一种基于LSTM神经网络的煤矿冲击地压监测预警系统

一种基于lstm神经网络的煤矿冲击地压监测预警系统
技术领域
1.本发明属于煤矿灾害监测预警技术领域，尤其涉及一种基于lstm神经网络的煤矿冲击地压监测预警系统。


背景技术：

2.冲击地压是指地下开采的深部或构造应力很高的区域，在煤岩体中发生突发式破坏的现象，这种现象也称为岩爆。发生的原因是煤岩体积聚的应变能突然而猛烈地全部释放，致使煤岩体发生像爆炸一样的脆性断裂。冲击地压造成大量煤岩体崩落，并产生巨大声响和气浪冲击，不但可将井下巷道和采煤工作面破坏，而且震动波可危及地面建筑物。
3.冲击地压的监测预警是冲击地压防治的基础，是指导各类防治措施的实施准则。目前现有的预警方法包括：冲击危险静态预测方法和冲击危险动态预测方法；冲击危险静态预测方法为：在冲击地压煤层开采前，利用地质条件、开采设计、采掘布局、煤岩体物理力学性质等静态的预测方法辨识冲击危险区域。其中具有代表性的方法包括基于采矿与地质因素的综合指数法、以采动应力和煤层冲击倾向性为主要指标的可能性指数诊断法、以断裂构造形式与煤岩特性等为主要判据的地质动力区划法、基于数量化理论的评价方法、多种影响因素区域叠加的多因素耦合法；其中综合指数法是《防治煤矿冲击地压细则》中明确优先采用的预测方法，冲击危险预测方法广泛应用于矿井设计和开拓准备阶段的冲击危险早期评估，对冲击地压危险区域的预卸压和安全采掘起到了积极指导作用，但均是非定量化冲击危险评价方法，评价结果受人为因素影响大，而且未考虑时间效应，不适用于生产阶段的冲击危险实时动态预警。冲击危险动态预测方法为：采用应力监测、微震监测、地音监测、电磁辐射监测等应力场、震动场监测，实现冲击危险多维空间、多源信息的系统化综合监测预警。但目前的冲击危险动态预测方法存在均采用单一指标监测，而冲击地压是由多个方面共同作用的结果，进而采用单一指标监测难以准确识别冲击破坏前兆信息，无法在事故形成的初期就能够及时发现。并且，现有的预警方法均无法实现，预测数据的未来发展趋势，在监测数据发生异常的初期就及时发出预警信息。


