[發(fā)明專利]基于振動監(jiān)測技術(shù)的煤層沖擊危險性實時評估方法

有效

• 申請?zhí)枺?/td>: 202010099179.6
• 申請日: 2020-02-18
• 公開（公告）號: CN111325461B
• 公開（公告）日: 2022-03-08
• 發(fā)明（設(shè)計）人: 石永奎;趙敏敏;王新
• 申請（專利權(quán)）人: 山東科技大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06Q50/02;E21F17/18;G06N3/08
• 代理公司: 濟南金迪知識產(chǎn)權(quán)代理有限公司 37219
• 代理人: 段毅凡

1.一種基于振動監(jiān)測技術(shù)的煤層沖擊危險性實時評估方法，其特征在于，包括如下步驟：

第一步：樣本信號采集

對于每個開采階段水平，依據(jù)工作面布置和開采順序，對于初次開采到的沖擊地壓危險性等級為弱沖擊、中等沖擊或強沖擊的掘進工作面和回采工作面，分別利用鉆屑法對煤體鉆孔，鉆孔過程中從第一米開始每鉆孔一米后停止鉆進，收集鉆屑量數(shù)據(jù)，同步采集鉆進時鉆機的橫向和縱向振動信號；

第二步：樣本信號預(yù)處理

將步驟一采集到的每個等級的所有樣本信號中的振動信號，均通過時域分析分別統(tǒng)計每1米鉆孔對應(yīng)的橫向和縱向振動信號的6個振動指標波形指標、峰值指標、脈沖指標、裕度指標、峭度指標和均方根值，將6個橫向和6個縱向振動指標數(shù)據(jù)歸一化處理，同樣對相應(yīng)的鉆屑量數(shù)據(jù)也進行歸一化到處理，歸一化后的一組12個振動指標數(shù)據(jù)和一個鉆屑量數(shù)據(jù)構(gòu)成一個數(shù)據(jù)集，每個等級所有的數(shù)據(jù)集分別構(gòu)成各自的樣本數(shù)據(jù)庫；

第三步：確定最優(yōu)預(yù)測模型及參數(shù)

將每個等級采集到的樣本數(shù)據(jù)庫分別按80％和20％的比例劃分為訓練集和測試集，振動指標數(shù)據(jù)作為預(yù)測模型的輸入，鉆屑量作為預(yù)測模型的輸出；具體方法為：

3.1：采用多元線性回歸模型對鉆屑量進行預(yù)測,得到最優(yōu)的模型評價指標值；

對訓練集進行多元線性回歸擬合，得到包含有振動指標和鉆屑量變量的擬合方程，再將測試集的振動指標數(shù)據(jù)代入到得到的擬合方程，求出對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值分別計算得到最優(yōu)的模型評價指標值，即均方根誤差RMSE、決定系數(shù)R²、方差占比VAF值；

3.2：采用神經(jīng)網(wǎng)絡(luò)模型對鉆屑量進行預(yù)測，得到最優(yōu)的模型評價指標值，同時確定神經(jīng)網(wǎng)絡(luò)模型的主要參數(shù)；

3.2.1、對于神經(jīng)網(wǎng)絡(luò)的輸入維度，12個振動指標數(shù)據(jù)全部作為神經(jīng)網(wǎng)絡(luò)的輸入，即神經(jīng)網(wǎng)絡(luò)的輸入維度為12；

3.2.2、神經(jīng)網(wǎng)絡(luò)的隱含層設(shè)置為1層；

3.2.3、采用試錯法確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)的學習率、動量系數(shù)、激活函數(shù)；

3.2.4、為了充分對比不同隱含層節(jié)點數(shù)對神經(jīng)網(wǎng)絡(luò)的預(yù)測性能的影響，設(shè)置對照試驗，設(shè)置不同的隱含層節(jié)點數(shù)量為15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100；

3.2.5、對訓練集進行訓練后得到訓練集對應(yīng)的鉆屑量預(yù)測值，將測試集的振動指標數(shù)據(jù)輸入訓練后的神經(jīng)網(wǎng)絡(luò)，得到測試集對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值；分別對訓練集和測試集得到的模型評價指標進行排序；排序原則為：越小的RMSE值、越大的R²和VAF值獲得的排序序號值越大；將訓練集和測試集的三個模型評價指標排序序號值分別進行相加，得到三個指標的總排序序號值,最大的總排序序號值即為最優(yōu)的模型評價指標值，以此來確定最優(yōu)的隱含層節(jié)點數(shù)，進而確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)；

3.3：采用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對鉆屑量進行預(yù)測，該優(yōu)化也就是采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則采用步驟3.2中確定的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，從而確定遺傳算法的主要參數(shù)，最終得到最優(yōu)的模型評價指標值：

3.3.1、采用試錯法確定最優(yōu)的變異概率和交叉概率參數(shù)；

3.3.2、對于種群數(shù)量，設(shè)置對照試驗，分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.5中的排序原則，確定最優(yōu)的種群數(shù)量；

