一种基于云边协同的微震数据实时传输与智能处理方法

1.本发明属于微震监测领域，特别涉及一种微震数据处理技术。


背景技术：

2.微震监测是一种用于监测地下岩体、地质构造和地震活动等微小震动信号的技术。微震监测通过安装一系列地震传感器和数据采集设备，在地下岩体中监测微小震动信号，并将数据传输至数据处理中心进行分析和解释。微震监测技术可以用于评价岩体的稳定性和变形情况，预测滑坡、岩体破坏、地震等灾害的发生风险。其中，微震数据处理是微震监测技术中非常重要的一部分。现有微震数据处理流程主要包括微震事件的识别、滤波、信号检测、走时提取和定位分析，以实现对自然灾害的监测等。但是现有处理方法还存在以下不足：
3.(1)数据传输带宽压力大。微震数据的增长速度远超网络带宽的增长速度，数据采集设备将采集的微震数据不经过任何处理直接传输到服务器进行处理，由于微震数据采集的连续性，数据的传输也是连续不断的，这将导致网络信息传输的压力大大增加。
4.(2)数据处理实时性差。现有微震数据处理方法大多为有线传输，需要人工布设检波器，并于较长时间后将数据导出处理。这种处理方法效率低下，且无法及时提供被监测区域定位信息，直接影响着微震监测系统的实时性和可靠性。
5.(3)数据处理智能化低。微震信号的识别分类是处理流程中非常重要的一步，常用的事件提取方法一般是sta/lta方法、aic信息准则、振幅比等，它们的普遍做法是预设定参数并依据某个标准进行界定分类，但是由于阈值等参数的设定非常复杂棘手，使得现有方法的智能化程度较低，并且由于微震信号具有低信噪比、有效信号不易区分等特点，使得这类方法的识别精度也不高。
6.现在也存在一些通过人工智能方法来实现微震数据处理的方法，但是常用的处理方法大都为将所采集微震数据传输至数据处理中心做进一步处理，但这种方法会产生较高的传输时延和带宽压力。
7.利用微震信号作为浅地表监测的手段已经是一项非常成熟的技术。其中微震监测的核心在于实现微震定位，通过分析震源位置、数量和震级等信息对监测工作非常有意义。不过，以往的定位技术可能在某一方面有所突出表现，但难以实现系统独立性，通常需要过多的专家人为操作，为此许多学者提出了基于神经网络的智能微震监测数据处理方式。然而，随着网络模型复杂程度的逐步提升，待处理数据爆发式增长。同时，现有微震监测系统对实时性的要求也在稳步提升，因此减轻当前微震数据传输的带宽压力、提升微震数据处理系统的实时性和智能性是目前急需解决的问题。


技术实现要素：

8.为解决上述技术问题，本发明提出一种基于云边协同的微震数据实时传输与智能处理方法，利用云边协同的计算架构能够有效的解决微震监测数据传输带宽压力大的问
题，提升计算效率。
9.本发明采用的技术方案为：一种基于云边协同的微震数据实时传输与智能处理方法，所基于的云边协同系统包括：边缘端、边缘网关、云端；云端与边缘端之间的通信方式采用tcp/ip协议；所述方法具体包括以下步骤：
10.s1、所述边缘端具体为检波器，在测区内布置检波器，通过检波器获取微震数据；
11.s2、在云端进行微震事件拾取模型训练，将训练好的微震事件拾取模型通过边缘网关下发至各边缘端；
12.s3、边缘端基于训练完成的微震事件拾取模型对检波器获取的微震数据进行拾取，并将拾取到的微震事件与到时信息通过边缘网关传输至云端；
13.s4、云端汇聚各边缘端的微震事件与到时信息后进行定位处理，计算发震事件震级。
14.本发明的有益效果：利用云边协同的计算架构能够有效的解决微震监测数据传输带宽压力大的问题，提升计算效率。同时，本发明提出的基于云边协同的微震监测数据实时智能处理方法也能提高现有微震监测数据处理的实时性和智能化程度。
15.在自然灾害监测等应用场景中，微震监测技术是常用的监测手段，能够在很大程度上保障人民群众生命财产安全，利用本发明提出的微震监测数据处理方法可以有效提升监测系统的实时性，对于滑坡泥石流等自然灾害能够及时做出预警。同样在煤矿开采等地下工程应用中，微震监测技术也十分重要；本发明方法具有以下优点：
16.(1)通过构建云边协同的微震数据处理架构实现微震数据一体化处理流程，解决了现有微震数据处理方法传输带宽压力大和智能性低的问题；
17.(2)将事件拾取模型置于云端训练，再下沉至边缘端完成微震事件识别的功能，从而减少边缘端的计算与存储资源；
18.(3)基于tcp/ip协议实现云端与边缘端的通信，保证了数据传输的可靠性。
附图说明
19.图1为tian et al.(2023)云边智能协同总体架构图
