第二映射矩阵，根据第一微震监测区域的第一实时微震数据和第二微震监测区域的第二实时微震数据，生成第一实时时间序列微震数据向量和第二实时时间序列微震数据向量，根据第一映射矩阵和第一实时时间序列微震数据向量确定第一监测统计量值，根据第二映射矩阵和第二实时时间序列微震数据向量确定第二监测统计量值，根据第一监测统计量值、第一监测统计量阈值、第二监测统计量值和第二监测统计量阈值，识别微震信号的状态。本申请通过对历史微震数据进行时序划分，得到历史数据集和未来数据集，基于稀疏化改进的规范变量分析法对历史数据集和未来数据集进行相关关系建模，确定映射矩阵，实现了对映射矩阵的稀疏化表征，实现了对微小微震信号的捕获，使得数据中较大的噪声和干扰对微震信号状态识别能力的影响减弱，从而可以实现在复杂带噪的环境下对实时微震信号状态的准确识别。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请一个实施例示出的一种基于稀疏规范变量分析的微震信号状态判识方法的流程示意图。
图2是本申请另一个实施例示出的一种基于稀疏规范变量分析的微震信号状态判识方法的流程示意图。
图3是本申请另一个实施例示出的一种基于稀疏规范变量分析的微震信号状态判识方法的整体流程示意图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
图1是本申请示出的一种基于稀疏规范变量分析的微震信号状态判识方法的流程示意图，如图1所示，该基于稀疏规范变量分析的微震信号状态判识方法，包括以下步骤：
S101，根据第一微震监测区域的第一历史微震数据和第二微震监测区域的第二历史微震数据，生成第一历史时间序列微震数据向量和第二历史时间序列微震数据向量。
具体的，本公开实施例的基于稀疏规范变量分析的微震信号状态判识方法的执行主体可为基于稀疏规范变量分析的微震信号状态判识装置，该基于稀疏规范变量分析的微震信号状态判识装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器、计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑等。
第一微震监测区域和第二微震监测区域为在煤矿巷道内预先设定的两个不同范围的区域，可以是同一巷道内的两个不同区域，例如巷道底部区域和巷道顶部区域，或者巷道前部区域和巷道后部区域，也可以是不同巷道内的两个不同区域，例如位于巷道A内的第一微震监测区域和位于巷道B内的第二微震监测区域。
巷道内安装有多个微震信号监测传感器，用于采集微震信号并生成对应的微震数据，一个微震信号监测传感器对应一个微震信号的监测通道。历史微震数据即过去时间内采集到的微震数据。第一微震监测区域的历史微震数据记为第一历史微震数据，第二微震监测区域的历史微震数据记为第二历史微震数据。
假设第一微震监测区域对应m个监测通道，则采集到的第一历史微震数据x∈Rm。假设第二微震监测区域对应n个监测通道，则采集到的第二历史微震数据y∈Rn。
对于获取的多个第一历史微震数据x和第二历史微震数据y，可以把过去和未来数据分离，例如将第1秒的数据作为过去的数据，将第2秒的数据作为未来的数据，得到第一历史时间序列微震数据向量和第二历史时间序列微震数据向量其中，第一历史时间序列微震数据向量P中可以包括第一历史微震数据x和第二历史微震数据y中的至少一种。对应的，第二历史时间序列微震数据向量F中也可以包括第一历史微震数据x和第二历史微震数据y中的至少一种。
作为一种可行的实施方式，可以预先设定一个设定时刻t，将设定时刻t之前的第一历史微震数据和第二历史微震数据的集合确定为第一历史时间序列微震数据向量P，即第一历史时间序列微震数据向量P中包括设定时刻t前的第一历史微震数据和设定时刻t前的第二历史微震数据，将设定时刻t之后的第二历史微震数据的集合确定为第二历史时间序列微震数据向量F，即第二历史时间序列微震数据向量F中包括设定时刻t后的第二历史微震数据，/>
S102，基于稀疏化改进的规范变量分析法确定第一历史时间序列微震数据向量的第一协方差矩阵对应的第一映射矩阵和第二历史时间序列微震数据向量的第二协方差矩阵对应的第二映射矩阵。
