基于声振信号与自监督表征学习的危岩崩塌前兆识别方法

本技术涉及地质灾害监测预警，尤其涉及一种基于声振信号与自监督表征学习的危岩崩塌前兆识别方法。

背景技术：

1、危岩崩塌是山区、矿区及交通沿线常见的地质灾害类型，具有突发性强、破坏范围广、致灾速度极快等典型特征，严重威胁人民群众的生命财产安全和重大基础设施的运行安全。随着基础设施建设的不断推进，山区公路沿线、矿山开采区、水利库区岸坡及风景名胜区临崖区域等场景的危岩隐患点日益增多，危岩崩塌灾害的监测预警需求愈发迫切。

2、目前，危岩崩塌前兆识别主要依赖以下几种技术方案。第一类是人工巡查与简易传感器监测，即通过人工定期排查危岩体表面的裂缝发育、位移变形等表观变化，或部署孤立的地表位移、裂缝计等简易传感器进行定点观测。然而，这类方法建立在岩体已发生形变的基础上，往往只能在崩塌临近时才能发出警报，预警时间极为有限。第二类是单一模态的声发射或振动信号监测，即在危岩关键位置部署声发射传感器或加速度计，采集单一模态信号并通过设定经验阈值进行预警判断。声发射技术能够反映岩石内部微破裂过程，在危岩监测领域已有一定的应用基础，但单一模态信号易受环境噪声干扰，特征维度有限，难以全面表征危岩体从稳定到失稳的复杂演化过程。第三类是基于有监督机器学习的识别方法，即采集声振等信号后，依靠人工标注状态样本，训练分类模型进行状态识别。

3、然而，上述现有技术方案均存在明显的局限性。人工巡查无法实现全天候、不间断的持续监测，难以捕捉危岩早期微幅前兆信号；单一模态监测无法有效区分风噪、车辆振动等环境干扰与真实裂隙扩展信号，误警率和漏警率较高。更为关键的是，危岩崩塌属于低频灾害事件，获取大量包含前兆阶段的标注数据极其困难，导致有监督机器学习模型训练样本严重不足，模型容易过拟合、泛化能力差。因此，亟需一种能够突破标注样本稀缺瓶颈、融合多源声振信号的危岩崩塌前兆自动识别方法。

技术实现思路

1、（一）要解决的技术问题

2、鉴于现有技术的上述缺点、不足，本技术提供一种基于声振信号与自监督表征学习的危岩崩塌前兆识别方法，以解决现有技术中：（1）人工巡检和单点传感器监测难以捕捉危岩早期微幅前兆信号的问题；（2）危岩崩塌属于低频灾害，崩塌前兆样本极其稀缺，依赖人工标注的有监督模型训练困难、泛化能力弱的问题；（3）单一模态声振监测特征维度有限，容易将风噪、机械振动等环境干扰误判为崩塌前兆，误警率和漏警率高的问题。

3、（二）技术方案

4、为了达到上述目的，本技术采用的主要技术方案包括：

5、本技术实施例提供一种基于声振信号与自监督表征学习的危岩崩塌前兆识别方法，具体步骤包括：

6、s1，获取目标危岩体预设时长内的分布式声振监测数据，对分布式声振监测数据进行滤波处理，并以预设的固定时长的滑动窗口进行切分，生成多个信号片段；

7、s2，对每个信号片段提取时域特征、频域特征和时频域特征，并进行拼接和标准化处理，生成标准化特征向量；

8、s3，将多个信号片段对应的标准化特征向量输入到预训练的神经网络模型中，输出各信号片段分别属于正常状态、崩塌前兆状态和崩塌状态的概率；其中，神经网络模型预先通过自监督表征学习的训练方法获取；

9、s4，以预设数量的信号片段作为预警窗口，计算预警窗口内各信号片段对应的崩塌前兆状态概率的平均值，以及预警窗口内前兆状态概率超过预设基础阈值的信号片段的比例；将平均值和比例，分别与预设的预警触发阈值进行比对，生成预警结果。

10、可选的，在本技术的一些实施例中，获取目标危岩体预设时长内的分布式声振监测数据，具体包括：

11、根据预先获取的地质勘察报告，将目标危岩体的表面裂隙区、应力集中带及内部钻孔位置作为关键监测区域；

12、获取关键监测区域的多通道信号，多通道信号包括三轴振动信号、声发射信号及环境温湿度信号；

13、对三轴振动信号、声发射信号及环境温湿度信号分别进行截取并保留，将保留的三轴振动信号、声发射信号及环境温湿度信号经时间对齐后聚合为分布式声振监测数据。

14、可选的，在本技术的一些实施例中，对三轴振动信号、声发射信号及环境温湿度信号分别进行截取并保留，包括：

15、计算声发射信号的短时平均与长时平均的比值，当比值超过预设的事件触发阈值时，以比值超过阈值的时刻为触发点，截取从触发点前第一预设时长到触发点后第二预设时长范围内的数据，并将该时长范围记为第一时间窗口；

16、同步截取并保留在第一时间窗口内的三轴振动信号和环境温湿度信号。

17、可选的，在本技术的一些实施例中，神经网络模型预先通过自监督表征学习的训练方法获取，具体包括：

18、s01，获取目标危岩体在历史监测周期内的大量无标签声振信号片段，构建训练数据集；

19、s02，根据训练数据集中的声振信号片段，生成正样本对和负样本对，正样本对由第一增强信号和第二增强信号组成；

20、s03，构建包含编码器与投影头的预训练网络架构；

21、s04，将所述正样本对中的各信号片段和所述负样本对中的信号片段分别输入至所述编码器中，提取对应的原始特征；将各所述原始特征通过所述投影头进行非线性映射，得到对应的特征向量；

