引言

随着煤矿开采深度增加，冲击地压灾害频发，其突发性强、破坏力大，严重威胁人员设备安全。电磁辐射（EMR）和声发射（AE）信号是冲击地压的重要前兆信息载体，然而井下环境复杂，监测信号信噪比低（常<5dB），且前兆信号隐蔽性强、时变特性显著，导致传统阈值法误判率高。为此，本研究提出一种融合小波变换、随机森林、决策树与长短期记忆网络（LSTM）的多阶段智能预警方法。该方法首先利用小波分解与递归特征消除（RFE）提取关键时频特征，通过随机森林高效识别并滤除干扰信号；进而采用滑动窗口构建动态特征序列，结合过采样技术训练决策树模型精准识别前兆特征；最后引入LSTM网络预测未来信号演化趋势，并耦合判别模型输出前兆发生概率，实现提前预警。该方法旨在提升识别准确率与预警时效性，为煤矿安全提供技术支撑。

1 文献综述

煤矿深部开采中的冲击地压灾害严重威胁安全生产，近五年国内年均事故损失超10亿元。声发射（AE）与电磁辐射（EMR）信号作为关键前兆载体，其有效识别受限于井下强噪声干扰（信噪比<5dB）及前兆信号的时序依赖性。传统方法中，阈值法误判率高达30%，而ARIMA/SVM模型因长期建模能力不足，预警窗口常短于48小时。现有机器学习方案如随机森林、LSTM虽部分提升精度，仍存在特征筛选主观性、模型协同性弱、实时概率输出缺失等缺陷。为此，本文提出一种三级融合模型：

干扰过滤层：基于Morlet小波分解与递归特征消除（RFE）提取6个高判别性特征，训练随机森林实现干扰信号识别；

前兆识别层：通过滑动窗口构建时频域动态特征，耦合过采样与决策树分类，前兆信号准确率提高；

风险预测层：采用LSTM预测未来信号趋势，经决策树输出概率，预警窗口提前2～4个时间步。本方法F1分数较SVM有所提升，有潜力为冲击地压实时防控提供可靠技术路径。

2 研究方法

本研究提出了一种融合小波变换、机器学习和深度学习的多阶段冲击地压前兆信号识别与预测模型。整体流程分为三个阶段：干扰信号识别、前兆特征识别与未来信号预测。具体方法包括小波变换特征提取、随机森林分类、滑动窗口构造特征向量、决策树判别，以及基于LSTM的时序预测。

2.1 数据预处理与特征提取

原始监测数据包括电磁辐射（Electromagnetic Radiation, EMR）和声发射（Acoustic Emission, AE）信号，具有采样频率高、非平稳性强及噪声干扰严重等特点。为保障后续模型识别的准确性与稳定性，需首先对原始数据进行标准化处理与多尺度特征提取。

在数据预处理阶段，采用小波变换（Wavelet Transform）对信号进行去噪与多分辨率分解。本研究选用Morlet小波作为母小波函数，对信号进行连续小波变换（CWT），实现信号在时域与频域的局部特征分析。通过对不同尺度的小波系数进行统计，提取出包括尺度能量、均值、标准差、极值、能量比率等在内的频域特征指标。小波变换在提取非平稳信号的瞬态特征方面具备良好表现，能有效突出干扰或前兆信息的突变特征，公式如下：

随后，结合原始时序信号的统计特性，进一步提取了滚动均值、滚动最大值、滚动最小值等时域动态特征。为减少特征冗余、提升模型的计算效率与泛化能力，引入递归特征消除算法（Recursive Feature Elimination, RFE）进行特征筛选。RFE通过反复训练模型并剔除权重较小的特征，最终确定对分类任务最具影响力的六个关键特征：均值、最大值、滚动均值、滚动最大值、滚动最小值与信号能量。

最终所得特征向量作为后续模型输入，为干扰信号识别、前兆信号分类与预测提供数据支持。

2.2 干扰信号识别模型

在煤矿井下实际环境中，电磁辐射（EMR）与声发射（AE）信号不仅记录了岩体应力演化的前兆信息，也不可避免地受到了设备振动、人工操作及其他环境噪声的干扰。为了有效剔除这类非地质成因的干扰信号，提高前兆识别模型的精度与鲁棒性，本文采用随机森林（Random Forest,RF）模型进行干扰信号的自动识别与分类。

