基于声发射与电磁辐射自适应降噪及多图像特征融合的冲击地压预警方法研究

为解决煤矿深部开采中冲击地压预警信号噪声干扰大、特征挖掘不足的问题，中国矿业大学团队提出了一种基于Swarm Decomposition-Kalman滤波(SWD-KF)自适应降噪与Recurrence Plot/Gramian Angular Field等多图像特征融合的新方法。通过Vision Transformer模型实现了96.16%的综合预警准确率，为复杂井下环境提供了可靠的灾害预警技术。

　　

随着全球煤炭资源向深部开采发展，冲击地压（Rock Burst）已成为威胁煤矿安全的重大隐患。这种由煤岩体突然失稳造成的动力灾害，常导致井巷破坏和人员伤亡。传统监测方法如钻屑法、矿压观测等存在安全风险高、准确性低的缺陷，而声发射(AE)和电磁辐射(EMR)作为典型地球物理监测技术，虽能反映煤岩破裂前兆，却面临井下复杂环境噪声干扰大、信号特征提取不充分等挑战。现有基于傅里叶变换(FT)、小波变换(WT)的降噪方法易造成信息失真，而深度学习模型对干扰信号识别不足，导致预警准确率难以突破。

针对这一技术瓶颈，中国矿业大学Enyuan Wang团队在《Engineering Applications of Artificial Intelligence》发表研究，创新性地将群体智能算法与图像特征融合技术相结合。研究人员首先采用Swarm Decomposition(SWD)自适应分解AE/EMR信号，通过Kalman滤波(KF)动态重构降噪；随后将时序信号转换为递归图(RP)、格拉姆角场(GAF)等四种图像特征，利用非下采样轮廓波变换(NSCT)融合优选图像；最终构建Vision Transformer(ViT)模型实现正常信号、干扰信号与前兆信号的三分类识别。

关键技术包括：1) SWD-KF自适应降噪算法处理非平稳信号；2) RP/GAF/MDF/RPM多模态图像特征提取；3) NSCT图像融合技术；4) ViT深度学习模型构建。研究数据来源于某煤矿西三703工作面的GDD12(A)监测系统采集的现场信号。

主要研究结果

1. SWD-KF降噪性能验证：SWD将信号分解为表征不同特征的模态分量，经KF动态优化重构后，信噪比提升显著，优于传统VMD方法。
2. 多图像特征分布规律：RP图像能有效捕捉信号突变特征，GAF对周期性前兆响应敏感，四类图像特征在正常/干扰/前兆信号中呈现明显分布差异。
3. ViT模型识别效果：在煤矿现场试验中，AE和EMR监测的平均预警准确率分别达96.32%和96.01%，对初次来压、断层构造等不同诱因的冲击风险均能提前识别。

结论与意义
该研究首次将群体智能降噪与多图像特征融合引入冲击地压预警领域，突破传统一维信号分析的局限。SWD-KF算法解决了非线性信号处理中的模式混叠问题，而RP/GAF等图像特征挖掘了被时频分析忽略的全局信息。实际应用中，96.16%的综合准确率显著优于现有方法，为深部煤矿安全开采提供了智能化解决方案。研究团队特别指出，该方法对井下技术干扰（如设备振动）与环境噪声（如水流声）具有强鲁棒性，未来可扩展至微震(MS)监测等领域。

这项由国家级研发计划(2022YFC3004703)等资助的成果，不仅推动了矿山动力灾害预警技术的革新，其提出的"信号-图像-智能"技术路线，也为其他领域非平稳信号处理提供了范式参考。作者Shenglei Zhao强调，该方法已在中国多个高冲击风险矿井成功应用，相关技术正申报国际专利。