本发明涉及岩爆监测与预测，具体涉及一种岩石破裂声发射信号识别模型的数据获取方法。
背景技术：
1、岩爆是矿山和地下工程中的重大安全隐患，尤其在我国，煤矿和深部矿井中岩爆频发，且随着开采深度的增加，岩爆发生频率持续上升。这对人员安全和工程进度构成了严重威胁，因此，研究有效的岩爆防控手段显得尤为紧迫。
2、准确预测岩爆的发生时间是防控岩爆的关键，能够帮助现场提前采取防护措施，减少灾害损失。岩爆的本质是采掘扰动积聚的能量与岩体介质的相互作用，通过定量分析岩爆的起裂-孕爆-发生过程，可以提高预测的准确性。然而，由于岩爆机理复杂、主控因素多变，现有方法难以全面满足实际需求。因此，探索新的定量分析方法，获得精准的岩爆时间预测技术是当前研究的重点。
3、随着数据存储、传输和处理技术的进步，数据驱动的方法成为继实验、理论和计算之后的“第四范式”。机器学习作为一种数据驱动的建模方式，通过从已知数据中提取规律并预测未知情形，已被广泛应用于各个领域。深度学习模型如卷积神经网络、循环神经网络和生成对抗网络，能够直接处理原生数据，利用其深层网络结构逐级提取数据特征，具有强大的数据挖掘能力。而本技术的发明人经过研究发现，目前用于深度学习模型的训练数据缺乏代表性和多样性，在复杂噪音环境下对岩石破裂信号的识别精度和泛化性能较低。
技术实现思路
1、针对现有用于深度学习模型的训练数据缺乏代表性和多样性，在复杂噪音环境下对岩石破裂信号的识别精度和泛化性能较低的技术问题，本发明提供一种岩石破裂声发射信号识别模型的数据获取方法。
2、为了解决上述技术问题，本发明采用了如下的技术方案：
3、一种岩石破裂声发射信号识别模型的数据获取方法，包括以下步骤：
4、s1、纯净岩石破裂信号的获取：
5、s11、实验平台搭建：利用ttg岩石真三轴试验系统和pci-2声发射实验装置，搭建实验室岩爆试验平台；
6、s12、实验材料选择：选取花岗岩、砂岩和煤作为实验材料，进行应变型岩爆和扰动型岩爆的物理模拟实验；
7、s13、应变型岩爆模拟实验：首先三向同步加载至最小主应力值σ1＝σ2＝σ3，然后保持σ3恒定，σ1和σ2两向同步加载至中间主应力值σ1＝σ2，再保持σ2恒定，在σ1方向上加载至最大主应力值，达到设计的原岩应力值后，突然单面卸载σ3，直至岩爆发生；在该实验过程中严格控制环境噪音，对加载设备和冷却设备进行降噪处理；
8、s14、扰动型岩爆模拟实验：加载至三向初始应力后，突然单面卸载σ3，同时在σ1方向上施加扰动，直至岩爆发生；若未观测到岩爆，则恢复初始三向应力，增加σ1的值，重复试验；在该实验过程中，通过ttg岩石真三轴试验系统中的伺服控制系统推送可变频率的动力波至真三轴试验机油缸，来模拟扰动源；
9、s15、数据采集与记录：通过pci-2声发射实验装置记录整个实验过程中产生的岩石破裂信号，并利用影像资料辅助标记岩爆发生的准确时间，为模型训练提供精准的数据样本；
10、s2、噪音信号的获取：
11、s21、现场采集：利用声发射仪和分贝仪，在实际工程现场采集噪音信号，采集过程需选择靠近噪音源的单噪音环境，以避免混合噪音的干扰；
12、s22、实验室复现：在实验室内模拟和复现包括钻机声、人员交谈声在内的特定噪音信号；
13、s3、数据预处理：对步骤s1获取的纯净岩石破裂信号和步骤s2获取的噪音信号进行信号去噪、特征提取；
14、s4、合成监测信号的生成：利用matlab软件的simulink库，将纯净岩石破裂信号与复合环境噪音信号进行信号叠加，生成合成监测信号；通过调整噪音强度和频率，生成多样化的监测信号样本，提升深度学习模型的泛化性能，具体包括：
15、s41、应变型岩爆信号与现场采集噪音信号的叠加：将应变型岩爆模拟实验中获得的岩石破裂信号与现场采集的噪音信号进行叠加；
16、s42、扰动型岩爆信号与实验室复现噪音信号的叠加：将扰动型岩爆模拟实验中获得的岩石破裂信号与实验室复现的噪音信号进行叠加；
