一种基于物联网与人工智能的矿山实时风险预警系统的制作方法

本发明涉及矿山预警领域，特别是涉及一种基于物联网与人工智能的矿山实时风险预警系统。

背景技术：

1、矿山边坡失稳是露天矿山最主要的地质灾害之一，严重威胁矿山生产安全和人员生命财产。随着物联网技术和传感器技术的发展，矿山边坡监测已从传统人工巡检逐步发展为自动化在线监测，位移、振动、应力、渗压等多种传感器被广泛应用于边坡状态感知。

2、在实际工程应用中，边坡监测面临的核心难题在于信号的多义性。施工爆破、机械作业、车辆运输等日常生产活动均会引起边坡振动和瞬时变形，这些信号与真实滑坡前兆信号在幅值特征上高度相似，仅依靠单参数阈值判断极易产生误报。现有监测系统普遍采用位移速率或振动幅值作为报警阈值，施工期间频繁触发的虚假报警不仅降低了系统可信度，也使运维人员对真实预警信号产生麻痹。

3、更深层的问题在于，不同类型的边坡灾害具有截然不同的演化机理和信号特征。表层土体蠕滑表现为位移持续增长但振动微弱，深部岩体破裂表现为微震频发与位移加速同步发展，而施工扰动则表现为振动强烈但位移可完全恢复。现有监测系统大多输出单一的风险指数或风险等级，无法自动区分灾害类型，应急响应人员难以根据报警信息采取针对性措施，延误了最佳处置时机。

4、从监测架构来看，现有系统中位移传感器与振动传感器通常独立布设、各自采集，两类数据在云端或平台层进行后融合。这种架构下，深部隐蔽裂缝发生时，位移信号与振动信号难以在同一物理点位同步捕捉，信号间的时间差和空间差降低了早期识别的灵敏度和准确性。同时，传感器阵列普遍采用固定间距布设，未考虑边坡斜度变化引起的应力分布梯度差异，高应力区段监测密度不足而低应力区段资源浪费，监测效率有待进一步提升。

5、在智能算法层面，近年来深度学习模型如lstm、tcn等被引入边坡位移预测，在预测精度上较传统方法有所提升。但这类纯数据驱动模型缺乏力学约束，容易产生数值趋势正确但物理上不合理的预测结果，且模型可解释性差，工程人员难以理解和信任算法输出。此外，现有ai模型大多聚焦于位移数值预测，未深入挖掘位移与振动之间的耦合关系以及模式演化的阶段性特征，预警信息的深度和指导性不足。

6、因此，如何实现施工震动与真实滑坡的自动区分、如何自动识别边坡灾害类型、如何提高深部隐蔽破裂的早期识别灵敏度、如何使预警结果具有物理可解释性，是当前矿山边坡监测预警领域亟待解决的技术问题。

技术实现思路

1、本发明是为了解决现有技术中如何实现施工震动与真实滑坡的自动区分、如何自动识别边坡灾害类型、如何提高深部隐蔽破裂的早期识别灵敏度的问题，提供了一种基于物联网与人工智能的矿山实时风险预警系统，解决了上述问题。

2、本发明提供了一种基于物联网与人工智能的矿山实时风险预警系统，包括：

3、位置传感器，根据边坡坡面位置和斜度在边坡内定距离阵列预埋，用于采集边坡内部各深度点位的位移信号；

4、振动传感器，与位置传感器对应配套设置在边坡内部同一物理点位，用于采集同点位的振动响应信号；

5、接收器，用于实时获取位置传感器和振动传感器的采集信号，并根据位置传感器与振动传感器的一一对应关系，将同点位的位移采集信号和振动采集信号组合为耦合传感数据组；

6、时序模块，按照固定频率生成时序同步信号；

7、信号判断模块，接收时序同步信号，抽取接收器中各对应节点的耦合传感数据组，分别提取每位点的六维特征向量，六维特征向量包括振动幅值水平、振动主频特征、位移累积量、位移速率、深度分布指数和时序演化指数；信号判断模块将六维特征向量投影至预设的模式特征空间，计算该点位相对于施工震动模式、表层滑移模式、结构破坏模式和安全模式四种模式的隶属度，并根据最大隶属度原则判定当前模式；信号判断模块维护一个状态转移概率矩阵，通过状态转移概率矩阵跟踪各点位模式随时间的转换方向，并预设多条演化路径模板，通过匹配演化路径模板确定边坡灾害所处的发展阶段；

