技术特征：
1.一种井下声发射源多分类方法，其特征在于，包括：获取待检测井下声发射波形时间序列；对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到二维图像马尔科夫转移场；将二维图像马尔科夫转移场输入预先训练好的井下声发射源识别分类模型中，输出待检测井下声发射波形时间序列的分类结果；其中，所述井下声发射源识别分类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷积神经网络进行训练得到。2.根据权利要求1所述的井下声发射源多分类方法，其特征在于，所述对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到二维图像马尔科夫转移场具体包括：对于待检测井下声发射波形时间序列x＝[x1,x2,
…
,x
n
]，确定q个分位数，表示将待检测井下声发射波形在纵向上分为q个区间，并将每个x
i
分配给相应的区间q
j
，j∈[1,q]；沿时间轴以一阶马尔科夫链的方式计算待检测井下声发射波形时间序列各分位数区间之间的转移来构造q
×
q的加权邻接矩阵；通过归一化后得到加权马尔科夫转移矩阵w；通过考虑时间位置，将包含幅度轴上的转移概率的加权马尔科夫转移矩阵w扩展到马尔科夫转移场矩阵中，得到n
×
n马尔科夫转移场m：条件概率p{x(a+h)＝q
j
|x(a)＝q
i
}表示时间序列在a时处于区间q
i
的前提下，在时刻a+h转移到区间q
j
的条件概率为w
ij|xa∈qi,|xa+h∈qj
。3.根据权利要求2所述的井下声发射源多分类方法，其特征在于，得到n
×
n马尔科夫转移场m后还包括：将马尔科夫转移场m网格化；将每个网格中的子图用其平均值代替，生成模糊马尔科夫转移场。4.根据权利要求1至3任一项所述的井下声发射源多分类方法，其特征在于，所述井下声发射源识别分类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷积神经网络进行训练得到，具体包括：获取若干历史井下声发射波形时间序列及其各自对应的声发射源类别；将若干历史井下声发射波形时间序列进行马尔科夫转移场编码，得到对应的历史二维图像马尔科夫转移场；基于得到的历史二维图像马尔科夫转移场及其对应的声发射类别标签，构建训练样本集和测试样本集；以历史二维图像马尔科夫转移场为输入，以声发射类别为输出，基于训练样本集和测试样本集对卷积神经网络进行训练，得到井下声发射源识别分类模型。5.根据权利要求4所述的井下声发射源多分类方法，其特征在于，声发射源类别包括围
岩体声发射信号、爆破作业信号、铲运机作业信号、凿岩作业信号及其他类别信号；所述训练样本集及测试样本集中均包含该五种类别的样本。6.根据权利要求4所述的井下声发射源多分类方法，其特征在于，在训练得到井下声发射源识别分类模型时采用随机梯度下降优化算法来训练卷积神经网络。7.一种井下声发射源多分类装置，其特征在于，包括：数据获取模块，用于获取待检测井下声发射波形时间序列；编码模块，用于对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到二维图像马尔科夫转移场；分类模块，用于将二维图像马尔科夫转移场输入预先训练好的井下声发射源识别分类模型中，输出待检测井下声发射波形时间序列的分类结果；其中，所述井下声发射源识别分类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷积神经网络进行训练得到。8.一种井下声发射源多分类终端，其特征在于，包括至少一个存储器和一个处理器；所述存储器存储有可在所述处理器上运行的计算机程序，该计算机程序被所述处理器执行时实现如权利要求1至6任一项所述的井下声发射源多分类方法。9.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的井下声发射源多分类方法。
技术总结
本发明公开了一种井下声发射源多分类方法、装置、终端、存储介质，其中方法包括：获取待检测井下声发射波形时间序列；对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到二维图像马尔科夫转移场；将二维图像马尔科夫转移场输入预先训练好的井下声发射源识别分类模型中，输出待检测井下声发射波形时间序列的分类结果。利用马尔科夫转移场编码将井下声发射一维时间序列转换为辨识度高的二维图像，这种二维图像不仅保留了时间尺度上的变化趋势，又体现了不同时间跨度的转移概率，再结合深度学习中代表算法卷积神经网络对二维图像识别分类的优势，在识别效率、稳定性和准确率等方面明显优于传统波形识别分类方法。率等方面明显优于传统波形识别分类方法。率等方面明显优于传统波形识别分类方法。
技术研发人员：谢学斌 张欢 李小元 刘涛 支伟 唐运坚 张世东 陆维 潘立景 陈智雄 罗俊森 黄楚茗
受保护的技术使用者：广西中金岭南矿业有限责任公司
技术研发日：2021.09.24
技术公布日：2021/12/27