·1004 工程科学学报，第43卷，第7期 reaches 98.4%and the test accuracy of the 10-energy level microseismic events increased to 99%.The improved prediction model of the microseismic energy level time series based on the one-dimensional convolution neural network was applied to 250202 working face of Yanbei coal mine to predict the microseismic energy level time series.The overall prediction accuracy of the model is 93.5%,and the prediction accuracy of high-energy microseismic events is close to 100%. KEY WORDS time series prediction of microseismic energy levels;one-dimensional convolution neural network;class imbalance; hybrid sampling;rock burst 我国煤矿开采逐渐转入深部开采，深部开采 应用卷积神经网络对一维数据进行处理，并展现 过程中冲击地压事件发生的数量和强度逐渐增加叫， 了其优势.赵康宁等四利用一维卷积神经网络的 研究冲击地压前兆信号的变化对预测冲击地压有 时序数据特征提取能力，将其与贝叶斯神经网络 重要意义 结合，对光伏出力进行时序预测；金列俊等四建立 微震信号监测作为一种重要技术手段对冲击 一维卷积神经网络的钻杆故障诊断模型，根据钻 地压预测有重要作用，高能级微震事件与冲击 杆的加速度信号对钻杆工作状态进行识别：高佳 地压的发生有良好的对应关系.陆菜平等从分 豪等2！使用一维卷积神经网络对包含轴承故障特 析微震信号的功率谱和幅频特性入手，对冲击地 征的随机信号成分进行特征提取以对齿轮箱轴承 压的预测预报进行研究；蔡武等9综合考虑微震 故障进行辨识.一维卷积神经网络在时序数据特 的“时、空、强”特征，从时间、空间角度分别对冲 征提取和预测方面都展示了良好的能力 击危险状态和冲击危险区域及危险等级进行预 为此，本文为了实现微震能级时序预测，利用 测；郭来功等则通过微震成像和微震云图等方 一维卷积神经网络建立微震能级时序预测模型， 式发掘微震事件时空规律，为冲击地压预测提供 以前若干次微震的能量级别作为输入来预测下一 判据：田向辉等山通过对微震能量、频次的分析 次微震事件的能量级别：分析微震数据时序特征， 来预测冲击地压的危险等级.以上研究结果对冲 对模型进行优化改进，对比现场微震监测数据，验 击地压判识提供了手段支持，但在微震能级随时 证建立的一维卷积神经网络微震能级时序预测模 间变化规律及基于现有的微震能级如何对后期的 型的可行性 微震能级进行预测等方面还需要进一步的研究， 尤其对高能级的微震事件进行预测尤为重要.对 1微震能级序列预测原理 微震信号的变化进行预测，将微震事件时间节点 某一区域的能量与微震之间存在地震震级- 前移，以实现对冲击地压的提前预测，为冲击地压 频度关系，即G-R关系式2： 防控提供更多时间保障 IgN=a-bM (1) 机器学习相关技术和模型的发展为井下序列 数据的预测提供了更广阔的视野.乔美英等应 其中，N为微震累积次数；M为区域性震级的最小 用遗传算法优化的支持向量机模型对矿井涌水量 值；a,b为与区域有关的经验常数，b值刻画了震 进行短期预测，预测最大相对误差为2.62%；赵毅 源区的介质与应力情况 鑫等)利用长短时记忆模型对矿压进行预测并在 文献研究已表明微震能级随时间存在一定的 其他矿井应用，预测结果较佳：李树刚等4利用循 变化规律，那么，未来微震事件的能量与前几次微 环神经网络对煤矿工作面的瓦斯浓度进行预测， 震事件的能量存在关联.基于此假设，一定存在一 瓦斯体积分数预测结果误差为0.006%.以上学者 个映射g,使得可通过前若干次的微震事件能量 应用机器学习模型对时序数据进行预测，在各自 E、E#、Ev得到第N+1次的微震事件能量 研究方面取得了较大进展，但这些传统机器学习 Ew+,如式(2)式所示 模型存在一点不足，即特征提取和分类分开难以 EN+1=8(Ei,Ei+1,...EN) (2) 得到最优解I,而卷积神经网络(Convolutional 式中，+1<N. neural networks.CNN)作为一种深度学习模型，同 由于微震事件的能量量级差别较大，为了便 时具备特征提取和分类输出的能力.