技术实现要素：

4.为解决上述问题，本发明提供一种基于lstm神经网络的煤矿冲击地压监测预警系统，对监测数据的未来时间段的发展变化进行预测，通过预知数据的未来变化能够提前预警事故的来临情况，进而提前做好防范准备或避免事故的发生。
5.为实现上述目的，本发明提供了一种基于lstm神经网络的煤矿冲击地压监测预警系统，包括：数据采集模块、数据处理模块、预警模块、电源模块和移动终端；
6.所述数据采集模块用于采集冲击地压的监测数据；
7.所述数据处理模块用于对所述监测数据进行处理识别；
8.所述预警模块根据所述数据处理模块的识别结果发出预警信息；
9.所述电源模块用于将煤矿下的震动能转化为电能，为所述采集模块供电；
10.所述移动终端用于接收所述预警信息。
11.可选地，所述数据采集模块包括：震动采集单元、应力采集单元和能量采集单元；
12.所述震动采集单元用于采集所述冲击地压的震动场数据，所述震动场数据包括：活动度、地音数据和电磁辐射数据；
13.所述应力采集单元用于采集所述冲击地压的应力场数据；所述应力场数据包括：钻屑数据、应力值和震动波波速；
14.所述能量采集单元用于采集所述冲击地压的能量场数据；所述能量场数据包括：冲击变形能。
15.可选地，所述数据处理模块包括：训练单元、预测单元和识别单元；
16.所述训练单元用于训练神经网络模型；
17.所述预测单元用于将实时采集的所述监测数据，输入至训练后的所述神经网络模型中，获得预测的未来监测数据；
18.所述识别模块用于识别实时采集的所述监测数据和所述未来监测数据，获取对应的风险状态。
19.可选地，所述训练单元包括：获取子单元、构建子单元、训练子单元和验证子单元；
20.所述获取子单元用于获取冲击地压的历史监测数据，基于所述历史监测数据建立数据集，并将所述数据集划分为训练集和测试集；
21.所述构建子单元用于构建lstm神经网络；
22.所述训练子单元用于根据所述训练集对所述lstm神经网络进行训练，获得初始神经网络模型；
23.所述验证子单元根据所述测试集对所述初始神经网络模型进行验证，获得所述神经网络模型。
24.可选地，所述lstm神经网络包括：输入层、隐藏层和输出层；
25.所述输入层用于输入所述历史监测数据；
26.所述隐藏层用于迭代数据特征；
27.所述输出层用于输出未来时间段的监测数据。
28.可选地，所述预警模块用于根据不同的所述风险状态，发出对应不同等级的所述预警信息。
29.可选地，所述电源模块包括：压电发电单元和能量存储单元；
30.所述压电发电单元，用于收集煤矿中的震动能量，将所述震动能量转化为电能，提供给所述数据采集模块；
31.所述能量存储单元，用于收集存储所述压电发电单元剩余的电能，在所述压电发电单元发生故障时，仍能为所述数据采集模块提供电能。
32.可选地，所述训练单元中训练所述神经网络模型还包括：
33.将实时采集的所述监测数据放入到所述数据集中，实时更新所述数据集；
34.通过实时采集的所述监测数据来验证所述预测单元的预测结果。。
35.与现有技术相比，本发明具有如下优点和技术效果：
36.本发明从冲击地压的形成原理出发，全面的采集造成冲击地压的生成的参数数据，建立多参量预警指标体系，极大地保障了预警结果的准确性；通过构建神经网络模型，
对监测数据的未来时间段的发展变化进行预测，通过预知数据的未来变化能够提前预警事故的来临情况，进而提前做好防范准备或避免事故的发生；通过电源模块将震动能转化为电能，持续不断地为数据采集模块供电，保障了数据采集的全天候持续有效性，更加保障了煤矿的安全。
附图说明
37.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
38.图1为本发明实施例的一种基于lstm神经网络的煤矿冲击地压监测预警系统结构示意图。
具体实施方式
39.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
40.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
41.实施例
42.如图1所示，本实施例中提供一种基于lstm神经网络的煤矿冲击地压监测预警系统，包括：数据采集模块、数据处理模块、预警模块、电源模块和移动终端；
43.所述数据采集模块用于采集冲击地压的监测数据；
44.所述数据处理模块用于对所述监测数据进行处理识别；
45.所述预警模块根据所述数据处理模块的识别结果发出预警信息；
46.所述电源模块为所述采集模块提供电能；
47.所述移动终端用于接收所述预警信息。
48.进一步地，所述数据采集模块包括：震动采集单元、应力采集单元和能量采集单元；
49.所述震动采集单元用于采集所述冲击地压的震动场数据，所述震动场数据包括：活动度、地音数据和电磁辐射数据；
50.所述应力采集单元用于采集所述冲击地压的应力场数据；所述应力场数据包括：钻屑数据、应力值数据和震动波波速；
51.所述能量采集单元用于采集所述冲击地压的能量场数据；所述能量场数据包括：冲击变形能。
52.在本实施例中，通过采集应力场、震动场和能量场能够全面的监测冲击地压的形成过程，冲击地压的生成为上述三个方面共同作用的结果；通过综合分析微震、地音、电磁辐射、应力以及双震源一体化ct反演等系统的预警特征，提取了应力场指标(钻屑指标、应力值、震动波波速、矿压危险系数等)、震动场指标(活动度、地音预警指数、趋势变化率等)以及能量场指标(能量积聚释放冲击变形能等)，并构建了“三场”多参量预警指标体系。
53.进一步地，所述数据处理模块包括：训练单元、预测单元和识别单元；
54.所述训练单元用于训练神经网络模型；
55.所述预测单元用于将实时采集的所述监测数据，输入至训练后的所述神经网络模型中，获得预测的未来监测数据；
56.所述识别模块用于识别实时采集的所述监测数据和所述未来监测数据，获取对应的风险状态。
57.进一步地，所述训练单元包括：获取子单元、构建子单元、训练子单元和验证子单元；
58.所述获取子单元用于获取冲击地压的历史监测数据，基于所述历史监测数据建立数据集，并将所述数据集划分为训练集和测试集；
59.所述构建子单元用于构建lstm神经网络；
