[发明专利]基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法

说明书

本发明公开了一种基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法，包括：建立卷积神经网络模型；通过卷积神经网络模型预测某时刻冲击地压发生概率；通过图像函数可视化预测结果，设定阈值，实现冲击地压发生分级预测。本发明通过卷积神经网络对从矿井收集到的冲击地压的能量数据进行特征学习，在计算机上实现了内冲击地压发生情况的可视化，且通过设定阈值，实现了某时间段内冲击地压的分级预警，实现冲击地压分析与预警的前提下，最大程度的降低方法的学习成本的经济成本，具有良好的经济效益和社会效益。

技术领域

本发明涉及到一种基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法，可实现某时间段内矿井下冲击地压发生情况图像化显示，并通过设定阈值，实现冲击地压的分级预警，属于冲击地压研究技术究领域。

背景技术

近年来，随着煤矿开采行业的迅速发展，业界对于井下采矿的高效性和安全性的要求逐渐提升，其中对矿区生命财产安全造成极大威胁的冲击地压一直是被防范的重点。目前，传统冲击地压的分析方法主要是基于感知器的物理系统检测方法，其主要思想是通过探测局部地段的相关数据分析冲击地压的发生情况，但是，由于井下情况的多变性和探测设备部署限制，这些方法不能直接体现冲击地压的整体发生情况，难以达到理想的分析与预警效果。

基于计算机技术对冲击地压进行分析的方法现已逐渐成为研究的重点内容，但现有的技术研究存在的技术问题包括：第一，与冲击地压相关数据复杂多变，这些影响因素存在着传统方法难以分析的非线性关系；第二，采集到的数据形式与传统的计算机分析方法不匹配，导致难以得出数据与冲击地压发生之间的关系；第三，现有方法对冲击地压的预测结果多为数据形式，不利于后续的分析工作。

因此，设计一种可行的基于卷积神经网络的冲击地压发生情况可视化与分级预警方法是至关重要的。

发明内容

本发明所要解决的技术问题是需要提供一种能够通过从矿井搜集的冲击地压相关数据，来实现某时间段内冲击地压发生情况的可视化，并进一步使用深度学习技术思想，实现冲击地压的分级预警的方法。

为实现上述目的，本发明提供一种基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法，包括以下步骤：

步骤S1，建立卷积神经网络模型；

步骤S2，通过卷积神经网络模型预测某时刻冲击地压发生概率；

步骤S3，通过图像函数可视化预测结果，设定阈值，实现冲击地压发生分级预测。

进一步，所述步骤S1中建立卷积神经网络模型的方法包括如下步骤：

步骤S11，采集建立卷积神经网络网络模型所需样本数据；

所述样本数据包括：一段时间内矿井某深层位置冲击地压能量大小和发生情况标签；

步骤S12，对采集到的能量数据进行标准化处理；

所述标准化处理包括：对所取得的能量数据(x₁,x₁,…,x_N)构成数据集合X的求得平均值为标准差为对所取得的的能量数据(x₁,x₁,…,x_N)中第i个数据进行z-score标准化处理；向标准化处理后的数据集加入高斯随机噪声；

步骤S13，使用随机采样方法从步骤S12中提出训练集，验证集；

所述随机采样方法包括：将步骤S12中经过标准化处理后的数据集等分为K份，每次训练时，从K份数据集中随机抽取K-1份作为训练集，1份作为验证集；

步骤S14，使用步骤S13生成的训练数据集训练卷积神经网络，使用步骤S13生成的验证对卷积神经网络训练效果进行验证，并调整参数。