一种基于LSTM的巷道顶板稳定性超前预警方法

本发明属于矿山顶板灾害监测预警领域，具体涉及一种基于lstm的巷道顶板稳定性超前预警方法。

背景技术：

1、随着浅部资源的逐渐耗尽，煤矿进入深部开采是必然趋势。随着开采深度的不断增加，矿山压力显现所造成的灾害也越来越严重。开采过程中的顶板稳定性问题一直是安全管理的重中之重，具体问题如生产过程中缺少监测手段和监测数据的深入分析，未能及时有效地对工作面顶板灾害进行预警等。因此，作为矿井安全生产重要保障手段之一的顶板稳定性监测技术越来越受到重视，对监测的准确性、可靠性及在线监测预警能力的要求也越来越高。现有的巷道顶板稳定性监测技术是通过锚杆锚索应力计、顶板离层仪监测顶板状态，当实时数据超出预先设定的警戒值时报警。因此，现有的预警系统通常是在数值达到一定异常的情况下做出反应，而实际应用场景中会出现尚未达到警戒值即发生危险的情况，这种监测预警的不及时将会造成较大损失。

技术实现思路

1、针对以上技术问题，本发明提出了一种基于lstm(长短时记忆网络)的巷道顶板稳定性超前预警方法，通过引入lstm构建锚杆锚索支护阻力-顶板离层关联性模型，计算预测离层值和实时监测值的偏差并判断其是否超出设定范围，从而实现对顶板灾害的超前预警。

2、为实现上述技术目的，本发明采用如下技术方案：一种基于lstm的巷道顶板稳定性超前预警方法，包括以下步骤：

3、s1：采集测巷道顶板对应位置设置的锚杆锚索应力计数据以及顶板离层仪数据并分组记录，将分组记录的锚杆锚索支护阻力与顶板离层值数据进行预处理；

4、s2：对预处理后对应位置获取的锚杆锚索支护阻力与顶板离层值进行相关性分析，提取相关性最好的锚杆锚索应力计数据和顶板离层仪数据；

5、s3：对所提取的锚杆锚索支护阻力与顶板离层值进行压缩分割；

6、s4：对压缩分割后的锚杆锚索支护阻力与顶板离层值进行数据融合：并划分训练集和测试集；

7、s5：构建基于lstm的锚杆锚索支护阻力-顶板离层值关联性模型，利用训练集和测试集对构建的锚杆锚索支护阻力-顶板离层值关联性模型进行训练；

8、s6：赋予训练后的锚杆锚索支护阻力-顶板离层值关联性模型锚杆锚索支护阻力与顶板离层值实时监测数据进行顶板稳定性预测，实现对巷道顶板失稳致灾的超前预警。

9、进一步，在步骤1中预处理具体为：对从对应位置获取的锚杆锚索应力计、顶板离层仪监测数据分别进行归一化处理，使结果映射到[0，1]之间，计算公式如下：

10、

11、式中，z表示某时刻某一监测数据的取值；max(z)表示某一监测数据的最大值；min(z)表示某一监测数据的最小值；z’表示归一化所得结果。

12、进一步，在步骤2中，对预处理后的数据进行相关性分析，提取相关性最好的锚杆锚索应力计数据和顶板离层仪数据步骤如下：

13、(1)选用斯皮尔曼相关系数来分析数据间的相关性，提取相关性最好的垂直锚杆锚索应力计数据和对应位置顶板离层仪数据，计算公式如下：

14、

15、式中，n表示样本容量；xi表示垂直锚杆锚索应力计数据在第i时刻的取值，yi表示对应位置顶板离层仪数据在第i时刻的取值；

16、(2)提取相关数据后，将垂直锚杆锚索应力计数据和对应位置顶板离层仪数据两类数据按时间进行内连接，数据结构分别为[时间，锚杆锚索支护阻力，顶板离层值]。

17、进一步，在步骤3中，对所提取的锚杆锚索应力计数据和顶板离层仪数据进行压缩分割步骤如下：

18、(1)将提取得到相关性最好的一个锚杆锚索应力计的数据用数据集表示：

19、

20、式中，xa表示此锚杆锚索应力计数据集；表示此锚杆锚索应力计在p时刻的取值；

21、将提取得到相关性最好的一个顶板离层仪的数据用数据集表示：

22、

23、式中，ya表示此顶板离层仪数据集；表示此顶板离层仪在p时刻的取值；

24、(2)根据时间序列进行压缩，通过时间序列重要点集合sip函数求解：

25、输入：将步骤(1)中所得数据集xa、ya依次作为输入集合xn，设定对应的误差值e，数据误差精度根据数据量可以自行调整用于控制压缩比例和精度；

26、输出:重要点序列集合sip

27、初始化：初始化重要点sip，将输入集合xn首尾两点加入到sip中，计算区域(x1,xn)之间的点到其的误差并保存结果；用一个集合rsip保存各区域内距离最大点xm以及区域误差s；

