一种基于机器学习的煤矿冲击地压预警方法

本发明涉及煤矿安全监测与计算机数据处理，具体涉及一种基于机器学习的煤矿冲击地压预警方法。

背景技术：

1、冲击地压属于煤矿开采过程中煤岩体积聚能量快速释放引起的动力灾害。深部开采条件下，地应力水平、地质构造影响、工作面推进扰动和巷道支护状态共同作用，冲击地压前兆通常分散表现于微震活动、煤岩体应力变化和声发射活动。不同监测手段反映的物理过程并不相同。微震事件数据能够表征较大尺度煤岩破裂和能量释放，煤岩体应力数据能够表征载荷积累和应力集中，声发射信号数据能够表征较小尺度裂纹萌生与扩展。单一监测量发生异常时，设备振动、传感器耦合变化、局部施工扰动和通信丢包均可能形成与冲击地压前兆相似的信号变化。

2、现有冲击地压预警方法已经采用数据驱动模型处理监测指标。公开文件cn117312919a公开基于bo-cnn-lstm模型的冲击地压预警方法，监测指标经过预处理后输入卷积神经网络与长短期记忆网络结合形成的预测模型，并利用贝叶斯优化方法确定模型参数。卷积神经网络与长短期记忆网络在前述方案中形成特征提取和时序预测的串联关系。串联结构通常要求前级网络输出能够完整承载后级网络需要的信息，局部瞬态波形特征与跨监测周期的应力演化特征容易被压缩为同一中间表示。

3、公开文件cn120493068a公开矿井冲击地压预警与防控方法，方法获取多源监测数据，构建网络预测模型，并构建煤岩体破裂过程的三维元胞自动机模型用于防控策略分析。三维元胞自动机模型需要煤岩体单元参数和破裂演化参数，参数标定工作量较大。对于主要目标为在线风险输出的监测系统，物理仿真过程还会增加数据准备环节和计算链路。

4、不同监测设备还具有不同采样率和不同数据形态。煤岩体应力数据常以s级或min级间隔连续记录；微震系统以事件目录和事件波形记录为主；声发射系统可能以较高采样率保存触发波形。仅依靠网络时钟同步不能直接形成可供机器学习模型使用的数据输入。监测系统仍需要完成时间戳校正、事件归并、窗口切分、缺失标记、波形片段截取和数据维度统一。若训练标签使用输入窗口内部已经发生的事件，模型训练结果会包含未来信息泄漏，运行阶段难以形成真实提前预警。

5、固定融合权重也难以适应运行环境变化。煤岩体应力传感器可能出现漂移，声发射传感器可能因耦合状态变化降低信号质量，微震台站可能因施工或通信故障出现波形缺失。根据离线训练性能固定两个模型的贡献比例时，输入数据质量下降的模型仍可能保持较高融合权重。需要建立一种并行处理连续演化信息和局部波形信息的双模型结构，并利用已经取得确认结果的历史预警周期更新模型可靠度，使综合预警结果能够随模型运行性能变化进行调整。

技术实现思路

1、本发明的目的在于提供一种基于机器学习的煤矿冲击地压预警方法，本发明需要解决的技术问题是：在微震事件数据、煤岩体应力数据和声发射信号数据采样率不同、数据形态不同且数据质量随运行过程变化的条件下，形成时间关系明确的双路径模型输入，分别提取跨监测周期的风险演化趋势和监测窗口内部的局部波形前兆模式，并根据两个模型在运行阶段的历史预测表现动态确定融合权重。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于机器学习的煤矿冲击地压预警方法，包括：获取空间监测单元内的微震事件数据、煤岩体应力数据和声发射信号数据，为所述微震事件数据、所述煤岩体应力数据和所述声发射信号数据配置统一时间基准，并按照连续监测窗口形成时间对应的多源监测数据；对所述多源监测数据进行预处理和特征提取，形成多源时序特征序列以及微震—声发射波形数据张量，其中，所述多源时序特征序列包含多个连续时间步的微震统计特征、煤岩体应力特征和声发射统计特征，所述微震—声发射波形数据张量包含与所述连续监测窗口对应的微震波形片段和声发射波形片段；将所述多源时序特征序列输入长短期记忆网络时序预测模型，得到当前连续监测窗口结束后的目标预测时间范围内的时序风险预测值；将所述微震—声发射波形数据张量输入一维卷积神经网络模式识别模型，得到所述目标预测时间范围内的前兆模式概率值；从已经取得确认结果的历史预警周期中，分别确定所述长短期记忆网络时序预测模型和所述一维卷积神经网络模式识别模型的模型可靠度，根据所述模型可靠度更新两个模型的融合权重；根据所述时序风险预测值、所述前兆模式概率值和所述融合权重计算综合风险预测值，并根据所述综合风险预测值确定冲击地压风险等级。

4、作为本发明的一个优选技术方案，为所述微震事件数据、所述煤岩体应力数据和所述声发射信号数据配置统一时间基准，包括：利用精确时间协议对微震采集节点、应力采集节点和声发射采集节点进行时钟校正；将校正后的采集时刻写入数据帧；按照预设监测周期划分所述连续监测窗口；将所述煤岩体应力数据按照时间戳保持至对应时间步，将所述微震事件数据和所述声发射信号数据按照事件发生时刻归并至对应时间步，并为缺失时间步写入缺失标志。

