CN119760617A - 一种基于物联网的煤矿井下矿压综合监测方法及系统 - Google Patents

Abstract

本发明涉及矿压监测技术领域，具体涉及一种基于物联网的煤矿井下矿压综合监测方法及系统，包括：通过分布式部署的传感器网络，采集煤矿井下多源异构的矿压数据；其中，传感器网络采用低功耗高带宽的无线通信协议；基于多源异构的矿压数据，构建矿压数据集；对矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集；基于特征向量集，构建基于机器学习的矿压预测模型；利用矿压预测模型，对矿压数据进行实时预测，判断当前矿压状态是否异常。本发明通过一系列的数据处理、模型预测和预警机制，可以大大提高矿山安全管理的效率和准确性，为矿工的生命安全提供有力保障。

Description

一种基于物联网的煤矿井下矿压综合监测方法及系统

技术领域

本发明涉及矿压监测技术领域，特别是涉及一种基于物联网的煤矿井下矿压综合监测方法及系统。

背景技术

在煤矿井下进行矿压综合监测时，数据传输和处理面临着一些技术难题。首先，井下环境恶劣，温度高、湿度大、粉尘多，对传感器的性能和稳定性提出了很高的要求。其次，井下空间狭小，布线困难，传统的有线传输方式不易实现。再者，矿压数据的采集频率高，数据量大，对无线传输的带宽和功耗也提出了挑战。

在数据处理与分析方面，矿压数据具有多源异构的特点，不同类型传感器采集的数据格式和语义不同，如何进行有效的数据融合是一大难题。此外，矿压数据中往往包含着大量的冗余和噪声，如何进行数据清洗和特征提取也是一个棘手的问题。矿压数据反映的地质环境复杂多变，矿压变化受多种因素的影响，因此在建立矿压预测模型时，需要考虑多种影响因素，综合分析矿压变化规律，才能提高预测的准确性。最后，矿山安全监控对实时性要求很高，如何在海量数据中快速发现异常情况，并及时预警也是亟待解决的技术难题。

发明内容

本发明的目的是提出一种基于物联网的煤矿井下矿压综合监测方法及系统，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了如下方案：