20.图2为基于走时的微震定位示意图；
21.图3为本发明的方案流程图；
22.图4为基于云边协同的微震数据处理框架图；
23.图5为基于tcp/ip的socket网络应用；
24.图6为t-w cnn网络结构图；
25.图7为locnet模型结构图；
26.图8为基于迁移学习和多通道融合模型的locnet训练流程图；
27.图9为微震事件定位结果图；
28.图10为微震事件定位事件验证图。
具体实施方式
29.为便于本领域技术人员理解本发明的技术内容，首先对以下技术术语进行说明：
30.1、云边协同
31.当今世界，数据的产生和收集已经成为一种趋势。但是数据的处理和分析需要大量的计算资源，而传统的云计算模式存在一些问题，比如高延迟、网络拥塞等，无法满足一些实时性要求较高的场景需求。这时候，云边协同模式就应运而生，它将边缘计算和云计算相结合，能够满足实时性和大数据处理的要求。云边协同是指通过云计算技术，将本地的边缘计算资源和云端的计算资源进行协同，实现数据和计算的分布式处理。云边协同技术是一种新型的分布式计算技术，将云计算和边缘计算进行有机结合，充分利用云端的高性能计算资源和边缘设备的低延迟、高带宽的特点，为物联网、智能制造、智慧城市等领域的数据处理和业务开发提供支持。
32.云边协同架构包括三个主要组成部分：边缘设备、边缘网关和云端。边缘设备是数据的采集端，它们一般具有低功耗、小型化、低成本等特点，能够在较小空间内进行计算和存储，这使得边缘设备能够承担更多的任务。同时，边缘设备上的数据可以通过边缘网关传输到云端进行处理，因此边缘设备可以避免繁重的计算任务，降低能耗。边缘网关是边缘设备与云端之间的桥梁，其主要作用是进行数据预处理和过滤，以减少数据传输量，同时它还可以将云端下发的任务分配给边缘设备进行本地处理，以提高数据处理效率和响应速度。在边缘网关中，还可以部署一些应用程序，如安全检测、故障诊断、智能控制等。云端是云计算资源的集合，包括云服务器、存储系统、数据中心等，云端的优势在于能够根据业务需求灵活调配计算资源，以满足不同业务场景的要求。在云端，数据可以进行大规模的存储、处理和分析，并且能够提供各种服务，如人工智能、机器学习、大数据分析等。云边智能协同总体架构图如图1所示。
33.在云边协同架构中，边缘设备、边缘网关和云端之间的通信采用一种分层的模式，将数据和计算任务进行分布式处理。具体地，边缘设备采集数据并进行预处理，然后将数据传输到边缘网关；边缘网关对数据进行进一步处理和过滤，并将数据传输到云端进行存储和处理；云端根据业务需求进行数据分析和计算，并将结果返回到边缘网关，最终传回边缘设备。整个过程中，数据和计算任务可以在边缘设备、边缘网关和云端之间进行流动和分布式处理，提高数据处理效率和响应速度，同时保证数据的安全性和隐私性。
34.2、牛顿迭代法微震定位
35.微震监测的主要步骤为：数据获取、数据处理、资料解释。微震定位则是数据处理中最重要的一步，依据来自不同检测器的微震信号和测区的速度模型，采用合适的定位方法进行反演计算，最终得到震源的三维坐标。如图2所示为微震定位原理示意图，在测区内合理布置检波器，利用检波器记录到的地震波进行定位、评估震级等。
36.根据地震波到不同检波器的时间差能够得到方程式(1)：
[0037][0038]
其中，v表示地震波的传播速度，x0、y0、z0和xi、yi、zi分别代表震源和检波器的坐标，t0和ti分别表示发震时刻以及地震波到达第i个检波器的初至时刻。通常将其视为定位方法的目标函数，基于到时的定位方法则是利用理论到时与实际观测到时之间的残差值最小化来实现计算，具体方法的不同则是求解方式的差异。
[0039]
在这个理论基础上根据发震地点、地层速度与地震波旅行时构建目标函数为：
[0040]
f(xi,yi,zi,ti)＝(x
i-x0)2+(y
i-y0)2+(z
i-z0)
2-(t
i-t0)2·
v2ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0041]
其中，xi、yi、zi、ti分别为第i个检波器的位置与拾取初至到时，x0、y0、z0、t0分别为震源位置与发震时刻。
[0042]
令δxk＝x
k+1-xk，牛顿法可以写为：
[0043][0044]
其中，n为台站个数。将目标函数f(x)在xk处进行泰勒级数展开：
[0045][0046]
令目标函数最小，得到线性方程组：
[0047][0048]
化为矩阵形式为：
[0049]
jδxk＝g