28、(3)设置滑动窗口的长度为w，提取连续w个单位时间的锚杆锚索支护阻力数据和顶板离层数据作为输入特征，第w+1到w+f单位时间的锚杆锚索支护阻力数据作为“标签对”数据进行分割，默认窗口滑动步长w＝5；

29、提取连续w个单位时间的锚杆锚索支护阻力数据和顶板离层数据作为输入特征预测的折线的预测长度f，表示向后预测f个单位时间的锚杆锚索支护阻力数据。

30、进一步，在步骤4中，融合锚杆锚索应力计数据和顶板离层仪数据，划分训练集和测试集步骤如下：

31、(1)融合锚杆锚索应力计数据和顶板离层仪数据间的线性变换信息l：

32、l＝wl[xa,ya]+bl

33、式中，wl表示xa和ya在低阶方程的可训练参数矩阵；xa，ya分别表示所提取锚杆锚索应力计数据集和顶板离层仪数据集；bl表示偏置量；

34、(2)融合锚杆锚索应力计数据和顶板离层仪数据间的高阶信息h：

35、h＝wh[xa,ya]+wxyxaya+bh

36、式中，wh，wxy表示xa和ya提取的可训练参数矩阵；bh表示偏置量；

37、(3)采集多个锚杆锚索应力计与顶板离层仪无故障数据组成历史无故障样本，提取样本的时域特征、频域特征作为训练模型的特征值；具体包括：不同锚杆锚索应力计的峰值、均值、标准差、峭度、偏度、峰值因子、脉冲因子、裕度因子、重心频率、频率均方根和频率方差；不同顶板离层仪的均值、最值、方差、峭度和偏度；

38、(4)将融合后的锚杆锚索支护阻力-顶板离层值传感器数据划分为训练集和测试集，其中70％的数据用于训练，30％的数据用于测试。

39、进一步，在步骤5中，构建基于lstm的锚杆锚索支护阻力-顶板离层值关联性模型步骤如下：

40、(1)建立锚杆锚索支护阻力-顶板离层值关联性模型，锚杆锚索支护阻力-顶板离层值关联性模型包括顺序连接的2个lstm层、1个全连接层和1个丢弃层；

41、(2)选择sigmoid激活函数以提高lstm模型预测的准确率，其表达式为：

42、

43、式中，t为高阶信息h和低阶线性变换信息l中提取的一个样本集，e为自然常数；

44、低阶信息和高阶信息经过sigmoid函数激活后便得到最终的特征xt：

45、xt＝σ(l+h)

46、(3)采用平均绝对误差作为损失函数进行梯度下降迭代训练，初始学习率设为0.001。为防止过拟合，丢弃层在训练中按照伯努利分布以50％的概率随机断开lstm层和全连接层中15个神经元的连接，随机权值矩阵与偏置；

47、(4)在训练过程中以mse作为损失函数，以平均绝对误差最小化为优化目标，mse各表达式如下：

48、①平均绝对误差mae的表达式如下：

49、

50、②平均绝对百分比误差mape的表达式如下：

51、

52、③均方根误差rmse的表达式如下：

53、

54、(5)优化函数采用adam函数，设定每个批量为128组数据，训练集最大迭代次数epoch为500，更新规则如下：

55、

56、式中，η是adam算法的学习速率；θt和θt+1分别是第t步和第t+1步的模型参数；表示参数梯度无偏置一阶矩估计的值；表示参数梯度无偏置二阶矩估计的值；ε取：ε＝10-8。

57、进一步，在步骤6中，赋予训练模型锚杆锚索支护阻力与顶板离层值实时监测数据进行顶板稳定性预测，实现对巷道顶板失稳致灾的超前预警：

58、根据矿井开采条件设定预测值和历史无故障数据的偏差允许范围，通过实时计算偏差值判断是否超出设定风险范围；当偏差未超出设定风险范围时，则判断当前巷道状态安全，不会造成人员伤害和系统破坏；当偏差在设定风险范围时，应着重关注预警的相关监测数据，通过相关工作排除和控制相关风险；当偏差超出设定风险范围时，须立即采取对应控制措施，避免事故的发生。

59、相较于现有技术，本发明具有以下有益效果：

60、1、本发明提出的方法使用锚杆锚索支护阻力-顶板离层多特征融合的lstm模型预测顶板稳定性，相比现有的使用经验公式建立阈值预警，使用模型预警具有更广泛的适用性。

61、2、本发明从融合锚杆锚索支护阻力-顶板离层数据出发，考虑两种直接影响离层风险的因素，相比单一因素模型预测所得结果更为符合现场。

62、3、本发明采用lstm算法，训练所用的锚杆锚索支护阻力、顶板离层的数据均为时间序列数据。由于传统的rnn在多阶段的反向传播会导致梯度消失和梯度爆炸，因此采用lstm算法能获得更好的预测效果。