8、综合预警模块，根据信号判断模块输出的各点位模式判定结果、模式隶属度、状态转移概率矩阵计算的模式转换趋势以及演化路径模板匹配结果，结合边坡断面内多点位的模式空间分布特征，判别当前边坡整体工况为单纯施工震动、表层滑坡或整体结构破坏，并输出对应类型和等级的预警信号。

9、本发明所述的一种基于物联网与人工智能的矿山实时风险预警系统，作为优选方式，施工震动模式下位置传感器和振动传感器的表现方式分别为：

10、位置传感器位移瞬时增大达到峰值，振动结束后位移回弹恢复至基准值附近，位移回弹率大于90%即振动峰值位移中90%以上在振动结束后回弹恢复，且浅层位移幅值显著大于深层位移幅值，浅层与深层位移峰值比大于3；

11、振动传感器振动幅值突然升高超过振动阈值，振动主频落在施工震动主频区间内即爆破震动主频为20至80赫兹、机械作业震动主频为5至20赫兹，振动持续时间短即爆破震动持续0.1至5秒、机械作业震动呈周期性间歇，且振动能量随深度快速衰减。

12、本发明所述的一种基于物联网与人工智能的矿山实时风险预警系统，作为优选方式，表层滑移模式下位置传感器和振动传感器的表现方式分别为：

13、位置传感器位移持续累积且无回弹，位移速率在0.1至10毫米每天范围内，位移主要集中在边坡浅层即浅层位移与深层位移比值大于5，滑面以下位移骤减趋近于零，且位移速率呈等速或缓慢加速变化；

14、振动传感器微震事件率低于0.1次每小时，振动幅值与背景噪声水平相当，振动主频无异常升高且与环境振动主频一致，无明显微破裂信号特征。

15、本发明所述的一种基于物联网与人工智能的矿山实时风险预警系统，作为优选方式，结构破坏模式下位置传感器和振动传感器的表现方式分别为：

16、位置传感器位移持续加速增长，位移速率大于10毫米每天且速率的变化率大于零即二阶导数为正，浅层位移与深层位移比值在1至2之间即深层位移显著，且位移活跃区域由深层向浅层逐步扩展；

17、振动传感器微震事件率高于1次每小时且持续增加，振动主频呈现由高频向低频的降频演化趋势即初始微破裂阶段主频为100至500赫兹、裂缝扩展阶段主频为20至100赫兹、整体失稳阶段主频低于10赫兹，且微震b值持续下降。

18、本发明所述的一种基于物联网与人工智能的矿山实时风险预警系统，作为优选方式，安全模式下位置传感器和振动传感器的表现方式分别为：

19、位置传感器日位移变化量小于0.01毫米每天，位移在零值附近随机波动无趋势性变化，各深度位移均接近零且无显著梯度，且位移波动与降雨、温度等环境因子高度相关；

20、振动传感器背景振动水平低于0.1毫米每秒即环境噪声水平，振动主频稳定在1至5赫兹即自然环境振动，微震事件率接近零，无异常振动信号。

21、本发明所述的一种基于物联网与人工智能的矿山实时风险预警系统，作为优选方式，信号判断模块设有模糊边界处理单元，模糊边界处理单元采用高斯型隶属度函数计算每种模式的隶属度，隶属度计算公式为：

22、μ_i=exp(-σw_j×(x_j-c_ij)²/(2σ_ij²))

23、其中x_j为第j个特征参数，c_ij为第i种模式的第j个特征中心值，σ_ij为对应的标准差，w_j为特征权重；当最大隶属度与第二大隶属度的差值大于0.3时，直接判定为最大隶属度对应的模式；当差值小于等于0.3时，判定为过渡态并标注为前两位隶属度对应模式之间的转化中状态。

24、本发明所述的一种基于物联网与人工智能的矿山实时风险预警系统，作为优选方式，当信号判断模块判定为过渡态时，时序模块自动将采样频率从基准频率f0切换至高频采样频率n×f0，其中n为频率倍率且n≥5，以更高时间分辨率跟踪模式演化方向；当模式明确判定后，时序模块恢复至基准采样频率。

25、本发明所述的一种基于物联网与人工智能的矿山实时风险预警系统，作为优选方式，信号判断模块中的状态转移概率矩阵p为4行4列的矩阵，形式如下：

26、；

27、其中行和列分别对应施工震动模式a、表层滑移模式b、结构破坏模式c和安全模式d，矩阵元素p_ij表示从第i种模式转换为第j种模式的概率，且每行元素之和等于1；