一种基于物联网的煤矿井下矿压综合监测方法，包括：

通过分布式部署的传感器网络，采集煤矿井下多源异构的矿压数据；其中，所述传感器网络采用低功耗高带宽的无线通信协议；

基于所述多源异构的矿压数据，构建矿压数据集；

对所述矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集；

基于所述特征向量集，构建基于机器学习的矿压预测模型；

利用矿压预测模型，对矿压数据进行实时预测，判断当前矿压状态是否异常。

可选地，基于所述多源异构的矿压数据，构建矿压数据集包括：

采用数据融合算法，将所述多源异构的矿压数据中不同来源、不同格式的矿压数据的格式统一和语义对齐；

通过数据清洗和数据转换的方法，对语义对齐后的矿压数据进行去噪、缺失值填充处理；

对填充处理后的矿压数据，进行不同数据源之间的语义映射和关联；

利用数据融合算法，将关联后的数据进行融合，生成综合的所述矿压数据集。

可选地，对所述矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集包括：

对所述矿压数据集，采用主成分分析方法，通过特征值分解和特征向量计算，提取出数据集的主要特征分量；

根据主成分分析结果，选取特征值大于预设阈值的前k个主成分，作为数据集的关键特征，得到降维后的矿压特征子集；

对矿压特征子集进行归一化处理，将各个特征的取值范围缩放到[0，1]区间内，获得归一化后的矿压特征向量；

采用K-means聚类算法，将归一化后的矿压特征向量划分为若干个聚类簇，每个聚类簇内的特征向量具有预设相似度的特征属性；

针对每个聚类簇，计算中心点作为聚类簇的代表特征向量，得到降维后的矿压的特征向量集合，每个向量代表一类典型的矿压特征组合。

可选地，基于所述特征向量集，构建基于机器学习的矿压预测模型包括：

构建决策树和神经网络模型结合的集成模型；

利用所述特征向量集合，对所述集成模型进行训练，获取所述矿压预测模型。

可选地，利用所述特征向量集合，对所述集成模型进行训练包括：

确定矿压预测任务的目标变量；

根据特征向量和目标变量之间的关系，构建决策树的分支结构，利用特征向量和目标变量对决策树进行训练，并在训练完成后，进行剪枝操作；

利用特征向量和目标变量对神经网络模型进行训练，通过前向传播计算模型的输出，通过反向传播算法更新网络模型的权重和偏置；在每次迭代中，根据损失函数计算网络模型的预测误差，并根据误差调整网络模型参数；

采用基于验证集性能的加权平均法，为决策树和神经网络分配不同的权重，将训练好的决策树和神经网络模型进行融合，获得所述矿压预测模型。

一种基于物联网的煤矿井下矿压综合监测系统，所述系统包括：数据采集模块、数据集构建模块、特征提取模块、模型构建模块和矿压预测模块；

所述数据采集模块，用于通过分布式部署的传感器网络，采集煤矿井下多源异构的矿压数据；其中，所述传感器网络采用低功耗高带宽的无线通信协议；

所述数据集构建模块，用于基于所述多源异构的矿压数据，构建矿压数据集；

所述特征提取模块，用于对所述矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集；

所述模型构建模块，用于基于所述特征向量集，构建基于机器学习的矿压预测模型；

所述矿压预测模块，用于利用矿压预测模型，对矿压数据进行实时预测，判断当前矿压状态是否异常。

可选地，所述数据集构建模块基于所述多源异构的矿压数据，构建矿压数据集包括：

采用数据融合算法，将所述多源异构的矿压数据中不同来源、不同格式的矿压数据的格式统一和语义对齐；

通过数据清洗和数据转换的方法，对语义对齐后的矿压数据进行去噪、缺失值填充处理；

对填充处理后的矿压数据，进行不同数据源之间的语义映射和关联；

利用数据融合算法，将关联后的数据进行融合，生成综合的所述矿压数据集。

可选地，所述特征提取模块对所述矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集包括：

对所述矿压数据集，采用主成分分析方法，通过特征值分解和特征向量计算，提取出数据集的主要特征分量；

根据主成分分析结果，选取特征值大于预设阈值的前k个主成分，作为数据集的关键特征，得到降维后的矿压特征子集；

对矿压特征子集进行归一化处理，将各个特征的取值范围缩放到[0，1]区间内，获得归一化后的矿压特征向量；

采用K-means聚类算法，将归一化后的矿压特征向量划分为若干个聚类簇，每个聚类簇内的特征向量具有预设相似度的特征属性；

针对每个聚类簇，计算中心点作为聚类簇的代表特征向量，得到降维后的矿压的特征向量集合，每个向量代表一类典型的矿压特征组合。

可选地，所述模型构建模块基于所述特征向量集，构建基于机器学习的矿压预测模型包括：

构建决策树和神经网络模型结合的集成模型

利用所述特征向量集合，对所述集成模型进行训练，获取所述矿压预测模型。

本发明的有益效果为：

本发明公开了一种基于物联网的煤矿井下矿压综合监测方法及系统。该方法通过分布式部署的高性能传感器网络实时采集井下矿压数据，利用低功耗高带宽的无线通信协议解决了布线困难问题，将数据高效传输至地面监控中心。针对多源异构数据，采用融合算法进行统一处理，并通过主成分分析提取关键特征。基于此构建机器学习预测模型，实现矿压变化的准确预测。本发明持续获取矿压数据并输入模型进行预测，当预测结果超过阈值时触发预警机制。这种方法显著提高了矿压监测的准确性和实时性，为矿山安全生产提供了有力保障。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的种基于物联网的煤矿井下矿压综合监测方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本实施例提出了一种基于物联网的煤矿井下矿压综合监测方法，包括：

