融合空间知识的微震信号SMOTE识别方法及监测系统技术方案

本发明专利技术公开了一种融合空间知识的微震信号SMOTE识别方法及监测系统，实现对微震信号的分类，从而完成对冲击地压灾害更加准确及时的预警。首先，对源于SOS微震监测系统的微震数据进行数据格式转换和划分；其次，确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集；再次，根据训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成；最后，采用模型融合结构，实现融合空间知识的微震信号分类器学习。本发明专利技术充分利用微震信号的空间布局信息，挖掘具有强相关性的同类数据，减少不相关同类数据对过采样数据生成的影响，提高微震信号学习器的分类正确率和时效性，为冲击地压灾害及时有效预警提供更有力的支持。

【技术实现步骤摘要】
融合空间知识的微震信号SMOTE识别方法及监测系统
本专利技术涉及一种融合空间知识的微震信号SMOTE识别方法，属于机器学习与数据挖掘领域。
技术介绍
冲击地压是一种典型的煤矿动力灾害，严重威胁煤矿的高效生产和人员安全，因此，对冲击地压灾害的预警至关重要。冲击地压指在高应力作用下，聚集的能量突然释放，对煤岩体造成冲击，导致人员伤亡，建筑物破坏的现象。微震是采矿活动诱发的微地震，是煤岩介质在矿区应力作用下，聚集的弹性应变能突然释放，造成采掘空间周围岩体破裂的现象。因此，通过对微震信号分类，可以有效识别煤岩体状态，逐渐成为冲击地压预警的一种有效手段。目前，微震信号数据识别的方法主要有时频分析和机器学习方法两类。其中，时频分析能有效分析微震波形频谱特征。常用的时频分析方法包括：傅里叶变换、小波变换、小波包变换和频率切片小波变换，等。文献(曹安业,窦林名,秦玉红,等.高应力区微震监测信号特征分析[J].采矿与安全工程学报,2007,24(2):146-149.)利用傅里叶变换，得到矿山微震信号的幅频特征，为煤矿微震信号的初步辨识提供依据。文献(唐守锋,童敏明,潘玉祥,等.煤岩破裂微震信号的小波特征能谱系数分析法[J].仪器仪表学报,2011,32(7):1521-1527.)分析了微震信号与噪声信号的能量分布特征，提出采用小波能谱系数的方法，提取微震信号的特征信息。文献(赵国彦,邓青林,马举.基于FSWT时频分析的矿山微震信号分析与识别[J].岩土工程学报,2015,37(2):306-312.)采用频率切片小波变换，识别煤矿微震信号。时频域分析方法虽然可以有效分析煤矿微震信号频谱的特性，但是，由于每个传感器产生的数据量规模巨大，所以现场实时应用存在一定难度。因此，结合机器学习和计算机技术，实现大规模微震数据处理成为微震数据分析的一种新兴有效方法。文献(朱权洁,姜福兴,尹永明,等.基于小波分形特征与模式识别的矿山微震波形识别研究[J].岩土工程学报,2012,34(11):2036-2042.)将小波包与分形相结合，提取微震信号特征，并采用支持向量机实现微震信号分类。文献(VallejosJA,MckinnonSD.Logisticregressionandneuralnetworkclassificationofseismicrecords[J].InternationalJournalofRockMechanics&MiningSciences,2013,62(9):86-95.)应用逻辑回归和人工神经网络，对微震信号和爆炸信号实现分类。文献(DongL,WesselooJ,PotvinY,etal.DiscriminationofMineSeismicEventsandBlastsUsingtheFisherClassifier,NaiveBayesianClassifierandLogisticRegression[J].RockMechanicsandRockEngineering,2016,49(1):183-211.)采用Fisher分类器、朴素贝叶斯分类器和逻辑回归，分析矿山微震和爆炸事件发生的可能性。目前，微震信号的识别主要存在以下不足：煤矿微震信号受背景噪音、机械振动等环境因素影响，信噪比低，不同微震信号采集点获取的微震数据存在一定不平衡性，已有的微震监测系统，如：澳大利亚的IMS、加拿大的ESG和波兰的SOS系统存在自动识别效果差、分类准确率低且不稳定等问题。鉴于此，设计一种准确有效的煤矿冲击地压微震信号数据识别方法，对煤矿冲击地压灾害的监测及预警具有重要意义。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于融合空间知识的微震信号SMOTE识别方法及监测系统，达到提高总体识别准确率和解决微震信号数据在分类识别中的倾向性问题。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种融合空间知识的微震信号SMOTE识别方法，包括以下步骤：步骤1)，通过SOS微震监测系统采集微震数据并进行数据预处理，按照时间窗大小，划分微震检测数据集；步骤2)，根据步骤1时间窗大小划分微震检测数据集，得到时间窗内各个微震检波测量探头所采集的微震信号，并求各个微震检波测量探头所采集的微震信号的方差，根据时间窗内各个微震检波测量探头所采集的微震信号方差确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集；步骤3)，根据训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成；步骤4)，采用模型融合结构，实现融合空间知识的微震信号分类器学习。进一步地：还包括基于Python3.6软件平台，验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性。优选的：验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性的方法：首先，基于Python3.6软件平台，构建融合空间知识的微震信号SMOTE识别方法；其次，确定所提方法中的关键参数取值，包括l、K和基分类器中的训练参数；最后，实验验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性。优选的：所述步骤1中对SOS微震监测系统采集获得的微震数据以.w格式保存；采用专用软件SEISGR通过二进制流方式，将其转换为.asc格式的可读数据；进而，基于MATLAB软件平台，再将其转换为.csv格式的微震数据。优选的：所述步骤1中按照时间窗大小划分微震检测数据集的方法：将转化格式后的微震数据，按照时间窗T，分割为组采样数据，其中，tmax为采样微震数据的最大采样时间，T为时间窗大小。优选的：所述步骤2中确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集方法：步骤21)，记为第k组采样数据中第i个微震检波测量探头在第j个采样时刻获得的微震信号，其中，i＝1,2,…,N,j＝1,2,…,T,k＝1,2,…,J，N为微震检波测量探头个数，J为采样数据集规模；根据每组采样数据中所有有效微震信号所对应的微震检波测量探头与微震震源之间的空间距离d(oi,z)＝||oi-z||2，计算该组微震检测信号的能量值ek，记为：ek＝λ(rk)q(1)其中，q和λ为预先设定的常数，oi和z分别为微震检波测量探头的空间位置和微震震源的空间位置，则：其中，rk表示第第k组采样数据中所有非零的有效微震信号所对应的微震检波测量探头与微震震源之间的最大空间距离；步骤22)，以104J为能量分界点，满足ek＞104J的微震信号，标记为强微震信号，即yk＝0；满足ek≤104J的微震信号，标记为弱微震信号，即yk＝1；步骤23)，针对第k组采样数据，计算每个微震检波测量探头在时间窗内所采集微震信号的平均值和方差分别为：步骤24)，对第k组采样数据中，各个微震检波测量探头所采样数据依方差升序排列；若第k组采样数据标记为强微震信号，则选取前l个微震检波测量探头所获得的微震信号，l<N，作为空间相关小类训练样本，构成小类样本集对于标记为弱微震信号的第k组采样数据，选取后l个微震检波测量探头所采样的微震信号，作为空间相关大类训练样本，构成大类样本集优选的：所述步骤3根据训练样本集的非平衡率，确定采样倍率，实现基于SM本文档来自技高网...