3.3.3、最大迭代次數(shù)的確定，設(shè)置對照試驗，種群數(shù)量分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對訓練集進行訓練，記錄訓練集對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值計算訓練集的模型評價指標RMSE值，對于所有的種群數(shù)量相應(yīng)的RMSE值不再繼續(xù)降低的最大迭代次數(shù)即為遺傳算法最優(yōu)的最大迭代次數(shù)；

3.3.4、采用步驟3.3.1、步驟3.3.2和步驟3.3.3中確定的最優(yōu)遺傳算法參數(shù)，再次對訓練集和測試集分別進行5次訓練和5次測試，分別記錄訓練集和測試集對應(yīng)的鉆屑量預(yù)測值，根據(jù)訓練集和測試集鉆屑量預(yù)測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.5中的排序原則，確定5次結(jié)果中最優(yōu)的模型評價指標值；

3.4：采用種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對鉆屑量進行預(yù)測，該優(yōu)化采用種群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用步驟3.2中確定的最優(yōu)的參數(shù)，從而確定種群算法的主要參數(shù)，最終得到最優(yōu)的模型評價指標值：

3.4.1、采用試錯法確定最優(yōu)的自適應(yīng)參數(shù)c_1,c₂和慣性因子參數(shù)；

3.4.2、對于種群數(shù)量，設(shè)置對照試驗，分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.5中的排序原則，確定最優(yōu)的種群數(shù)量；

3.4.3、最大迭代次數(shù)的確定，設(shè)置對照試驗，種群數(shù)量分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對訓練集進行訓練，記錄訓練集對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值計算訓練集的模型評價指標RMSE值，對于所有的種群數(shù)量相應(yīng)的RMSE值不再繼續(xù)降低的最大迭代次數(shù)即為種群算法最優(yōu)的最大迭代次數(shù)；

3.4.4、采用步驟3.4.1、步驟3.4.2和步驟3.4.3中確定的最優(yōu)種群算法參數(shù)，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.5中的排序原則，確定最優(yōu)的模型評價指標值；

3.5：采用帝國競爭算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對鉆屑量進行預(yù)測，該優(yōu)化采用帝國競爭算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用步驟3.2中確定的最優(yōu)的參數(shù)，確定種群算法的主要參數(shù)，最終得到最優(yōu)的模型評價指標值，：

3.5.1、采用試錯法確定最優(yōu)的隨機數(shù)β、偏移方向θ和殖民地影響因子ξ參數(shù)；

3.5.2、對于總國家數(shù)量，設(shè)置對照試驗，分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國數(shù)量為50，最大迭代次數(shù)設(shè)置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.5中的排序原則，確定最優(yōu)的總國家數(shù)量；

3.5.3、對于帝國主義國家數(shù)量，設(shè)置對照試驗，分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，總國家數(shù)量設(shè)置為b中確定的最優(yōu)總國家數(shù)量，最大迭代次數(shù)設(shè)置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.5中的排序原則，確定最優(yōu)的帝國主義國家數(shù)量；

3.5.4、最大迭代次數(shù)的確定，設(shè)置對照試驗，總國家數(shù)量分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國主義國家數(shù)量設(shè)置為3.5.3中確定的最優(yōu)帝國主義國家數(shù)量，最大迭代次數(shù)設(shè)置為1000，對訓練集進行訓練，記錄訓練集對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值計算訓練集的模型評價指標RMSE值，對于所有的總國家數(shù)量相應(yīng)的RMSE值不再繼續(xù)降低的最大迭代次數(shù)即為帝國競爭算法最優(yōu)的最大迭代次數(shù)；

3.5.5、采用步驟3.5.1到步驟3.5.4確定的最優(yōu)帝國競爭算法參數(shù)，再次對訓練集和測試集分別進行5次訓練和5次測試，分別記錄訓練集和測試集對應(yīng)的鉆屑量預(yù)測值，根據(jù)鉆屑量預(yù)測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.5中的排序原則，確定5次結(jié)果中最優(yōu)的模型評價指標值；

3.6：對步驟3.1-3.5獲得的多元線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、帝國競爭算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型獲得的最優(yōu)模型評價指標進行對比，同樣利用步驟3.2.5中的排序原則，最終確定最優(yōu)的模型評價指標值，進而確定最優(yōu)的鉆屑量預(yù)測模型及參數(shù)，從而獲得各個沖擊地壓危險性等級下的最優(yōu)的鉆屑量預(yù)測模型及參數(shù)；

第四步：沖擊危險性快速實時評估

當開采到下一個相同沖擊地壓危險性等級工作面時，僅對預(yù)評估的工作面煤體進行鉆孔作業(yè)和采集每米鉆機振動信號，不記錄鉆屑量，采集的鉆機振動信號采用第二步中的信號預(yù)處理得到歸一化后振動指標數(shù)據(jù)，再利用最優(yōu)預(yù)測模型對歸一化后的振動指標數(shù)據(jù)進行分析，預(yù)測出相對應(yīng)的鉆屑量；將預(yù)測得的鉆屑量與事先設(shè)定的鉆屑量臨界值進行對比，進而對沖擊危險性等級進行評定；

第五步：在開采進入下一個階段水平時，重復(fù)步驟一至步驟四。