2.2.1 模型构建

随机森林是一种基于集成学习思想的非参数分类器，由多个决策树组成。每棵树在训练时使用自助采样法（Bootstrap）从原始样本中抽取训练子集，并在特征子空间中构建分裂节点，从而形成一个弱分类器集合。最终预测结果通过多数投票或平均概率实现决策融合。该模型在处理高维数据、非线性关系以及样本噪声方面表现出优越性能。

本研究将前一阶段经小波变换和RFE筛选后的六个特征作为模型输入，包括均值（Mean）、最大值（Max）、滚动均值（Rolling Mean）、滚动最大值（Rolling Max）、滚动最小值（Rolling Min）和信号能量。每条信号数据根据人工标注或规则判断被赋予干扰或非干扰标签，用于监督学习。

2.2.2 参数优化与训练策略

为获得最优模型性能，采用网格搜索（Grid Search）结合五折交叉验证（5-fold Cross Validation）对随机森林的超参数进行调优。调节参数包括：

树的数量（n_estimators）：选取范围为 [50, 100, 200]；

最大树深度（max_depth）：设置为 [10, 20, 30]；

最小分裂样本数（min_samples_split）：设置为 [2, 5, 10]；

最小叶节点样本数（min_samples_leaf）：设置为 [1, 2, 4]；

是否使用自助采样（bootstrap）：True 或 False。

模型训练数据占比为总数据集的 70%，其余30%作为独立测试集用于评估性能。评价指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1 Score）和AUC（Area Under Curve）。

2.2.3 结果分析

训练结果表明，随机森林模型在干扰信号分类任务中具有良好的泛化能力与高准确性。以AE数据为例，模型的准确率达到88.60%，AUC值为0.918，表明其在实际应用中具备较高的鲁棒性和实用性。该模型的输出结果将作为后续前兆特征识别与LSTM预测模型的数据基础，为煤矿监测系统构建提供干净、高质量的输入信号。

2.3 前兆特征识别模型

在冲击地压发生前，EMR与AE信号往往呈现出随时间演化的趋势特征，如信号强度升高、频率密度增加、波动性增强等。为了识别这些可能预示危险的“前兆特征信号”，本文构建了基于滑动窗口与决策树的判别模型，实现对前兆状态的智能识别。

2.3.1 滑动窗口构造特征序列

考虑信号的动态演化特性，采用滑动窗口法对时序数据进行局部分段。具体地，设定窗口长度为50个时间点，步长为20，实现对原始信号的重叠分块。在每个窗口中，提取如下七个统计特征：

时域特征：均值（Mean）、方差（Variance）、峰度（Kurtosis）、脉冲计数（Pulse Count）；

频域特征：频谱能量（Spectral Energy）、主频（Dominant Frequency）、谱密度（Spectral Density）。

同时，为每一窗口添加标签信息：若该段属于人工标注的前兆区间，则标记为1；否则标记为0。最终形成特征维度为n×8的训练样本矩阵，其中n为样本窗口数。

2.3.2 数据平衡与标准化处理

由于前兆信号在整个信号序列中所占比例较小，样本存在严重的不平衡问题。为避免模型过度拟合至多数类（非前兆），采用随机过采样（Random Over Sampling）技术扩增少数类样本，使正负样本数量趋于平衡。

此外，为统一各特征的量纲与尺度，采用Min-Max归一化方法将所有特征值映射到[0, 1]区间，增强模型对特征差异的敏感性。

2.3.3 决策树模型训练与优化

本研究选用决策树（Decision Tree）作为分类模型，考虑其在中小规模数据上的高效率和对非线性边界的适应性。以信息增益为划分准则构建树结构，在训练样本中递归分裂数据节点，直至满足终止条件比如叶节点纯度或最小样本数阈值。信息增益公式如下：

