一种基于时间序列数据的神经网络冲击地压预测方法

摘要

本发明涉及一种基于时间序列数据的神经网络冲击地压预测方法，通过矿山数据采集设备采集冲击地压数据，并对主要影响因素进行量化处理；将量化后的数据进行标准化后加入随机噪声；通过滑动窗口方法截取定量的时间窗口来构建样本数据；通过随机采样方法对时间窗口数据划分训练集，验证集；利用训练集数据对建立的神经网络进行训练，并使用验证集测试网络性能对网络参数进行调整；利用训练得到的神经网络模型对矿井的冲击地压进行预测得到危险预警信息。本发明可靠性较高，提出了通过时间序列数据训练神经网络，克服了冲击地压预测受短时数据限制的问题，实现了冲击地压长期动态预测，可以有效进行冲击地压灾害预警。

权利要求

1.一种基于时间序列数据的神经网络冲击地压预测方法，其特征在于：所述预测方法包括以下步骤：步骤1：通过采集矿山长期数据，获取矿山微震数据；

步骤2：对步骤1中的部署在矿山的微震传感器节点采集的矿山微震数据进行量化处理，再进行标准化后加入随机高斯噪声，得到具有一定随机性扰动的矿山微震数据样本，其中微震数据总量为X；

步骤3：利用步骤2中得到的具有一定随机性扰动的矿山微震数据样本，进行滑动窗口截取，每Z条矿山微震数据截取一次，作为一个时间窗口数据，用以描述在Z时间窗口尺度下的矿山微震的变化特征，共计截取X‑Z组时间窗口数据，构成微震时间窗口数据集T，用以描述在Z大小时间窗口中微震数据的变化趋势，共计记录X‑Z次，并对记录的数据根据真实冲击地压情况设置样本标签；

步骤4：对步骤3中截取的X‑Z组用以描述在时间窗口尺度Z下矿山微震数据变化特征数据进行随机采样，生成训练数据与验证数据；

步骤5：利用步骤4生成的训练数据训练神经网络模型，实现方法为：

(1)确定神经网络模型输入层节点数与时间窗口大小相同，输出节点由于冲击地压的真实情况为发生与未发生设置为2个，训练轮次根据训练情况设置在100‑200轮，学习率设置为0.01‑0.02，验证结果阈值设置为0.9‑0.95；

(2)使用凯明初始化方法对神经网络模型隐含层与输入层之间连接权重以及隐含层，隐含层与隐含层之间连接权重和输出层之间连接权重进行初始化，使得初始化后的权重符合正态分布，方便进行下一步使用训练集训练神经网络模型；

(3)将时间窗口训练集中的样本输入神经网络模型，确定神经网络模型的输出；

(4)通过使用交叉熵函数计算神经网络模型输出，与根据冲击地压真实情况设置的样本标签之间的交叉熵损失，用于之后的反向传播；

(5)每轮训练结束后，使用验证集对神经网络模型进行评估，如果验证结果达到验证结果阈值则停止训练，如未达到则使用反向传播算法与Adam优化器更新网络权重；

(6)通过验证效果判断神经网络是否达到饱和，如未达到则重复步骤(3)至步骤(5)；

步骤6：使用步骤4生成的验证数据对步骤5训练得到的神经网络模型进行验证，验证准确率达到设定阈值F，则进行步骤7，未达到设定阈值F，则重复步骤5；

步骤7：利用步骤5训练得到的神经网络模型对矿井微震数据进行预测，获得矿井冲击地压预警情况。

2.根据权利要求1所述的一种基于时间序列数据的神经网络建模冲击地压预测方法，其特征在于：所述步骤3中，滑动窗口的方法为：步骤2中总量为X微震数据，从第一个总量为X微震数据的首个微震数据记录节点开始的数据x1开始作为起点，向后取Z条数据，此Z条数据即为一个时间窗口，从第一个数据到xZ为第一个时间窗口数据t1＝(x1,x2,…,xZ)，第二个时间窗口数据t2＝(x2,x3,…,xZ+1)，同理从总量为X的微震数据中截取共X‑Z组时间窗口数据，构成时间窗口数据集T，用以描述在Z大小时间窗口中微震数据的变化趋势，共计记录X‑Z次，并对记录的数据根据真实冲击地压情况设置样本标签。

