井下声发射源多分类方法、装置、终端、存储介质制造方法及图纸

本发明专利技术公开了一种井下声发射源多分类方法、装置、终端、存储介质，其中方法包括：获取待检测井下声发射波形时间序列；对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到二维图像马尔科夫转移场；将二维图像马尔科夫转移场输入预先训练好的井下声发射源识别分类模型中，输出待检测井下声发射波形时间序列的分类结果。利用马尔科夫转移场编码将井下声发射一维时间序列转换为辨识度高的二维图像，这种二维图像不仅保留了时间尺度上的变化趋势，又体现了不同时间跨度的转移概率，再结合深度学习中代表算法卷积神经网络对二维图像识别分类的优势，在识别效率、稳定性和准确率等方面明显优于传统波形识别分类方法。率等方面明显优于传统波形识别分类方法。率等方面明显优于传统波形识别分类方法。

【技术实现步骤摘要】
井下声发射源多分类方法、装置、终端、存储介质


[0001]本专利技术涉及矿业工程声发射地压监测领域，尤其涉及一种井下声发射源多分类方法、装置、终端、存储介质。

技术介绍

[0002]声发射监测作为一种有效的地压监测手段之一，在国内外矿山得到较广泛应用。正确、及时识别围岩体AE事件是声发射监测系统预测预警的一个重要环节。
[0003]地下矿山井下的监测环境较复杂，一般有凿岩作业，铲运机等装卸机械作业，爆破作业以及其它人工作业及随机干扰信号。为消除这些非围岩体AE事件的干扰，往往采用频域滤波滤除部分非围岩体声发射信号，然而一些噪声源事件与围岩体声发射事件有交叉频段，因此频域滤波不能有效剔除井下噪声信号，过多的噪声事件会引起声发射预警系统的错误报警，对矿山生产安全和作业人员安全产生较大不利影响。目前比较准确的围岩体AE事件与井下噪声事件的识别方法是采用人工识别的方法，然而人工识别效率太低，且识别结果依赖技术人员的经验，稳定性较差。
[0004]传统的波形识别分类模型提取辨识敏感特征的泛化能力较弱，难以适应井下复杂环境下的声发射信号识别分类。此外特征提取的过程有主观的差异，过多和过少的特征参数影响分类的准确度和计算效率。近年来，深度学习等智能算法的快速发展为其他学科及领域实现智能化提供了有力保障和基础。卷积神经网络作为一种代表性的深度学习算法，其在图像分类方面有较大优势和广泛应用。文献“基于深度学习卷积神经网络的地震波形自动分类与识别”中将一维波形时间序列作为1D
‑
CNN输入，利用1Dr/>‑
CNN识别地震波形和噪声波形，由于地震波形的复杂性，且其波形往往呈现多种形态，增加了1D
‑
CNN在时间尺度上识别的难度，所以识别结果准确率较低。对于大多数CNN结构，二维图像的输入更能发挥其性能。上述方法在井下声发射事件识别方面均存在缺陷，本专利技术为克服上述缺点，为井下声发射事件识别分类提供一种新的方法。