具体的，第一协方差矩阵即第一历史时间序列微震数据向量P对应的协方差矩阵，第二协方差矩阵即第二历史时间序列微震数据向量F对应的协方差矩阵。第一历史时间序列微震数据向量P的第一协方差矩阵为Σpp，第二历史时间序列微震数据F的第二协方差矩阵为Σff。
对于第一历史微震数据x和第二历史微震数据y，其协方差矩阵分别为Σxx和Σyy，则存在映射矩阵J∈Rm×m和L∈Rn×n满足：
其中，是一个前/>个对角元素为1而其余对角元素均为0的对角矩阵，/>是一个前/>个对角元素为1而其余对角元素均为0的对角矩阵。这里的映射矩阵J即第一历史微震数据x的协方差矩阵的映射矩阵，映射矩阵L即第二历史微震数据y的协方差矩阵的映射矩阵。同理，对于第一历史时间序列微震数据向量P，其第一协方差矩阵的映射矩阵记为第一映射矩阵J，对于第二历史时间序列微震数据F，其第二协方差矩阵的映射矩阵记为第二映射矩阵L。由于第一映射矩阵J和第二映射矩阵L是基于稀疏化改进的规范变量分析法确定的，因此这两个映射矩阵也是稀疏化的。
S103，根据第一微震监测区域的第一实时微震数据和第二微震监测区域的第二实时微震数据，生成第一实时时间序列微震数据向量和第二实时时间序列微震数据向量。
具体的，实时微震数据即当前时间采集到的微震数据。第一微震监测区域的实时微震数据记为第一实时微震数据，第二微震监测区域的实时微震数据记为第二实时微震数据。
对于获取的多个第一实时微震数据x和第二实时微震数据y，可以把过去和未来数据分离，得到第一实时时间序列微震数据向量和第二实时时间序列微震数据向量/>其中，第一实时时间序列微震数据向量P中可以包括第一实时微震数据x和第二实时微震数据y中的至少一种。对应的，第二实时时间序列微震数据向量F中也可以包括第一实时微震数据x和第二实时微震数据y中的至少一种。
S104，根据第一映射矩阵和第一实时时间序列微震数据向量，确定第一实时时间序列微震数据向量的第一监测统计量值。
具体的，根据步骤S102确定的稀疏化改进的第一映射矩阵J和第一实时时间序列微震数据向量P，采用预设算法计算第一实时时间序列微震数据向量的第一监测统计量值Ts2。
S105，根据第二映射矩阵和第二实时时间序列微震数据向量，确定第二实时时间序列微震数据向量的第二监测统计量值。
具体的，根据步骤S102确定的稀疏化改进的第二映射矩阵L和第二实时时间序列微震数据向量F，采用预设算法计算第二实时时间序列微震数据向量的第二监测统计量值Tr2。
S106，根据第一监测统计量值和对应的第一监测统计量阈值、第二监测统计量值和对应的第二监测统计量阈值，识别微震信号的状态。
具体的，通过比较第一监测统计量值Ts2和对应的第一监测统计量阈值判断微震信号状态是否波动过大。通过比较第二监测统计量值Tr2和对应的第二监测统计量阈值/>判断测量噪声的特性是否发生了改变或者过程中是否产生了新的状态。并基于上述两个判断结果判断微震信号的状态是否为正常状态。
综上，本申请实施例的基于稀疏规范变量分析的微震信号状态判识方法，根据第一微震监测区域的第一历史微震数据和第二微震监测区域的第二历史微震数据，生成第一历史时间序列微震数据向量和第二历史时间序列微震数据向量，并基于稀疏化改进的规范变量分析法确定第一映射矩阵和第二映射矩阵，根据第一微震监测区域的第一实时微震数据和第二微震监测区域的第二实时微震数据，生成第一实时时间序列微震数据向量和第二实时时间序列微震数据向量，根据第一映射矩阵和第一实时时间序列微震数据向量确定第一监测统计量值，根据第二映射矩阵和第二实时时间序列微震数据向量确定第二监测统计量值，根据第一监测统计量值、第一监测统计量阈值、第二监测统计量值和第二监测统计量阈值，识别微震信号的状态。本申请通过对历史微震数据进行时序划分，得到历史数据集和未来数据集，基于稀疏化改进的规范变量分析法对历史数据集和未来数据集进行相关关系建模，确定映射矩阵，实现了对映射矩阵的稀疏化表征，实现了对微小微震信号的捕获，使得数据中较大的噪声和干扰对微震信号状态识别能力的影响减弱，从而可以实现在复杂带噪的环境下对实时微震信号状态的准确识别。
图2是本申请另一个实施例示出的一种基于稀疏规范变量分析的微震信号状态判识方法的流程示意图，如图2所示，该基于稀疏规范变量分析的微震信号状态判识方法，包括以下步骤：
S201，根据第一微震监测区域的第一历史微震数据和第二微震监测区域的第二历史微震数据，生成第一历史时间序列微震数据向量和第二历史时间序列微震数据向量。
