一种基于稀有类挖掘的冲击危险性等级判别方法技术

本发明专利技术公开了一种基于稀有类挖掘的冲击危险性等级判别方法，涉及矿业和信息技术领域。本发明专利技术先对采动数据向量化处理，将采动数据分组后提取特征参数得到特征向量后，基于稀有类型数据挖掘算法对整体数据集进行稀有类型检测，获取各种子数据的冲击危险性等级形成训练集，再基于深度学习方法构建冲击危险性等级检测模型，训练冲击危险性等级检测模型挖掘数据并自动生成标记冲击危险性等级标签，形成冲击危险性数据集，再利用文本分类算法构建冲击危险性等级判别模型，利用冲击危险性数据集训练冲击危险性等级判别模型后，采用训练后的冲击危险性等级判别模型判别采动数据的冲击危险性等级，实现了冲击危险性等级的准确判别，有利于冲击危险的预警。有利于冲击危险的预警。有利于冲击危险的预警。

【技术实现步骤摘要】
一种基于稀有类挖掘的冲击危险性等级判别方法


[0001]本专利技术涉及矿业和信息
，具体涉及一种基于稀有类挖掘的冲击危险性等级判别方法。

技术介绍

[0002]随着煤炭资源开采深度和开采强度的增加，矿井冲击地压等动力灾害日益加剧，严重威胁煤矿开采的安全。冲击地压作为煤炭资源开采必须解决的重大安全生产难题，国内外学者关于矿井冲击地压进行了大量研究。根据煤矿生产实践中的冲击防治情况，冲击地压的防治主要在于对冲击地压进行早期的冲击危险性监测分析与预测。然而，在冲击地压危险状态判别过程中会出现多种复杂现象，监测数据同包括地质条件、开采技术条件在内的各种信息相互交织，既存在重复又存在相互矛盾，这就使得如何综合利用各参量信息，统一各参量指标中的异常指数，实现对预测结论的一致性描述，已成为当前冲击地压预测的重要课题。
[0003]目前，在冲击危险性预警和预测的理论和技术方面已经形成了许多重要成果，也积累了丰富的经验，但在冲击危险性评价理论和方法上仍存在一些关键性的问题亟待解决。尚未建立用于准确评价和预测冲击危险性的方法，尤其是在评价指标、危险判本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀有类挖掘的冲击危险性等级判别方法，其特征在于，包括如下步骤：步骤1，获取采场运行过程的采动数据，对采动数据进行向量化处理，通过对采动数据分组得到多个采动数据记录序列，提取各采动数据记录序列中的特征参数，构建特征向量；步骤2，利用特征向量生成整体数据集，基于具有先验知识的稀有类型数据挖掘算法CLOVER对整体数据集进行稀有类型检测，获取各种子数据的冲击危险性等级，并利用带有冲击危险性等级标签的种子数据作为训练数据，形成训练集；步骤3，基于深度学习方法构建冲击危险性等级检测模型，利用训练集训练冲击危险性等级检测模型挖掘训练数据学习生成冲击危险性等级标签，并将冲击危险性等级标签标记在所输入的种子数据上，得到被标记有冲击危险性等级标签的冲击危险性数据，形成冲击危险性数据集；步骤4，基于文本分类算法TextCNN构建冲击危险性等级判别模型，用于判别采动数据的冲击危险性等级，将稀有类型挖掘得到的冲击危险性数据集中的冲击危险性数据作为训练数据，对冲击危险性等级判别模型进行训练，利用训练后的冲击危险性等级判别模型判别新采集采动数据的冲击危险性等级。2.根据权利要求1所述的基于稀有类挖掘的冲击危险性等级判别方法，其特征在于，所述步骤1中，具体包括以下步骤：步骤1.1，获取采场运行过程的采动数据，设置时间窗的时长，基于时间窗对采动数据进行分组，将采动数据划分为多个采动数据记录序列；所述采动数据用于反映采场运行过程中的地质信息、采掘信息、围岩动态监测信息和支护工况信息，采动数据包括多个指标参数值，所述指标参数包括煤层厚度、煤层倾角、支架型式、支护阻力、微震能量、钻孔应力、老顶初次来压步距和老顶周期来压步距；步骤1.2，分别针对各采动数据记录序列，将采动数据记录序列内的各指标参数值统一至同一时间点处，得到处理后的采动数据记录序列；步骤1.3，根据处理后的各采动数据记录序列，获取各指标参数值在所有处理后采动数据记录序列中出现的频率，确定各指标参数用于向量化的权重因子，如公式（1）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式中，idf(
·
)为指标参数用于向量化的权重因子，e为指标参数值，T为采动数据记录序列的总数，num为指标值在所有采动数据记录序列中出现的频次；步骤1.4，根据各指标参数的权重因子，人工选取指标参数作为特征参数，根据所选特征参数的数量确定特征向量的维度，构建特征向量，特征向量中各维度内的各特征值，如公式（2）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式中，weight为特征值；l为用于表示指标参数是否被选取为特征参数的系数，l取值为0或1，当l=0时，表示指标参数被选取为特征参数，当l=1时，表示指标参数未被选取为特征参数；norm(
·
)为标准化函数；m为用于表示指标参数是否被格外关注，m取值为0或1，当m=0时，表示指标参数被格外关注，当m=1时，表示指标参数未被格外关注。3.根据权利要求2所述的基于稀有类挖掘的冲击危险性等级判别方法，其特征在于，所述步骤2中，具体包括以下步骤：
步骤2.1，根据特征向量中各维度内的各特征值构建整体数据集，设置稀有类型检测的检测次数和标签数量，构建整体数据集的K近邻图；步骤2.2，基于具有先验知识的稀有类型数据挖掘算法CLOVER对整体数据集进行稀有类型检测；确定K近邻图中各数据点的局部变更度值，在K近邻图中选取局部变更度值最大的数据点作为最大局部变更度数据记录D
lvdMax
，判断最大局部变更度数据记录D
lvdMax
是否与冲击危险性相关，若最大局部变更度数据记录D
lvdMax
与冲击危险性相关，则将最大局部变更度数据记录D
lvdMax
作为用于异常数据挖掘的种子数据，若最大局部变更度数据记录D
lvdMax
与冲击危险性无关，则忽略最大局部变更度数据记录D
lvdMax
；步骤2.3，根据K近邻图中各数据点的连接关系，利用最大局部变更度数据记录D
lvdMax
的所有相邻数据点构建数据记录集E，将数据记录集E中所有数据点的局部变更度值均设置为
‑
1；步骤2.4，对数据记录集E中所有数据点人工设置冲击危险性等级标签，获取当前的人工贴标量，若当前的人工贴标量未达到预设的标签数量，则返回步骤2.2中，继续对整体数据集进行稀有类型检测，否则，则进入步骤2.5中；步骤2.5，结束对整体数据集的稀有类型检测，将稀有类型检测所获取的带有冲击危险性等级标签的种子数据作为训练数据，形成用于深度学习的训练集。4.根据权利要求3所述的基于稀有类挖掘的冲击危险性等级判别方法...

【专利技术属性】
技术研发人员：王蕊，陈绍杰，赵同彬，田刚，李学龙，尹大伟，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：