采集煤矿井下多源异构的矿压数据；

基于多源异构的矿压数据，构建矿压数据集；

对矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集；

基于特征向量集，构建基于机器学习的矿压预测模型；

利用矿压预测模型，对矿压数据进行实时预测，判断当前矿压状态是否异常。

本实施例通过分布式部署的高性能传感器网络实时采集井下矿压数据，利用低功耗高带宽的无线通信协议解决了布线困难问题，将数据高效传输至地面监控中心。针对多源异构数据，采用融合算法进行统一处理，并通过主成分分析提取关键特征。基于此构建机器学习预测模型，实现矿压变化的准确预测。本发明将持续获取数据并输入模型进行预测，当预测结果超过阈值时触发预警机制。这种方法显著提高了矿压监测的准确性和实时性，为矿山安全生产提供了有力保障。

具体地，在本实施例中，采集煤矿井下多源异构的矿压数据的具体方式如下：

矿用传感器的选择对于井下环境监测至关重要，根据井下关键区域的环境特点，选择具有耐高温、防尘和防潮特性的矿用传感器，确保传感器能够在恶劣环境下稳定工作。采用分布式部署方式，在井下关键区域合理布置传感器节点，形成覆盖全面的传感器网络，实现对矿压数据的全方位监测。传感器节点通过无线通信技术进行数据传输，将采集到的矿压数据实时上传至地面监控中心，确保数据的及时性和可靠性。在地面监控中心建立数据处理平台，对接收到的矿压数据进行预处理，包括数据清洗、去噪和归一化等操作，提高数据质量。耐高温传感器能在高达200℃的环境中稳定工作，如热电偶型温度传感器。防尘传感器采用密封外壳设计，防护等级可达IP67，有效阻挡粉尘侵入。防潮传感器则使用特殊涂层处理，相对湿度100%时仍能正常运行。分布式部署方式可实现全面覆盖。在采煤工作面、巷道交叉口等关键区域，每隔50米布置一个传感器节点，形成网格状监测网络。无线通信技术如ZigBee具有低功耗、自组网特性，适用于井下复杂环境。传感器节点通过多跳路由将数据传至汇聚节点，再经由光纤网络传输至地面，确保实时性。

进一步地，基于多源异构的矿压数据，构建矿压数据集包括：

采用数据融合算法，将多源异构的矿压数据中不同来源、不同格式的矿压数据的格式统一和语义对齐；

通过数据清洗和数据转换的方法，对语义对齐后的矿压数据进行去噪、缺失值填充处理；

对填充处理后的矿压数据，进行不同数据源之间的语义映射和关联；

利用数据融合算法，将关联后的数据进行融合，生成综合的矿压数据集。

具体地，在本实施例中，多源异构矿压数据的处理是矿山安全监测的关键环节。数据融合算法在预处理阶段发挥重要作用，如加权平均融合可将不同传感器采集的矿压数据进行综合，提高数据可靠性。例如，某矿井安装了应力传感器和位移传感器，通过加权平均融合可得到更准确的矿压估计值。数据清洗是提高数据质量的必要步骤。对于矿压数据中的异常值，可采用中值滤波等方法进行去噪。缺失值填充则可使用插值法，如线性插值或样条插值，保证数据的连续性。这些处理可显著提升后续分析的准确性。语义对齐是实现多源数据整合的关键。通过建立本体模型，可将不同来源的矿压数据映射到统一的语义框架中。例如，将“顶板下沉“和“底板隆起“等不同表述统一到“围岩变形“的概念下，便于综合分析。特征提取和选择是数据分析的基础。对于矿压数据，可提取时域特征如均值、方差，频域特征如主频率成分等。

