一种矿山监测数据重构与灾害预警方法及系统

技术领域

本发明涉及矿山工程地质灾害监测预警技术领域，具体而言，尤其涉及一种矿山监测数据重构与灾害预警方法及系统。

背景技术

随着国家对矿山安全管控的力度逐步增强及矿山工作人员的安全意识日益提升，采用多源化监测设备对岩体力学响应进行实时感知已成为大多数矿山的标配，基于多源感知数据完成灾害的超前预警已成为矿山的迫切需求，同时也是广大科研院所的研究重点。

恶劣的矿山环境对传感器的稳定工作带来了严峻的挑战，感知数据的中断、外界环境及开采工作带来的周期性扰动，严重对监测数据的稳定性和有效性造成干扰，影响了灾害超前预警的准确性。由此可见，开发一种矿山监测数据重构与灾害预警方法与系统，实现监测数据的自动化补全、演化趋势智能化重构，灾害的超前预警及相关的计算结果的便捷查看是非常有必要的。

发明内容

根据上述提出的技术问题，提供一种矿山监测数据重构与灾害预警方法及系统。本发明采用的技术手段如下：

一种矿山监测数据重构与灾害预警方法，包括：

采用动态时间窗口，读取实时监测数据；

计算数据缺失率；

基于拉格朗日插值算法及Prophet模型短期预测算法，智能化重构监测数据集；

基于监测数据集，采用Prophet模型时间序列数据分解算法，智能化重构数据演化趋势；

采用改进反速度法，实现潜在地质灾害在时间维度上的超前预警。

进一步地，所述采用动态时间窗口，读取实时监测数据，包括：

动态时间窗口长度默认24h，当预警时间与当前时间间隔小于30d时，动态时间窗口长度自行更改为预警时间与当前时间间隔的1/10。

进一步地，所述计算数据缺失率，包括：

利用动态时间窗口长度除感知设备采样周期，得到理论采集数据量；

利用实际采集数据量除理论采集数据量，得到数据缺失率，并设定数据缺失率阈值在20％～40％之间。

进一步地，所述基于拉格朗日插值算法及Prophet模型短期预测算法，智能化重构监测数据集，包括：

结合动态时间窗口的开始时间dt

结合采集间隔，开展理论采样时间向量T＝{tt

当缺失率为0％时，说明监测数集是完整的，不进行监测数据集智能化重构；

当数据缺失值小于阈值时，则表示缺失数据少，现有数据能表征演化规律，故采用三次多项式作为拉格朗日插值基函数，以时间窗口内采集数据作为初始点，以重构的理论采样时间向量作为待插值点，完成监测数据集D的重构；

当数据缺失值大于阈值时，则表示监测数据存在大量缺失，采用插值的手段，无法表征数据的演化趋势，故读取采样时间窗口前30d的数据作为短期预测的学习样本，并将采样间隔n、理论采样时间向量T作为输入，采用Prophet模型短期预测算法实现监测数据集D的重构。

进一步地，所述基于监测数据集，采用Prophet模型时间序列数据分解算法，智能化重构数据演化趋势，包括：

Prophet模型时间序列数据分解算法，采用加法模型，假设监测数据集D是由趋势项、周期性、误差项组成的时间序列，具体关系如下式所示；

D(t)＝g(t)+p(t)+ε(t)

其中，g(t)为趋势项，用于体现监测数据集D的非周期性变化；p(t)为周期项，由日周期项、周周期项和月周期项三项组成；ε(t)为误差项，表示模型未预测到的波动，服从高斯分布；

基于上述原理，采用Prophet模型对监测数据集D进行重构，得到趋势项g(t)。

进一步地，所述采用改进反速度法，实现潜在地质灾害在时间维度上的超前预警，包括：

读取至当前时刻所有的重构趋势数据G，假设数据量为n；采用数值差分的方法，计算趋势数据的速度向量v，计算公式如下：

其中，k为差分窗口长度，为自定义量；

计算速度向量v的平均值

当Δ

针对任意索引s，当满足Δ

抽取速度向量v中索引k后所有的数据，并采用取倒数的方式，构成反速度向量iv及对应时间向量it，其长度为N；

考虑到反速度值对灾害超前预测的重要程度随时间的推移逐渐降低，即距离当前时间越近的反速度，对预警的重要度越高，采用等差数列的方式，生成首项为0，并且与反速度向量iv等长的权重向量w，其中，公差计算公式如下式所示：

基于上述权重，假设加速阶段反速度的演化满足Fukuzono提出的线性表征公式iv＝A(tc-t)，其中t

考虑到蠕变加速阶段不同时刻灾害预报结果tc存在差异，不同时刻的tc构成了灾害预报向量T

本发明还提供了一种基于上述矿山监测数据重构与灾害预警方法的矿山监测数据重构与灾害预警系统，包括：

利用Python的Flask模块作为后台，采用APScheduler模块生成动态时间窗体，默认为24h，自动化执行所述矿山监测数据重构与灾害预警方法，采用uniapp作为前台，对原始监测数据、重构监测数据、重构趋势数据及灾害预警结果进行可视化展示，并当预警时间与当前时间小于1个月时，将采用短信、邮件方法，进行警情的推送，并自动修正动态时间窗口周期为预警时间与当前时间间隔的1/10。

