楊 勇，張忠政，盧曉輝，楊 震，王衛(wèi)東

（1.鞍鋼集團礦業(yè)公司弓長嶺有限公司 露采分公司，遼寧 遼陽 111008；2.東北大學 巖石破裂與失穩(wěn)研究所，遼寧 沈陽 110819）

鉆爆法施工技術(shù)和微震監(jiān)測技術(shù)廣泛應用于地下礦山、露天礦山、水電站和隧道等巖石工程的建設(shè)。鑿巖爆破作為巖石工程施工中必不可少的關(guān)鍵環(huán)節(jié)，必然會對基于微震監(jiān)測信號的巖體損傷過程分析產(chǎn)生干擾，嚴重影響分析結(jié)果的準確性。因此，在尋找爆破與巖體損傷分別產(chǎn)生的微震信號的區(qū)別的基礎(chǔ)上，對爆破擾動引起的微震信號進行剔除，是準確分析工程巖體損傷過程的基礎(chǔ)和關(guān)鍵[1-6]。

在以前研究中，諸多學者基于爆破產(chǎn)生的微震信號或者聲發(fā)射信號特性，對爆破與巖石損傷產(chǎn)生的微震信號或者聲發(fā)射信號進行了區(qū)分。例如：趙國彥等[7]采用頻率切片小波變換技術(shù)對典型的礦山巖體微震信號和爆破振動信號的區(qū)別進行了研究；姜鵬等[8]利用S 變換分析地下廠房巖石破裂、爆破振動信號的頻率特征，建立基于遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)信號的準確分類；李賢等[9]對Allen算法進行改進，提出適用于工程尺度的微震信號及P 波初至自動識別的AB（Allen coupled with Bear algorithm）算法；陳炳瑞等[10]對大量微震信號進行分析，發(fā)現(xiàn)STA／LTA 算法在信號實時觸發(fā)后能大致表征波形振幅和頻率的變化，巖石破裂信號和非巖石破裂信號在延遲位置處R 值具有差異性；張法全等[11]針對微震信號難以精確識別的問題，提出一種基于RST－NMF 微震信號時頻分析和分類方法；Liu 等[12]根據(jù)爆破產(chǎn)生的聲發(fā)射信號的衰減特征和參數(shù)特征對爆破干擾信號進行了準確剔除。上述信號分析方法，能夠準確區(qū)分巖體損傷與爆破擾動產(chǎn)生的微震或者聲發(fā)射信號；然而巖體失穩(wěn)具有突發(fā)性，這就要求信號鑒別方法能夠?qū)Ａ康奈⒄鹦盘柣蛘呗暟l(fā)射信號進行快速、準確區(qū)分。

Spark 平臺作為Apache 項目的頂尖大數(shù)據(jù)處理平臺，具有處理速度快、程序編寫簡單等特點，特別是對于海量數(shù)據(jù)的處理具有一定的優(yōu)勢。另一方面，在數(shù)據(jù)分類算法方面有樸素貝葉斯分類器、基于AdaBoost 分類器、SVM 分類器和基于K 鄰近算法的分類器等。為此，采用識別微震爆破常用的Fisher 分類算法，通過采用Spark RDD 的方式進行實現(xiàn)，并將分類結(jié)果用于后續(xù)的風險預報預警。

1 Fisher 線性判別法

1.1 Fisher 算法的基本思想

Fisher 線性判別方法由Fisher 于1936 年提出，該算法主要用于數(shù)據(jù)分類。Fisher 線性判別方法的本質(zhì)是將數(shù)據(jù)點按照離散程度，尋找在最大程度上能夠區(qū)分數(shù)據(jù)點類別的投影方向，從而將高維度的數(shù)據(jù)轉(zhuǎn)換為低維度的數(shù)據(jù)，由于判別式是線性的，因此，F(xiàn)isher 算法是一種線性判別方法。Fisher 分類算法示意圖如圖1。

圖1 Fisher 分類算法示意圖

Fisher 判別式的一般形式為：

式中：L 為判別指標；Y1、Y2、Y3、…、Yn為判別參數(shù)；b1、b2、b3、…、bn為權(quán)重系數(shù)。

1.2 Fisher 算法步驟

以2 個樣本集ω1、ω2的分類為例，介紹Fisher算法的計算過程。

計算各類樣本的均值向量Mi（i＝1，2）：

式中：Ni為樣本集ωi的樣本個數(shù)；X 為樣本集ωi中的元素數(shù)值。

類內(nèi)離散度表示各類數(shù)據(jù)內(nèi)部點之間的離散程度，總類內(nèi)離散度表示各類類內(nèi)離散度的線性代數(shù)和，類內(nèi)離散度Si和總類內(nèi)離散度矩陣SW的計算公式如下：

類間離散度矩陣Sb衡量了各類別之間的離散程度相關(guān)性，該值越大，說明各類之間的離散程度越大，類間離散度矩陣Sb的計算公式如下：

若各類內(nèi)部的聚集程度越小，而類間的離散程度越大，則說明此時的區(qū)分效果是最佳的，反映到表達式上則是類間離散度和類內(nèi)離散度的比值JF（w）越大，區(qū)分效果越好：