进一步地，对矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集包括：

对矿压数据集，采用主成分分析方法，通过特征值分解和特征向量计算，提取出数据集的主要特征分量；

根据主成分分析结果，选取特征值大于预设阈值的前k个主成分，作为数据集的关键特征，得到降维后的矿压特征子集；

对矿压特征子集进行归一化处理，将各个特征的取值范围缩放到[0，1]区间内，获得归一化后的矿压特征向量；

采用K-means聚类算法，将归一化后的矿压特征向量划分为若干个聚类簇，每个聚类簇内的特征向量具有预设相似度的特征属性；

针对每个聚类簇，计算中心点作为聚类簇的代表特征向量，得到降维后的矿压的特征向量集合，每个向量代表一类典型的矿压特征组合。

具体地，在本实施例中，主成分分析是一种常用的降维方法。通过计算数据集的协方差矩阵，进行特征值分解，得到特征值和对应的特征向量。特征值大小反映了该特征在数据集中的重要程度。例如，对某矿区的多维矿压数据进行主成分分析，可能发现前三个主成分的特征值分别为5.2、3.8和2.1，累计方差贡献率达到85%。选取这三个主成分作为关键特征，既保留了数据的主要信息，又大大降低了数据维度。归一化处理是消除不同特征量纲影响的重要手段。以矿压、温度和湿度为例，它们的数值范围差异很大。通过将各特征值映射到[0,1]区间，使得不同特征在后续分析中具有相同的权重。例如，某测点的原始矿压值为20MPa，最大值为30MPa，最小值为10MPa，归一化后的值为(20-10)/(30-10)=0.5。K-means聚类算法是一种无监督学习方法，用于发现数据中的内在结构。假设对归一化后的矿压特征向量进行聚类，设定簇数k=3。算法随机选择3个初始中心点，然后迭代进行样本分配和中心点更新。最终，可能得到三类典型的矿压特征组合：低压稳定区、中压波动区和高压风险区。每个簇的中心点代表了该类矿压特征的平均状态。将降维后的矿压特征向量集合存储到数据库中。

进一步地，基于特征向量集，构建基于机器学习的矿压预测模型包括：

构建决策树和神经网络模型结合的集成模型；

利用特征向量集合，对集成模型进行训练，获取矿压预测模型。

进一步地，利用特征向量集合，对集成模型进行训练包括：

确定矿压预测任务的目标变量；

根据特征向量和目标变量之间的关系，构建决策树的分支结构，利用特征向量和目标变量对决策树进行训练，并在训练完成后，进行剪枝操作；

利用特征向量和目标变量对神经网络模型进行训练，通过前向传播计算模型的输出，通过反向传播算法更新网络模型的权重和偏置；在每次迭代中，根据损失函数计算网络模型的预测误差，并根据误差调整网络模型参数；

采用基于验证集性能的加权平均法，为决策树和神经网络分配不同的权重，将训练好的决策树和神经网络模型进行融合，获得矿压预测模型。

具体地，在本实施例中，发现决策树在处理突发性矿压变化时表现更好，而神经网络在长期趋势预测上更准确，进而本实施例考虑结合两者优势，构建集成模型。对决策树模型和神经网络模型采用权重分配的方法进行集成。

对集成模型进行训练具体包括：

将经过主成分分析提取并归一化处理后的矿压特征向量集合划分为训练集、验证集和测试集。通常可以按照一定的比例进行划分，例如70%用于训练集，15%用于验证集，15%用于测试集。确保训练集、验证集和测试集中的数据分布尽量一致，以便模型能够更好地学习和泛化。明确矿压预测任务的目标变量，例如矿压的异常状态（正常或异常）或者具体的矿压数值。根据目标变量的类型（分类或回归），选择相应的模型输出形式。

