邱濤　賈瑞生　吳春芳

摘要：針對微震信號的非線性、復雜性等特點，提出一種基于等距特征映射（Isometric feature mapping）和支持向量機（Support vector machine）相結(jié)合的微震前兆辨識方法。利用ISOMAP把數(shù)據(jù)從高維空間投影到低維空間而不改變數(shù)據(jù)內(nèi)在屬性的特點，對高維的微震信號進行降維，以發(fā)現(xiàn)嵌入在高維數(shù)據(jù)空間中的低維流形結(jié)構(gòu)，作為沖擊礦壓災變的最優(yōu)敏感特征，采用Gauss核函數(shù)支持向量機作為分類器進行監(jiān)測預警。實驗結(jié)果表明，該方法可有效實現(xiàn)沖擊地壓微震前兆辨識。

關鍵詞：沖擊地壓；微震監(jiān)測；流形學習；等距映射；支持向量機

DOIDOI：10.11907/rjdk.151280

中圖分類號：TP391

文獻標識碼：A 文章編號：16727800（2015）006013804

基金項目基金項目：科技部“十二五”國家科技支撐計劃項目（2012BAK04B06）；山東省自然科學基金項目（ZR2013EEM019）

作者簡介作者簡介：邱濤（1990-），男，山東青島人，山東科技大學信息科學與工程學院碩士研究生，研究方向為人工智能；賈瑞生（1972-），男，山東青島人，博士，山東科技大學信息科學與工程學院副教授，研究方向為礦山災害監(jiān)測預警理論、信息融合與智能系統(tǒng)；吳春芳（1987-），女，山東臨沂人，山東科技大學信息科學與工程學院碩士研究生，研究方向為數(shù)據(jù)挖掘、沖擊地壓前兆信息辨識。

0 引言

隨著開采范圍的擴大和開采深度的增加，應力集中程度越來越高，防沖難度越來越大，預防沖擊地壓事故，已經(jīng)成為煤礦安全生產(chǎn)的重中之重。目前，通過微震前兆信息辨識沖擊地壓主要根據(jù)經(jīng)驗來確定，部分礦井采用單一能量和頻次的閾值法來監(jiān)測沖擊地壓的發(fā)生，預警準確率不甚理想。原因在于煤層巖體自身性質(zhì)及復雜多變的力學響應特征，且對礦山動力災害的發(fā)生機制還沒有完全掌握，并且影響沖擊地壓發(fā)生的類型和因素多，針對采掘工作面沖擊地壓的微震信號都會有較大差異。目前對微震監(jiān)測信息的分析處理手段還有待細化和提高，且預測預警沖擊危險性識別方法亦較簡單。因此，預測和識別沖擊地壓危險都沒能很好地分析利用監(jiān)測時空序列提供的豐富頻譜信息[12]。對此，通過機器學習算法將微震信號中的豐富頻譜特征進行提取分析，來作為辨識沖擊地壓前兆信息的有效手段。由于沖擊地壓成因復雜，微震監(jiān)測信號表現(xiàn)為非線性、非平穩(wěn)特征，使得沖擊礦壓前兆信息特征難以提取。針對傳統(tǒng)時頻分析方法的缺點，尋找一種實時性、準確性高的前兆辨識方法稱為首要目標法，主要克服算法本身自適應性差，以及傳統(tǒng)人工神經(jīng)網(wǎng)絡方法通過反復迭代計算目標值耗時較長等劣勢[34]。尋找一種準確高效的前兆辨識算法成為科研人員的研究目標。等距特征映射（Isometric feature mapping， ISOMA）是TENENBAUM等[5]提出來的一種流形學習方法，主要特點是通過發(fā)現(xiàn)高維數(shù)據(jù)空間中觀測數(shù)據(jù)的低維光滑流形數(shù)據(jù)結(jié)構(gòu)，將最有代表性的特征數(shù)據(jù)從高維數(shù)據(jù)集合和大規(guī)模海量數(shù)據(jù)流中提取出來。現(xiàn)階段，ISOMAP主要用于高維數(shù)據(jù)非線性降維[68]。

支持矢量機（Support vector machine，SVM）以統(tǒng)計學習理論的VC理論和結(jié)構(gòu)風險最小化理論（SRM）為理論基礎，能夠得到現(xiàn)有信息下的最優(yōu)解和避免神經(jīng)網(wǎng)絡方法中的局部極值問題，并靈活地解決了維數(shù)災難問題，使其算法復雜度與樣本維數(shù)無關[1013]。本文基于微震監(jiān)測信號在固定大小的滑動時間窗口內(nèi)進行時頻域特征提取，組成多維向量表示沖擊地壓前兆信息；通過流形學習進行低維特征提取，得到訓練樣本集；基于SVM理論對這些數(shù)據(jù)集進行訓練形成分類器，并應用分類器實現(xiàn)沖擊地壓前兆信息的實時在線監(jiān)測預警。

