基于Elman神經網絡的沖擊地壓信息融合方法

2022-03-17 10:15:58梁燕華梁云超成燕峰李凌烜

電子測試 2022年5期

梁燕華，梁云超，成燕峰，李凌烜

（黑龍江科技大學電氣與控制工程學院，黑龍江哈爾濱，150022）

0 引言

沖擊地壓是一種巖體的局部破裂，旨在到達應力臨界狀態時，急劇釋放能量以至于產生大量的應力信號，因此，應力信號與巖體的整個破壞過程相對應。作為巖體變形破壞過程中的一種物理效應，應力信號與巖體的破壞過程密切相關，可以作為一種觀測手段,來監測巖體的應力狀態[1]。因此，本文利用這種多傳感器數據融合的模型以及Elman神經網絡融合算法來對多個傳感器所采集到的應力信號信息進行融合處理，最終得到所需要的精確的數據融合結果。

在數據的采集過程中，傳統的信號采集往往由單一的傳感器來完成，即使采用多個傳感器也僅是從多個側面孤立的反映目標信息[2]。在實際情況下，多個信號源會產生多個信號，在這些信號中，信息的獲取會存在矛盾之處。張勇等[3]應用D-S證據融合理論，對獲得的信息進行數據融合，解釋了巖層頂板運動發生的規律性。劉曉悅等[4]把多源信息融合和模糊神經元算法合，建立以多判據信息融合為基礎的模糊神經元網絡模型，并驗證了模型的整體性能。王雨虹等[5]把聲發射和神經網絡結合，通過粒子群算法良好的尋優能力使BP神經網絡收斂速度得到提升、全局尋優能力提高，使BP神經網絡的閾值和權值達到最優。馮志慶等[6]提出了一種利用神經網絡并行子網作為前級處理，證據理論用于后級融合的推理模型。根據抽象程度的不同，可將多傳感器信息融合技術劃分為像素層融合、特征層融合以及決策層融合三個層次[7]。在處理信息融合方面，通過不同目標及其特性進行合理選擇合適的信息融合技術。但是大多數文獻僅僅進行決策層融合，該方法會使承載數據容量變小以至于遺漏很多重要的信息,因而處理后得到的數據信息易于粗糙、精確度等級不夠，為了獲得詳細且精確的信息往往需要高成本地進行處理，有時也不盡如人意。因此，數據進行多源信息融合在獲得精確的綜合評價研究上顯得尤為重要。卡爾曼濾波法、加權平均法、神經網絡等是現在學者專家常用的信息融合方法，其中Elman神經網絡獨特在較為簡便、獨立性較強。通過訓練采集到的實驗數據，可以輕易得出以下結論：Elman神經網絡時變特性較好，非線性能力較強，學習速率極快。

70組實驗樣本所應用的實驗設備為法國制造的ROCK600-50，并在相同實驗規格下完成。在Matlab仿真軟件的基礎上，加權平均法作為數據融合的前提，應用Elman神經網絡對應力數據分組進行融合，并得到精確的融合數據。

1 巖石的應力-應變機理

如圖1所示，巖石的應力-應變曲線一般分為4個階段，Ⅰ,Ⅱ,Ⅲ,Ⅳ階段分別是壓密階段、線彈性階段、塑性階段、臨失穩階段；有3個特征點，其中包括屈服點y、強度極限點p和臨失穩點i。實際情況下，巖石由于不同的力學性質，不同形式表現在應力-應變曲線上。脆度很高的巖石，從形變到破裂其應力-應變曲線保持直線狀態，接近應力極限峰值迅速崩裂；而脆性較低巖石的應力-應變曲線在Ⅲ階段之前近似直線狀態，y點之后曲線呈現保持長時間的彎曲狀態，在p點之后一段時間會發生破裂。。低脆性巖石加載初期處于Ⅰ階段，由于內部微小裂痕導致應力數值增長緩慢；在此之后應力-應變曲線保持直線狀態，也就是巖石形變處于Ⅱ階段；繼續加壓到峰值應力這段時期，巖石形變的Ⅲ階段應力緩慢增長，在此階段，內部應力區受到集中應力使得裂痕逐漸擴大以至于產生遠場裂紋，繼續加壓，遠場裂紋保持不斷擴大狀態；隨后進入到Ⅳ狀態，巖石在此階段迅速發生破裂。實驗中所用巖石屬于砂巖，屬于低脆性巖石，三軸實驗壓縮狀態的砂巖出現的應力-應變曲線也可總結為以上4個階段。實驗過程中，加圍壓和軸壓下出現的應力-應變曲線和下圖曲線基本相似。

圖1 典型巖石應力-應變曲線的階段性劃分

砂巖介于地殼之間，承受三向應力作用，因此在試驗過程中，采用加圍壓和軸壓來完成煤巖三軸壓縮試驗。實驗的巖樣屬于砂巖,按試驗要求加工成直徑20mm,高度100mm左右的標準件,三軸壓縮按圍壓5Mpa做70組實驗。因此，三軸壓縮砂巖的應力試驗對巖體應力特性進一步研究，旨在對巖體安全穩定性方向上貢獻一份力量。