说明书

一种基于时间序列数据的神经网络冲击地压预测方法

技术领域

[0001] 本发明涉及一种矿山冲击地压预测方法，特别是一种基于时间序列数据的神经网络的冲击地压预测方法。

背景技术

[0002] 当矿山开采到一定深度时，由于矿下条件的地应力、环境扰动、采动应力以及结构应力而产生的冲击地压是矿山压力的一种特殊表现形式。在冲击地压的发生的过程中，矿山矿体发生剧烈粉碎，抛入巷道对矿山支架，工作面造成破坏，并时常发生人员伤亡事故。目前，我国大多数矿井均存在不同程度的冲击地压威胁。

[0003] 对于冲击地压的研究主要侧重分析其形成机理，研究其预测预报方法。而各种预测方法则需针对具体地质条件，通过理论联系实际方法来对冲击地压进行预测预报。目前，除了经验类比法外，冲击地压的预测方法可分为以下两大类：一是以钻屑法为主的局部探测法，主要用于探测采掘局部区段的冲击危险程度。但其预测工作在时空上不具有连续性。二是系统监测法，主要有微震、地音及地球物理系统监测方法。原理是通过连续监测矿体内出现的动力现象来预测冲击地压的危险级别，所依据的基本条件是岩体结构的破坏过程，可以被视为动力破坏的前兆。此类方法尽管将离散的矿压数据集合为具有时空连续性的数据，但数据本身具有极其复杂的非线性关系，故通过其进行分析数据判断矿体的力学状态难度较大。

[0004] 近年来，人工智能方法被普遍的应用到冲击地压的预测中，如利用混沌时间序列方法来预测冲击地压，采用灰色理论建立了冲击地压预测模型。然而，通过大量的实证研究表明，上述方法并未很好解决冲击地压动态预测问题。这是因为，冲击地压与岩体深度、岩体厚度、岩体间距、日进度和日产量等多种因素密切相关，而这些影响因素又存在复杂的非线性关系。传统方法无法准确对冲击地压进行预测。重庆大学陈洁等人提出通过机器学习方法对冲击地压进行预测，贵州大学毕娟等提出通过使用R型因子Fisher判别对冲击地压危险等级进行预测，辽宁工程大学温廷新等人提出通过基于预处理的AFOA‑ELM的方法用于预测冲击地压，上述方法虽能对某一时刻的冲击地压危险进行预测，但都未从时间刻度的变化趋势研究冲击地压的发展趋势，无法根据冲击地压的实时变化做出实时判断。

[0005] 本发明通过结合时间窗口数据，通过神经网络模型学习时间窗口冲击地压数据的内在联系，并对冲击地压危险进行预测。

发明内容

[0006] 本发明技术解决问题：克服了目前冲击地压预测过程中无法充分利用现有复杂非线性矿压数据，提供一种基于时间序列数据的神经网络冲击地压动态预测方法，可靠性高，实现冲击地压中长期动态预测。

[0007] 本发明采取以下技术方案：一种基于时间序列数据的神经网络冲击地压动态预测方法，所述预测方法包括以下步骤：

[0008] 1)通过采集矿山长期数据，获取矿山微震数据；

[0009] 2)对1)中通过部署在矿山的微震传感器节点采集的矿山微震数据进行量化处理，再进行标准化后加入随机高斯噪声，得到具有一定随机性扰动的矿山微震数据样本，其中微震数据总量为X；

[0010] 3)利用步骤2生成的具有一定随机性扰动的矿山微震数据样本，通过滑动窗口的方法，截取进行滑动窗口截取方法，每Z条矿山微震数据截取一次，作为一个时间窗口数据，用以描述在Z时间窗口尺度下的矿山微震的变化特征，共计截取X‑Z组时间窗口数据，构成微震时间窗口数据集T，用以描述在Z大小时间窗口中微震数据的变化趋势，共计记录X‑Z次，并对记录的数据根据真实冲击地压情况设置样本标签；