1 等距映射算法

ISOMAP方法是Tenenbaum等[1416]根據(jù)使用最近鄰圖中的最短路徑得到近似測地線距離，代替內(nèi)在流行結(jié)構(gòu)的歐式距離提出的一種非線性降維處理方法。通過對位尺度分析（MDS）進行處理，進而發(fā)現(xiàn)嵌入在高維空間中的低維坐標，從而實現(xiàn)數(shù)據(jù)降維。其主要步驟如下：

3 數(shù)據(jù)處理及分析

微震技術(shù)作為一種有效的監(jiān)測預警手段[1921]。在礦山生產(chǎn)中，微震發(fā)生的頻率、能量等信息作為發(fā)生沖擊地壓的判別前兆已經(jīng)被越來越多的專家所認可，并且取得了豐碩的成果。微震能量以應力波的形式釋放并傳播，用拾震檢波器接收能量較大頻率較低的微地震信號。本文通過滑動拾窗從接收波形信息中提取有用的時頻域特征信息，作為多參量預警沖擊地壓災害前兆特征指標體系。

3.1 原始特征空間構(gòu)建

將通過滑動時間窗獲得的監(jiān)測數(shù)據(jù)樣本，通過機器學習算法，包括小波分析、時頻統(tǒng)計、傅里葉變換等，進行樣本特征提取構(gòu)建初始訓練特征空間，主要作為特征選擇的原始特征集。對于井下巖石破裂產(chǎn)生的微震事件所反映出的信號數(shù)據(jù)，需要選擇物理意義明確、具有應用價值和敏感的時頻域特征參數(shù)指標。通過滑動時間窗對原始數(shù)據(jù)進行分割，將分割數(shù)據(jù)段作為時頻統(tǒng)計分析的輸入，得到觀測樣本。

其中，時域指標采用文獻[22]提供的b值、η值Mm值峰值因子、峭度；頻域指標采用A（b）值、頻率重心Pc、頻段能量E。

b值作為時域計算指標，能夠反映震源區(qū)應力及介質(zhì)條件，是震級-頻度關系（G-R）中與區(qū)域有關的經(jīng)驗常數(shù)，可作為地震活動和巖爆的重要指示指標。分析歷史微震監(jiān)測數(shù)據(jù)發(fā)現(xiàn)，天然地震和礦震、沖擊地壓之間在震級和頻度的關系方面，都遵守G-R關系，因而關于b值的應用研究頗具價值。

3.2 數(shù)據(jù)分析

在數(shù)據(jù)分析過程中，選取某礦工作面2011年5月份微震監(jiān)測數(shù)據(jù)，采用波蘭EMAG公司的ARAMIS M/E微震監(jiān)測系統(tǒng)，配套軟件根據(jù)震動事件生成日志文件，每月生成一個目錄存放這些日志文件，并按年打包保存。將沖擊地壓危險程度定義為二分類狀態(tài)：正常（NOR）、危險（DAN）。本文采用一對一法構(gòu)造二分類分類器，使用圖1給出的多類SVM分類流程，得到最終辨識結(jié)果。

基于采用時間序列的微震監(jiān)測系統(tǒng)，取滑動時間窗口=24h，時間窗口向前滑移的步距設為3min。對內(nèi)的微震監(jiān)測信號進行時頻域分析，提取表1中的10個特征指標，滑動時間窗口每滑動一次，即可生成一組10維的特征向量，則每小時可提取20組特征向量，一個月共提取向量14 400組，選取其中的2/3作為訓練集，剩余的作1/3為測試集。采用Matlab小波包對信號進行6層多尺度分解，分別用表1中頻段能量E1、E2、E3來表示微震信號3個頻段的能量積聚情況。

3.2.1 降維處理

對時間窗所采集數(shù)據(jù)的原始特征空間X應用ISOMAP降維得到一個低維空間Y，其中N、K、d作為可變參數(shù)，分別代表的含義為：數(shù)據(jù)長度、近鄰點數(shù)、空間維數(shù)。其中N為9 600，K=3～15，間隔為1，d=3～10。對不同的K、d分別進行計算。

3.2.2 SVM診斷結(jié)果

構(gòu)造識別分類器并進行類別分類，討論診斷正確率η隨近鄰點數(shù)K以及維數(shù)d 在取不同值時的變化情況。圖2表示的是當N=9 600時，總體的診斷正確率η隨近鄰點數(shù)K和d的變化曲線。從圖2可以看出，診斷率在7

圖3表示K的取值范圍為3～15，N=9 600，d=6時，辨識準確率隨輸出維數(shù)K的變化曲線，K=10時準確率最高，作為最佳輸出維數(shù)。

為驗證ISOMAP算法更適合處理微震監(jiān)測信號，與局部線性嵌入（Locally linear embedding， LLE）、保局投影（Locality preserving projections， LPP）兩種基于流形學習的特征提取方法進行了比較。分類器均采用Gauss-SVM，由于樣本選取具有隨機性，為保證測試結(jié)果正確，表2中對應的數(shù)據(jù)均為程序運行10次后求取的平均值。表2結(jié)果顯示，診斷率達85.37%，說明采用流行學習提取特征集及作為分類器進行訓練能夠得到較好的結(jié)果。

