基于PSO-SVM的煤巖聲發(fā)射源定位預測*

單亞鋒，孫 朋，徐耀松，付 華，謝 森

(遼寧工程技術(shù)大學電氣與控制工程學院，遼寧葫蘆島125105)

隨著國民經(jīng)濟的發(fā)展，煤炭資源的開采強度和深度與日俱增。但是采空區(qū)煤巖體的坍塌以其突發(fā)性和巨大的破壞性，對煤礦的安全高效生產(chǎn)造成了極大威脅，因此，對煤巖體進行有效的監(jiān)測和預測，成為了煤礦安全生產(chǎn)急需解決的問題。

巖石等固體材料在外界作用力下，可能把巖石內(nèi)部的缺陷激活，從而會造成煤巖體的破壞、損傷，巖石在破壞過程中釋放出了應變能，并且這種能量以彈性波的形式快速釋放傳播，這種現(xiàn)象稱為聲發(fā)射[1]。近年來隨著研究的深入，科技的進步，先進的監(jiān)測方法和手段被應用到煤巖體聲發(fā)射源定位的監(jiān)測和預測中，實現(xiàn)了對巖體破裂過程的連續(xù)監(jiān)測，進而來評價巖體的穩(wěn)定性和危險性，取得了一定的成果[2]。相關的研究表明，聲發(fā)射與煤巖體破壞過程有很好的相關性，與巖體的內(nèi)部的損傷有直接關系，聲發(fā)射事件的累積量是巖體損傷程度的一個重要標志。因此，通過對煤巖的聲發(fā)射信號的分析和研究，在推斷煤巖內(nèi)部的形態(tài)變化的同時，也可反演出即將發(fā)生破壞的煤巖體的位置。雖然國內(nèi)外很多的學者對聲發(fā)射源的定位做了很多的工作，成新民，胡峰[3]等采用代數(shù)網(wǎng)絡和混沌參數(shù)的碰摩來實現(xiàn)聲發(fā)射源的定位;康玉梅，劉建坡[4]等采用最小二乘法的算法來定位聲發(fā)射源;Geiger定位方法[5－6];樊保圣，閆小青[7]等利用 Lamb波頻散特性的薄板對聲發(fā)射源定位方法的研究，還有楊永杰，王德超[8]等利用小波分析對灰?guī)r的聲發(fā)射進行研究，李懷珍，袁瑞甫[9]利用神經(jīng)網(wǎng)絡的算法和聲發(fā)射技術(shù)結(jié)合。但是基于傳統(tǒng)的定位算法都具有漏定位，偽定位和定位精度低的缺陷，并且有很大的誤差，比如BP算法在網(wǎng)絡訓練階段的訓練時間較長、很容易進入局部極小和精度不高的弊端。特別是從AE源到傳感器檢測到的AE信號之間的映射是非線性的，所以傳統(tǒng)的算法很難對這些非線性的過程建模，因此，也就很難確定時間差。從而出現(xiàn)了聲發(fā)射技術(shù)在采空區(qū)煤巖體災害預測失靈的現(xiàn)象，大大的降低了聲發(fā)射預測技術(shù)實用化的進程。

支持向量機(SVM)是基于統(tǒng)計學習理論的一種智能學習方法，可以用來解決樣本空間的高度非線性的模式識別等問題。本文基于從山西焦煤的官地礦16403工作面獲得的聲發(fā)射事件的數(shù)據(jù)，采用粒子群優(yōu)化PSO(Particle Swarm Optimization)的支持向量SVM(Support Vector Machine)理論對聲發(fā)射事件進行預測，試驗結(jié)果表明，不僅能夠很好的實現(xiàn)聲發(fā)射源的定位，而且能夠很好的解決小樣本、高維數(shù)和非線性的問題，這對加深煤巖體災害的發(fā)生體制的認識，以及實現(xiàn)更好的、有效的預測提供了新方法，對煤礦的安全高效的運行，減少人員財產(chǎn)的損失提供了理論支持。

