一种基于卷积神经网络的井下顶板风险探测方法及探测装置制造方法及图纸

本发明专利技术涉及一种基于卷积神经网络的井下顶板风险探测方法及探测装置，属于矿山井下顶板安全探测技术领域。本发明专利技术方法包括敲击矿山井下不同高度的顶板浮石，采集矿山井下顶板的不同风险等级点位的不同频率振动信号数据，形成样本数据集；对样本数据集中的不同频率的振动信号进行处理得到音频图像集，利用音频图像集训练顶板振动音频识别神经网络，并基于训练完成的顶板振动音频识别神经网络对井下顶板风险状态即井下顶板不同点位的风险等级进行探测和识别；采用训练完成的顶板振动音频识别神经网络对井下顶板的当前风险等级状态进行识别；将识别的井下顶板的当前风险等级状态进行实时显示。行实时显示。

【技术实现步骤摘要】
一种基于卷积神经网络的井下顶板风险探测方法及探测装置


[0001]本专利技术涉及一种基于卷积神经网络的井下顶板风险探测方法及探测装置，属于矿山井下顶板安全探测


技术介绍

[0002]现如今矿山井下灾害频发，在井下顶板方面表现尤为突出，其中顶板及侧帮浮石的处理操作不当，以及无法掌握顶板及侧帮浮石真实风险等级的情况会明显增加冒顶片帮等风险事故发生的概率。传统的“敲帮问顶”探测方法对人员的现场经验要求较高，并且人眼观测和人耳判断具有很强的主观性，这对顶板风险的真实情况判断是不严谨的，由于传统浮石检撬棍的风险探测的局限性，在井下矿山顶板安全探测方面的应用，还仍有待改进。
[0003]目前，针对于地下矿山顶板风险排查的设备有传统浮石检撬棍，但由于其结构特性，只能对较小的顶板浮石进行初步安全排查，无法针对同样存在冒落风险大型顶板浮石进行明确的安全排查与风险分析，监测精度差、误报率高，从而造成漏查或者误查，这将在生产过程中埋下严重的安全隐患。