S202，基于稀疏化改进的规范变量分析法确定第一历史时间序列微震数据向量的第一协方差矩阵对应的第一映射矩阵和第二历史时间序列微震数据向量的第二协方差矩阵对应的第二映射矩阵。
S203，根据第一微震监测区域的第一实时微震数据和第二微震监测区域的第二实时微震数据，生成第一实时时间序列微震数据向量和第二实时时间序列微震数据向量。
S204，根据第一映射矩阵和第一实时时间序列微震数据向量，确定第一实时时间序列微震数据向量的第一监测统计量值。
S205，根据第二映射矩阵和第二实时时间序列微震数据向量，确定第二实时时间序列微震数据向量的第二监测统计量值。
具体的，关于步骤S201-S205的具体实现方式，可参照上述实施例中步骤S101-S105的具体介绍，在此不再进行赘述。
上述步骤S106“根据第一监测统计量值和对应的第一监测统计量阈值、第二监测统计量值和对应的第二监测统计量阈值，识别微震信号的状态”，具体可包括以下步骤S206-S207。
S206，第一监测统计量值大于第一监测统计量阈值，或者第二监测统计量值大于第二监测统计量阈值，则识别微震信号的状态为异常状态。
具体的，当满足以下两个条件中的至少一个时：第一监测统计量值Ts2大于第一监测统计量阈值和第二监测统计量值Tr2大于第二监测统计量阈值/>则识别出微震信号的状态为异常状态。
S207，第一监测统计量值等于或者小于第一监测统计量阈值，且第二监测统计量值等于或者小于第二监测统计量阈值，则识别微震信号的状态为正常状态。
具体的，当同时满足以下两个条件时：第一监测统计量值Ts2等于或者小于第一监测统计量阈值和第二监测统计量值Tr2等于或者小于第二监测统计量阈值/>则识别出微震信号的状态为正常状态。
进一步的，上述步骤S202“基于稀疏化改进的规范变量分析法确定第一历史时间序列微震数据向量的第一协方差矩阵对应的第一映射矩阵和第二历史时间序列微震数据向量的第二协方差矩阵对应的第二映射矩阵”，具体可包括以下步骤：
基于如下目标函数，将第一历史时间序列微震数据向量P作为输入向量，将第二历史时间序列微震数据向量F作为输出向量，采用拉格朗日乘子法迭代计算第一映射矩阵和第二映射矩阵：
其中，R()为目标函数，X为输入向量，Y为输出向量，J为第一映射矩阵，x为X中的元素值，y为Y中的元素值，Σxy为x和y的互协方差矩阵，L为第二映射矩阵，T为转置符号，λ1和λ2为岭系数，||.||为范数符号。
具体的，常规的未进行稀疏化改进的规范变量分析法中，目标函数如下：
其中，argmax是一种对函数求参数(集合)的函数，X为输入变量，Y为输出变量，J为未进行稀疏化改进的第一映射矩阵，L为未进行稀疏化改进的第二映射矩阵，Cov为协方差函数，Var为方差函数。
在满足以下约束条件时，使每个规范相关系数最大：
用岭回归的方法优化目标函数为：
约束条件不变的情况下，目标函数中附加了惩罚项λ1和λ2是给定的岭系数，改变λ1和λ2的数值可以改变原有系数矩阵的稀疏程度，可以将原有规范变量分析模型的部分参数趋向于向0收缩。这种方法可以使原有的模型参数趋向于更小，使其在训练过程中能够减少噪声干扰带来的影响，最终提升模型在复杂时变环境下的适用性。
将P代入X，F代入Y，p代入x，f代入y，用拉格朗日乘子法求解第一映射矩阵J和第二映射矩阵L，最后得到的J和L是用P、F和上一次迭代得到的J和L计算得到的。迭代过程是收敛的，迭代计算的停止条件为最近两次迭代对应的目标函数的值小于预设的迭代阈值例如0.001。
其中，第一映射矩阵J的初始值和第二映射矩阵L的初始值可以通过多种方法确定，例如：
第一种方式，第一映射矩阵J的初始值和第二映射矩阵L的初始值为随机生成的。
第二种方式，第一映射矩阵J的初始值和第二映射矩阵L的初始值为根据第一历史微震数据和第二历史微震数据基于规范变量分析法计算得到的，具体如下：
对于第一历史微震数据x和第二历史微震数据y，其协方差矩阵分别为Σxx和Σyy，则存在映射矩阵J∈Rm×m和L∈Rn×n满足：
JΣxyLT＝D＝diag(γ1,…,γr,0,…,0)
其中，是一个前/>个对角元素为1而其余对角元素均为0的对角矩阵，/>是一个前/>个对角元素为1而其余对角元素均为0的对角矩阵。这里的映射矩阵J即第一历史微震数据x的协方差矩阵的映射矩阵，映射矩阵L即第二历史微震数据y的协方差矩阵的映射矩阵。
