【技术实现步骤摘要】
本专利技术属于煤矿安全监测，特别涉及一种煤矿围岩状态监测预警方法、系统、设备及介质。
技术介绍
1、在煤矿开采过程中，维护工作面及巷道的稳定性是保障生产安全和矿工生命安全的首要任务；其中，围岩稳定性的实时监测与预警是矿山安全监控的重要组成部分；传统的监测预警方法主要依赖于人工巡检、经验判断和定期检测，存在工作效率低，反应滞后，准确性低和预警不及时等问题。
2、随着智能算法和深度学习技术的发展，基于长短期记忆网络模型(long short-term memory，lstm)的预测方法逐渐应用于煤矿围岩状态监测预警领域，由于煤矿围岩状态变化具有复杂性和不确定性的因素，而lstm作为一种时间循环神经网络模型往往存在对长时间时序依赖关系捕捉不足、无法有效识别关键信息等问题，进而导致围岩状态监测预警结果的精准度较低且时效性差。
技术实现思路
1、针对现有技术中存在的技术问题，本专利技术提供了一种煤矿围岩状态监测预警方法、系统、设备及介质，以解决现有的煤矿围岩状态监测方法存在对长时间时序依赖关系捕捉不足、无法有效识别关键信息等问题，进而导致围岩状态监测预警的精准度较低且时效性差的技术问题。
2、为达到上述目的，本专利技术采用的技术方案为：
3、本专利技术提供了一种煤矿围岩状态监测预警方法，包括：
4、获取表征煤矿围岩状态的实时监测数据；
5、将所述表征煤矿围岩状态的实时监测数据，输入至预训练的围岩状态预测模型中，输出得到煤矿围岩状态预
6、将所述煤矿围岩状态预测结果与预设的煤矿围岩状态阈值进行比较，根据比较结果生成煤矿围岩状态监测预警结果。
7、进一步的，所述表征煤矿围岩状态的实时监测数据包括煤矿围岩巷道的压力实时数据及顶板离层位移实时数据。
8、进一步的，堆叠lstm层为若干层堆叠的lstm网络模型，每一层lstm网络模型包括若干lstm单元；
9、在每一层lstm网络模型中，每个所述lstm单元的输出包括细胞状态和隐藏状态，上一个lstm单元输出的细胞状态和隐藏状态传递至下一个lstm单元，且每个lstm单元输出的隐藏状态传递至堆叠的下一层lstm网络模型中。
10、进一步的，在每一层lstm网络模型中，通过门控制将短时记忆信息和长时记忆信息相结合，并通过遗忘门、输入门和输出门进行迭代。
11、进一步的，所述包含lightning attention-2机制的自注意力层以堆叠lstm层的输出作为其输入，并进行注意力计算；其中，所述包含lightning attention-2机制的自注意力层还包括self-attention机制。
12、进一步的，注意力计算的过程，具体如下：
13、对堆叠lstm层的输出进行分块，获得若干数据块；
14、在每个数据块内利用self-attention机制计算注意力得分，并通过softmax函数进行转换，得到块内注意力权重；
15、在任意两个数据块之间采用lightning attention-2机制计算注意力权重，得到块间注意力权重；
16、对所述块内注意力权重和所述块间注意力权重进行加权求和，得到注意力计算结果。
17、进一步的，所述预训练的围岩状态预测模型的训练过程，具体如下：
18、获取表征煤矿围岩状态的历史监测数据；
19、构建围岩状态预测模型；
20、将所述表征煤矿围岩状态的历史监测数据输入至围岩状态预测模型中，采用dropout算法和adam优化算法对模型参数进行寻优，获得最优的模型参数；
21、将所述最优的模型参数代入到围岩状态预测模型中，获得所述预训练的围岩状态预测模型。
22、本专利技术还提供了一种煤矿围岩状态监测预警系统，包括：
23、数据采集模块，用于获取表征煤矿围岩状态的实时监测数据；
24、围岩状态预测模块，用于将所述表征煤矿围岩状态的实时监测数据，输入至预训练的围岩状态预测模型中，输出得到煤矿围岩状态预测结果；其中，所述预训练的围岩状态预测模型包括堆叠lstm层及全连接层，并在全连接层之前引入有包含lightningattention-2机制的自注意力层；