【技术保护点】
1.一种融合空间知识的微震信号SMOTE识别方法，其特征在于：包括如下步骤：步骤1)，通过监测系统采集微震数据并进行数据预处理，按照时间窗大小，划分微震检测数据集；步骤2)，根据步骤1时间窗大小划分微震检测数据集，得到时间窗内各个微震检波测量探头所采集的微震信号，并求各个微震检波测量探头所采集的微震信号的方差，根据时间窗内各个微震检波测量探头所采集的微震信号方差确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集；步骤3)，根据训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成；步骤4)，采用模型融合结构，实现融合空间知识的微震信号分类器学习。

【技术特征摘要】
1.一种融合空间知识的微震信号SMOTE识别方法，其特征在于：包括如下步骤：步骤1)，通过监测系统采集微震数据并进行数据预处理，按照时间窗大小，划分微震检测数据集；步骤2)，根据步骤1时间窗大小划分微震检测数据集，得到时间窗内各个微震检波测量探头所采集的微震信号，并求各个微震检波测量探头所采集的微震信号的方差，根据时间窗内各个微震检波测量探头所采集的微震信号方差确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集；步骤3)，根据训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成；步骤4)，采用模型融合结构，实现融合空间知识的微震信号分类器学习。2.根据权利要求1所述融合空间知识的微震信号SMOTE识别方法，其特征在于：还包括基于Python3.6软件平台，验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性。3.根据权利要求2所述融合空间知识的微震信号SMOTE识别方法，其特征在于：验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性的方法：首先，基于Python3.6软件平台，构建融合空间知识的微震信号SMOTE识别方法；其次，确定所提方法中的关键参数取值，包括l、K和基分类器中的训练参数；最后，实验验证所提融合空间知识的微震信号SMOTE识别方法的有效性和合理性。4.根据权利要求3所述融合空间知识的微震信号SMOTE识别方法，其特征在于：所述步骤1中对SOS微震监测系统采集获得的微震数据以.w格式保存；采用专用软件SEISGR通过二进制流方式，将其转换为.asc格式的可读数据；进而，基于MATLAB软件平台，再将其转换为.csv格式的微震数据。5.根据权利要求4所述融合空间知识的微震信号SMOTE识别方法，其特征在于：所述步骤1中按照时间窗大小划分微震检测数据集的方法：将转化格式后的微震数据，按照时间窗T，分割为组采样数据，其中，tmax为采样微震数据的最大采样时间，T为时间窗大小。6.根据权利要求5所述融合空间知识的微震信号SMOTE识别方法，其特征在于：所述步骤2中确定微震信号的空间相关性，构建融合空间知识的非平衡训练样本集方法：步骤21)，记为第k组采样数据中第i个微震检波测量探头在第j个采样时刻获得的微震信号，其中，i＝1,2,…,N,j＝1,2,…,T,k＝1,2,…,J，N为微震检波测量探头个数，J为采样数据集规模；根据每组采样数据中所有非零的有效微震信号所对应的微震检波测量探头与微震震源之间的空间距离d(oi,z)＝||oi-z||2，计算该组微震检测信号的能量值ek，记为：ek＝λ(rk)q(1)其中，q和λ为预先设定的常数，oi和z分别为微震检波测量探头的空间位置和微震震源的空间位置，则：其中，rk表示第k组采样数据中所有非零的有效微震信号所对应的微震检波测量探头与微震震源之间的最大空间距离；步骤22)，以104J为能量分界点，满足ek＞104J的微震信号，标记为强微震信号，即yk＝0；满足ek≤104J的微震信号，标记为弱微震信号，即yk＝1；步骤...

【专利技术属性】
技术研发人员：程健，崔宁，郭一楠，陈晶晶，杨凌凯，白帅，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32