卷积神经网 于模型输入及特征提取，对微震事件的能量值取 络特征提取能力出色，在故障诊断618、地质遥感 对数，所得结果四舍五入取整后，记为微震事件能 检测90等方面应用广泛且效果较佳，一些学者 量级别，如式(3)所示：reaches 98.4% and the test accuracy of the 106 -energy level microseismic events increased to 99%. The improved prediction model of the microseismic energy level time series based on the one-dimensional convolution neural network was applied to 250202 working face of Yanbei coal mine to predict the microseismic energy level time series. The overall prediction accuracy of the model is 93.5%, and the prediction accuracy of high-energy microseismic events is close to 100%. KEY WORDS    time series prediction of microseismic energy levels；one-dimensional convolution neural network；class imbalance； hybrid sampling；rock burst 我国煤矿开采逐渐转入深部开采，深部开采 过程中冲击地压事件发生的数量和强度逐渐增加[1] ， 研究冲击地压前兆信号的变化对预测冲击地压有 重要意义[2] . 微震信号监测作为一种重要技术手段对冲击 地压预测有重要作用[3−6] ，高能级微震事件与冲击 地压的发生有良好的对应关系[7] . 陆菜平等[8] 从分 析微震信号的功率谱和幅频特性入手，对冲击地 压的预测预报进行研究；蔡武等[9] 综合考虑微震 的“时、空、强”特征，从时间、空间角度分别对冲 击危险状态和冲击危险区域及危险等级进行预 测；郭来功等[10] 则通过微震成像和微震云图等方 式发掘微震事件时空规律，为冲击地压预测提供 判据；田向辉等[11] 通过对微震能量、频次的分析 来预测冲击地压的危险等级. 以上研究结果对冲 击地压判识提供了手段支持，但在微震能级随时 间变化规律及基于现有的微震能级如何对后期的 微震能级进行预测等方面还需要进一步的研究， 尤其对高能级的微震事件进行预测尤为重要. 对 微震信号的变化进行预测，将微震事件时间节点 前移，以实现对冲击地压的提前预测，为冲击地压 防控提供更多时间保障. 机器学习相关技术和模型的发展为井下序列 数据的预测提供了更广阔的视野. 乔美英等[12] 应 用遗传算法优化的支持向量机模型对矿井涌水量 进行短期预测，预测最大相对误差为 2.62%；赵毅 鑫等[13] 利用长短时记忆模型对矿压进行预测并在 其他矿井应用，预测结果较佳；李树刚等[14] 利用循 环神经网络对煤矿工作面的瓦斯浓度进行预测， 瓦斯体积分数预测结果误差为 0.006%. 以上学者 应用机器学习模型对时序数据进行预测，在各自 研究方面取得了较大进展，但这些传统机器学习 模型存在一点不足，即特征提取和分类分开难以 得到最优解 [15] ，而卷积神经网络 （ Convolutional neural networks，CNN）作为一种深度学习模型，同 时具备特征提取和分类输出的能力. 卷积神经网 络特征提取能力出色，在故障诊断[16−18]、地质遥感 检测[19−20] 等方面应用广泛且效果较佳，一些学者 应用卷积神经网络对一维数据进行处理，并展现 了其优势. 赵康宁等[21] 利用一维卷积神经网络的 时序数据特征提取能力，将其与贝叶斯神经网络 结合，对光伏出力进行时序预测；金列俊等[22] 建立 一维卷积神经网络的钻杆故障诊断模型，根据钻 杆的加速度信号对钻杆工作状态进行识别；高佳 豪等[23] 使用一维卷积神经网络对包含轴承故障特 征的随机信号成分进行特征提取以对齿轮箱轴承 故障进行辨识. 一维卷积神经网络在时序数据特 征提取和预测方面都展示了良好的能力. 为此，本文为了实现微震能级时序预测，利用 一维卷积神经网络建立微震能级时序预测模型， 以前若干次微震的能量级别作为输入来预测下一 次微震事件的能量级别；分析微震数据时序特征， 对模型进行优化改进，对比现场微震监测数据，验 证建立的一维卷积神经网络微震能级时序预测模 型的可行性. 1    微震能级序列预测原理 某一区域的能量与微震之间存在地震震级− 频度关系，即 G−R 关系式[24] ： lgN = a−bM （1） 其中，N 为微震累积次数；M 为区域性震级的最小 值；a，b 为与区域有关的经验常数，b 值刻画了震 源区的介质与应力情况. 、···、 文献研究已表明微震能级随时间存在一定的 变化规律，那么，未来微震事件的能量与前几次微 震事件的能量存在关联. 基于此假设，一定存在一 个映射 g，使得可通过前若干次的微震事件能量 Ei、 Ei+1 EN 得 到 第 N+1 次的微震事件能 量 EN+1，如式（2）式所示. EN+1 = g(Ei ,Ei+1,··· ,EN) （2） 式中，i+1<N. 由于微震事件的能量量级差别较大，为了便 于模型输入及特征提取，对微震事件的能量值取 对数，所得结果四舍五入取整后，记为微震事件能 量级别，如式（3）所示： · 1004 · 工程科学学报，第 43 卷，第 7 期