裴艳宇等：一维卷积神经网络特征提取下微震能级时序预测 ·1009· J Geophys,2014,57(8):2687 (朱会杰，王新晴，芮挺，等.基于平移不变CNN的机械故障诊断 (蔡武，窦林名，李振雷，等.微震多维信息识别与冲击矿压时空 研究.振动与冲击，2019,38(5)：45) 预测一以河南义马跃进煤矿为例.地球物理学报，2014， [19]Perol T,Gharbi M,Denolle M.Convolutional neural network for 57(8):2687) earthquake detection and location.Sci Adv,2018,4(2):e1700578 [10]Guo L G,Dai G L,Yang B C,et al.Stress anomaly monitoring of [20]Dong Z P.Wang M,Li D R.et al.Object detection in remote coal face based on microseismic tomography.J Zhejiang Univ Eng sensing imagery based on convolutional neural networks with Sci,2018,52(10):2014 suitable scale features.Acta Geod Cartographica Sinica,2019, (郭来功，戴广龙，杨本才，等.基于微震成像的采煤工作面应力 48(10):1285 异常监测.浙江大学学报：工学版，2018,52(10)：2014) (董志鹏，王密，李德仁，等.遥感影像目标的尺度特征卷积神经 [11]Tian X H,Li Z L,Song D Z,et al.Study on microseismic 网路识别法.测绘学报，2019,48(10)：1285) precursors and early warning methods of rockbursts in a working [21]Zhao K N.Pu TJ,Wang X Y,et al.Probabilistic forecasting for face.Chin J Rock Mech Eng,2020,39(12):2471 photovoltaic power based on improved bayesian neural network (田向辉，李振雷，宋大钊，等.某冲击地压频发工作面微震冲击 Power Syst Technol,2019,43(12):4377 前兆信息特征及预警方法研究.岩石力学与工程学报，2020， (赵康宁，蒲天骄，王新迎，等.基于改进贝叶斯神经网络的光伏 39(12):2471) 出力概率预测.电网技术，2019,43(12)：4377) [12]Qiao M Y,Cheng P F,Liu Z Z.Mine water inflow prediction [22]Jin L J,Zhan J M,Chen J H,et al.Drill pipe fault diagnosis based on GA-SVM.Coal Geol Explor,2017,45(6):117 method based on one-dimensional convolutional neural network./ (乔美英，程鹏飞，刘震震.基于GA-SVM的矿井涌水量预测.煤 Zhejiang Uniy Eng Sci,2020,54(3):467 田地质与期探，2017,45(6)：117) (金列俊，詹建明，陈俊华，等.基于一维卷积神经网络的钻杆故 [13]Zhao Y X,Yang Z L,Ma B J,et al.Deep learning prediction and 障诊断.浙江大学学报：工学版，2020,54(3)：467) model generalization of ground pressure for deep longwall face [23]Gao J H,Guo Y,Wu X.Gearbox bearing fault diagnosis based on with large mining height.J China Coal Soc,2020,45(1):54 SANC and 1-D CNN.J Vib Shock,2020,39(19):204 (赵毅鑫，杨志良，马斌杰，等.基于深度学习的大采高工作面矿 (高佳豪，郭瑜，伍星.基于SANC和一维卷积神经网络的齿轮箱 压预测分析及模型泛化.煤炭学报，2020,45(1)：54) 轴承故障诊断.振动与冲击，2020,39(19)：204) [14]Li S G,Ma L,Pan S B,et al.Research on prediction model of gas [24]Xia Y X,Kang L J,Qi Q X,et al.Five indexes of microseismic concentration based on RNN in coal mining face.Coal Sci and their application in rock burst forecastion.J China Coal Soc, Technol,2020,48(1)上33 2010.35(12):2011 (李树刚，马莉，潘少波，等.基于循环神经网络的煤矿工作面瓦 (夏永学，康立军，齐庆新，等.基于微震监测的5个指标及其在 斯浓度预测模型研究.煤炭科学技术，2020.48(1)：33) 冲击地压预测中的应用.煤炭学报，2010,35(12)：2011) [15]Wang H J,Yin Z Y,Ke ZZ,et al.Wear monitoring of helical [25]Zhang YF,Lu ZQ.Remaining useful life prediction based on an milling tool based on one-dimensional convolutional neural integrated neural network.Chin J Eng,2020,42(10):1372 network.J Zhejiang Univ Eng Sci,2020,54(5):931 (张永峰，陆志强.