基于監(jiān)測時間序列的沖擊地壓混沌特性分析及其智能預測研究.pdf

1、沖擊地壓是一種較為典型的礦山災害動力現(xiàn)象,隨著開采規(guī)模的擴大和深度的增加,其危害也日趨嚴重,已成為礦山開采中亟待解決的重大課題。沖擊破壞過程十分復雜,很難建立精確的數(shù)學模型,但目前具有沖擊危險性的礦井都采取了多種監(jiān)測措施,可以獲得大量沖擊地壓監(jiān)測數(shù)據(jù)。本論文以獲取的沖擊地壓監(jiān)測歷史時間序列數(shù)據(jù)為基礎,在相空間重構(gòu)出的動力學空間中分析其混沌特性,基于混沌預測理論,采用智能算法對多個沖擊地壓監(jiān)測變量進行預測研究,并采用集成分類方法對沖擊危險

2、性進行識別預測研究。
　　首先,對沖擊地壓監(jiān)測數(shù)據(jù)進行分析和預處理,獲取能表征煤巖體斷裂破壞動力學特性的監(jiān)測數(shù)據(jù),包括微震累計能量、最大能量、頻次和電磁輻射幅值、脈沖數(shù)指標等時間序列?；趩巫兞肯嗫臻g重構(gòu),通過功率譜方法和主分量分析法定性判定各個沖擊地壓監(jiān)測時序均具有混沌特性。
　　接下來,針對多變量時序相空間重構(gòu)時重構(gòu)變量和參數(shù)確定的相關性以及重構(gòu)效果評價目標的多維性,提出改進的多目標免疫優(yōu)化算法來確定重構(gòu)變量和重構(gòu)參數(shù)。

3、兩個標桿混沌系統(tǒng)仿真實驗驗證了該方法的有效性;用于沖擊地壓監(jiān)測時間序列,結(jié)果表明能夠同時求出多組最優(yōu)重構(gòu)變量和重構(gòu)參數(shù)的組合,為基于多變量監(jiān)測時序的沖擊地壓混沌特性分析和智能預測打下基礎。
　　其三,考慮到多變量時序重構(gòu)可以彌補數(shù)據(jù)長度的不足和噪聲的影響,基于多變量時序重構(gòu)來求解沖擊地壓監(jiān)測時序的混沌幾何不變量:采用改進G-P算法求解多變量時序的關聯(lián)維數(shù)d2,并提出了計算含噪多變量時序的最大Lyapunov指數(shù)(LLE)的非線性最

4、小二乘方法。將改進G-P算法先用于對Lorenz系統(tǒng)的d2求解,驗證其魯棒性強、精確度高;求解沖擊地壓監(jiān)測時序的d2為分數(shù)維,說明其具有混沌特性,并根據(jù)d2研究了不同情況下監(jiān)測數(shù)據(jù)的復雜程度。將LLE求取方法用于Rossler耦合系統(tǒng)驗證了該算法對小數(shù)據(jù)量含噪多變量時序的適用性,求得沖擊地壓監(jiān)測時序的LLE均大于0,再次說明其具有混沌特性,可進行短期預測。
　　其四,將多變量時序重構(gòu)的狀態(tài)相量作為輸入變量,基于GRNN模型來預測多

5、個沖擊地壓監(jiān)測變量的未來值,以間接識別沖擊危險性。GRNN預測結(jié)果表明,在一定的數(shù)據(jù)長度下,基于多變量重構(gòu)的GRNN模型可以提前預測出多個監(jiān)測變量的未來值,而且用于重構(gòu)的監(jiān)測數(shù)據(jù)類型和變量個數(shù)越多,嵌入維數(shù)越大,預測精度越高。然后,在LSSVM的基礎上構(gòu)建MLSSVM模型,用于小數(shù)據(jù)樣本下沖擊地壓監(jiān)測變量的預測。MLSSVM為不同輸出設置不同模型參數(shù),并基于所有輸出的整體擬合誤差和各個輸出的單一擬合誤差最小化,采用免疫算法來優(yōu)化其模型參

6、數(shù),從而得到各個輸出的整體最優(yōu)預測模型。將MLSSVM模型用于三個礦井(工作面)沖擊地壓監(jiān)測變量的預測,結(jié)果表明MLSSVM模型具有較強泛化能力,在訓練樣本有限時,也能達到較小的預測誤差。
　　最后,考慮到由多源監(jiān)測時序重構(gòu)得到的狀態(tài)相量能夠更好地描述系統(tǒng),將其作為輸入來直接識別預測沖擊危險性。由于狀態(tài)相量各個分量間存在一定的互補性和冗余性,提出基于特征聚類的子空間選擇性集成學習算法進行預測。實驗結(jié)果表明:這種集成學習算法,在不同