[0011] 4)对步骤3)中截取的X‑Z组用以描述在时间窗口尺度Z下矿山微震数据变化特征数据进行随机采样，生成训练数据与验证数据；

[0012] 5)利用4)生成的训练数据训练神经网络模型；

[0013] 6)使用4)生成验证数据对5)训练得到的神经网络模型进行验证，验证准确率达到设定阈值F，验证准确率达到设定阈值F，则进行步骤7，未达到设定阈值F，则重复5)；

[0014] 7)利用步骤5训练得到的神经网络模型对矿井微震数据进行预测，获得矿井冲击地压预警情况。

[0015] 所述步骤2)中，所述标准化方法为：(1)对所取微震数据(x1，x1，…，xN)构成数据集合X的求得平均值为 标准差为 (2)对第i个数据进行z‑score标准化(zero‑mean normalization)后 (3)同理对微震数据集X中所有数据进行z‑
score标准化。

[0016] 所述步骤3)中，所述滑动窗口方法为：步骤2)中经过标准化与添加噪声后的标准数据集X，从第一个数据x1开始作为起点，取窗口大小为Z，从第一个数据到xZ为第一个时间窗口数据t1＝(x1，x2，…，xZ)，第二个时间窗口数据t2＝(x2，x3，…，xZ+1)，同理类推从数据集X中截取共N‑Z个时间窗口数据，构成时间窗口数据集T。

[0017] 所述步骤4)中，所述随机采样方法为：(1)将步骤3)生成的时间窗口数据集T等分为K份；(2)在每次训练时，从K份时间窗口数据集中随机抽取K‑1份作为训练集，1份作为验证集。

[0018] 所述步骤5)中，所述训练方法为：(1)确定神经网络模型输出节点由于冲击地压的真实情况为发生与未发生设置为2个，输入节点数与时间窗口大小相同，共具有6层网络结构，其中第二层节点数为100，第三层节点数为100，第四层节点节点数为50，第五层节点数为10，训练轮次根据训练情况设置在100‑200轮，学习率设置为0.01‑0.02，验证结果阈值设置为0.9(2)进一步地，使用凯明初始化方法对神经网络模型隐含层与输入层之间连接权重以及隐含层，隐含层于隐含层之间连接权重和输出层之间连接权重进行初始化，使得初始化后的权重符合正态分布，便于后续进行反向传播计算；(3)进一步地，将时间窗口训练集中的样本输入神经网络模型，确定神经网络模型的输出；(4)进一步地，通过使用交叉熵函数计算神经网络模型输出，与根据冲击地压真实情况设置的样本标签之间的交叉熵损失；(5)进一步地，每轮训练结束后，使用验证集对神经网络模型进行评估，如果验证结果达到验证结果阈值则停止训练，如未达到则使用反向传播算法与Adam优化器更新网络权重；(6)进一步地，通过验证效果判断神经网络是否达到饱和，如未达到则重复重复步骤(3)至步骤(6)

[0019] 本发明由于采用上述技术方案，其具有以下优点：

[0020] (1)本发明首先通过长期监控矿下数据，采集矿山微震数据，通过滑动窗口方法获取时间窗口数据，保留了微震数据在时间刻度上的相关性；

[0021] (2)本发明通过利用时间窗口数据训练神经网络以挖掘时间窗口数据中蕴含的复杂非线性关系，最后利用该模型对矿井未来一段时间的冲击地压情况做出预测，由于神经网络层与层之间具有非线性激活函数，能够挖掘出时间窗口中隐藏的非线性关系，克服其他物理因素的干扰。因此，利用本发明对矿井冲击地压进行动态预测，精度高，预测过程蕴含物理意义，为矿山预防冲击地压危险，提供技术支撑。本发明可以广泛应用于矿山冲击地压预测领域。

