本发明涉及矿山微震信号处理技术领域，具体涉及一种基于深度学习的矿山微震信号自动识别方法。
背景技术：
微震监测系统在矿山生产中通常用于矿山安全开采的地压监测，其传感器布置于采区附近，布置条件恶劣。矿山井下采矿活动较多，所产生的信号呈现多样性的特点，有的非破裂信号与微震信号相似，会被微震监测系统所捕捉，与微震信号夹杂在一起，难以提供直观的监测数据为现场生产服务。
尽管现在常用的微震监测系统，比如加拿大工程地震集团(engineeringseismologygroup)的esg监测系统、南非矿山地震研究所(instituteofmineseismology)的ims监测系统，均可以设置一定的频率和振幅等参数对所触发的信号进行预处理。但是，井下复杂的环境使噪声信号的参数变化较大，频率、幅值范围较广，通过系统给定的阈值很难去掉非微震信号。除此之外，不良的参数设置会滤掉部分有效的微震信号。因此，对微震信号处理时，进行波形的识别是十分必要的。
通过对矿山井下活动及监测信号分析发现，井下监测信号可大致分为三类：岩石破裂微震信号、爆破信号及机械振动信号。监测信号中混杂的这三类信号在振幅、频率上虽有所差别，但是存在着诸多共性。因此，很难直接从振幅或者频率入手将微震信号识别出来。同时，由于微震波传输路径较为复杂，波形在介质中传输将发生反射、衍射、衰减等现象，且波形相互间干扰较大，这决定了波形的复杂性，使微震信号更加难以区分和识别。
技术实现要素：
针对现有技术的不足，本发明提出一种基于深度学习的矿山微震信号自动识别方法，包括以下步骤：
步骤1：建立包含微震信号、爆破信号及机械振动信号的波形数据库；
步骤2：对波形数据库中的所有波形数据采用下采样方法处理为相同的波形长度，得到预处理后的信号波形；
步骤3：对预处理后的信号波形采用短时傅里叶转换生成二维rgb图片，将所有的rgb图片作为样本集；
步骤4：将样本集按照预设比例划分为训练集和验证集；
步骤5：利用试错法确定卷积层、全连接层及全连接层的层数及内部神经元个数，构建卷积神经网络模型；
步骤6：将训练集中每条波形对应的rgb图片作为输入，输入时为每张rgb图片赋予一个标签；
步骤7：通过训练集对卷积神经网络模型进行训练，得到训练后的模型；
步骤8：将验证集中每条波形对应的rgb图片作为输入，输入时为每张rgb图片赋予一个标签，通过验证集对训练后的模型进行验证，得到模型对信号识别的准确率；
步骤9：将准确率大于等于设定阈值ε2的模型作为参数最优模型，利用参数最优模型对待处理的监测信号进行微震信号的自动识别。
所述步骤1包括：
步骤1.1：采集矿山现场无爆破发生时的监测信号，通过与微震信号的理想波形进行对比，筛选出微震信号，建立微震信号的子数据集；
步骤1.2：采集矿山现场爆破发生时的监测信号，通过与爆破信号的理想波形进行对比，筛选出爆破信号，建立爆破信号的子数据集；
步骤1.3：采集矿山现场机械设备作业区内的监测信号，通过与机械振动信号的理想波形的对比，筛选出机械振动信号，建立机械振动信号的子数据集；
步骤1.4：根据微震信号、爆破信号、机械振动信号的子数据集构建波形数据库。
所述为每张rgb图片赋予一个标签，具体表述为：将所有微震信号对应的rgb图片赋予为微震标签，将所有爆破信号对应的rgb图片赋予为爆破标签，将所有的机械振动信号对应的rgb图片赋予为机械振动标签。
本发明的有益效果是：
本发明提出了一种基于深度学习的矿山微震信号自动识别方法，首次将信号波形时频特性与深度学习方法相结合应用于矿山微震信号识别中。利用短时傅里叶转换(简称stft)方法，无需像常规方法那样进行参数提取，利用一次stft便可将波形本质参数、时间、频率和幅值特征考虑进去。选用stft转化后的信号时频特征图作为卷积神经网络(简称cnn)的输入，通过训练cnn网络，得到精确度更高的优质微震信号识别效果。
采用本发明方法与常用的支持向量机、决策树、k-means近邻算法、线性判别分析四种分类方法进行矿山微震信号的识别，结果表明，本发明识别准确率远高于其它四种方法，可准确的从复杂矿山井下环境的监测信号中识别出微震信号。
附图说明
图1为本发明中的基于深度学习的矿山微震信号自动识别方法流程图。