其中，D为规范相关系数矩阵，包含规范相关系数γi，γ1≥…≥γr。
规范变量的主元向量c＝Jx的协方差矩阵规范变量的残差向量d＝Ly的协方差矩阵/>且c和d之间的互协方差矩阵是对角阵：
Σcd＝JΣxyLT＝D＝diag(γ1,…,γr,0,…,0)
映射矩阵J和L以及规范相关系数矩阵D能通过奇异值分解(Singular ValueDecomposition，简称SVD)计算得到：
Σxx -1/2ΣxyΣyy -1/2＝UΣVT；
其中，J＝UTΣxx -1/2，L＝VTΣyy -1/2，D＝Σ。
上述求解出的J、L可以作为第一映射矩阵J的初始值和第二映射矩阵L的初始值。
进一步的，上述步骤S204“根据第一映射矩阵和第一实时时间序列微震数据向量，确定第一实时时间序列微震数据向量的第一监测统计量值”，具体可包括以下步骤：
采用如下公式计算得到第一监测统计量值Ts2：
Ts2＝pTJTJp；
其中，Ts2为第一监测统计量值，p为第一实时时间序列微震数据向量中的元素值，J为基于优化的目标函数计算得到的第一映射矩阵，T为转置符号。
进一步的，上述步骤S205“根据第二映射矩阵和第二实时时间序列微震数据向量，确定第二实时时间序列微震数据向量的第二监测统计量值”，具体可包括以下步骤：
采用如下公式计算得到第二监测统计量值Tr2：
Tr2＝fTLTLf；
其中，Tr2为第二监测统计量值，f为第二实时时间序列微震数据向量中的元素值，L为基于优化的目标函数计算得到的第二映射矩阵。
进一步的，上述步骤S206中的第一监测统计量阈值可通过以下步骤得到：
采用如下公式计算得到第一监测统计量阈值
其中，为第一监测统计量阈值，N为第一历史微震数据和第二历史微震数据对应的时间维数例如间隔1秒采集第1秒到第100秒的数据，则N为100，k为预先选取的监测通道数，Fα()为联合假设检验统计量，α为预设的置信度。
进一步的，上述步骤S206中的第二监测统计量阈值可通过以下步骤得到：
采用如下公式计算得到第二监测统计量阈值：
其中，为第二监测统计量阈值，Q为噪声空间维数，Q＝m+n-k，m为第一历史微震数据的监测通道数，n为第二历史微震数据的监测通道数，例如第一历史微震数据的监测通道数m为5，第二历史微震数据的监测通道数n为15，预先选取的监测通道数k为5，则Q＝m+n-k＝5+15-5＝15。
综上，本申请实施例的基于稀疏规范变量分析的微震信号状态判识方法，根据第一微震监测区域的第一历史微震数据和第二微震监测区域的第二历史微震数据，生成第一历史时间序列微震数据向量和第二历史时间序列微震数据向量，并基于稀疏化改进的规范变量分析法确定第一映射矩阵和第二映射矩阵，根据第一微震监测区域的第一实时微震数据和第二微震监测区域的第二实时微震数据，生成第一实时时间序列微震数据向量和第二实时时间序列微震数据向量，根据第一映射矩阵和第一实时时间序列微震数据向量确定第一监测统计量值，根据第二映射矩阵和第二实时时间序列微震数据向量确定第二监测统计量值，根据第一监测统计量值、第一监测统计量阈值、第二监测统计量值和第二监测统计量阈值，识别微震信号的状态。本申请通过对历史微震数据进行时序划分，得到历史数据集和未来数据集，基于稀疏化改进的规范变量分析法对历史数据集和未来数据集进行相关关系建模，确定映射矩阵，实现了对映射矩阵的稀疏化表征，实现了对微小微震信号的捕获，使得数据中较大的噪声和干扰对微震信号状态识别能力的影响减弱，从而可以实现在复杂带噪的环境下对实时微震信号状态的准确识别。当两个阈值条件中的至少一个不满足时，识别微震信号的状态为异常状态，可以尽可能的识别出处于异常状态的微震信号，保证煤矿智能化的安全有序建设，同时为工作人员提供准确的监测信息以辅助其他下游任务，也可以为保障煤矿安全生产提供重要的决策信息。