17、s43、将步骤s41和s42分别得到的叠加信号进行合成，生成合成监测信号，且在生成合成监测信号时，通过调整噪音信号的强度系数以及频率参数，能够模拟不同的噪声环境，从而生成多样化的监测信号样本。
18、进一步，所述步骤s14中的动力波为正弦波、方波或复合波。
19、进一步，所述步骤s3中的信号去噪，具体包括：
20、带通滤波：对采集到的纯净岩石破裂信号和噪音信号应用带通滤波器，根据纯净岩石破裂信号的频率特性，设定适当的频率范围，去除超出目标频段的噪声，保留信号中的关键成分；
21、小波变换去噪：将带通滤波后的信号进行小波变换，分解为不同频率的子信号，应用阈值处理去除高频噪声，保留主要的信号成分。
22、进一步，所述步骤s3中的特征提取，具体包括：
23、时域特征提取：从去噪后的信号中提取包括信号峰值、持续时间和能量在内的时域特征，这些时域特征用于描述信号的基本时域属性；
24、频域特征提取：对去噪后的信号进行傅里叶变换，提取包括主频和频带宽度在内的频域特征，这些频域特征用于揭示信号的频率特性。
25、进一步，所述步骤s41中应变型岩爆信号与现场采集噪音信号叠加的数学表达式为：
26、ssyn1(t)＝sstrain(t)+α1·ssite_noise(t)
27、其中，ssyn1(t)为应变型岩爆信号与现场采集噪音信号的叠加信号，sstrain(t)为应变型岩爆信号，ssite_noise(t)为现场采集噪音信号，α1为现场采集噪音信号强度系数。
28、进一步，所述步骤s42中扰动型岩爆信号与实验室复现噪音信号叠加的数学表达式为：
29、ssyn2(t)＝sdisturbance(t)+α2·slib_noise(t)
30、其中，ssyn2(t)为扰动型岩爆信号与实验室复现噪音信号的叠加信号，sdisturbance(t)为扰动型岩爆信号，slib_noise(t)为实验室复现噪音信号，α2为实验室复现噪音信号强度系数。
31、进一步，所述步骤s43中最终生成的合成监测信号数学表达式为：
32、sfinal(t)＝β1·ssyn1(t)+β2·ssyn2(t)
33、其中，sfinal(t)为最终生成的合成监测信号；β1和β2为调整后的权重系数，用于平衡叠加信号ssyn1(t)和ssyn2(t)的贡献。
34、与现有技术相比，本发明提供的岩石破裂声发射信号识别模型的数据获取方法，通过系统化地结合物理模拟实验、噪音信号采集与信号合成技术，提出了一种多层次的信号叠加方法，这种方法可以生成具有代表性和多样性的训练数据，能够显著提升深度学习模型在复杂噪音环境下对岩石破裂信号的识别精度，增强了模型的泛化性能，为岩爆预测与防控提供了坚实的技术支持。
1.一种岩石破裂声发射信号识别模型的数据获取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的岩石破裂声发射信号识别模型的数据获取方法，其特征在于，所述步骤s14中的动力波为正弦波、方波或复合波。
3.根据权利要求1所述的岩石破裂声发射信号识别模型的数据获取方法，其特征在于，所述步骤s3中的信号去噪，具体包括：
4.根据权利要求1所述的岩石破裂声发射信号识别模型的数据获取方法，其特征在于，所述步骤s3中的特征提取，具体包括：
5.根据权利要求1所述的岩石破裂声发射信号识别模型的数据获取方法，其特征在于，所述步骤s41中应变型岩爆信号与现场采集噪音信号叠加的数学表达式为：
6.根据权利要求5所述的岩石破裂声发射信号识别模型的数据获取方法，其特征在于，所述步骤s42中扰动型岩爆信号与实验室复现噪音信号叠加的数学表达式为：
7.根据权利要求6所述的岩石破裂声发射信号识别模型的数据获取方法，其特征在于，所述步骤s43中最终生成的合成监测信号数学表达式为：