用训练集数据对决策树模型进行训练，根据特征向量和目标变量之间的关系，构建决策树的分支结构。模型会通过递归分裂节点的方式，寻找最优的特征和阈值来最大化信息增益或最小化基尼不纯度。在训练过程中，可以通过剪枝操作来防止决策树过拟合。剪枝方法包括预剪枝和后剪枝，预剪枝是在树生长过程中提前停止分裂，后剪枝是在树完全生长后剪去一些不必要的分支。

使用训练集数据对神经网络模型进行训练，通过前向传播计算模型的输出，然后通过反向传播算法更新网络的权重和偏置。在每次迭代中，模型会根据损失函数（如均方误差、交叉熵损失）计算预测误差，并根据误差调整网络参数。训练过程中可以采用批量梯度下降、随机梯度下降或小批量梯度下降等优化方法。同时，可以使用正则化技术（如L1正则化、L2正则化）来防止模型过拟合。

将决策树模型和神经网络模型的预测结果进行融合。可以采用模型权重融合的方法，根据模型在验证集上的表现，为决策树和神经网络分配不同的权重。例如，如果决策树在处理突发性矿压变化时表现更好，可以给决策树分配较高的权重；而神经网络在长期趋势预测上更准确，则给神经网络分配较高的权重。

具体地，在本实施例中，将决策树模型和神经网络模型的预测结果进行融合，采用基于验证集性能的加权平均法；

首先，进行模型验证集评估；

分别计算决策树（DT）和神经网络（NN）在验证集上的性能指标（如准确率、AUC、RMSE等）。设DT的指标为M_DT，NN的指标为M_NN；

其次，根据性能指标比例动态分配权重；

其中，为决策树模型权重，为神经网络模型权重，为决策树在验证集的性能指标，为神经网络在验证集的性能指标；

示例：若DT的AUC为0.86，NN的AUC为0.88，则权重为=0.494，=0.506。

最后，最终预测结果为加权平均；

其中，为融合后的最终预测结果，为决策树模型的预测结果，为神经网络模型的预测结果。

将决策树和神经网络的预测结果作为输入特征，训练一个融合模型（如线性回归、逻辑回归等），以综合两个模型的预测结果。融合模型会学习如何根据输入特征和权重，输出最终的矿压预测结果。在融合模型训练过程中，可以通过调整模型参数和优化算法来进一步提高模型的性能。例如，可以使用交叉验证来评估模型在不同参数设置下的表现，选择最优的参数组合。

本实施例还根据预测得到的矿压变化趋势，判断是否可能出现异常矿压，若预测的矿压超过预设的警戒阈值，则触发预警机制，通知相关人员提前采取措施。持续收集矿压数据，定期对矿压预测模型进行重新训练和优化，提高模型对未知数据的适应能力，确保预测结果的准确性和可靠性。综合分析矿压预测结果和实际矿压变化情况，评估预测模型的性能，对预测偏差大的数据进行标记，用于后续模型的迭代优化。建立矿压预测结果的可视化展示系统，以曲线图、柱状图等形式直观显示矿压的历史变化和未来走势，方便管理人员及时掌握矿压动态，做出正确决策。