图2为本发明中采集的监测信号中三类信号及其时间-频率-振幅图，其中(a)为微震信号的时间-振幅图，(b)为微震信号经过stft后的频率-振幅图，(c)为爆破信号的时间-振幅图，(d)为爆破信号经过stft后的频率-振幅图，(e)为机械振动信号的时间-振幅图，(f)为机械振动信号经过stft后的频率-振幅图；
图3为本发明设计的卷积神经网络的拓扑结构图；
图4为本发明设计的卷积神经网络中的全连接层和softmax回归层的示意图；
图5为采用本发明方法的分类结果图，其中(a)为训练过程准确率变化曲线图，(b)为误差矩阵图；
图6为各分类方法准确度对比图，其中其中：ms为微震信号；b为爆破信号；m为机械振动信号；svm为支持向量机方法；dt为决策树方法；knn为k-means近邻方法；ld为线性判别分析方法。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。
为了提高矿山微震信号的识别率和准确率，本发明首先通过矿山井下的监测系统采集监测信号，由于直接采集的监测信号中不仅仅包含所需要的微震信号，还包括现场爆破发生时的爆破信号，以及现场机械设备作业时产生的机械振动信号，构建样本集时需要识别出这三种信号，然后将这三种信号波形进行短时傅里叶转换(简称stft)，得到其时频特征图，并与深度学习方法中的卷积神经网络(简称cnn)有机结合，提出一种基于深度学习的矿山微震信号自动识别方法，如图1所示，包括如下步骤：
步骤1：通过人工方法建立包含微震信号、爆破信号及机械振动信号的波形数据库，根据在矿山现场记录的爆破时间、地点，将记录的爆破与微震信号进行对比，人工筛选出爆破波形，建立爆破信号数据库；对矿山无任何爆破且机械振动信号较少的时间段内得到的信号进行筛选，建立微震信号数据库；通过对波形进行人工判断获取机械振动信号，建立机械振动信号数据库，具体包括以下步骤：
步骤1.1：采集矿山现场无爆破发生时的监测信号，通过与微震信号的理想波形进行对比，筛选出微震信号，建立微震信号的子数据集；
步骤1.2：采集矿山现场爆破发生时的监测信号，通过与爆破信号的理想波形进行对比，筛选出爆破信号，建立爆破信号的子数据集；
步骤1.3：采集矿山现场机械设备作业区内的监测信号，通过与机械振动信号的理想波形的对比，筛选出机械振动信号，建立机械振动信号的子数据集；
步骤1.4：根据微震信号、爆破信号、机械振动信号的子数据集构建波形数据库；
通过人工方法建立的波形数据库包含2000条微震波形、2000条爆破波形和2000条机械振动波形。
步骤2：对波形数据库中的所有波形数据(即微震信号、爆破信号、机械振动信号)采用下采样方法处理为相同的波形长度，得到预处理后的信号波形；
步骤3：对预处理后的信号波形采用短时傅里叶转换生成二维rgb图片，将所有的rgb图片作为样本集；图2为微震信号、爆破信号、机械振动信号分别经过短时傅里叶转换前后的时间-频率-振幅图，rgb图片结构为227×227×3，即图片的分辨率为227×227，每个像素点对应一个rgb三元色的向量。
步骤4：将样本集按照预设比例划分为训练集和验证集，随机选取各类波形70％的数据作为训练样本，即微震信号、爆破信号和机械振动信号各1400条波形。
步骤5：利用试错法确定卷积层、全连接层及全连接层的层数及内部神经元个数，构建卷积神经网络模型；
为了确定cnn中卷积层和对应输出特征图的最优个数，进行多次不同结构的试验，最终确定了cnn拓扑结构如图3所示。具体设计参数如下：第一个卷积层c1的卷积核(kernel)大小为11×11×3，数量为96，滑动步长取4，经过卷积操作后得到96个尺寸为55×55的特征图，接着经过第一个池化层的下采样，池化窗(window)大小为3×3，窗口滑动步长为2，采用最大池化操作，特征图尺寸缩减为27×27；紧接着进入第二个卷积层c2，卷积核大小为5×5，数量为256，滑动步长取1，卷积操作后得到256个27×27的特征图；进入第二个池化层m2，池化参数同池化层m1，特征图尺寸缩减为13×13；随后，经过三层卷积层(c3、c4和c5)，卷积核大小都为3×3，滑动步长均取1，最终得到256个4×4的高度抽象的特征图；最后，经过三层全连接层(f6、f7和f8)的特征合并，得到1000×1的向量，转入softmax回归层进行分类操作，如图4所示。当分类结果与给定的标签不符时，采取反向传播训练模型，最后得到可用于微震信号识别的cnn模型。