技术实现思路

[0005]本专利技术提供了一种井下声发射源多分类方法、装置、终端、存储介质，以解决传统的以声发射波形图像和以声发射波形时间序列为对象进行声发射源分类方法准确率较低，稳定性较等的问题。
[0006]第一方面，提供了一种井下声发射源多分类方法，包括：
[0007]获取待检测井下声发射波形时间序列；
[0008]对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到二维图像马尔科夫转移场；
[0009]将二维图像马尔科夫转移场输入预先训练好的井下声发射源识别分类模型中，输出待检测井下声发射波形时间序列的分类结果；其中，所述井下声发射源识别分类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷积神经网络进
行训练得到。
[0010]为了充分发挥卷积神经网络在图像识别分类的优势，优化卷积神经网络数据输入格式，克服传统时频分析方法难以全面的提取波形特征，本专利技术技术方案依据概率论与数理统计中马尔科夫转移矩阵相关理论，提出一种马尔科夫转移场编码，将声发射信号一维时间序列编码为二维图像，这种二维图像不仅保留了时间尺度上的变化趋势，又体现了不同时间跨度的转移概率，然后，利用卷积神经网络对二维图像自动提取特征并识别分类。在识别效率、稳定性和准确率等方面明显优于传统波形识别分类方法，能够正确、及时的识别声发射信号为矿山地压监测及时预警提供可靠的数据支持。
[0011]进一步地，所述对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到二维图像马尔科夫转移场具体包括：
[0012]对于待检测井下声发射波形时间序列X＝[x1,x2,
…
,x
n
]，确定Q个分位数，表示将待检测井下声发射波形在纵向上分为Q个区间，并将每个x
i
分配给相应的区间q
j
，j∈[1,Q]；
[0013]沿时间轴以一阶马尔科夫链的方式计算待检测井下声发射波形时间序列各分位数区间之间的转移来构造Q
×
Q的加权邻接矩阵；通过归一化后得到加权马尔科夫转移矩阵W，它对波形时间序列X的分布和时间尺度上的依赖性不敏感，摆脱时间依赖性会导致W中信息丢失过多；
[0014]通过考虑时间位置，将包含幅度轴上的转移概率的加权马尔科夫转移矩阵W扩展到马尔科夫转移场矩阵中，得到n
×
n马尔科夫转移场M：
[0015][0016]条件概率P{X(a+h)＝q
j
|X(a)＝q
i
}表示时间序列在a时处于区间q
i
的前提下，在时刻a+h转移到区间q
j
的条件概率为w
ij|xa∈qi,|xa+h∈qj
。
[0017]进一步地，得到n
×
n马尔科夫转移场M后还包括：
[0018]将马尔科夫转移场M网格化；
[0019]将每个网格中的子图用其平均值代替，生成模糊马尔科夫转移场。
[0020]通过将n
×
n马尔科夫转移场M转换为模糊马尔科夫转移场，减小了尺寸，降低了计算成本，提高了计算效率。
[0021]进一步地，所述井下声发射源识别分类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷积神经网络进行训练得到，具体包括：
[0022]获取若干历史井下声发射波形时间序列及其各自对应的声发射源类别；
[0023]将若干历史井下声发射波形时间序列进行马尔科夫转移场编码，得到对应的历史二维图像马尔科夫转移场；
[0024]基于得到的历史二维图像马尔科夫转移场及其对应的声发射类别标签，构建训练样本集和测试样本集；
[0025]以历史二维图像马尔科夫转移场为输入，以声发射类别为输出，基于训练样本集和测试样本集对卷积神经网络进行训练，得到井下声发射源识别分类模型。
[0026]进一步地，声发射源类别包括围岩体声发射信号、爆破作业信号、铲运机作业信号、凿岩作业信号及其他类别信号；所述训练样本集及测试样本集中均包含该五种类别的样本。
[0027]进一步地，在训练得到井下声发射源识别分类模型时采用随机梯度下降优化算法来训练卷积神经网络。
[0028]第二方面，提供了一种井下声发射源多分类装置，包括：
[0029]数据获取模块，用于获取待检测井下声发射波形时间序列；
[0030]编码模块，用于对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到二维图像马尔科夫转移场；
[0031]分类模块，用于将二维图像马尔科夫转移场输入预先训练好的井下声发射源识别分类模型中，输出待检测井下声发射波形时间序列的分类结果；其中，所述井下声发射源识别分类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷积神经网络进行训练得到。
[0032]第三方面，提供了一种井下声发射源多分类终端，包括至少本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种井下声发射源多分类方法，其特征在于，包括：获取待检测井下声发射波形时间序列；对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到二维图像马尔科夫转移场；将二维图像马尔科夫转移场输入预先训练好的井下声发射源识别分类模型中，输出待检测井下声发射波形时间序列的分类结果；其中，所述井下声发射源识别分类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷积神经网络进行训练得到。2.根据权利要求1所述的井下声发射源多分类方法，其特征在于，所述对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到二维图像马尔科夫转移场具体包括：对于待检测井下声发射波形时间序列X＝[x1,x2,
…
,x
n
]，确定Q个分位数，表示将待检测井下声发射波形在纵向上分为Q个区间，并将每个x
i
分配给相应的区间q
j
，j∈[1,Q]；沿时间轴以一阶马尔科夫链的方式计算待检测井下声发射波形时间序列各分位数区间之间的转移来构造Q
×
Q的加权邻接矩阵；通过归一化后得到加权马尔科夫转移矩阵W；通过考虑时间位置，将包含幅度轴上的转移概率的加权马尔科夫转移矩阵W扩展到马尔科夫转移场矩阵中，得到n
×
n马尔科夫转移场M：条件概率P{X(a+h)＝q
j
|X(a)＝q
i
}表示时间序列在a时处于区间q
i
的前提下，在时刻a+h转移到区间q
j
的条件概率为w
ij|xa∈qi,|xa+h∈qj
。3.根据权利要求2所述的井下声发射源多分类方法，其特征在于，得到n
×
n马尔科夫转移场M后还包括：将马尔科夫转移场M网格化；将每个网格中的子图用其平均值代替，生成模糊马尔科夫转移场。4.根据权利要求1至3任一项所述的...

【专利技术属性】
技术研发人员：谢学斌，张欢，李小元，刘涛，支伟，唐运坚，张世东，陆维，潘立景，陈智雄，罗俊森，黄楚茗，
申请(专利权)人：广西中金岭南矿业有限责任公司，
类型：发明
国别省市：