本实施例还提出一种基于物联网的煤矿井下矿压综合监测系统，包括：数据采集模块、数据集构建模块、特征提取模块、模型构建模块和矿压预测模块；

数据采集模块，用于采集煤矿井下多源异构的矿压数据；

数据集构建模块，用于基于多源异构的矿压数据，构建矿压数据集；

特征提取模块，用于对矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集；

模型构建模块，用于基于特征向量集，构建基于机器学习的矿压预测模型；

矿压预测模块，用于利用矿压预测模型，对矿压数据进行实时预测，判断当前矿压状态是否异常。

进一步地，数据集构建模块基于多源异构的矿压数据，构建矿压数据集包括：

采用数据融合算法，将多源异构的矿压数据中不同来源、不同格式的矿压数据的格式统一和语义对齐；

通过数据清洗和数据转换的方法，对语义对齐后的矿压数据进行去噪、缺失值填充处理；

对填充处理后的矿压数据，进行不同数据源之间的语义映射和关联；

利用数据融合算法，将关联后的数据进行融合，生成综合的矿压数据集。

进一步地，特征提取模块对矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集包括：

对矿压数据集，采用主成分分析方法，通过特征值分解和特征向量计算，提取出数据集的主要特征分量；

根据主成分分析结果，选取特征值大于预设阈值的前k个主成分，作为数据集的关键特征，得到降维后的矿压特征子集；

对矿压特征子集进行归一化处理，将各个特征的取值范围缩放到[0，1]区间内，获得归一化后的矿压特征向量；

采用K-means聚类算法，将归一化后的矿压特征向量划分为若干个聚类簇，每个聚类簇内的特征向量具有预设相似度的特征属性；

针对每个聚类簇，计算中心点作为聚类簇的代表特征向量，得到降维后的矿压的特征向量集合，每个向量代表一类典型的矿压特征组合。

进一步地，模型构建模块基于特征向量集，构建基于机器学习的矿压预测模型包括：

构建决策树和神经网络模型结合的集成模型；

利用特征向量集合，对集成模型进行训练，获取矿压预测模型。

具体地，本实施例的煤矿井下矿压综合监测系统的实现构成如下：

传感器部署：在采煤工作面每隔50米布置一个传感器节点，形成网格状监测网络；

数据采集模块：传感器节点通过ZigBee协议将数据传至汇聚节点，再经由光纤网络传输至地面监控中心；

数据据构建模块：采用加权平均融合算法对多源异构数据进行融合，通过中值滤波去噪，线性插值填充缺失值；

特征提取模块：通过主成分分析提取关键特征，选取前3个主成分，进行归一化处理，采用K-means聚类算法划分为3个聚类簇；

模型构建模块：构建决策树和神经网络的集成模型，利用训练集数据进行训练，通过验证集评估模型性能，分配权重；

矿压预测模块：利用训练好的模型对矿压数据进行实时预测，当预测结果超过预设阈值时，触发预警机制，通知相关人员。

以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种基于物联网的煤矿井下矿压综合监测方法，其特征在于，包括：

通过分布式部署的传感器网络，采集煤矿井下多源异构的矿压数据；其中，所述传感器网络采用低功耗高带宽的无线通信协议；

基于所述多源异构的矿压数据，构建矿压数据集；

对所述矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集；

基于所述特征向量集，构建基于机器学习的矿压预测模型；

利用矿压预测模型，对矿压数据进行实时预测，判断当前矿压状态是否异常。

2.根据权利要求1所述的基于物联网的煤矿井下矿压综合监测方法，其特征在于，基于所述多源异构的矿压数据，构建矿压数据集包括：

采用数据融合算法，将所述多源异构的矿压数据中不同来源、不同格式的矿压数据的格式统一和语义对齐；

通过数据清洗和数据转换的方法，对语义对齐后的矿压数据进行去噪、缺失值填充处理；

对填充处理后的矿压数据，进行不同数据源之间的语义映射和关联；

利用数据融合算法，将关联后的数据进行融合，生成综合的所述矿压数据集。

3.根据权利要求1所述的基于物联网的煤矿井下矿压综合监测方法，其特征在于，对所述矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集包括：