使JF（w）取最大值的解w*是為最佳的權(quán)系數(shù)，即Fisher 判別系數(shù)。最終可求得w*的表達式為：

最終的Fisher 判別式為：

對于閾值y0，這里采用一種簡單的計算方式：

式中：m1、m2為一維空間樣本均值。

2 基于Spark RDD 的微震爆破智能識別算法

通過搭建Spark 平臺，借助Scala 語言和RDD算子編寫Spark RDD 程序，將Fisher 算法遷移到Spark 平臺下。

在程序的設(shè)計過程中，除了核心Fisher 代碼，最重要的2 個過程分別是借助數(shù)據(jù)分析平臺從云端數(shù)據(jù)庫遠程讀取微震信號數(shù)據(jù)和向云端數(shù)據(jù)庫遠程寫入處理結(jié)果數(shù)據(jù)，并且在讀寫的過程中著重考慮程序的I/O 效率。

通過Spark 中的JdbcRDD 方法可以對操作范圍、操作方式等進行設(shè)定，返回值為JdbcRDD（String，String，Double，Double，……，Double）類型，JdbcRDD 存儲類型與從數(shù)據(jù)庫選擇讀取數(shù)據(jù)有關(guān)。

計算過程將每一條數(shù)據(jù)轉(zhuǎn)換成LabeledPoint，其中l(wèi)abel 為事件類型，feature 為事件特征參數(shù)。由于Scala 是一種函數(shù)式編程語言，因此可以將求1 組向量的均值向量（meanVector）、計算向量之和（vectorAdd）、計算向量之差（vectorSub）、計算向量點乘積（vectorMulti）、計算矩陣之和（matrixAdd）、矩陣求逆（matrixInverse）等過程封裝成函數(shù)，然后利用Spark 基本的RDD 算子將各個過程組合起來完成整個過程的計算。由于數(shù)據(jù)分布式并行在每臺機器上，因此為了使處理過程更加高效，對meanVector 的計算結(jié)果采用了廣播變量（broadcast）的方式，通過這種方式可以將所求得的均值向量以節(jié)點為單位共享到每個計算任務(wù)中。廣播變量如圖2。

圖2 廣播變量

經(jīng)過Spark 平臺下Fisher 算法處理后，需要將數(shù)據(jù)庫寫回云平臺數(shù)據(jù)庫。按照普通的方式，每傳輸1 次數(shù)據(jù)建立1 次Connection，然后關(guān)閉Connection，這樣會給網(wǎng)絡(luò)及計算配置造成很大的壓力。為了能夠高效對數(shù)據(jù)進行高效、并發(fā)處理，采用每個分區(qū)建立1 個Connection 的方式，在Connection 量級及操作上會大大改善。

具體而言，RDD 本身是眾多機器的數(shù)據(jù)分區(qū)（Partition）代理，1 個RDD 對應集群上所有數(shù)據(jù)的分區(qū)，工程上使用的機群數(shù)量有限，Partition 數(shù)目也遠遠不可能達到數(shù)據(jù)Connection 的數(shù)目，在這種情況下，借助Partition 與MySQL 建立Connection，當數(shù)據(jù)寫入時，完成終止連接。Spark RDD 向MySQL 中寫入數(shù)據(jù)如圖3。

圖3 Spark RDD 向MySQL 中寫入數(shù)據(jù)

通過以上程序處理，可以實現(xiàn)從云端數(shù)據(jù)庫讀取數(shù)據(jù)到Spark 平臺下的微震信號分類，再將結(jié)果寫入云平臺數(shù)據(jù)庫的過程，此過程集成了云計算平臺與大數(shù)據(jù)平臺的統(tǒng)一調(diào)用，可以在工程數(shù)據(jù)傳輸和處理上提供一定的借鑒意義。算法識別效果圖如圖4。

圖4 算法識別效果圖

為了更加直觀地對識別效果進行展示，以Fisher 識別閾值為基本參數(shù)，對每個微震和爆破事件求出對應的Y 值。由圖4 可以看出Spark 平臺下的Fisher 算法判別效果，其中標線為判別閾值Y0＝－0.003 321 339，位于閾值線以下的微震數(shù)據(jù)點為正確識別的巖石損傷事件，反之為誤判的微震信號。位于閾值線以上的爆破數(shù)據(jù)點為正確識別的爆破微震信號，反之為誤判的微震信號。

實際工程中數(shù)據(jù)是海量的，為了驗證算法在數(shù)據(jù)擴展情況下的有效性，這里分別采用（微震，爆破）數(shù)據(jù)量分別為（10，10）、（20，20）、（30，30）、（40、40）、（50、50）為實例，分別對算法的正確率進行計算，識別正確率結(jié)果如圖5。

圖5 識別正確率結(jié)果

將上述方法應用到弓長嶺露天礦微震信號與爆破信號識別中，事件判別正確率雖然有所下降，但一直穩(wěn)定在83 %左右，預測效果較為可靠。

3 結(jié)語

將微震信號識別算法遷移到Spark 平臺下，實現(xiàn)了巖石損傷與爆破擾動引起的微震信號自動區(qū)分。在弓長嶺露天礦微震信號與爆破信號的識別中，分類算法識別的正確率穩(wěn)定在83 %左右，效果良好，因此可大大減少對監(jiān)測數(shù)據(jù)處理的工作。此外將Spark 平臺與云端數(shù)據(jù)庫的建立遠程連接，成功實現(xiàn)了數(shù)據(jù)傳輸，為后期基于云計算的預警工作提供了技術(shù)基礎(chǔ)。