[發(fā)明專利]基于一維卷積神經(jīng)網(wǎng)絡的沖擊地壓發(fā)生情況可視化與分級預警方法

在審

• 申請?zhí)枺?/td>: 202110471206.2
• 申請日: 2021-04-29
• 公開（公告）號: CN113191545A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設計）人: 蘇樹智;謝玉麒
• 申請（專利權）人: 安徽理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/04;G06N3/08;G06Q50/02;G06Q50/26
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于一維卷積神經(jīng)網(wǎng)絡的沖擊地壓發(fā)生情況可視化與分級預警方法，包括：建立卷積神經(jīng)網(wǎng)絡模型；通過卷積神經(jīng)網(wǎng)絡模型預測某時刻沖擊地壓發(fā)生概率；通過圖像函數(shù)可視化預測結果，設定閾值，實現(xiàn)沖擊地壓發(fā)生分級預測。本發(fā)明通過卷積神經(jīng)網(wǎng)絡對從礦井收集到的沖擊地壓的能量數(shù)據(jù)進行特征學習，在計算機上實現(xiàn)了內(nèi)沖擊地壓發(fā)生情況的可視化，且通過設定閾值，實現(xiàn)了某時間段內(nèi)沖擊地壓的分級預警，實現(xiàn)沖擊地壓分析與預警的前提下，最大程度的降低方法的學習成本的經(jīng)濟成本，具有良好的經(jīng)濟效益和社會效益。

技術領域

本發(fā)明涉及到一種基于一維卷積神經(jīng)網(wǎng)絡的沖擊地壓發(fā)生情況可視化與分級預警方法，可實現(xiàn)某時間段內(nèi)礦井下沖擊地壓發(fā)生情況圖像化顯示，并通過設定閾值，實現(xiàn)沖擊地壓的分級預警，屬于沖擊地壓研究技術究領域。

背景技術

近年來，隨著煤礦開采行業(yè)的迅速發(fā)展，業(yè)界對于井下采礦的高效性和安全性的要求逐漸提升，其中對礦區(qū)生命財產(chǎn)安全造成極大威脅的沖擊地壓一直是被防范的重點。目前，傳統(tǒng)沖擊地壓的分析方法主要是基于感知器的物理系統(tǒng)檢測方法，其主要思想是通過探測局部地段的相關數(shù)據(jù)分析沖擊地壓的發(fā)生情況，但是，由于井下情況的多變性和探測設備部署限制，這些方法不能直接體現(xiàn)沖擊地壓的整體發(fā)生情況，難以達到理想的分析與預警效果。

基于計算機技術對沖擊地壓進行分析的方法現(xiàn)已逐漸成為研究的重點內(nèi)容，但現(xiàn)有的技術研究存在的技術問題包括：第一，與沖擊地壓相關數(shù)據(jù)復雜多變，這些影響因素存在著傳統(tǒng)方法難以分析的非線性關系；第二，采集到的數(shù)據(jù)形式與傳統(tǒng)的計算機分析方法不匹配，導致難以得出數(shù)據(jù)與沖擊地壓發(fā)生之間的關系；第三，現(xiàn)有方法對沖擊地壓的預測結果多為數(shù)據(jù)形式，不利于后續(xù)的分析工作。

因此，設計一種可行的基于卷積神經(jīng)網(wǎng)絡的沖擊地壓發(fā)生情況可視化與分級預警方法是至關重要的。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術問題是需要提供一種能夠通過從礦井搜集的沖擊地壓相關數(shù)據(jù)，來實現(xiàn)某時間段內(nèi)沖擊地壓發(fā)生情況的可視化，并進一步使用深度學習技術思想，實現(xiàn)沖擊地壓的分級預警的方法。

為實現(xiàn)上述目的，本發(fā)明提供一種基于一維卷積神經(jīng)網(wǎng)絡的沖擊地壓發(fā)生情況可視化與分級預警方法，包括以下步驟：

步驟S1，建立卷積神經(jīng)網(wǎng)絡模型；

步驟S2，通過卷積神經(jīng)網(wǎng)絡模型預測某時刻沖擊地壓發(fā)生概率；

步驟S3，通過圖像函數(shù)可視化預測結果，設定閾值，實現(xiàn)沖擊地壓發(fā)生分級預測。

進一步，所述步驟S1中建立卷積神經(jīng)網(wǎng)絡模型的方法包括如下步驟：

步驟S11，采集建立卷積神經(jīng)網(wǎng)絡網(wǎng)絡模型所需樣本數(shù)據(jù)；

所述樣本數(shù)據(jù)包括：一段時間內(nèi)礦井某深層位置沖擊地壓能量大小和發(fā)生情況標簽；

步驟S12，對采集到的能量數(shù)據(jù)進行標準化處理；

所述標準化處理包括：對所取得的能量數(shù)據(jù)(x₁,x₁,…,x_N)構成數(shù)據(jù)集合X的求得平均值為標準差為對所取得的的能量數(shù)據(jù)(x₁,x₁,…,x_N)中第i個數(shù)據(jù)進行z-score標準化處理；向標準化處理后的數(shù)據(jù)集加入高斯隨機噪聲；

步驟S13，使用隨機采樣方法從步驟S12中提出訓練集，驗證集；

所述隨機采樣方法包括：將步驟S12中經(jīng)過標準化處理后的數(shù)據(jù)集等分為K份，每次訓練時，從K份數(shù)據(jù)集中隨機抽取K-1份作為訓練集，1份作為驗證集；

步驟S14，使用步驟S13生成的訓練數(shù)據(jù)集訓練卷積神經(jīng)網(wǎng)絡，使用步驟S13生成的驗證對卷積神經(jīng)網(wǎng)絡訓練效果進行驗證，并調(diào)整參數(shù)。