对所述矿压数据集，采用主成分分析方法，通过特征值分解和特征向量计算，提取出数据集的主要特征分量；

根据主成分分析结果，选取特征值大于预设阈值的前k个主成分，作为数据集的关键特征，得到降维后的矿压特征子集；

对矿压特征子集进行归一化处理，将各个特征的取值范围缩放到[0，1]区间内，获得归一化后的矿压特征向量；

采用K-means聚类算法，将归一化后的矿压特征向量划分为若干个聚类簇，每个聚类簇内的特征向量具有预设相似度的特征属性；

针对每个聚类簇，计算中心点作为聚类簇的代表特征向量，得到降维后的矿压的特征向量集合，每个向量代表一类典型的矿压特征组合。

4.根据权利要求1所述的基于物联网的煤矿井下矿压综合监测方法，其特征在于，基于所述特征向量集，构建基于机器学习的矿压预测模型包括：

构建决策树和神经网络模型结合的集成模型；

利用所述特征向量集合，对所述集成模型进行训练，获取所述矿压预测模型。

5.根据权利要求4所述的基于物联网的煤矿井下矿压综合监测方法，其特征在于，利用所述特征向量集合，对所述集成模型进行训练包括：

确定矿压预测任务的目标变量；

根据特征向量和目标变量之间的关系，构建决策树的分支结构，利用特征向量和目标变量对决策树进行训练，并在训练完成后，进行剪枝操作；

利用特征向量和目标变量对神经网络模型进行训练，通过前向传播计算模型的输出，通过反向传播算法更新网络模型的权重和偏置；在每次迭代中，根据损失函数计算网络模型的预测误差，并根据误差调整网络模型参数；

采用基于验证集性能的加权平均法，为决策树和神经网络分配不同的权重，将训练好的决策树和神经网络模型进行融合，获得所述矿压预测模型。

6.一种基于物联网的煤矿井下矿压综合监测系统，其特征在于，用于实施如权利要求1-5任一所述的方法，所述系统包括：数据采集模块、数据集构建模块、特征提取模块、模型构建模块和矿压预测模块；

所述数据采集模块，用于通过分布式部署的传感器网络，采集煤矿井下多源异构的矿压数据；其中，所述传感器网络采用低功耗高带宽的无线通信协议；

所述数据集构建模块，用于基于所述多源异构的矿压数据，构建矿压数据集；

所述特征提取模块，用于对所述矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集；

所述模型构建模块，用于基于所述特征向量集，构建基于机器学习的矿压预测模型；

所述矿压预测模块，用于利用矿压预测模型，对矿压数据进行实时预测，判断当前矿压状态是否异常。

7.根据权利要求6所述的基于物联网的煤矿井下矿压综合监测系统，其特征在于，所述数据集构建模块基于所述多源异构的矿压数据，构建矿压数据集包括：

采用数据融合算法，将所述多源异构的矿压数据中不同来源、不同格式的矿压数据的格式统一和语义对齐；

通过数据清洗和数据转换的方法，对语义对齐后的矿压数据进行去噪、缺失值填充处理；

对填充处理后的矿压数据，进行不同数据源之间的语义映射和关联；

利用数据融合算法，将关联后的数据进行融合，生成综合的所述矿压数据集。

8.根据权利要求6所述的基于物联网的煤矿井下矿压综合监测系统，其特征在于，所述特征提取模块对所述矿压数据集，利用主成分分析方法提取关键特征，获取特征向量集包括：

对所述矿压数据集，采用主成分分析方法，通过特征值分解和特征向量计算，提取出数据集的主要特征分量；

根据主成分分析结果，选取特征值大于预设阈值的前k个主成分，作为数据集的关键特征，得到降维后的矿压特征子集；

对矿压特征子集进行归一化处理，将各个特征的取值范围缩放到[0，1]区间内，获得归一化后的矿压特征向量；

采用K-means聚类算法，将归一化后的矿压特征向量划分为若干个聚类簇，每个聚类簇内的特征向量具有预设相似度的特征属性；

针对每个聚类簇，计算中心点作为聚类簇的代表特征向量，得到降维后的矿压的特征向量集合，每个向量代表一类典型的矿压特征组合。

9.根据权利要求6所述的基于物联网的煤矿井下矿压综合监测系统，其特征在于，所述模型构建模块基于所述特征向量集，构建基于机器学习的矿压预测模型包括：

构建决策树和神经网络模型结合的集成模型；

利用所述特征向量集合，对所述集成模型进行训练，获取所述矿压预测模型。