基于声发射特征提取和机器学习的煤破坏状态预测

同步采集了煤样单轴压缩破坏过程的声发射全波形数据和应力数据,提取了声发射梅尔倒谱系数作为样本特征,定义煤样当前受力与其峰值载荷的比值为煤样的应力状态并将其作为样本标签,利用机器学习方法构建了煤样破坏状态的预测模型。结果表明:梅尔倒谱系数可以很好地表征煤样的破坏状态,该参量在煤样达到受力峰值80%后表现出明显突增或突降或先增加然后突降的规律,机器学习能够利用该样本特征建立煤样破坏状态预测模型进而预测煤样的危险状态,利用五折交叉验证方法评价模型的预测准确度达到88.61%,模型预测效果和稳定性良好;进一步讨论了不同重要度的梅尔倒谱系数组合作为样本特征对于模型预测效果的影响,发现样本特征中含有重要度高的特征和关键特征是模型预测准确度高的关键。这可为进一步完善煤岩动力灾害预测预警提供借鉴。