附图说明

[0022] 图1是本发明方法基本原理示意图；

[0023] 图2是本发明基于时间序列数据的神经网络冲击地压预测流程图；

[0024] 图3是本发明的多层神经网络结构示意图；

[0025] 图4是本发明在真实矿下冲击地压数据中的测试结果示意图。

具体实施方式

[0026] 下面结合附图和实施例对本发明进行详细的描述。

[0027] 如图1、2所示，本发明一种基于时间序列数据的神经网络冲击地压预测方法，其步骤如下：

[0028] 1)通过矿山长期数据采集获取矿山近一年微震数据；

[0029] 2)对步骤1)中的采集的数据进行量化处理，并对其进行标准化后加入随机高斯噪声；

[0030] 其中，标准化方法如下：

[0031] 对所取近一年微震数据(x1，x1，…，xN)构成数据集合X的求得平均值为标准差为 对第i个数据进行z‑score标准化(zero‑mean normalization)后同理对微震数据集X中所有数据进行z‑score标准化。

[0032] 3)利用步骤2)生成的数据，通过滑动窗口方法，截取每Z条数据作为一个时间窗口数据；

[0033] 其中，滑动窗口方法如下：

[0034] 步骤2)中经过标准化与添加噪声后的标准数据集X，从第一个数据x1开始作为起点，取窗口大小为Z，从第一个数据到xZ为第一个时间窗口数据t1＝(x1，x2，…，xZ)，第二个时间窗口数据t2＝(x2，x3，…，xZ+1)，同理类推从数据集X中截取共N‑Z个时间窗口数据，构成时间窗口数据集T。

[0035] 4)对步骤3)生成的全部时间窗口数据进行随机采样，生成Q组训练数据，P组验证数据；

[0036] 其中，随机采样方法如下：

[0037] 将步骤3)生成的时间窗口数据集T等分为K份；在每次训练时，从K份时间窗口数据集中随机抽取K‑1份作为训练集，1份作为验证集。

[0038] 5)利用步骤4)生成的训练数据训练神经网络模型；使用步骤4)生成的P组验证数据对训练得到的神经网络模型进行验证，验证准确率达到设定阈值F，则进行步骤6)，未达到设定阈值Z，则重复步骤5)；

[0039] 其中，训练方法如下：

[0040] (1)定神经网络模型输出节点由于冲击地压的真实情况为发生与未发生设置为2个，输入节点数与时间窗口大小相同，共具有6层网络结构，其中第二层节点数为100，第三层节点数为100，第四层节点节点数为50，第五层节点数为10，训练轮次根据训练情况设置在100‑200轮，学习率设置为0.01‑0.02，验证结果阈值设置为0.9；

[0041] (2)使用凯明初始化方法对神经网络隐含层与输入层之间连接权重以及隐含层，隐含层于隐含层之间连接权重和输出层之间连接权重进行初始化，使得初始化后的权重符合正态分布；

[0042] (3)将时间窗口训练集中的样本输入神经网络，确定网络的输出；

[0043] (4)通过使用交叉熵函数计算网络的网络输出，与真实标签之间的交叉熵损失；

[0044] (5)每轮训练结束后，使用验证集对网络进行评估，如果验证结果达到验证结果阈值则停止训练，如未达到则使用反向传播算法与Adam优化器更新网络权重；

[0045] (6)判断训练轮次是否达到最大训练轮次，如未达到则重复上述过程。

[0046] (7)利用步骤5)及步骤6)训练得到的神将网络算法模型对矿井微振数据进行预测，获得矿井冲击地压预警情况。

[0047] 本发明的效果可用以下真实的冲击地压数据集展示。为了评估上述方法的有效性，在真实的矿下冲击地压数据集设计了针对性实验。本实验提到的矿下冲击地压数据集包含从2019年2月10日至2020年4月1日的矿井冲击地压传感器采集的共计9588条微震数据，并通过本发明提出的滑动窗口方法对数据进行处理，划分训练集，验证集与测试集。如图4所示为本发明在测试集上的测试结果，图4上图为测试结果，图4下图为样本原始标签，当上方图像中数据超过引出线(概率超过0.5)时，神经网络会做出正反馈，即预测为发生冲击地压，可以看出测试结果与原始标签数据基本吻合。通过上述实验可以给出一个合理的观察：本发明是一种有效的冲击地压预测方法。

[0048] 上述各实施例仅用于说明本发明，各部分的参数是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对各部分参数的改进和等同变换，均不应排除在本发明的保护范围之外。