技术实现思路

[0004]本专利技术针对目前传统井下浮石检撬棍的不足和缺陷，提出一种基于卷积神经网络的井下顶板风险探测方法及探测装置，即基于卷积神经网络和振动信号处理准确定位顶板安全状态，定位风险点，提高安全性与信息准确性，解决传统捡撬棍探测方法的探测结果主观性强、监测精度差、误报率高的问题。
[0005]本专利技术为解决其技术问题而采用的技术方案是：
[0006]基于卷积神经网络的井下顶板风险探测方法，具体步骤如下：
[0007]S1、敲击矿山井下不同高度的顶板浮石，采集矿山井下顶板的不同风险等级点位的不同频率振动信号数据，形成样本数据集；
[0008]S2、对样本数据集中的不同频率的振动信号进行处理得到音频图像集，利用音频图像集训练顶板振动音频识别神经网络，并基于训练完成的顶板振动音频识别神经网络对井下顶板风险状态即有风险点与无风险点进行探测和识别；
[0009]具体的，对样本数据集中的振动信号数据进行预处理，利用双树复小波变换方法去除高频噪音，保留有效信号功率谱；利用梅尔尺度滤波器组处理振动信号功率谱得到振动声音频谱图，并通过离散余弦变换和归一化处理得到顶板振动音频图像集，利用顶板振动音频图像集训练顶板振动音频识别神经网络，并在神经网络中加入跳跃连接层以消除图像在卷积计算过程中的特征点损失和信息冗余，得到训练完成的顶板振动音频识别神经网络；
[0010]S3、采用训练完成的顶板振动音频识别神经网络对井下顶板的当前风险等级状态进行识别；
[0011]S4、将识别的井下顶板的当前风险等级状态进行实时显示。
[0012]所述步骤S2包括如下具体步骤：
[0013]S21、对样本数据集中的不同频率的振动信号，转换为振动数字信号；
[0014]S22、对振动数字信号进行预加重、分帧、加窗、去噪处理得到预处理振动数字信号；
[0015]S23、利用双树复小波变换方法对预处理振动数字信号进行特征提取、预加重滤波和划分短时帧，并将各短时帧加载汉明窗，得到振动信号功率谱；
[0016]S24、利用梅尔尺度滤波器组处理振动信号功率谱得到顶板振动声音频谱图集；
[0017]S25、通过离散余弦变换处理顶板振动声音频谱图集提取梅尔频率倒谱系数MFCC，并通过图像归一化处理均值归一化的梅尔频率倒谱系数MFCC，得到顶板音频图像集；
[0018]S26、构建顶板振动音频识别神经网络；
[0019]S27、利用顶板音频图像集训练顶板振动音频识别神经网络，并在神经网络中加入跳跃连接层以消除图像在卷积计算过程中的特征点损失和信息冗余，得到训练完成的顶板振动音频识别神经网络。
[0020]更进一步的，所述S27包括如下具体步骤：
[0021]S271、将顶板音频图像集输入至顶板振动音频识别神经网络，并采用正则化项对音频图像中的特征变量进行逻辑计算，得到各特征变量逻辑计算结果；
[0022]S272、计算顶板振动音频识别神经网络各层神经元的输出，并在第一全连接层和第二全连接层内采用随机丢弃率为0.5舍弃部分神经元的输出；
[0023]S273、计算逻辑回归的成本函数，得到权值和偏置向量值；
[0024]S274、利用随机梯度下降法求出合适的权值与偏置向量值，使逻辑回归的成本函数最小化；
[0025]S275、重复步骤S371至S374，直至准确度达到预设准确度，得到训练好的顶板振动音频识别神经网络；
[0026]所述梅尔尺度滤波器组中带通滤波器H
m
(k)，其通滤波器H
m
(k)的表达式如下：
[0027][0028][0029][0030][0031]其中，m为第m个带通滤波器，f
(m)
为第m个带通滤波器的中心频率对应的快速傅里叶变换点数，f
(m
‑
1)
为第m
‑
1个带通滤波器的中心频率对应的快速傅里叶变换点数，f
(m+1)
为第m+1个带通滤波器的中心频率对应的快速傅里叶变换点数，m为振动波形信号功率谱对应的快速傅里叶变换点数；
[0032]所述梅尔尺度滤波器组将梅尔刻度为25Mel尺度上的三角形滤波器应用于功率以提取频带，得到振动波形声音频谱图。
[0033]所述顶板振动音频识别神经网络包括：
[0034]依次连接的音频图像输入层、第一卷积层、第一批量归一化层、第一Relu激活函数层、第一SENet注意力机制、第一最大池化层、第一跳跃连接层、第二卷积层、第二批量归一化层、第二Relu激活函数层、第二SENet注意力机制、第二最大池化层、第二跳跃连接层、第三卷积层、第三批量归一化层、第三Relu激活函数层、第三SENet注意力机制、第三最大池化层、第三跳跃连接层、第四卷积层、第四批量归一化层、第四Relu激活函数层、第四SENet注意力机制、第四最大池化层、第四跳跃连接层、第五卷积层、第五批量归一化层、第五Relu激活函数层、第五SENet注意力机制、第五最大池化层、第五跳跃连接层、顶板风险探测结果输出层。