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0050]
其中，
[0051][0052]
δxk＝[δxk,δyk,δzk,δtk]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0053]
g＝[f1,f2,...,fn]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0054]
其中，δ是一个迭代值，上标t为矩阵的转置，f1(xk)表示一次迭代后的目标函数，f2(xk)表示两次迭代后的目标函数，fn(xk)分别表示n次迭代后的目标函数。
[0055]
反演模型为x＝[x,y,z,t]，这里的x,y,z,t用于表示震源位置及发震时刻，近似值修正为：x
k+1
＝xk+δxk。牛顿迭代算法就是在这个过程中不断修正更新，从而得到反演解。
[0056]
下面结合附图对本发明内容进一步阐释。
[0057]
云边协同是一种将边缘计算和云计算进行协同的新型分布式计算模式，通过将边缘设备和云端计算资源相结合，实现数据和计算的分布式处理。它能够在满足数据安全性的前提下，加速数据的处理和分析，提高业务响应速度和效率，适用于物联网、智能制造、智慧城市等领域。因此将云边协同的架构用于微震监测数据处理中，能够解决现有微震监测数据处理流程中传输带宽压力大、智能性低、及时性不够的问题。
[0058]
本发明方法的流程图如图3所示，数据采集端获取微震信息；边缘端处理采集端采集的微震数据；云端根据边缘端处理后的数据进行定位，并计算震级。
[0059]
本发明采用基于云边协同的微震数据处理框架，包括：微震事件拾取的边缘端和微震定位的云端，具体框架如图4所示：
[0060]
1)云端
[0061]
云端部署部分包括微震事件拾取模型训练和微震事件定位。微震事件拾取模型经过云端充分训练后将其下沉至各个边缘端设备；各边缘端设备利用训练好的事件拾取网络模型对实时数据进行拾取，于72小时后将事件数据与到时信息传输至云端，此时云端汇聚各边缘端的微震事件与到时信息后进行定位处理，计算发震事件震级，并将结果存储至云端数据中心。
[0062]
2)边缘端
[0063]
边缘端通过云端训练后网络模型进行微震事件拾取，后在局域网间通信，实现微震事件震相关联拾取。对于边缘端，在利用云端训练后网络模型进行微震事件拾取时，首先对原始数据进行格式转换，将原始二进制文件数据转换为.sac数据格式，将其存储后再转换为网络的输入格式nhwc，即样本数、样本长度、样本宽度、通道数，得到拾取后的事件数据和到时信息。当该设备检测到微震事件时，通过局域网向其他设备广播该事件时间信息，其余设备接收到该消息后，检查同时间内是否有微震事件被识别，原设备收到存在通知数目大于3时，广播发送数据请求，并将事件数据发送至云端。得到发送成功标志后删除边缘端存储数据，减少边缘端的内存消耗，提升性能。
[0064]
震相关联即将不同检波器中拾取到的属于同一个震源的事件挑了出来，能够提高震源定位的精度，后续采用tl-locnet的多通道分别输入同一震源的地震时间，来进行微震震源定位。
[0065]
本实施例中边缘端存储数据的时间设置为72小时，在72小时内能拾取到的微震事件量用来定位精度较高，且能满足实时的需求。
[0066]
3)云端与边缘端通信方式
[0067]
为保证云端和边缘端的有效通信，实现数据的准确发送，云边之间的通信方式采用tcp/ip协议，这种端对端的网络传输协议能够将两种系统有效互联，实现数据的准确快速传输。本方法种云边之间的通信模式主要应用python开发，其中基于tcp/ip的socket网络应用如图5所示：
[0068]
云边协同的框架实现了微震数据的完整处理流程，改进了现有处理方式的架构，将实时数据处理下沉至计算资源稀少的边缘端成为可能，提升了云端事件定位性能。
[0069]
微震事件定位方法包括以下步骤：
[0070]
a、t-w cnn微震事件识别，具体为：
[0071]
t-w cnn的结构和参数如图6所示。它接受两个输入：时域波形(即边缘端采集的地震波)和wpd(小波)系数。图6的左边是各层的参数。
[0072]
t-w cnn包括两个功能学习模块，每个功能学习模块由卷积层(conv)，dropout层和最大池化层(maxpooling)组成。卷积层的激活函数为relu。为了降低特征维数，提高计算效率，提取更多的信号鉴别特征，采用最大池化层。优化算法为adam，学习率为0.001，损失函数为binary cross-entropy。t-w cnn还包括：拼接层(concat input)、数据展平层(flatten)、2个全连接层(dense)。