1 聲發(fā)射源定位原理

1．1 聲發(fā)射數(shù)據(jù)信號的處理

本文根據(jù)山西焦煤的官地礦16403工作面采空區(qū)煤巖體的聲發(fā)射數(shù)據(jù)信息，采用了PXWAE數(shù)字化的聲發(fā)射檢測儀，這套檢測儀器包括傳感器(頻率150 kHz)，前置放大器(增益為40 dB)，主放大器(增益為0 dB)和采集卡，采集到200個采樣點原始數(shù)據(jù)，如圖1所示。

圖1 原始聲發(fā)射信號數(shù)據(jù)線

準確的提取到煤巖體的聲發(fā)射信號是預測的首要，但是在實際的煤礦巷道內(nèi)會存在很多的噪音，如機器的，管道的，支架和工人的聲音信號。所以要準確的確定聲源的位置，必須對獲得的聲音信號進行去噪處理。

文中采用了具有較高的分辨率，較好的去相關性和選基靈活性的小波，它不僅能有效的區(qū)分信號中的突變成分和噪聲，而且可以更好的刻畫信號的非平穩(wěn)特征。為了使獲得的數(shù)據(jù)更能反映煤巖體的狀態(tài)，以便能更準確的確定其位置，采用軟閾值法小波去噪，其公式如(1)。

圖2 經(jīng)小波去噪后的仿真圖

由圖2可以看出，經(jīng)其去噪后，干擾信號大大減少，具有較好的連續(xù)性，可以更方便的處理獲得的聲發(fā)射數(shù)據(jù)信息。

1．2 相空間重構(gòu)

1．2．1 最佳延遲時間的確定

采用自相關函數(shù)法來計算最佳的時延估計τ，其計算公式為

1．2．2 SVM 的預測原理

雖然現(xiàn)在很多的方法可以計算最佳嵌入維數(shù)，例如虛假鄰域法[11]，預測誤差最小法，G－P算法[12]，偽最鄰近點法，關聯(lián)積分法等，文中采用了最小預測誤差法，將延時向量寫為:

其中，τ為最佳的延遲時間，yi(m+1)=(xi，xi+τ，…，xi+mτ);yn(i，m)(m)是離軌線 yi(m)最近的向量;‖·‖表示歐式距離下的最大值范數(shù)，yi(m+1)為嵌入維數(shù)等于 m時的第 i個時間延遲向量，且必須滿足1≤n(i，m)≤n－mτ。根據(jù)均值公式

為獲得最佳的嵌入維數(shù)，利用式(4)

當E1(m)不再變化時，此時的最佳維數(shù)為m+1。

將得到的訓練樣本集映射到高維特征空間，使得非線性問題變成高維的、線性的問題，設SVM的估計函數(shù)為f(x)=wTφ(x)+b;支持向量機的回歸問題變?yōu)?

約束條件為:

1．2．3 PSO的SVM的參數(shù)優(yōu)化

在SVM的聲發(fā)射源的定位模型中，參數(shù)的選擇對整個定位精度的影響至關重要，因此，選擇最佳的參數(shù)是預測的前提之一，所以，對于損失函數(shù)ε、懲罰因子C和核函數(shù)σ選取進行了粒子群優(yōu)化，參數(shù)的具體優(yōu)化步驟如下[14]:①初始化各參數(shù)，設置粒子數(shù)、循環(huán)次數(shù)、搜索范圍、w、c1和 c2等;②根據(jù)試算確定(C，σ)的范圍，初始化所有粒子，并設置其初始位置pbest(gbest為其中的最優(yōu)值)和速度;③計算粒子的適應值，確定每個粒子的最優(yōu)適應值和全局最優(yōu)適應值，并應用比較替換的方法，確定其最后的取值;④反復的驗證迭代，找到最佳的解，測試是否滿足結(jié)束的條件，若滿足則結(jié)束，否則重復上式更新粒子的速度和位置;⑤建立預測模型，將滿足結(jié)果的全局最優(yōu)粒子所對應的ε、C和σ作為最終的值，并建立相應的PSOSVM預測模型。

2 基于PSO-SVM的聲發(fā)射源定位預測

2．1 模型預測

SVM的真正價值的應用是用來解決非線性問題的，將實測到的聲發(fā)射事件數(shù)作為事件序列x=[xi]，利用相空間重構(gòu)獲得的嵌入維數(shù)m，將m作為支持向量機輸入的特征節(jié)點來構(gòu)建訓練樣本