较现有技术相比，本发明具有以下优点：

1、本发明提供的矿山监测数据重构与灾害预警方法，结合监测数据缺失率，开展多方案协同的监测数据集智能化重构，确保了数据完整性。

2、本发明提供的矿山监测数据重构与灾害预警方法，采用Prophet模型时间序列数据分解算法，实现了监测数据演化趋势的智能化提取，为灾害的超前预警提供更为有效的数据源。

3、本发明提供的矿山监测数据重构与灾害预警方法，考虑监测数据采集时间与灾害预警的相关性，对传统的反速度法灾害预测模型进行了改进，实现了灾害的超前预警。

4、本发明提供的矿山监测数据重构与灾害预警系统，完成了原始监测数据、重构监测数据、重构趋势数据及超前预警结果的可视化，实现了矿山人员随时随地对监测区域稳定性状况的一键式查阅。

基于上述理由本发明可在矿山工程地质灾害监测预警等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明矿山监测数据重构与灾害预警方法与系统架构图。

图2为本发明实施例提供的Prophet模型短期预测算法短期预测效果图。

图3为本发明实施例提供的监测数据集智能化重构结果图。

图4为本发明实施例提供的监测数据演化趋势重构结果图。

图5为本发明实施例提供的手机APP软件监测数据查询页面图。

图6为本发明实施例提供的手机APP软件数据处理结果查询页面图。

图7为本发明实施例提供的位移监测曲线图。

图8为本发明实施例提供的GPS实时监测数据的演化曲线图。

图9为本发明实施例提供的加速蠕变阶段识别结果图。

图10为本发明实施例提供的反速度计算结果图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

如图1所示，为本发明一种矿山监测数据重构与灾害预警方法与系统架构图，本发明提供了一种矿山监测数据重构与灾害预警方法，包括：

S1、采用动态时间窗口，读取实时监测数据；

S2、计算数据缺失率；

S3、基于拉格朗日插值算法及Prophet模型短期预测算法，智能化重构监测数据集；

S4、基于监测数据集，采用Prophet模型时间序列数据分解算法，智能化重构数据演化趋势；

S5、采用改进反速度法，实现潜在地质灾害在时间维度上的超前预警。

具体实施时，作为本发明优选的实施方式，所述步骤S1中，动态时间窗口，具体为：

动态时间窗口长度默认24h，当预警时间与当前时间间隔小于30d时，动态时间窗口长度自行更改为预警时间与当前时间间隔的1/10。

具体实施时，作为本发明优选的实施方式，所述步骤S2中，计算数据缺失率，包括：

S21、利用动态时间窗口长度除感知设备采样周期，得到理论采集数据量；

S22、利用实际采集数据量除理论采集数据量，得到数据缺失率，并设定数据缺失率阈值在20％～40％之间。

具体实施时，作为本发明优选的实施方式，所述步骤S3中，基于拉格朗日插值算法及Prophet模型短期预测算法，智能化重构监测数据集，包括：

S31、结合动态时间窗口的开始时间dt

S32、结合采集间隔，开展理论采样时间向量T＝{tt

S33、当缺失率为0％时，说明监测数集是完整的，不进行监测数据集智能化重构；

S34、当数据缺失值小于阈值时，则表示缺失数据少，现有数据能表征演化规律，故采用三次多项式作为拉格朗日插值基函数，以时间窗口内采集数据作为初始点，以重构的理论采样时间向量作为待插值点，完成监测数据集D的重构；

S35、当数据缺失值大于阈值时，则表示监测数据存在大量缺失，采用插值的手段，无法表征数据的演化趋势，故读取采样时间窗口前30d的数据作为短期预测的学习样本，并将采样间隔n、理论采样时间向量T作为输入，采用Prophet模型短期预测算法实现监测数据集D的重构。

具体实施时，作为本发明优选的实施方式，所述步骤S4中，采用Prophet模型时间序列数据分解算法，智能化重构数据演化趋势，包括：

Prophet模型时间序列数据分解算法，采用加法模型，假设监测数据集D是由趋势项、周期性、误差项组成的时间序列，具体关系如下式所示；

D(t)＝g(t)+p(t)+ε(t)

其中，g(t)为趋势项，用于体现监测数据集D的非周期性变化；p(t)为周期项，由日周期项、周周期项和月周期项三项组成；ε(t)为误差项，表示模型未预测到的波动，服从高斯分布；