[0073]
详细步骤如下：
[0074]
(a)数据格式转换。网络的输入格式为nhwc，即样本数、样本长度、样本宽度、通道数；
[0075]
(b)随机分割数据集。取10％的数据作为测试集，剩下的数据取其中90％作为训练
集，其余作为验证集；验证集用于对训练得到的模型的有效性进行验证，经验证有效的模型才会下沉至边缘端；
[0076]
(c)扩增训练数据。在分类训练中，如果标记为0的事件显著多于标记为1的事件，就会导致数据类别严重失衡，导致cnn模型性能较差。因此，采用随机移动窗口方法来扩充数据集和平衡类别；本实施例中采用0表示该波形为噪声事件，1表示该波形为微震事件，这里通过标记来扩充训练数据集；
[0077]
(d)修剪数据。数据增广导致在信号序列的末端缺失数据，因此数据的每一端都需要裁剪成统一的数据格式；
[0078]
(e)获取小波包分解系数数据。针对要训练的数据进行小波包变换，得到小波包分解系数数据，来作为t-w cnn的结构的其中一个输入，减少了工作量，更加自动化。
[0079]
(f)训练和测试分类器。
[0080]
b、基于迁移学习和多通道融合网络的微震智能定位
[0081]
牛顿迭代法受初始条件的影响较大，并且对速度模型依赖性较高，这两者都需要依据研究人员的丰富经验进行人为设置。然而，在大多数应用情况中，由于自然环境复杂多变，地下地质状况尚未清楚，很难设置最适合当地情况的初始条件和速度模型，可能使得到的结果跟预期相差甚远。除此之外，相对于地震目录的数量而言，微震目录的数量还远远不够，微震事件样本和标签匮乏，这也对微震定位的研究提出了挑战。
[0082]
因此，本技术提出一种基于迁移学习和多通道融合模型的方法(net for location,locnet)实现微震震源定位，locnet的结构和参数如图7所示，每个通道包括六层卷积，向多通道同时输入不同台站经各自t-w cnn输出的来自同一震源的微震波形，各通道在各自进行学习的同时相互分享学习到的参数，让这些参数进行融合学习并输出定位结果，避免了初始条件和速度模型的设置难题，且利用迁移学习的方式，在解决微震事件样本和标签不足的难题时，还能提高原模型的泛化能力，实现更准确的微震智能定位。
[0083]
为了改善因微震目录数量不足而导致模型无法充分训练的问题，本技术引入了迁移学习的方法，让locnet在现有大量样本和标签的地震数据集(即图8中的源域数据集)中进行充分预训练后，将模型权重迁移至新构建的locnet(locnet via transfer learning,tl-locnet)，再利用少量微震数据对tl-locnet进行再训练，对模型权重进行微调，以提高模型在微震定位领域的泛化能力。为了证明迁移学习的有效性，在训练时还设置了初始化的locnet(initialization locnet，init-locnet)作为对照组模型，此模型为未经过预训练，完全由新的微震数据集训练对其权重参数进行初始化。具体训练流程图如图8所示，其中源域数据集用于对locnet模型预训练。
[0084]
迁移学习的有效性判断过程为：通过对比预训练得到的tl-locnet模型预测准确度与init-locnet模型的预测准确度，如表1所示，当tl-locnet模型的平面预测、深度预测、震级预测以及综合预测均大于作为对照组模型的init-locnet模型的预测准确度时，表示预训练得到的tl-locnet模型是有效的；可以采用该模型进行微震定位。
[0085]
表1tl-locnet模型预测准确度与init-locnet模型的预测准确度对比
[0086]
[0087]
并且该方法能够通过加载前述保存的微震事件到时及台站位置即可实现事件定位，因此整个微震定位的流程无需专家进行操作，提升了微震数据处理的智能性。
[0088]
以下结合具体数据对本发明方法的技术效果进行说明：
[0089]
本发明采用了四川甘孜州巴塘县开展的微震监测工作的数据，目的是为了监测该区域内滑坡发生情况。采样率为4000hz，本次实验共计用到了其中12个台站的站点数据。由于滑坡泥石流事件大多发生在七月到十月间，因此本次实验主要选取了前期八月到九月这一个月的事件定位结果来展示。
[0090]