所以經(jīng)訓練學習后，根據(jù)PSO-SVM建立的預測模型為

式中:n為訓練樣本數(shù)，這樣經(jīng)過SVM就把這樣一個高維、非線性的問題轉(zhuǎn)化成二維的線性的問題[15]，經(jīng)過上式的計算，然后把煤巖體和巖石的聲發(fā)射總數(shù)整合，同一位置聲發(fā)射事件總數(shù)最多，說明其點的巖石越不穩(wěn)定，從而可以做出預測，實現(xiàn)了“1+1=1”的想法。

2．2 PSO-SVM在聲發(fā)射源的預測應用

聲發(fā)射源定位就是根據(jù)PSO-SVM建立的預測模型來收集煤巖和巖石發(fā)出的總聲聲發(fā)射事件數(shù)，來判斷此時煤巖體的狀態(tài)，因為即將失穩(wěn)的區(qū)域的煤巖體和巖體都會極度的不穩(wěn)定，發(fā)出的聲發(fā)射信號會很多，因此，通過設定標定值，將收集到煤巖體聲發(fā)射信號和巖體的聲發(fā)射信號分別列出，然后將兩者的聲發(fā)射信號總數(shù)分為兩種，一是正常;二是超標。當這個數(shù)值超過設定的標定值(4 000為臨界值)，就用前面最佳延遲時間求出其具體的位置，并通過報警的方式告知在那個區(qū)域的工作人員，以便做好相應的防范措施，這就是通過PSO-SVM聲發(fā)射源定位的“1+1=1”思想，即通過分析同一位置的煤巖體和巖體的聲發(fā)射信號，反演出即將失穩(wěn)的巖體的位置。

本文收集了山西焦煤的官地礦16403工作面25個不同位置煤巖體和巖石的聲發(fā)射信號，取前20個樣本作為PSO-SVM的訓練樣本，后5個樣本作為測試樣本，首先對樣本進行歸一化驗證，試算確定PSO的參數(shù)如下:粒子個數(shù)為40;粒子維數(shù)為3;循環(huán)次數(shù)為150;學習因子 c1=1．6，c2=1．8;參數(shù) C 的搜索范圍為(0．1，100);參數(shù) σ的搜索范圍為(0.01，1000)。經(jīng)過PSO優(yōu)化，最終確定SVM的最優(yōu)參數(shù)為 C=6．58，σ2=0．126，ε =0．0256。利用PSO-SVM的預測模型對20組煤巖體和巖石的聲發(fā)射信號進行分析處理。

表1 聲發(fā)射事件的SVM訓練樣本

利用獲得的最優(yōu)參數(shù)來建立支持向量機模型，對5個采樣點測試樣本進行預測，其仿真結(jié)果如下圖3所示。

圖3 測試樣本的SVM仿真結(jié)果

從圖3可以看出，共有5組測試樣本，使用粒子群進行優(yōu)化的支持向量機預測模型，分別對煤巖體的聲發(fā)射事件數(shù)和巖石的聲發(fā)射事件數(shù)進行了預測，除了一個有較大點的偏差外，其余測試值基本上和實際值吻合，預測的正確率為80%。根據(jù)兩者聲發(fā)射的總數(shù)，反演超過標準值的聲發(fā)射數(shù)所在的位置，利用前面計算的最佳時延估計τ，推出其位置。

對測試樣本中聲發(fā)射事件數(shù)超過標定值的22、23、25號采樣點進行了聲發(fā)射源的反演定位，由上圖可知，經(jīng)過其優(yōu)化后，定位精度為85．45%，最大定位誤差為4．68%。所以通過對其進行研究，將為煤巖的安全監(jiān)測提供了一個新的方法，從而為煤礦的安全運行、保護人身財產(chǎn)安全提供新的理論依據(jù)。

圖4 測試樣本的定位結(jié)果

3 結(jié)論

(1)將PSO-SVM理論引入到煤巖聲發(fā)射源的研究中，提出了聲發(fā)射源定位的SVM模型，并且很好的解決了聲發(fā)射源與其影響因子之間的小樣本、非線性等數(shù)據(jù)的問題。

