基于煤矿深部开采冲击地压危险的预测研究.pdfVIP

题目：基于煤矿深部开采冲击地压危险的预测研究

关键词：煤矿开采；信号特征识别；ARIMA；集成机器学习；Stacking融合

摘要：

本文针对煤矿深部开采冲击地压危险预测问题展开分析。基于ARIMA模型、

指数平滑的阻尼趋势模型、集成机器学习和Stacking融合等方法，借助MATLAB、

SPSS等软件客观分析了采集数据电磁辐射和声发射的特征信息，同时对干扰信号

及前兆特征所在的时间区间进行识别，预测了最后时刻出现前兆特征数据的概率等

问题。有效地解决了冲击地压的监测预警和有效防控煤矿安全生产中的科技问题，

为预警危险预判的实现提供了理论依据。

针对问题1，基于干扰信号数据特征的时间区间的预测识别问题。首先，提取

附件1-2数据信息，通过对原始数据集进行描述性统计，探索数据趋势变化的规律。

之后对数据进行归一化及SMOTE过采样处理，得到本文最终的采样数据。其次，

采用ARIMA构建预测模型，计算显示磁辐射预测识别使用ARIMA（1,1,2），声发

射预测识别使用ARIMA（4,1,2）。杨-博克斯Q检验显示P值均小于0.05，回归得

到的残差无明显的相关性，模型有效性较好。最后，确定干扰信号的特征为年周期

项、半年周期项、季节周期项、月周期项及半月周期项，电磁辐射(EMR)特征的最

大值分别为：±6.1、±1.1、±1.5、±2.6、±4。声发射(AE)特征项的最大值分别为：

±2.13、±0.1、±0.5、±2.1、±1.0。干扰信号所在的时间区间识别见表错误!未找

到引用源。-8。

针对问题2，基于前兆特征信号数据特征的时间区间的预测识别问题。依据问

题1建立的模型分析信号的变化趋势，见错误!未找到引用源。。使用指数平滑的阻

尼趋势模型对前兆特征所在的时间区间进行预测识别，参数估计见错误!未找到引用

源。，残差及拟合优度检验显著的异于0，同时使用AIC和BIC准则进行模型优化，

结果见错误!未找到引用源。。确定前兆特征信号的特征为年周期项、半年周期项、

季节周期项、月周期项及半月周期项，电磁辐射(EMR)特征的最大值分别为：±2.0、

±5.1、±3.6、±1.2、±8.0。声发射(AE)特征项的最大值分别为：±4.5、±10.0、

±4.3、±0.1、±1.5。前兆特征信号所在的时间区间识别见错误!未找到引用源。-14。

针对问题3，前兆特征危险的预判识别问题。首先对数据信号的识别建立集成

机器学习模型（XGBoost、GBDT和RUSBoost），在多分类模型评估指标中引入Micro-

F1、Macro-F1，之后对训练完成的三个基学习器进行Stacking融合，得到模型对前

兆特征数据信号的识别程度见错误!未找到引用源。，其中训练集F1分数均大于0.96，

效果呈现显著性，Micro-F1与Macro-F1均超过了0.90。另外，stacking融合模型得

分情况如错误!未找到引用源。所示，结果表明stacking融合模型的F1预测值在四

个分类器中最高，均达到0.98以上。最后时刻出现前兆特征数据的概率进行预测见

错误!未找到引用源。。

最后，测试模型的灵敏度及鲁棒性，进一步提高了模型的泛化能力和精准度。

1问题重述

1.1研究背景

煤矿深部开采过程中，随着开采深度的增加，地压问题日益严重，特别是冲击地压现

象，它是一种突发性、破坏性强的动力地质现象，对矿工安全和采矿设施构成极大威胁。

冲击地压的预测对于保障煤矿安全生产具有重要意义。传统的预测方法主要依赖于地质统

[1]

计分析和经验判断，但这些方法往往存在一定的局限性，难以准确预测冲击地压的发生。

近年来，随着信号处理技术的发展，机器学习作为一种有效的信号处理方法，被广泛

应用于各种非线性、非平稳时间序列信号的特征识别与分析中有助于识别和提取信号中的

突变和周期性成分，这对于探测煤矿深部开采过程中的冲击地压危险具有潜在的应用价值。

1.2研究选题

问题1-1：基于电磁辐射和声发射信号中存在大量干扰信号，建立数学模型对存在干扰

的电磁辐射和声发射信号进行分析，列出3个以上的干扰信号数