25、预警模块，用于将所述煤矿围岩状态预测结果与预设的煤矿围岩状态阈值进行比较，根据比较结果生成煤矿围岩状态监测预警结果。
26、本专利技术还提供了一种煤矿围岩状态监测预警设备，包括：
27、存储器，用于存储计算机程序；
28、处理器，用于执行所述计算机程序时实现所述的煤矿围岩状态监测预警方法的步骤。
29、本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的煤矿围岩状态监测预警方法的步骤。
30、与现有技术相比，本专利技术的有益效果为：
31、本专利技术提供了一种煤矿围岩状态监测预警方法，将表征煤矿围岩状态的实时监测数据输入至包含堆叠lstm层的围岩状态预测模型，通过堆叠lstm层有效捕捉长时间依赖关系，以适应煤矿围岩状态的复杂性和不确定性；同时，利用包含lightning attention-2机制的自注意力层，能够有效保留和控制数据序列的上下文信息，实现在计算资源开销不变的情况下处理任意长度的围岩状态数据，增强了模型对于关键信息的识别，提高了预测的准确性，进而有效保证了围岩状态监测预警的实时性和精确性，从而保障煤矿作用的安全性。
32、进一步的，通过对表征煤矿围岩状态的历史监测数据进行学习，实现通过反向传播算法和梯度下降方法优化模型的参数；其中，通过引入dropout算法，能够有效防止过拟合，提高模型的泛化能力。
本文档来自技高网...【技术保护点】
1.一种煤矿围岩状态监测预警方法，其特征在于，包括：
2.根据权利要求1所述的一种煤矿围岩状态监测预警方法，其特征在于，所述表征煤矿围岩状态的实时监测数据包括煤矿围岩巷道的压力实时数据及顶板离层位移实时数据。
3.根据权利要求1所述的一种煤矿围岩状态监测预警方法，其特征在于，堆叠LSTM层为若干层堆叠的LSTM网络模型，每一层LSTM网络模型包括若干LSTM单元；
4.根据权利要求3所述的一种煤矿围岩状态监测预警方法，其特征在于，在每一层LSTM网络模型中，通过门控制将短时记忆信息和长时记忆信息相结合，并通过遗忘门、输入门和输出门进行迭代。
5.根据权利要求1所述的一种煤矿围岩状态监测预警方法，其特征在于，所述包含Lightning Attention-2机制的自注意力层以堆叠LSTM层的输出作为其输入，并进行注意力计算；其中，所述包含Lightning Attention-2机制的自注意力层还包括Self-Attention机制。
6.根据权利要求5所述的一种煤矿围岩状态监测预警方法，其特征在于，注意力计算的过程，具体
7.根据权利要求1所述的一种煤矿围岩状态监测预警方法，其特征在于，所述预训练的围岩状态预测模型的训练过程，具体如下：
8.一种煤矿围岩状态监测预警系统，其特征在于，包括：
9.一种煤矿围岩状态监测预警设备，其特征在于，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的煤矿围岩状态监测预警方法的步骤。
...【技术特征摘要】
1.一种煤矿围岩状态监测预警方法，其特征在于，包括：
2.根据权利要求1所述的一种煤矿围岩状态监测预警方法，其特征在于，所述表征煤矿围岩状态的实时监测数据包括煤矿围岩巷道的压力实时数据及顶板离层位移实时数据。
3.根据权利要求1所述的一种煤矿围岩状态监测预警方法，其特征在于，堆叠lstm层为若干层堆叠的lstm网络模型，每一层lstm网络模型包括若干lstm单元；
4.根据权利要求3所述的一种煤矿围岩状态监测预警方法，其特征在于，在每一层lstm网络模型中，通过门控制将短时记忆信息和长时记忆信息相结合，并通过遗忘门、输入门和输出门进行迭代。
5.根据权利要求1所述的一种煤矿围岩状态监测预警方法，其特征在于，所述包含lightning attention-2机制的自注意力...
【专利技术属性】
技术研发人员：杨鑫，贺开明，仵书婷，员晓，廖星，武凌霄，
申请(专利权)人：渭南陕煤启辰科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。