基于上述原理，采用Prophet模型对监测数据集D进行重构，得到趋势项g(t)。

具体实施时，作为本发明优选的实施方式，所述步骤S5中，采用改进反速度法，实现潜在地质灾害在时间维度上的超前预警，包括：

S51、读取至当前时刻所有的重构趋势数据G，假设数据量为n；采用数值差分的方法，计算趋势数据的速度向量v，计算公式如下：

其中，k为差分窗口长度，为自定义量，当数据采集周期较高时，尽量选取相对大一点的值，可在一定程度上去除异常波动；

S52、计算速度向量v的平均值

S53、当Δ

S54、针对任意索引s，当满足Δ

S55、抽取速度向量v中索引k后所有的数据，并采用取倒数的方式，构成反速度向量iv及对应时间向量it，其长度为N；

S56、考虑到反速度值对灾害超前预测的重要程度随时间的推移逐渐降低，即距离当前时间越近的反速度，对预警的重要度越高，采用等差数列的方式，生成首项为0，并且与反速度向量iv等长的权重向量w，其中，公差计算公式如下式所示：

S57、基于上述权重，假设加速阶段反速度的演化满足Fukuzono提出的线性表征公式iv＝A(tc-t)，其中t

S58、考虑到蠕变加速阶段不同时刻灾害预报结果tc存在差异，不同时刻的tc构成了灾害预报向量T

本发明还提供了一种基于上述矿山监测数据重构与灾害预警方法的矿山监测数据重构与灾害预警系统，包括：

利用Python的Flask模块作为后台，采用APScheduler模块生成动态时间窗体，默认为24h，自动化执行所述矿山监测数据重构与灾害预警方法，采用uniapp作为前台，对原始监测数据、重构监测数据、重构趋势数据及灾害预警结果进行可视化展示，并当预警时间与当前时间小于1个月时，将采用短信、邮件方法，进行警情的推送，并自动修正动态时间窗口周期为预警时间与当前时间间隔的1/10。

实施例1

本实施例采用金土木JTM-V7000系列多点位移计作为环境感知设备，开展监测数据的重构与长期预警。

采用金土木JTM-V7000系列多点位移计对露天矿地表变形进行实时监测，基于监测历史数据，对Prophet模型短期预测算法的增长模式、不确定性指标、灵活度等指标进行自主调节，当基于历史数据的预测结果，和历史监测数据具有较高的拟合度时，如图2所示，便可以此为基准，开展后续的数据自动重构工作；

采用动态时间窗口读取实时监测数据，反推数据缺失率，完成基于拉格朗日插值算法及Prophet模型短期预测算法的监测数据集智能化重构，重构结果如图3所示；

设定演化周期为1d，采用Prophet模型时间序列数据分解算法，完成重构数据集演化趋势的重构，得到图4所示监测数据趋势重构结果；

采用改进反速度法，对重构演化趋势数据进行分析，得到其演化速率曲线如图5所示，通过步骤S52、步骤S53，并未找到满足条件的加速阶段转折点，同时观察曲线可知，虽然速度存在较大的波动，但是经历波动以后，速度将保持稳定，并未存在显著的加速现象；

采用矿山监测数据重构与灾害预警系统，对计算全过程进行可视化展示，图6展示了感知设备的实时监测数据；图7展示了点击查看数据按钮后，对数据处理过程展示的页面，可以点击原始数据、数据集重构及趋势重构按钮，查看相应的监测数据处理结果。

实施例2

由于实施例1中实际现场监测过程中，并未检测到蠕变加速阶段，为此，本实施例选用大孤山露天矿滑坡监测数据作为输入，对灾害预报效果算法进行说明。

图8展示了GPS实时监测数据的演化曲线，结合矿山实际情况，监测起始时间为2017年5月13日，滑坡灾害实际发生在2018年5月27日，将日期转化为数字索引，即将2017年5月13日视为1，则灾害发生在373天；

结合上述步骤S51至步骤S54，进行蠕变加速阶段的识别，图9展示了蠕变加速阶段的识别结果，由图可看出在发生滑坡灾害前，出现了3次蠕变加速阶段；

图10展示了基于步骤S55计算的各加速阶段反速度曲线，基于此结果，结合上述步骤S56和步骤S57，进一步计算出滑坡灾害可能发生的时间，如下表所示，第一次进入蠕变加速阶段，边坡岩体开始应力调整，灾害预测结果在340-350天左右，但是经过调整后，岩体再一次呈现出平衡状态，并未出现滑坡灾害，因此，预警无效；第二次进入蠕变加速阶段，距离滑坡灾害发生较近，是灾害发生前短暂的应力调整，灾害预测时间基本与滑坡灾害发生时间相匹配，最后一次进入蠕变加速阶段，为滑坡发生前的蠕变加速阶段，预测结果在388天左右，晚于实际灾害发生时间，这是由于灾害发生前变形速率并不会达到无穷，同时加之外界降雨使得灾害提前发生，由此可见该方法在一定程度上，可为灾害时间维度的预警提供一定依据，但并不能实现完全精确的预警。

表1灾害超前预报时间

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。