5、作为本发明的一个优选技术方案，对所述多源监测数据进行预处理和特征提取，包括：在传感器标定得到的有效响应频带内对信号执行小波分解，对小波细节系数执行软阈值收缩并完成信号重构；从重构后的信号中提取均值、方差、峰值、均方根值、主频、分频带能量和频谱熵；对提取结果进行标准化；根据训练数据得到的主成分投影矩阵进行投影，选择累计贡献率达到预设贡献率阈值的主成分，形成所述多源时序特征序列。

6、作为本发明的一个优选技术方案，所述长短期记忆网络时序预测模型的训练样本由多个连续监测窗口对应的多源时序特征序列构成，训练标签由输入序列结束后的目标预测时间范围内的经确认风险结果确定；训练集、验证集和测试集按照监测时间或开采阶段进行分割，使具有重叠时间范围的样本位于同一数据子集；所述长短期记忆网络时序预测模型输出取值位于零至一之间的所述时序风险预测值。

7、作为本发明的一个优选技术方案，形成所述微震—声发射波形数据张量，包括：按照事件触发时刻分别截取微震波形片段和声发射波形片段；对波形片段执行带通滤波、幅值归一化、重采样和定长化处理；按照传感器编号和信号类型将处理后的波形片段进行通道堆叠；所述一维卷积神经网络模式识别模型的正类标签确定规则为：波形片段所属连续监测窗口结束后的目标预测时间范围内存在经确认冲击地压事件时标记为正类。

8、作为本发明的一个优选技术方案，对于模型标识m，模型标识m为长短期记忆网络时序预测模型标识l或一维卷积神经网络模式识别模型标识c，根据已经取得确认结果的历史预警周期计算模型可靠度：

9、

10、其中，表示连续监测窗口t对应的模型可靠度，表示模型标识m对应的正确预测先验计数，表示模型标识m对应的错误预测先验计数，表示连续监测窗口t以前的预设历史范围内模型标识m对应的正确预测次数，表示连续监测窗口t以前的预设历史范围内模型标识m对应的错误预测次数；根据模型可靠度计算候选权重，对候选权重执行指数平滑并归一化，使长短期记忆网络时序预测模型的融合权重与一维卷积神经网络模式识别模型的融合权重之和为一。

11、作为本发明的一个优选技术方案，根据当前连续监测窗口内与模型标识m对应的输入数据计算数据质量系数，所述数据质量系数由数据完整度、时间同步质量、信号信噪比和异常值比例确定；利用所述数据质量系数修正所述模型可靠度，根据修正后的模型可靠度计算所述候选权重。

12、作为本发明的一个优选技术方案，在利用精确时间协议完成时钟校正后，根据微震事件定位坐标、传感器三维坐标和煤岩介质传播速度计算传播时延：

13、

14、

15、其中，表示事件编号e对应的波动传播至传感器编号的传播时延，表示传感器编号的三维坐标向量，表示事件编号e的定位坐标向量，表示事件编号e所在煤岩区域的标定传播速度，表示传感器编号记录的波形到达时刻，表示根据传感器编号反算得到的事件发生时刻；按照所述事件发生时刻对微震波形片段和声发射波形片段进行对齐。

16、作为本发明的一个优选技术方案，分别确定应力持续增长阶段的起始时刻、声发射活动增强阶段的起始时刻和微震活动增强阶段的起始时刻，根据三个起始时刻与预设前兆顺序之间的匹配程度计算前兆阶段一致性系数；根据所述前兆阶段一致性系数对所述综合风险预测值进行增量修正。

17、10.根据权利要求1所述的一种基于机器学习的煤矿冲击地压预警方法，其特征在于，计算所述时序风险预测值与所述前兆模式概率值之间的模型分歧量；当所述模型分歧量在连续多个连续监测窗口内大于分歧触发阈值时，向监测采集节点发送采样参数调整指令，所述采样参数调整指令用于缩短煤岩体应力数据的采样间隔并提高微震波形片段和声发射波形片段的原始数据留存比例。

18、与现有技术相比，本发明具有以下有益效果：

19、本发明使用统一时间基准和连续监测窗口建立三类监测数据之间的时间对应关系，煤岩体应力连续记录、微震事件目录和声发射触发波形不需要强制拼接为同一原始采样序列，能够减少采样率差异导致的数据重复和数据量膨胀。

20、本发明采用并行双模型结构，长短期记忆网络时序预测模型处理跨连续监测窗口的统计特征和应力变化，一维卷积神经网络模式识别模型处理监测窗口内部的局部波形形态，两个模型分别保留长期演化信息和短时局部信息。

21、本发明根据已经取得确认结果的历史预警周期更新模型可靠度，尚未取得确认结果的预警周期不参与权重更新，能够避免使用未来结果或未完成标签影响当前权重。数据质量系数能够降低输入缺失、同步误差或信号质量下降对应模型的融合贡献。

22、本发明通过传播时延补偿、前兆阶段一致性校核和分区迟滞阈值减少跨传感器波形错位、单通道瞬态异常和阈值附近等级反复切换对预警结果的影响。本发明通过模型分歧触发采样参数调整，使高采样率原始波形主要保存在模型结论冲突或风险上升阶段。历史案例局部残差校正和分层记忆回放能够适应不同空间监测单元和不同开采阶段的数据分布变化。