22、s05，基于预构建的对比损失函数构建预训练任务，以最大化正样本对中两个信号片段对应的特征向量之间的相似度、以及最小化所述正样本对与所述负样本对之间的相似度为目标，更新所述编码器和所述投影头的参数，直至收敛，得到预训练编码器；

23、其中，所述对比损失函数包括时序一致性约束项，所述时序一致性约束项用于约束同一监测节点在相邻时间窗口采集的信号片段在嵌入空间中的表征距离，与所述相邻时间窗口之间的时间间隔成正相关；

24、s06，在预训练编码器的输出端接入分类头，利用带有状态标签的少量标注样本对预训练编码器和分类头进行有监督微调，得到训练好的神经网络模型。

25、可选的，在本技术的一些实施例中，根据训练数据集中的声振信号片段，生成正样本对，具体包括：

26、根据在同一声振信号片段施加不同数据增强操作生成的两个增强信号，构建第一类正样本对；

27、根据在同一监测节点在相邻时间窗口采集的声振信号片段，构建第二类正样本对，第二类正样本对用于约束模型学习破裂信号在时间维度上的连续演化特征；

28、根据在同一危岩裂隙区内不同监测节点在同一时段采集的声振信号片段，构建第三类正样本对，第三类正样本对用于约束模型学习同一破裂事件在空间维度上的一致性表征；

29、由第一类正样本对、第二类正样本对和第三类正样本对构成正样本对。

30、可选的，在本技术的一些实施例中，根据在同一声振信号片段施加不同数据增强操作生成的两个增强信号，构建第一类正样本对，具体包括：

31、获取训练数据集中的一个声振信号片段作为源信号片段；

32、对源信号片段随机施加增强操作组合，得到第一增强信号；增强操作组合包括基于危岩体实际环境噪声谱的加噪、基于岩石破裂信号持续时长的时间裁剪、和基于岩石破裂主频带的频域掩蔽中的一种或多种；

33、对源信号片段重新随机施加与第一增强信号不同的增强操作组合，得到第二增强信号；

34、将第一增强信号和第二增强信号构建为第一类正样本对。

35、可选的，在本技术的一些实施例中，步骤s03中构建包含编码器与投影头的预训练网络架构；编码器为多尺度时序卷积网络，多尺度时序卷积网络包括并列的多个不同尺寸的时序卷积核，多个不同尺寸的时序卷积核包括用于提取声发射信号高频瞬态特征的第一尺寸卷积核，以及用于提取振动信号低频持续特征的第二尺寸卷积核；

36、其中，编码器还包括注意力模块，注意力模块用于对不同时间尺度的特征进行加权融合。

37、可选的，在本技术的一些实施例中，将平均值和比例，分别与预设的预警触发阈值进行比对，生成预警结果，具体包括：

38、当平均值超过第一阈值且比例超过预设比例阈值时，触发第一级预警；

39、当平均值超过第二阈值且比例超过预设比例阈值时，触发第二级预警；其中第二阈值大于第一阈值。

40、可选的，在本技术的一些实施例中，在步骤s4之后，还包括对神经网络模型的增量学习更新步骤：

41、将部署后的神经网络模型对实时数据的推理结果与最终是否发生崩塌的反馈信息进行关联，形成新增标注样本；

42、当新增标注样本数量达到预设阈值或到达固定更新时间间隔时，采用弹性权重巩固策略更新模型参数。

43、可选的，在本技术的一些实施例中，采用弹性权重巩固策略更新模型参数，具体包括：

44、获取新增标注样本；

45、获取步骤s06中微调阶段使用的标注样本，对微调阶段使用的标注样本中标注为前兆状态的样本赋予高于正常状态样本的采样权重，基于加权后的样本计算fisher信息矩阵，fisher信息矩阵用于衡量神经网络模型各参数对危岩体状态识别任务的重要性；

46、根据编码器中各网络层对危岩体前兆状态识别结果的贡献度，为不同网络层设置不同的层间放大系数，其中深层卷积层的放大系数高于浅层卷积层；

47、基于新增标注样本进行模型训练，以fisher信息矩阵与层间放大系数的乘积作为正则化约束强度，对重要性高于预设阈值的参数施加惩罚项，约束其在训练过程中的偏离历史值，完成模型参数更新。

48、（三）有益效果

49、本技术的一种基于声振信号与自监督表征学习的危岩崩塌前兆识别方法，通过对分布式声振监测数据进行滤波处理和滑动窗口切分，实现了对危岩体多源信号的有效去噪和标准化分段，为后续分析提供了高质量、时间对齐的数据基础；通提取时域、频域和时频域多维度特征并进行拼接与标准化处理，充分挖掘了声振信号中与危岩体结构状态变化相关的多层次信息，提升了模型对不同危岩状态的区分能力；通过将标准化特征向量输入自监督表征学习预训练的神经网络模型，使得模型能够从海量无标签声振数据中学习通用表征，显著降低了对昂贵人工标注样本的依赖，突破了低频灾害场景下前兆样本稀缺的训练瓶颈，提升了模型的泛化能力；通过以预设数量信号片段构成预警窗口，计算窗口内前兆状态概率的平均值及超阈值片段比例并与预警触发阈值比对，实现了基于连续时段综合判断的分级预警机制，避免了单一片段偶发高概率导致的误报，提升了预警的准确性和鲁棒性，能够为危岩崩塌灾害防控提供及时、可靠的技术支撑。