为清楚说明本申请实施例的基于稀疏规范变量分析的微震信号状态判识方法，下面结合图3对本申请实施例的基于稀疏规范变量分析的微震信号状态判识方法的整体流程进行详细描述。如图3所示，本申请实施例的基于稀疏规范变量分析的微震信号状态判识方法，具体可包括：获取第一微震监测区域和第二微震监测区域的微震数据，对于微震数据中的历史微震数据，基于规范变量分析法对子状态空间(作为输入向量的第一历史时间序列微震数据向量、作为输出向量的第二历史时间序列微震数据向量、第一映射矩阵和第二映射矩阵)进行提取，基于岭回归的稀疏化改进的规范变量分析法确定改进后的第一映射矩阵J和改进后的第二映射矩阵L，基于微震数据中的实时微震数据、改进后的第一映射矩阵和改进后的第二映射矩阵，计算主元数据的监测统计量值Ts2和残差数据的监测统计量值Tr2，与监测统计量阈值对比，得到微震信号的状态判别结果。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于稀疏规范变量分析的微震信号状态判识方法，其特征在于，包括：
根据第一微震监测区域的第一历史微震数据和第二微震监测区域的第二历史微震数据，生成第一历史时间序列微震数据向量和第二历史时间序列微震数据向量；
基于稀疏化改进的规范变量分析法确定所述第一历史时间序列微震数据向量的第一协方差矩阵对应的第一映射矩阵和所述第二历史时间序列微震数据向量的第二协方差矩阵对应的第二映射矩阵，包括：
基于如下目标函数，将所述第一历史时间序列微震数据向量作为输入向量，将所述第二历史时间序列微震数据向量作为输出向量，采用拉格朗日乘子法迭代计算所述第一映射矩阵和所述第二映射矩阵：
其中，所述R()为目标函数，所述X为所述输入向量，所述Y为所述输出向量，所述J为所述第一映射矩阵，所述x为所述X中的元素值，所述y为所述Y中的元素值，所述∑xy为所述x和所述y的互协方差矩阵，所述L为所述第二映射矩阵，所述T为转置符号，所述λ1和所述λ2为岭系数，所述‖.‖为范数符号；
根据所述第一微震监测区域的第一实时微震数据和所述第二微震监测区域的第二实时微震数据，生成第一实时时间序列微震数据向量和第二实时时间序列微震数据向量；
根据所述第一映射矩阵和所述第一实时时间序列微震数据向量，确定所述第一实时时间序列微震数据向量的第一监测统计量值；
根据所述第二映射矩阵和所述第二实时时间序列微震数据向量，确定所述第二实时时间序列微震数据向量的第二监测统计量值；
根据所述第一监测统计量值和对应的第一监测统计量阈值、所述第二监测统计量值和对应的第二监测统计量阈值，识别微震信号的状态。
2.根据权利要求1所述的微震信号状态判识方法，其特征在于，所述第一历史时间序列微震数据向量中包括设定时刻前的所述第一历史微震数据和所述设定时刻前的所述第二历史微震数据；
所述第二历史时间序列微震数据向量中包括所述设定时刻后的所述第二历史微震数据。
3.根据权利要求1所述的微震信号状态判识方法，其特征在于，所述迭代计算的停止条件为最近两次迭代对应的所述目标函数的值小于预设的迭代阈值。
4.根据权利要求1所述的微震信号状态判识方法，其特征在于，所述第一映射矩阵的初始值和所述第二映射矩阵的初始值为随机生成的。
5.根据权利要求1所述的微震信号状态判识方法，其特征在于，所述第一映射矩阵的初始值和所述第二映射矩阵的初始值为根据所述第一历史微震数据和所述第二历史微震数据基于规范变量分析法计算得到的。
6.根据权利要求1所述的微震信号状态判识方法，其特征在于，所述根据所述第一映射矩阵和所述第一实时时间序列微震数据向量，确定所述第一实时时间序列微震数据向量的第一监测统计量值，包括：
采用如下公式计算得到所述第一监测统计量值：
Ts2＝pTJTJp；
其中，所述Ts2为所述第一监测统计量值，所述p为所述第一实时时间序列微震数据向量中的元素值，所述J为所述第一映射矩阵，所述T为转置符号；
所述根据所述第二映射矩阵和所述第二实时时间序列微震数据向量，确定所述第二实时时间序列微震数据向量的第二监测统计量值，包括：
采用如下公式计算得到所述第二监测统计量值：
Tr2＝fTLTLf；
其中，所述Tr2为所述第二监测统计量值，所述f为所述第二实时时间序列微震数据向量中的元素值，所述L为所述第二映射矩阵。
7.根据权利要求1所述的微震信号状态判识方法，其特征在于，还包括：
采用如下公式计算得到所述第一监测统计量阈值：
其中，所述为所述第一监测统计量阈值，所述N为所述第一历史微震数据和所述第二历史微震数据对应的时间维数，所述k为预先选取的监测通道数，所述Fα()为联合假设检验统计量，所述α为预设的置信度；
采用如下公式计算得到所述第二监测统计量阈值：