[0035]所述顶板风险探测结果输出层采用NLL
‑
LOSS作为损失函数：
[0036]NLL
‑
LOSS损失函数计算表达式如下：
[0037][0038]通过损失函数计算NLL
‑
LOSS损失值，并通过反向传播不断更新权值与偏置向量值。
[0039]进一步的，所述顶板风险探测结果输出层采用Softmax函数作为激励函数：
[0040]Softmax函数计算表达式如下：
[0041][0042]其中，表示第i个神经元Z
i
的输出，表示第k个神经元Z
k
的输出，表示K个神经元的输出之和，a
i
表示第i个神经元Z
i
的Soft本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络的井下顶板风险探测方法，其特征在于：具体步骤如下：S1、敲击矿山井下不同高度的顶板浮石，采集矿山井下顶板的不同风险等级点位的不同频率振动信号数据，形成样本数据集；S2、对样本数据集中的不同频率的振动信号进行处理得到音频图像集，利用音频图像集训练顶板振动音频识别神经网络，并基于训练完成的顶板振动音频识别神经网络对井下顶板风险状态即井下顶板不同点位的风险等级进行探测和识别；S3、采用训练完成的顶板振动音频识别神经网络对井下顶板的当前风险等级状态进行识别；S4、将识别的井下顶板的当前风险等级状态进行实时显示。2.根据权利要求1所述基于卷积神经网络的井下顶板风险探测方法，其特征在于，步骤S2包括如下步骤：S21、对样本数据集中的不同频率的振动信号，转换为振动数字信号；S22、对振动数字信号进行预加重、分帧、加窗、去噪处理得到预处理振动数字信号；S23、利用双树复小波变换方法对预处理振动数字信号进行特征提取、预加重滤波和划分短时帧，并将各短时帧加载汉明窗，得到振动信号功率谱；S24、利用梅尔尺度滤波器组处理振动信号功率谱得到顶板振动声音频谱图集；S25、通过离散余弦变换处理顶板振动声音频谱图集提取梅尔频率倒谱系数MFCC，并通过图像归一化处理均值归一化的梅尔频率倒谱系数MFCC，得到顶板音频图像集；S26、构建顶板振动音频识别神经网络；S27、利用顶板音频图像集训练顶板振动音频识别神经网络，并在神经网络中加入跳跃连接层以消除图像在卷积计算过程中的特征点损失和信息冗余，得到训练完成的顶板振动音频识别神经网络。3.根据权利要求2所述基于卷积神经网络的井下顶板风险探测方法，其特征在于：所述梅尔尺度滤波器组中带通滤波器H
m
(k)，其通滤波器H
m
(k)的表达式如下：(k)的表达式如下：(k)的表达式如下：(k)的表达式如下：其中，m为第m个带通滤波器，f
(m)
为第m个带通滤波器的中心频率对应的快速傅里叶变换点数，f
(m
‑
1)
为第m
‑
1个带通滤波器的中心频率对应的快速傅里叶变换点数，f
(m+1)
为第m+1个带通滤波器的中心频率对应的快速傅里叶变换点数，m为振动波形信号功率谱对应的快速傅里叶变换点数。
4.根据权利要求2所述基于卷积神经网络的井下顶板风险探测方法，其特征在于：所述顶板振动音频识别神经网络包括：依次连接的音频图像输入层、第一卷积层、第一批量归一化层、第一Relu激活函数层、第一SENet注意力机制、第一最大池化层、第一跳跃连接层、第二卷积层、第二批量归一化层、第二Relu激活函数层、第二SENet注意力机制、第二最大池化层、第二跳跃连接层、第三卷积层、第三批量归一化层、第三Relu激活函数层、第三SENet注意力机制、第三最大池化层、第三跳跃连接层、第四卷积层、第四批量归一化层、第四Relu激活函数层、第四SENet注意力机制、第四最大池化层、第四跳跃连接层、第五卷积层、第五批量归一化层、第五Relu激活函数层、第五SENet注意力机制、第五最大池化层、第五跳跃连接层、顶板风险探测结果输出层。5.根据权利要求4所述基于卷积神经网络的井下顶板风险探测方法，其特征在于：所述顶板风险探测结果输出层采用NLL
‑
LOSS作为损失函数：NLL
‑
LOSS损失函数计算表达式如下：通过损失函数计算NLL
‑
LOSS损失值，并通过反向传播不断更新权值与偏置向量值。6.根据权利要求4所述基于卷积神经网络的井下顶板风险探测方法，其特征在于：所述顶板风险探测结果输出层采用Softmax函数作...

【专利技术属性】
技术研发人员：侯克鹏，水宽，孙华芬，侯文文，张佳琳，曹念，刘泽民，余国强，包广拓，孙晨涛，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：