28、信号判断模块以六维特征向量为观测序列、四种模式为隐藏状态，采用隐马尔可夫模型通过维特比算法求解最优状态序列，实现模式转换的平滑识别；状态转移概率矩阵p在系统运行过程中通过贝叶斯更新持续修正各转移概率值，更新公式为：

29、p_ij_new=(n_ij+α_ij)/(σ_kn_ik+σ_kα_ik)

30、其中n_ij为观测到的从模式i到模式j的转换次数，α_ij为先验分布参数。

31、本发明所述的一种基于物联网与人工智能的矿山实时风险预警系统，作为优选方式，信号判断模块预设的演化路径模板包括四条，每条模板由对应的模式序列定义，分别为：

32、施工循环路径模板，模式序列为安全模式与施工震动模式周期性交替；

33、降雨诱发表层滑坡路径模板，模式序列为安全模式经减速蠕变阶段、匀速蠕变阶段至加速蠕变阶段；

34、深部破裂演化路径模板，模式序列为安全模式经微破裂孕育阶段、裂缝扩展阶段至整体失稳阶段；

35、施工诱发破坏路径模板，模式序列为安全模式经施工震动后进入微破裂孕育阶段并逐步扩展至整体失稳阶段；

36、信号判断模块将设定时间窗口内的实际模式序列与各模板进行动态时间规整匹配，匹配度最高的模板即为当前演化路径，并据此预测下一阶段最可能进入的模式及剩余预警时间。

37、本发明所述的一种基于物联网与人工智能的矿山实时风险预警系统，作为优选方式，综合预警模块设有空间分布判别单元，空间分布判别单元根据边坡断面内各点位的模式判定结果构建模式空间分布图；

38、当振动活跃点位沿坡面呈面状分布且各点位振动起始时间差与爆源距离成正比时，判别为单纯施工震动；

39、当位移活跃点位沿坡面浅层呈条带状分布且滑面以下位移骤减时，判别为表层滑坡；

40、当位移活跃点位与振动活跃点位重合且活跃区域由深层向浅层逐步扩展时，判别为整体结构破坏；

41、信号判断模块设有环境因子解耦单元，环境因子解耦单元建立降雨-位移响应模型和温度-位移响应模型，从实测位移中扣除降雨和温度引起的环境变形分量，得到真实蠕变位移分量后再进行模式判定；

42、综合预警模块设有置信度评估单元，置信度评估单元根据特征一致性、数据质量、空间一致性和历史稳定性四个因素计算模式判定结果的置信度，置信度低于60%时输出数据不足提示并触发人工复核。

43、本发明有益效果如下：

44、（1）本发明采用同点位位移-振动耦合传感与状态组合判别方法，解决了现有技术无法自动区分施工震动与真实滑坡的问题，实现了工程振动虚假报警的自动排除，预警误报率较传统单参数阈值报警降低40%以上。

45、（2）本发明采用四种模式分类判别与空间分布验证方法，解决了现有监测系统仅输出风险等级而无法区分灾害类型的问题，实现了施工震动、表层滑坡、整体结构破坏三类工况的自动识别，使应急响应从一刀切升级为分类施策。

46、（3）本发明采用微震多参数演化分析与深浅层同步验证方法，解决了深部隐蔽破裂识别滞后的问题，通过微震事件率、主频降频、b值下降等特征提前捕捉岩体破裂孕育过程，整体失稳预警提前量较纯位移监测提升数小时至数天。

47、（4）本发明采用状态转移概率矩阵与演化路径模板匹配方法，解决了模式判定易跳变、无法追踪演化趋势的问题，实现了模式转换的平滑识别和下一阶段的趋势预测，预警信息从静态状态描述升级为动态演化预判。

48、（5）本发明采用高斯隶属度函数与过渡态识别方法，解决了传统阈值报警在临界点附近反复跳变的问题，通过模糊边界处理实现了预警等级的平滑过渡，过渡态自动触发高频采样，兼顾了长期低功耗运行与关键时段的高精度监测。

49、（6）本发明采用边坡斜度自适应布点与环境因子解耦方法，解决了固定间距阵列监测效率低以及降雨温度干扰数据真实性的问题，使传感器密度与应力分布梯度相匹配，同等数量下监测精度提升25%以上，同时消除了环境变形引起的数据失真。