(2)SVM方法能夠充分發(fā)揮訓練樣本的分布特點，根據(jù)獲得的訓練樣本建立預測模型，不需要太多的經(jīng)驗和使用技巧，具有較高的全局最優(yōu)性和較強的泛化能力。本文采用PSO對SVM的參數(shù)進行了優(yōu)化，選取了最優(yōu)參數(shù)，通過仿真結(jié)果和定位結(jié)果表明，經(jīng)過其優(yōu)化后，煤巖聲發(fā)射事件預測精確，從而大大提高了聲發(fā)射源的定位精度，能夠很好的解決高維、非線性問題。

(3)文章通過對收集到的聲發(fā)射事件數(shù)據(jù)信息，進行去噪、相空間重構(gòu)、建立預測模型，實例應用和仿真分析，首次提出了“1+1=1”的定位模式，即通過對同一地點的煤巖體和巖石的聲發(fā)射信號的分析處理，反演出即將失穩(wěn)的煤巖體的位置，因為即將失穩(wěn)的區(qū)域煤巖體和巖石都是不穩(wěn)定的，擺脫了以往單獨的分析煤巖體，巖體的模式禁錮，仿真結(jié)果表明經(jīng)過粒子群優(yōu)化過的支持向量機在煤礦煤巖聲發(fā)射源定位模型是一種可行、有效和準確的預測理論方法。

[1]Lockner D．The Role of Acoustic Emission in the Study of Rock Fracture[J]．International Journal of Rock Mechanics and Mining Sciences and Geomechanics Abstracts，1993，30(7):883－899．

[2]李世愚，和雪松，張?zhí)熘校龋卣饘W在減輕礦山地質(zhì)災害中的應用進展[J]．國際地震動態(tài)，2006(4):2－9．

[3]成新民，胡峰，鄧艾東，等．基于代數(shù)網(wǎng)絡和混沌參數(shù)的碰摩聲發(fā)射源定位方法研究[J]．振動工程學報，2011，24(3):287－293．

[4]康玉梅，劉建坡，李海濱，等．一類基于最小二乘法的聲發(fā)射源組合定位算法[J]．東北大學學報，2010，31(11):1648－1656．

[5]Geiger L．Probability Method for the Determination of Earthquake Epicenters from the Arrival Time Only[J]．Bull StLouis Unic，1912，8:60－71．

[6]Geiger L．Herbsetimmung Bei Erdbeben Aus Den Ankunfzeiten[J]．Gessell Wiss Goett，1910，4:331－349．

[7]樊保圣，閆小青，余麗，等．基于Lamb波頻散特性的薄板聲發(fā)射源定位方法研究[J]．固體力學學報，2011，32:283－287．

[8]楊永杰，王德超，陳紹杰，等．基于離散小波分析的灰?guī)r壓縮破壞聲發(fā)射預測研究[J]．煤炭學報，2010，35(2):213－217．

[9]李懷珍，袁瑞甫．基于神經(jīng)網(wǎng)絡的聲發(fā)射定位技術(shù)及在巖石破裂實驗中的應用[J]．礦業(yè)工程，2005，3(5):3－5．

[10]Rosenstern M T，Collins J J，Deluca C J．A Practical Method for Calculating Largest Lyapunov Exponents from Small Data Sets[J]．Physical D，1993，65:117－134．

[11]王妍，徐偉，曲繼圣．基于時間序列的相空間重構(gòu)算法及驗證(一)[J]．山東大學學報，2005，35(4):109－114．

[12]Grassberger P，Procaccia L．Measuring the Strangeness if Strange Attractors[J]．Physica D，1983，9:189－208．

[13]張朝龍，江巨浪，李彥梅，等．基于云粒子群－最小二乘支持向量機的傳感器溫度補償[J]．傳感技術(shù)學報，2012，25(4):472－477．

[14]王濤，王洋洋，郭長娜，等．QGA-RBF神經(jīng)網(wǎng)絡在礦井瓦斯涌出量預測中的應用[J]．傳感技術(shù)學報，2012，25(1):119－123．

[15]黃存捍，馮濤，王衛(wèi)軍，等．基于分形和支持向量機礦井涌水量的預測[J]．煤炭學報，2010，35(5):806－810．