使用MATLAB平台中的fitctree函数实现模型构建，并通过交叉验证方式对树深、叶节点最小样本数等超参数进行调优，以优化性能与防止过拟合。

3 研究结果与分析

本章基于第三章所构建的多阶段模型，对冲击地压监测数据进行实验验证与性能评估，分析模型在不同子任务中的表现，并结合结果探讨方法的有效性和应用价值。实验数据来源于真实矿区采集的EMR与AE信号，涵盖多个时间段与地质状态。

3.1 干扰信号识别实验结果

随机森林模型用于干扰信号识别任务，采用70%数据训练、30%数据测试。测试结果如表1所示，模型在AE信号识别中准确率达到87.20%，EMR信号中准确率为85.30%。混淆矩阵分析显示假阳性率低，识别性能稳定。

信号类型	准确率	精确率	召回率	F1分数	AUC
AE	87.20%	85.50%	86.80%	86.14%	0.905
EMR	85.30%	83.50%	84.70%	84.09%	0.885

3.2 前兆信号识别实验结果

在处理过干扰后数据基础上，使用决策树模型进行前兆识别。模型对7个特征的处理表现优异，在测试集上取得88.60%的分类准确率，AUC值为0.918，具体统计如表2所示。

信号类型	准确率	精确率	召回率	F1分数	AUC
AE	88.60%	86.90%	88.50%	87.69%	0.918
EMR	86.75%	84.80%	87.20%	85.98%	0.902

3.3 信号预测结果分析

基于LSTM构建的时间序列预测模型在未来5～10个时间点的预测任务中表现稳定。以一个典型时间段数据为例，图4展示了实际信号与预测信号的对比曲线，模型能有效追踪趋势变化，误差在可接受范围内。

4 结论与展望

4.1 研究结论

本文针对煤矿冲击地压灾害预警难题，构建了一种融合小波变换、随机森林、决策树与LSTM的多阶段前兆信号识别与预测模型，系统解决了信号降噪、干扰识别、前兆判别及趋势预测等关键问题。主要研究成果如下：

特征提取与干扰识别方面：结合小波变换和递归特征消除技术提取关键特征，训练的随机森林模型对AE与EMR干扰信号识别准确率分别达到87.20%与85.30%，显著提升数据质量。

前兆信号识别方面：基于滑动窗口构造动态特征序列，决策树模型对AE与EMR前兆信号的分类准确率分别高达88.60%与86.75%，实现高精度识别。

趋势预测与概率输出方面：LSTM模型实现对未来信号趋势的有效预测，融合判别机制可提前2～4个时间步输出前兆概率，为灾害预警提供量化支撑。

模型综合性能优越：与SVM、KNN等传统方法相比，本文模型在准确率、召回率、F1分数和AUC等指标上均表现更优，具备良好的实用性和推广前景。

4.2 研究意义

本研究从多层次构建冲击地压前兆识别与预测体系，不仅提升了模型对复杂监测环境的适应能力，也为构建智能矿井风险预警系统提供了方法参考与理论支持。提出的融合策略具备良好的可迁移性，可推广至其他岩土灾害监测场景。

4.3 局限性与未来研究方向

尽管研究取得一定成效，仍存在以下不足：

数据规模有限。实验数据主要来自部分矿区，模型泛化能力仍需在多区域、不同地质条件下进一步验证；

模型解释性较弱。LSTM等深度学习模型虽预测效果良好，但缺乏对前兆机制的物理解释，影响工程人员信任；

系统集成尚未实现。当前研究以离线分析为主，未来需嵌入监测系统实现在线预警与动态决策支持。

因此，未来工作将重点围绕以下方向展开：拓展数据样本来源，提升模型的鲁棒性与适应性；引入可解释性AI技术，增强模型输出的透明度；联合矿山企业开发部署原型系统，实现算法到设备的转化落地。

参考文献：

1. [1] 陈志强.冲击地压前兆误判阈值优化[J].采矿与安全工程学报,2021,38(04): 701-708.
2. [2] 张明.ARIMA模型预警时效性分析[J].煤炭学报,2022,47(05):1821-1829.
3. [3] 王磊.小波-随机森林的煤矿信号降噪[J].工矿自动化,2022,48(03):45-51.
4. [4] 李建国.LSTM时序预测模型优化[J].中国安全科学学报,2023,33(06):112-119.