2 實驗數據來源

2.1 數據采集

數據的采集均通過實驗獲得，實驗樣本為具有沖擊傾向特性的砂巖。實驗設備是由SH-Ⅱ聲發射系統以及ROCK600-50三軸實驗儀組成，設備圖如圖2所示。法國ROCK600-50三軸實驗儀是具備多功能特性，能同時完成力學和聲發射實驗。實驗過程，包括壓力室軸向加壓和圍向加壓。第一階段，壓力室充油排氣，進行軸向加壓。通過控制實驗設備開關，液壓油會通過設備的活塞移動會充滿壓力室腔體。第二階段，進行圍向加壓。當油完全充滿壓力室腔后，閥上的有機玻璃管中流過的將會只有油，而沒有氣泡，此時關閉閥,等待一段時間，圍壓會升高到20bar，軸壓和圍壓的先后加載確保了實驗穩定有序的進行。實驗運用三軸實驗儀對實驗樣品加載軸壓和圍壓，采集從開始加載到樣品破損過程中的煤巖抗壓強度和聲發射特征信號。至此，裝樣及所有泵都已經充滿油，可以在軟件中設置參數。

2.2 實驗過程

設置固定壓力為5MPa，巖樣加載速度為1.5MPa/min，采集數據間隔是1us。觀察實驗器材中的加載曲線，曲線下降到一定程度，并聽到尖銳響聲，說明巖石已碎裂。立即保存數據，70組實驗數據如表1所示。

表1 三軸應力實驗數據

70組實驗巖石樣本破裂周期大致相同，每組可以得到1200個應力數據。在同樣的實驗規格的情況下，進行7組仿真對比實驗，每10組實驗數據用于1組仿真實驗。

3 沖擊地壓的信息融合模型

3.1 基于Elman神經網絡的融合模型

信息融合是應用多傳感器全面檢測研究對象，對檢測的數據進行分析以及優化，找出相互之間存在的聯系。信息融合，旨在選擇合理的算法，剔除無用和錯誤的信息，增強了系統之后信息歸類和危險級別映射的可靠性和魯棒性。為了考慮系統的完備性，構建基于Elman神經網絡的信息融合模型，應用各個實時采集到的數據進行信息融合并得出融合結果。

根據三軸實驗，得到70組應力信號數據，隨機選擇10組實驗數據進行加權平均法處理，得到參照值。再用這10組實驗數據，構建Elman神經網絡進行融合比較，確定方法可行性。

Elman神經網絡融合模型如3所示。

圖3 Elman神經網絡融合模型

3.2 Elman神經網絡結構

Elman神經網絡具備動態環節，這一特點使系統直接反應動態過程，具備實時反饋系統的能力，系統狀態會作為輸入與此同時有了相應減少，輸入層單元也得到了大大的節省。Elman神經網絡結構如圖4所示。

圖4 Elman神經網絡結構

Elman神經網絡具備輸入層、隱含層、承接層、輸出層四層單元結構，與其它神經網絡相比，多了承接層單元。網絡結構承接層用于存儲數據，并把數據信號反饋到隱含層，從而隱含層得到一定輸出。承接層單元的特點在于，既可以反應網絡之前的數據信息，又可以搭建完善的動態模型結構。Elman神經網絡抗干擾能力很強，具備實時精確的應變非線性函數的能力，網絡的輸入和輸出一旦確定，便可以搭建系統的模型。

根據網絡的結構圖，可以得出Elman神經網絡的數學函數表達式：

3.3 Elman神經網絡融合流程

Elman神經網絡融合具備良好的非線性和時變性特性，其搭建網絡融合模型實時不斷的逼近實際輸出。Elman神經網絡融合的主要內容有以下幾方面：(1)采集相應的傳感器數據；(2)提取有用數據；(3)將實驗數據分成訓練和測試兩部分，應用Elman神經網絡搭建模型；(4)測試測試集是否合適。數據融合流程如圖5所示。

圖5 數據融合流程圖

4 仿真實驗及結果分析

如圖6所示，是其中1組實驗數據，在1150s時是記錄巖石破裂的臨界點。本文應用70組實驗數據，均是選取1150s這一時刻為應力最高點，以便于信號融合。

圖6 應力信號

如圖7曲線所示，選取70組實驗的10組實驗數據，因此，神經網絡為10個輸入節點。每個神經網絡的輸出值均為融合值，即為1個輸出節點。樣本1～樣本10的曲線與融合曲線的對比，通過對比可得，融合曲線整體上與每個樣本曲線趨勢相同，與每個樣本的曲線數值基本相近。因此，當聲發射計數信息采集過程中通過多傳感器的融合會減小單一信息受到干擾或者丟失而導致的損失。

圖7 樣本對比圖

融合值為神經網絡的輸出值，參照值為加權平均值。在相同的實驗條件下，每組實驗數據會隨著時間變化大致相同，直接得到1200個數據樣本點作為神經網絡的輸入，也作為網絡訓練和網絡測試的數據。利用MATLAB仿真，融合結果如圖8曲線所示。由圖可知，融合曲線與參照曲線整體趨勢大致相同，擬合度很高。

圖8 應力Elman神經網絡融合曲線

絕對誤差（誤差）是實際值和融合值的比值，而相對誤差是誤差和實際值的比值，即為誤差率。由于實驗剛開始階段，傳感器采集數據不準確導致誤差偏大；在巖石破裂的時候也就是應力達到峰值，數據信號產生波動，會產生一定的誤差。如圖9曲線所示。前100個實驗數據誤差在5范圍內，100到1100個實驗數據誤差接近于0，1100到1200實驗數據誤差在10范圍內。