图3所示的cnn拓扑图中，c1、c2、c3、c4、c5分别为第一个卷积层、第二个卷积层、第三个卷积层、第四个卷积层、第五个卷积层；m1、m2、m3、m4、m5分别为第一个池化层、第二个池化层、第三个池化层、第四个池化层、第五个池化层；f6、f7、f8为三个全连接层，池化层和softmax回归层如图4所示。
步骤6：将训练集中每条波形对应的rgb图片作为输入，输入时为每张rgb图片赋予一个标签，即将所有微震信号对应的rgb图片赋予为微震标签，将所有爆破信号对应的rgb图片赋予为爆破标签，将所有的机械振动信号对应的rgb图片赋予为机械振动标签；
步骤7：通过训练集对卷积神经网络模型进行训练，得到训练后的模型；
步骤8：将验证集中每条波形对应的rgb图片作为输入，输入时为每张rgb图片赋予一个标签，即将所有微震信号对应的rgb图片赋予为微震标签，将所有爆破信号对应的rgb图片赋予为爆破标签，将所有的机械振动信号对应的rgb图片赋予为机械振动标签，通过验证集对训练后的模型进行验证，得到模型对信号识别的准确率；
步骤9：将准确率大于等于设定阈值ε2的模型作为参数最优模型，利用参数最优模型对待处理的监测信号进行微震信号的自动识别。
图5(a)为运用本发明方法进行信号识别的准确率与损失函数随迭代步数的变化曲线，由图可知，当迭代步数为100时，三种波形识别的平均准确率已经超过了90％。迭代到1050步时，准确率与损失函数趋于稳定，终止训练，最终三种波形的平均识别准确率达到了94.73％；从图5(b)给出的stft-cnn的误差矩阵中可以看出，爆破与微震信号的识别率效果优异，达到了97％以上。将本发明信号识别结果分别与常用的支持向量机(简称svm)、决策树(简称dt)、k-means近邻算法(简称knn)、线性判别分析(简称ld)信号识别分类方法所得结果进行比较，如图6所示，由图可知，相比于常用的方法中识别效果最好的svm方法，本发明方法整体准确度提升了9.76％；另外，上述常用的方法在区分机械振动与微震信号时由于两者参数有一些相似性，分类效果较差，svm方法的机械振动信号识别率仅为70.8％，dt方法为71.7％，knn方法为73.8％，ld方法为70.7％，采用本发明方法(简称stft-cnn)对于机械振动信号的识别率为89.6％，且只有0.5％机械振动信号会被误认为是微震信号，识别率提升明显。
1.一种基于深度学习的矿山微震信号自动识别方法，其特征在于，包括如下步骤：
步骤1：建立包含微震信号、爆破信号及机械振动信号的波形数据库；
步骤2：对波形数据库中的所有波形数据采用下采样方法处理为相同的波形长度，得到预处理后的信号波形；
步骤3：对预处理后的信号波形采用短时傅里叶转换生成二维rgb图片，将所有的rgb图片作为样本集；
步骤4：将样本集按照预设比例划分为训练集和验证集；
步骤5：利用试错法确定卷积层、全连接层及全连接层的层数及内部神经元个数，构建卷积神经网络模型；
步骤6：将训练集中每条波形对应的rgb图片作为输入，输入时为每张rgb图片赋予一个标签；
步骤7：通过训练集对卷积神经网络模型进行训练，得到训练后的模型；
步骤8：将验证集中每条波形对应的rgb图片作为输入，输入时为每张rgb图片赋予一个标签，通过验证集对训练后的模型进行验证，得到模型对信号识别的准确率；
步骤9：将准确率大于等于设定阈值ε2的模型作为参数最优模型，利用参数最优模型对待处理的监测信号进行微震信号的自动识别。
2.根据权利要求1所述的一种基于深度学习的矿山微震信号自动识别方法，其特征在于，所述步骤1包括：
步骤1.1：采集矿山现场无爆破发生时的监测信号，通过与微震信号的理想波形进行对比，筛选出微震信号，建立微震信号的子数据集；
步骤1.2：采集矿山现场爆破发生时的监测信号，通过与爆破信号的理想波形进行对比，筛选出爆破信号，建立爆破信号的子数据集；
步骤1.3：采集矿山现场机械设备作业区内的监测信号，通过与机械振动信号的理想波形的对比，筛选出机械振动信号，建立机械振动信号的子数据集；
步骤1.4：根据微震信号、爆破信号、机械振动信号的子数据集构建波形数据库。
3.根据权利要求1所述的一种基于深度学习的矿山微震信号自动识别方法，其特征在于，所述为每张rgb图片赋予一个标签，具体表述为：将所有微震信号对应的rgb图片赋予为微震标签，将所有爆破信号对应的rgb图片赋予为爆破标签，将所有的机械振动信号对应的rgb图片赋予为机械振动标签。
技术总结