本发明属于矿井安全监测,具体涉及一种矿井声电信号智能预测方法与系统。
背景技术:
1、随着我国矿井开采深度的加深,采场地应力的增高,煤岩动力灾害变得更加复杂和严重,对矿井安全生产和人员安全造成严重的威胁。采用先进的监测手段与方法是对冲击地压和煤与瓦斯等煤岩动力灾害进行有效预警和防治的关键。声发射、电磁辐射与煤岩体的载荷及变形破裂过程呈正相关,基本上随着载荷及变形破裂强度的增加而增强。目前监测的方法分为区域性监测和局部性监测,区域监测方法一般采用微震监测法,局部监测有钻屑法、应力在线和声电监测等方法。由于冲击地压多发生在采掘工作面及其附近,必须对有冲击危险性的工作面进行连续的局部冲击危险性监测,因此,局部性监测在冲击地压防治中显得尤为重要。
2、目前现有的局部监测技术多是通过声发射、电磁辐射、钻屑法、应力在线等监测方法从电磁波、煤岩强度等各个角度建立了多种冲击地压灾害预警准则及预警方法。但是,现有技术方法多是基于历史规律进行冲击地压灾害的预警,缺少对未来将要产生数据的研究。合理准确地预测未来的声电数据并对其进行定量分析能大大提高冲击地压预警的时效性。所以,目前亟需一种准确度较高的矿井声电信号智能预测方法与系统。
技术实现思路
1、本发明旨在解决现有技术的不足,提出一种矿井声电信号智能预测方法与系统,能够智能预测未来信号从而及时对冲击地压危险性实现预警。
2、为实现上述目的,本发明提供了如下方案:
3、一种矿井声电信号智能预测方法,包括以下步骤:
4、s1:获取冲击地压危险性的矿井声发射数据以及电磁辐射数据;
5、s2:对所述声发射数据以及所述电磁辐射数据进行归一化处理,采用熵值法对归一化后的所述声发射数据以及所述电磁辐射数据进行综合性评价,获得声电综合数据;并基于所述声电综合数据,构建数据集;
6、s3:构建lstm-autoencoder模型,基于所述数据集以及所述lstm-autoencoder模型,获得矿井声电信号智能预测结果。
7、优选的,步骤s2中,获得声电综合数据的方法为:
8、将所述声发射数据的时均声发射强度、时均声发射振铃以及所述电磁辐射数据的时均电磁强度、时均电磁脉冲作为预测指标,并对所述预测指标进行去量纲化处理,获得归一化数据xi={xi1,xi2,...,xij},其中,xij表示第i个样本数据对应的第j个指标;
9、基于所述归一化数据,计算各个指标中各值占全部值的比重:
10、其中,n为样本数量,m为指标数量;
11、基于所述比重,计算各个指标的信息熵:
12、
13、基于所述信息熵,计算各个指标的指标权重:
14、基于所述指标权重,计算各个指标的指标综合评分:
15、基于所述指标综合评分,获得所述声电综合数据:y={y1,y2,...,yj}。
16、优选的,步骤s3中,所述lstm-autoencoder模型包括输入层、编码器、中间层、解码器以及输出层;
17、所述编码器为双层lstm,每层包括第一隐含层和第一嵌入层;
18、所述解码器为反向双层lstm,每层包括第二隐含层和第二嵌入层,与所述编码器的设置相反。
19、优选的,步骤s3中,基于所述lstm-autoencoder模型,获得所述声电信号预测结果的方法为:
20、基于输入层,将输入数据输入到所述编码器,获得中间层的压缩表示将所述压缩表示输入解码器解压,重建所述输入数据,获得所述声电信号预测结果
21、其中,所述输入数据的格式为t为时间;
22、优选的,所述lstm-autoencoder模型的参数包括输入窗、滑动步长、输出窗、隐藏层、嵌入层、学习率、批尺寸、优化器以及迭代次数。
23、优选的,方法还包括s4:通过重构损失量化模型输出数据与输入数据的差异,评估所述lstm-autoencoder模型的预测性能,公式为:
24、
25、本发明还提供一种矿井声电信号智能预测系统,所述预测系统应用所述预测方法,包括数据获取模块、数据处理模块以及预测模块;
26、所述数据获取模块,用于获取冲击地压危险性的矿井声发射数据以及电磁辐射数据;
27、数据处理模块,用于对所述声发射数据以及所述电磁辐射数据进行归一化处理,采用熵值法对归一化后的所述声发射数据以及所述电磁辐射数据进行综合性评价,获得声电综合数据;并基于所述声电综合数据,构建数据集;
28、所述预测模块,用于构建lstm-autoencoder模型,基于所述数据集以及所述lstm-autoencoder模型,获得矿井声电信号智能预测结果。
29、优选的,所述lstm-autoencoder模型包括输入层、编码器、中间层、解码器以及输出层;
30、所述编码器为双层lstm,每层包括第一隐含层和第一嵌入层;
31、所述解码器为反向双层lstm,每层包括第二隐含层和第二嵌入层,与所述编码器的设置相反。
32、与现有技术相比,本发明的有益效果为:对所述声发射数据以及所述电磁辐射数据进行归一化处理,采用熵值法对归一化后的所述声发射数据以及所述电磁辐射数据进行综合性评价,获得声电综合数据;并基于所述声电综合数据,构建数据集;通过熵值法的应用,科学的确定各指标的权重以及综合评分,获得更加科学准确的声电综合数据;并构建lstm-autoencoder模型,基于所述数据集以及所述lstm-autoencoder模型,获得矿井声电信号智能预测结果。智能预测未来信号从而及时对冲击地压危险实现预警。
1.一种矿井声电信号智能预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的矿井声电信号智能预测方法,其特征在于,步骤s2中,获得声电综合数据的方法为:
3.根据权利要求1所述的矿井声电信号智能预测方法,其特征在于,步骤s3中,所述lstm-autoencoder模型包括输入层、编码器、中间层、解码器以及输出层;
4.根据权利要求3所述的矿井声电信号智能预测方法,其特征在于,步骤s3中,基于所述lstm-autoencoder模型,获得所述声电信号预测结果的方法为:
5.根据权利要求1所述的矿井声电信号智能预测方法,其特征在于,所述lstm-autoencoder模型的参数包括输入窗、滑动步长、输出窗、隐藏层、嵌入层、学习率、批尺寸、优化器以及迭代次数。
6.根据权利要求1所述的矿井声电信号智能预测方法,其特征在于,方法还包括s4:通过重构损失量化模型输出数据与输入数据的差异,评估所述lstm-autoencoder模型的预测性能,公式为:
7.一种矿井声电信号智能预测系统,所述预测系统应用权利要求1-6任一项所述的预测方法,其特征在于,包括数据获取模块、数据处理模块以及预测模块;
8.根据权利要求7所述的矿井声电信号智能预测系统,其特征在于,所述lstm-autoencoder模型包括输入层、编码器、中间层、解码器以及输出层;