其中，所述为所述第二监测统计量阈值，所述Q为噪声空间维数，所述Q＝m+n-k，所述m为所述第一历史微震数据的监测通道数，所述n为所述第二历史微震数据的监测通道数。
8.根据权利要求1所述的微震信号状态判识方法，其特征在于，所述根据所述第一监测统计量值和对应的第一监测统计量阈值、所述第二监测统计量值和对应的第二监测统计量阈值，识别微震信号的状态，包括：
所述第一监测统计量值大于所述第一监测统计量阈值，或者所述第二监测统计量值大于所述第二监测统计量阈值，则识别微震信号的状态为异常状态；
所述第一监测统计量值等于或者小于所述第一监测统计量阈值，且所述第二监测统计量值等于或者小于所述第二监测统计量阈值，则识别微震信号的状态为正常状态。
CN202310820349.9A 2023-07-05 2023-07-05 基于稀疏规范变量分析的微震信号状态判识方法 Active CN116736375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310820349.9A CN116736375B (zh) 2023-07-05 2023-07-05 基于稀疏规范变量分析的微震信号状态判识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310820349.9A CN116736375B (zh) 2023-07-05 2023-07-05 基于稀疏规范变量分析的微震信号状态判识方法

Publications (2)

Publication Number Publication Date
CN116736375A CN116736375A (zh) 2023-09-12
CN116736375B true CN116736375B (zh) 2024-01-23

Family

ID=87913345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310820349.9A Active CN116736375B (zh) 2023-07-05 2023-07-05 基于稀疏规范变量分析的微震信号状态判识方法

Country Status (1)

Country Link
CN (1) CN116736375B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117148434B (zh) * 2023-11-01 2024-01-23 煤炭科学研究总院有限公司 基于时序贡献图分解的微震信号自适应解算方法
CN117270039B (zh) * 2023-11-23 2024-02-20 煤炭科学研究总院有限公司 多通道微震信号小样本集成学习定向拾震方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022165528A1 (en) * 2021-01-31 2022-08-04 Schlumberger Technology Corporation Geologic search framework
CN115184993A (zh) * 2022-09-14 2022-10-14 煤炭科学研究总院有限公司 基于多层主动传递熵的微震数据的分析与判识方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9261614B2 (en) * 2012-06-18 2016-02-16 Halliburton Energy Services, Inc. Statistics-based seismic event detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022165528A1 (en) * 2021-01-31 2022-08-04 Schlumberger Technology Corporation Geologic search framework