4 結(jié)語

本文提出了將ISOMAP和SVM相結(jié)合的微震前兆辨識方法。利用非線性降維算法的數(shù)據(jù)投影過程中保持數(shù)據(jù)內(nèi)在屬性的特點，提取微震監(jiān)測信號中的前兆敏感特征。結(jié)果表明，ISOMAP適應于非線性微震前兆信息特征的提取。

但對于降維算法參數(shù)K、d的選取缺乏自適應性，如要建立通用、可靠的前兆辨識方法，仍需大量的統(tǒng)計分析與研究工作。

參考文獻：

[1]袁瑞甫，李化敏，李懷珍.煤柱型沖擊地壓微震信號分布特征及前兆信息判別[J].巖石力學與工程學報，2012（1）：8085.

[2]呂進國，潘立.微震預警沖擊地壓的時間序列方法[J].煤炭學報，2010（12）： 20022005.

[3]孫斌，薛廣鑫.基于等距特征映射和支持矢量機的轉(zhuǎn)子故障診斷方法[J].機械工程學報，2012（9）： 129135.

[4]徐啟華，師軍.應用SVM的發(fā)動機故障診斷若干問題研究[J].航空學報，2005（6）： 686690.

[5]TENENBAUM J B，SILVAVD，LANGFORD J C. A global geometric framework for nonlinear dimensionality reduction[J].Science，2000，290（5500）：23192323.

[6]黎敏，徐金梧，陽建宏，等.一種基于流形拓撲結(jié)構(gòu)的軸承故障分類方法[J].控制工程，2009（3）： 358362.

[7]劉杏芳，鄭曉東，徐光成，等.基于流形學習的地震屬性特征提取方法及應用[C].蘭州：2010年國際石油地球物理技術(shù)交流會，2010：144146.

[8]侯曉宇.基于流形學習的特征提取方法研究[D].大連：大連理工大學，2009.

[9]方瑞明.支持向量機理論及其應用分析[M].北京：中國電力出版社，2007：132135.

[10]徐啟華，耿帥，師軍.基于大規(guī)模訓練集SVM的發(fā)動機故障診斷[J].航空動力學報，2011，26（12）：28412848.

[11]徐麗娜，李琳琳.遺傳算法在非線性系統(tǒng)辨識中的應用研究[J].哈爾濱工業(yè)大學學報，1999（2）： 3942.

[12]黃江濤，王明輝，李武勁，等.基于動態(tài)權(quán)值的多分類器故障診斷系統(tǒng)[J].電子學報，2012（4）： 734738.

[13]馬笑瀟，黃席樾，柴毅.基于SVM的二叉樹多類分類算法及其在故障診斷中的應用[J].控制與決策，2003（3）： 272276.

[14]劉海濤，汪增福，曹洋.基于流形學習的三維步態(tài)魯棒識別方法[J].模式識別與人工智能，2011（4）： 464472.

[15]程起才，王洪元，吳小俊，等.一種基于ISOMAP的分類算法[J].控制與決策，2011（6）： 214122.

[16]劉粉香.線性及非線性特征提取人臉識別方法的研究[D].南京：南京林業(yè)大學，2009.

[17]張戰(zhàn)成，王士同，鄧趙紅，等.一種支持向量機的快速分類算法[J].控制與決策，2012（3）： 459463.

[18]丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011（1）：12811286.

[19]趙善坤，李宏艷，劉軍，等.深部沖擊危險礦井多參量預測預報及解危技術(shù)研究[C].第十二屆全國巖石動力學學術(shù)會議暨國際巖石動力學專題研討會，2011：339345.

[20]陸菜平，竇林名，郭曉強，等.頂板巖層破斷誘發(fā)礦震的頻譜特征[J].巖石力學與工程學報，2010，29（5）：10171022.

[21]趙毅鑫，姜耀東，王濤，等.“兩硬”條件下沖擊地壓微震信號特征及前兆識別[J].煤炭學報，2012（12）： 19601966.

[22]夏永學，康立軍，齊慶新，等.基于微震監(jiān)測的5個指標及其在沖擊地壓預測中的應用[J].煤炭學報， 2010，35（12）：20112016.

責任編輯（責任編輯：孫 娟）

英文摘要Abstract：Aiming at the characteristic of microseismic signal by nonlinear and complexity， a method of Identification of seismic precursor based on Isometric feature map and SVM （Support vector machine） combination is proposed. For the advantages of ISOMAP that it can maintain the inner feature while projecting the high dimension data onto low dimension data space. To find embedded in highdimensional data spaces in the structure of lowdimensional manifolds ，which produced by ISOMAP from high dimension space of microseismic signal ， and consider them as feature vectors， adopting gauss kernel function SVM classifier to monitoring and early warning. Experimental results indicate that this method can effectively achieve the identification of seismic precursor of rock burst.

英文關鍵詞Key Words： Rock Burst； Microseismic Monitoring； Manifold Learning；Isometric Feature mapping； Support Vector Machine