如图9所示，展示了这段时间内滑坡泥石流发生事件的定位结果，其中各个圆点代表了每一个定位结果，x轴和y轴是大地横纵坐标，z轴为定位深度。可以看出这段时间内的滑坡泥石流事件频发，且定位结果大都在该区域内，没有明显偏差数据。为了更加直观的观察，这里将定位结果投影到已知断层位置上。如图10所示，其中圆点表示定位结果，虚线表示断层线位置。在二维投影面上可以很明显的看出，这些定位结果大致都分布在断层线附近，还是符合实际规律的。由图9-10可知，本发明提出的微震数据处理方法可为地层构造分析、事件定位等更加复杂的监测应用提供准确和有效的地质活动信息。
[0091]
图9中的detection location表示探测位置。
[0092]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

技术特征：
1.一种基于云边协同的微震数据实时传输与智能处理方法，其特征在于，所基于的云边协同系统包括：边缘端、边缘网关、云端；云端与边缘端之间的通信方式采用tcp/ip协议；所述方法具体包括以下步骤：s1、所述边缘端具体为检波器，在测区内布置检波器，通过检波器获取微震数据；s2、在云端进行微震事件拾取模型训练，将训练好的微震事件拾取模型通过边缘网关下发至各边缘端；s3、边缘端基于训练完成的微震事件拾取模型对检波器获取的微震数据进行拾取，并将拾取到的微震事件与到时信息通过边缘网关传输至云端；s4、云端汇聚各边缘端的微震事件与到时信息后进行定位处理，计算发震事件震级。2.根据权利要求1所述的一种基于云边协同的微震数据实时传输与智能处理方法，其特征在于，步骤s2所述微震事件拾取模型具体采用t-w cnn实现；所述t-w cnn包括两个相同结构的学习单元、拼接层、数据展平层、2个全连接层，这两个相同结构的学习单元的输入分别为时域波形和小波包分解系数数据，这两个相同结构的学习单元的输出经拼接层拼接后，通过数据展平层进行展平处理，然后依次进入2个全连接层，最后输出微震事件分类结果。3.根据权利要求2所述的一种基于云边协同的微震数据实时传输与智能处理方法，其特征在于，在云端进行微震事件拾取模型训练具体过程为：a1、对输入的数据进行格式转换；a2、对数据集进行分割，得到测试集、训练集；a3、采用随机移动窗口方法来扩充数据集和平衡类别；a4、对经步骤a3处理后的数据进行修剪；a5、对经步骤a4处理后的训练集的数据进行小波包变换，得到小波包分解系数数据；a6、分别将时域波形和小波包分解系数数据作为t-w cnn的两个相同结构的学习单元的输入；对t-w cnn进行训练，训练过程中通过测试集对每次训练得到的t-w cnn进行测试；当训练达到要求，得到训练完成的t-w cnn。4.根据权利要求3所述的一种基于云边协同的微震数据实时传输与智能处理方法，其特征在于，步骤s4具体包括以下分步骤：s41、通过源域数据集对locnet模型进行预训练；将预训练得到的locnet模型权重迁移至新构建的locnet，记为tl-locnet；同时设置未经预训练的locnet模型作为对照组，记为init-locnet；s42、将目标域数据集的80％作为训练集，剩下的作为测试集；s43、将训练集分别输入tl-locnet与init-locnet进行训练；并对tl-locnet与init-locnet各自输出的定位结果进行对比评估；s44、若当前迭代得到的tl-locnet输出结果有效，则得到训练完成的tl-locnet，则执行步骤s45；否则返回步骤s43；s45、将测试集输入训练完成的tl-locnet，得到最终的微震事件定位结果。5.根据权利要求4所述的一种基于云边协同的微震数据实时传输与智能处理方法，其特征在于，步骤s41所述的locnet模型包括多个学习通道，每个学习通道输入不同台站各自t-w cnn输出的来自同一震源的微震波形，各通道在各自进行学习的同时相互分享学习到
的参数，并将这些参数进行融合学习后输出定位结果。

技术总结
本发明公开一种基于云边协同的微震数据实时传输与智能处理方法，应用于为地震监测领域，针对现有微震监测数据处理流程中传输带宽压力大、智能性低、及时性不够的问题；本发明通过将边缘设备和云端计算资源相结合，实现数据和计算的分布式处理。它能够在满足数据安全性的前提下，加速数据的处理和分析，提高业务响应速度和效率，适用于物联网、智能制造、智慧城市等领域。市等领域。市等领域。


技术研发人员：王峣钧 井霈 兰志强 陈子腾 周军
受保护的技术使用者：电子科技大学
技术研发日：2023.07.27
技术公布日：2023/10/11