CN115184993A (zh) * 2022-09-14 2022-10-14 煤炭科学研究总院有限公司 基于多层主动传递熵的微震数据的分析与判识方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Simultaneous denoising of multicomponent microseismic data by joint sparse representation with dictionary learning;Jie Shao1, Yibo Wang1, Yi Yao, Shaojiang Wu, Qingfeng Xue, and Xu Chang;GEOPHYSICS;第84卷(第5期);全文 *
Surface microseismic data denoising based on sparse autoencoder and Kalman filter;Xuegui Li, Shuo Feng, Nan Hou, Ruyi Wang, Hanyang Li, Ming Gao, Siyuan Li;Systems Science & Control Engineering;第10卷(第1期);全文 *
基于DCS的矿山物联网微震数据重构算法研究;赵小虎;邓园芳;刘闪闪;杨勇;;安徽理工大学学报(自然科学版);第37卷(第03期);全文 *
基于稀疏分布特征的井下微地震信号识别与提取方法;李稳;刘伊克;刘保金;;地球物理学报;第59卷(第10期);全文 *

Also Published As

Publication number Publication date
CN116736375A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN116736375B (zh) 基于稀疏规范变量分析的微震信号状态判识方法
US20220146462A1 (en) Method for predicting remaining life of numerical control machine tool
KR102332399B1 (ko) 배터리 상태 추정 장치 및 방법
US20150356421A1 (en) Method for Learning Exemplars for Anomaly Detection
CN104216350A (zh) 感测数据分析系统及方法
JP6183450B2 (ja) システム分析装置、及び、システム分析方法
KR102067344B1 (ko) 이상 진동데이터 감지 장치 및 방법
US7085675B2 (en) Subband domain signal validation
CN111967535B (zh) 一种储粮管理场景温度传感器故障诊断方法及其诊断装置
CN102521534B (zh) 一种基于粗糙熵属性约简的入侵检测方法
KR20160005094A (ko) 트렌딩 및 패턴 인식을 위한 신호 관련 측정치의 정량적 분석
CN113438114B (zh) 互联网系统的运行状态监控方法、装置、设备及存储介质
CN106199267B (zh) 一种电力设备故障特征分析方法
CN115828170B (zh) 一种基于掘进机电控数据的故障检测方法
CN107490964A (zh) 一种基于特征证据离散化的旋转机械故障特征约简方法
CN114692758A (zh) 电力通信故障分析方法、装置、终端设备及介质
CN116320042A (zh) 边缘计算的物联终端监测控制系统
CN106907927A (zh) 一种核灵活流形嵌入电熔镁炉故障监测方法
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN117171702A (zh) 一种基于深度学习的多模态电网故障检测方法和系统
JP2003044123A (ja) プラント診断装置
CN114383648A (zh) 一种温度仪表故障诊断方法及装置
CN113449809A (zh) 一种基于kpca-nsvdd的电缆绝缘在线监测方法
CN109840386B (zh) 基于因子分析的损伤识别方法
WO2024103470A1 (zh) 自动扶梯生产用性能检测系统及其方法

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