基于集成神经网络的剩余寿命预测.工程科 (汪海晋，尹宗宇，柯臻铮，等.基于一维卷积神经网络的螺旋铣 学学报，2020,42(10)：1372) 刀具磨损监测.浙江大学学报：工学版，2020,54(5)：931) [26]Kingma D,Ba J.Adam:A method for stochastic optimization / [16]Chen Z Q,Li C,Sanchez R V.Gearbox fault identification and International Conference for Learning Representations.San classification with convolutional neural networks.Shock Vib, Diego,2015:1 2015(2):1 [27]Liu DX,Qiao S J,Zhang Y Q,et al.A survey on data sampling [17]Li J,Liu Y B,Yu Y H.Application of convolutional neural methods in imbalance classification.J Chongging Univ Technol network and kurtosis in fault diagnosis of rolling bearing.JAerosp Nat Sci,2019,33(7):102 Poer,2019,34(11:2423 (刘定祥，乔少杰，张永清，等.不平衡分类的数据采样方法综述 (李俊，刘永葆，余又红.卷积神经网络和峭度在轴承故障诊断 重庆理工大学学报：自然科学，2019,33(7)：102) 中的应用.航空动力学报，2019,34(11)：2423) [28]Liu X Y,Wu J X,Zhou Z H.Exploratory undersampling for class- [18]Zhu H J,Wang X Q,Rui T,et al.Machinery fault diagnosis based imbalance learning.IEEE Trans Syst Man Cybern Part B on shift invariant CNN.J Vib Shock,2019,38(5):45 (Cybern),2009,39(2):539J Geophys, 2014, 57（8）: 2687 （蔡武, 窦林名, 李振雷, 等. 微震多维信息识别与冲击矿压时空 预测——以河南义马跃进煤矿为例. 地球物理学报, 2014, 57（8）：2687） Guo L G, Dai G L, Yang B C, et al. Stress anomaly monitoring of coal face based on microseismic tomography. J Zhejiang Univ Eng Sci, 2018, 52（10）: 2014 （郭来功, 戴广龙, 杨本才, 等. 基于微震成像的采煤工作面应力 异常监测. 浙江大学学报: 工学版, 2018, 52（10）：2014） [10] Tian  X  H,  Li  Z  L,  Song  D  Z,  et  al.  Study  on  microseismic precursors and early warning methods of rockbursts in a working face. Chin J Rock Mech Eng, 2020, 39（12）: 2471 （田向辉, 李振雷, 宋大钊, 等. 某冲击地压频发工作面微震冲击 前兆信息特征及预警方法研究. 岩石力学与工程学报, 2020, 39（12）：2471） [11] Qiao  M  Y,  Cheng  P  F,  Liu  Z  Z.  Mine  water  inflow  prediction based on GA-SVM. Coal Geol Explor, 2017, 45（6）: 117 （乔美英, 程鹏飞, 刘震震. 基于GA-SVM的矿井涌水量预测. 煤 田地质与勘探, 2017, 45（6）：117） [12] Zhao Y X, Yang Z L, Ma B J, et al. Deep learning prediction and model  generalization  of  ground  pressure  for  deep  longwall  face with large mining height. J China Coal Soc, 2020, 45（1）: 54 （赵毅鑫, 杨志良, 马斌杰, 等. 基于深度学习的大采高工作面矿 压预测分析及模型泛化. 煤炭学报, 2020, 45（1）：54） [13] Li S G, Ma L, Pan S B, et al. Research on prediction model of gas concentration  based  on  RNN  in  coal  mining  face. Coal Sci Technol, 2020, 48（1）: 33 （李树刚, 马莉, 潘少波, 等. 基于循环神经网络的煤矿工作面瓦 斯浓度预测模型研究. 煤炭科学技术, 2020, 48（1）：33） [14] Wang  H  J,  Yin  Z  Y,  Ke  Z  Z,  et  al.  Wear  monitoring  of  helical milling  tool  based  on  one-dimensional  convolutional  neural network. J Zhejiang Univ Eng Sci, 2020, 54（5）: 931 （汪海晋, 尹宗宇, 柯臻铮, 等. 基于一维卷积神经网络的螺旋铣 刀具磨损监测. 