60.所述训练子单元用于根据所述训练集对所述lstm神经网络进行训练，获得初始神经网络模型；
61.所述验证子单元根据所述测试集对所述初始神经网络模型进行验证，获得所述神经网络模型。
62.进一步地，所述lstm神经网络包括：输入层、隐藏层和输出层；
63.所述输入层用于输入所述历史监测数据；
64.所述隐藏层用于迭代数据特征；
65.所述输出层用于输出未来时间段的监测数据。
66.进一步地，所述训练单元中训练所述神经网络模型还包括：
67.将实时采集的所述监测数据放入到所述数据集中，实时更新所述数据集；
68.通过实时采集的所述监测数据来验证所述预测单元的预测结果。
69.在本实施例中，构建神经网络模型选用lstm神经网络，lstm(long short-term memory，长短期记忆网络)是一种时间循环神经网络，是为了解决rnn存在的梯度消失和梯度爆炸问题而专门设计出来的。与rnn相比，lstm具有独特的设计结构，其在隐藏层增加了输入门、输出门和遗忘门(三个门可以让信息选择式通过)，并且使用记忆态单元来存储和处理长时间序列信息，其中记忆门用来选择忘记过去某些信息，输入门用来记忆现在的某些信息，信息通过输入门和记忆门将过去与现在的记忆进行合并，输出门最后输出信息。因此，lstm非常适合于处理和预测时间序列中间隔和延迟非常长的重要事件。
70.训练后获得的神经网络模型可以对监测的参数数据进行短期、中期或长期的未来趋势预测，不过预测的未来时间越长，对应的误差也会增大。
71.其中，lstm神经网络包含输入层、隐藏层和输出层，其中输入层输入训练数据；隐藏层迭代学习时间序列数据的短程和长程语义特征；输出层输出预测结果。lstm网络参数包括学习率、迭代次数、stepsize等，其中关键网络参数stepsize取值1-24之间，具体取值依据环境参数训练数据规模和实际条件与需求而定。
72.当stepsize＝1时，标注处理方式为以第n x时刻的监测参数数据作为第n时刻监测参数数据的标签；当stepsize＝2时，标注处理方式为以第n x时刻的监测参数数据作为第n和第n-1时刻监测参数数据的标签；当stepsize＝3时，标注处理方式为以第n x时刻的监测参数数据作为第n、n-1和n-2时刻监测参数数据的标签，其余依次类推，其中x为预测步长参数，其取大于等于0的任意整数。
73.预测步长参数x的取值大小与短、中和长期预测有关，若是短期预测则x取值应偏小，长期预测则x取值应偏大，中期预测则x介于上述两者之间。通过对预测步长参数x的调整，可以得到或近或远的未来时刻所对应的预测的未来监测数据。比如当x取值为3时(设定第n和第n 1时刻之间的时间跨度为4小时)，则神经网络模型能够得到12个小时后的未来监测数据；当x取值为24时，则神经网络模型能够得到96个小时后(即4天后)的未来监测数据，不过预测的未来时间越长，对应的误差也会增大。
74.数据集中的每一类监测数据均按照时间顺序进行排列，其中第n时刻的监测数据是指某一个时间段内的监测数据均值，而非一个时间点的监测数据值。不仅如此，所有时刻的监测数据对应的时间段均具有统一相同的区间大小。另外，第n和第n 1时刻(这里n取任意大于等于0的整数)，两者之间的时间跨度以2或4或6小时为宜。
75.每一类训练数据需要定期将最新的监测数据按时间顺序更新与补充到对应的训练数据里，从而可以保证数据的有效性和连续性。而每一类趋势预测的神经网络模型也需要在训练数据定期更新后进行重新训练和训练后的模型更新，这样可以保证每一类神经网络模型对未来趋势预测的准确性、可靠性和有效性。在本实施例中构建的神经网络模型包括应力场、震动场和能量场全部监测数据种类的神经网络模型，也可称之为每一种监测数据的趋势预测模型。
76.神经网络模型的训练流程如下：
77.所述lstm神经网络逐轮进行迭代训练，在每轮训练过程中，以第n、第n-1、
……
、第n
–
stepsize 1时刻的监测数据做为输入数据，并输出针对第n x时刻的未来监测数据，然后，将第n x时刻的未来监测数据与第n x时刻的实际监测数据进行匹配，若匹配误差不满足预定要求，则根据匹配误差对神经网络各神经单元权值参数进行修正调整,然后继续以第n、第n-1、
……
、第n
–
stepsize 1时刻的监测数据做为输入数据，开始下一轮的迭代训练，直至n x时刻的未来监测数据与第n x时刻的实际监测数据之间的匹配误差小于指定阈值，则神经网络模型训练完成。
78.进一步地，所述预警模块用于根据不同的所述风险状态，发出对应不同等级的所述预警信息。
79.进一步地，所述电源模块包括：压电发电单元和能量存储单元；
80.所述压电发电单元，用于收集煤矿中的震动能量，将所述震动能量转化为电能，提供给所述数据采集模块；
81.所述能量存储单元，用于收集存储所述压电发电单元剩余的电能，在所述压电发电单元发生故障时，仍能为所述数据采集模块提供电能。
82.在本实施例中，压电发电单元采用收集井下的震动能量并转化为电能的压电发电装置；能量存储单元采用本安型能量收集管理装置，其可包括：能量收集电路、锂电池充电电路、过压过流检测保护电路和稳压电路，能量收集电路与压电发电装置的输出端相连，锂电池充电电路与能量收集电路相连，用于将剩余能量存储在可充电锂电池中，能量收集电路的电压输出端连接稳压电路，稳压电路的输出端接入过压过流检测保护电路。本安型能量收集管理装置中加入可充电锂电池作为存储压电发电装置产生的剩余电能元件，通过锂电池充电保护芯片为锂电池进行充电，保护电池在充电过程中不被过度充电和在放电过程中不被过度放电，热敏电阻用于监测锂电池的温度防止电池的温度过高。在稳压电路的输
出端接入限流电路和电压检测电路。
83.本实施例通过有效地收集煤矿井下多方向的机械震动能量，通过压电转换装置将震动能量转换为电能，由本安型能量收集管理电路对压电转换装置产生的能量进行收集管理，将能量提供给数据采集节点工作，能量转化效率高，供电电压稳定，使用寿命长，降低维护成本，能够实现煤矿井下数据采集节点的全天候工作，保证煤矿井下的安全。
84.以上，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。