浙江大学学报: 工学版, 2020, 54（5）：931） [15] Chen  Z  Q,  Li  C,  Sanchez  R  V.  Gearbox  fault  identification  and classification  with  convolutional  neural  networks. Shock Vib, 2015（2）: 1 [16] Li  J,  Liu  Y  B,  Yu  Y  H.  Application  of  convolutional  neural network and kurtosis in fault diagnosis of rolling bearing. J Aerosp Power, 2019, 34（11）: 2423 （李俊, 刘永葆, 余又红. 卷积神经网络和峭度在轴承故障诊断 中的应用. 航空动力学报, 2019, 34（11）：2423） [17] Zhu H J, Wang X Q, Rui T, et al. Machinery fault diagnosis based on shift invariant CNN. J Vib Shock, 2019, 38（5）: 45 [18] （朱会杰, 王新晴, 芮挺, 等. 基于平移不变CNN的机械故障诊断 研究. 振动与冲击, 2019, 38（5）：45） Perol T, Gharbi M, Denolle M. Convolutional neural network for earthquake detection and location. Sci Adv, 2018, 4（2）: e1700578 [19] Dong  Z  P,  Wang  M,  Li  D  R,  et  al.  Object  detection  in  remote sensing  imagery  based  on  convolutional  neural  networks  with suitable  scale  features. Acta Geod Cartographica Sinica,  2019, 48（10）: 1285 （董志鹏, 王密, 李德仁, 等. 遥感影像目标的尺度特征卷积神经 网络识别法. 测绘学报, 2019, 48（10）：1285） [20] Zhao K N, Pu T J, Wang X Y, et al. Probabilistic forecasting for photovoltaic  power  based  on  improved  bayesian  neural  network. Power Syst Technol, 2019, 43（12）: 4377 （赵康宁, 蒲天骄, 王新迎, 等. 基于改进贝叶斯神经网络的光伏 出力概率预测. 电网技术, 2019, 43（12）：4377） [21] Jin  L  J,  Zhan  J  M,  Chen  J  H,  et  al.  Drill  pipe  fault  diagnosis method based on one-dimensional convolutional neural network. J Zhejiang Univ Eng Sci, 2020, 54（3）: 467 （金列俊, 詹建明, 陈俊华, 等. 基于一维卷积神经网络的钻杆故 障诊断. 浙江大学学报: 工学版, 2020, 54（3）：467） [22] Gao J H, Guo Y, Wu X. Gearbox bearing fault diagnosis based on SANC and 1-D CNN. J Vib Shock, 2020, 39（19）: 204 （高佳豪, 郭瑜, 伍星. 基于SANC和一维卷积神经网络的齿轮箱 轴承故障诊断. 振动与冲击, 2020, 39（19）：204） [23] Xia Y X, Kang L J, Qi Q X, et al. Five indexes of microseismic and their application in rock burst forecastion. J China Coal Soc, 2010, 35（12）: 2011 （夏永学, 康立军, 齐庆新, 等. 基于微震监测的5个指标及其在 冲击地压预测中的应用. 煤炭学报, 2010, 35（12）：2011） [24] Zhang Y F, Lu Z Q. Remaining useful life prediction based on an integrated neural network. Chin J Eng, 2020, 42（10）: 1372 （张永峰, 陆志强. 基于集成神经网络的剩余寿命预测. 工程科 学学报, 2020, 42（10）：1372） [25] Kingma  D,  Ba  J.  Adam:  A  method  for  stochastic  optimization  // International Conference for Learning Representations.  San Diego, 2015: 1 [26] Liu D X, Qiao S J, Zhang Y Q, et al. A survey on data sampling methods  in  imbalance  classification. J Chongqing Univ Technol Nat Sci, 2019, 33（7）: 102 （刘定祥, 乔少杰, 张永清, 等. 不平衡分类的数据采样方法综述. 重庆理工大学学报: 自然科学, 2019, 33（7）：102） [27] Liu X Y, Wu J X, Zhou Z H. Exploratory undersampling for class￾imbalance  learning. IEEE Trans Syst Man Cybern Part B (Cybern), 2009, 39（2）: 539 [28] 裴艳宇等： 一维卷积神经网络特征提取下微震能级时序预测 · 1009 ·