1.一种基于振动监测技术的煤层冲击危险性实时评估方法，其特征在于，包括如下步骤：

第一步：样本信号采集

对于每个开采阶段水平，依据工作面布置和开采顺序，对于初次开采到的冲击地压危险性等级为弱冲击、中等冲击或强冲击的掘进工作面和回采工作面，分别利用钻屑法对煤体钻孔，钻孔过程中从第一米开始每钻孔一米后停止钻进，收集钻屑量数据，同步采集钻进时钻机的横向和纵向振动信号；

第二步：样本信号预处理

将步骤一采集到的每个等级的所有样本信号中的振动信号，均通过时域分析分别统计每1米钻孔对应的横向和纵向振动信号的6个振动指标波形指标、峰值指标、脉冲指标、裕度指标、峭度指标和均方根值，将6个横向和6个纵向振动指标数据归一化处理，同样对相应的钻屑量数据也进行归一化到处理，归一化后的一组12个振动指标数据和一个钻屑量数据构成一个数据集，每个等级所有的数据集分别构成各自的样本数据库；

第三步：确定最优预测模型及参数

将每个等级采集到的样本数据库分别按80％和20％的比例划分为训练集和测试集，振动指标数据作为预测模型的输入，钻屑量作为预测模型的输出；具体方法为：

3.1：采用多元线性回归模型对钻屑量进行预测,得到最优的模型评价指标值；

对训练集进行多元线性回归拟合，得到包含有振动指标和钻屑量变量的拟合方程，再将测试集的振动指标数据代入到得到的拟合方程，求出对应的钻屑量预测值，根据钻屑量2

预测值和实际值分别计算得到最优的模型评价指标值，即均方根误差RMSE、决定系数R 、方差占比VAF值；

3.2：采用神经网络模型对钻屑量进行预测，得到最优的模型评价指标值，同时确定神经网络模型的主要参数；

3.2.1、对于神经网络的输入维度，12个振动指标数据全部作为神经网络的输入，即神经网络的输入维度为12；

3.2.2、神经网络的隐含层设置为1层；

3.2.3、采用试错法确定最优的神经网络的学习率、动量系数、激活函数；

3.2.4、为了充分对比不同隐含层节点数对神经网络的预测性能的影响，设置对照试验，设置不同的隐含层节点数量为15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、

95、100；

3.2.5、对训练集进行训练后得到训练集对应的钻屑量预测值，将测试集的振动指标数据输入训练后的神经网络，得到测试集对应的钻屑量预测值，根据钻屑量预测值和实际值2

分别计算训练集和测试集的模型评价指标RMSE、R 、VAF值；分别对训练集和测试集得到的2

模型评价指标进行排序；排序原则为：越小的RMSE值、越大的R 和VAF值获得的排序序号值越大；将训练集和测试集的三个模型评价指标排序序号值分别进行相加，得到三个指标的总排序序号值,最大的总排序序号值即为最优的模型评价指标值，以此来确定最优的隐含层节点数，进而确定最优的神经网络模型参数；

3.3：采用遗传算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.2中确定的最优的神经网络模型参数，从而确定遗传算法的主要参数，最终得到最优的模型评价指标值：

3.3.1、采用试错法确定最优的变异概率和交叉概率参数；

3.3.2、对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、

350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计2

算训练集和测试集的模型评价指标RMSE、R 、VAF值，利用步骤3.2.5中的排序原则，确定最优的种群数量；

3.3.3、最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、

200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；

3.3.4、采用步骤3.3.1、步骤3.3.2和步骤3.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行5次训练和5次测试，分别记录训练集和测试集对应的钻屑量预测值，根据训练集和测试集钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标2

RMSE、R、VAF值，利用步骤3.2.5中的排序原则，确定5次结果中最优的模型评价指标值；

3.4：采用种群算法优化的神经网络模型对钻屑量进行预测，该优化采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的参数，从而确定种群算法的主要参数，最终得到最优的模型评价指标值：

3.4.1、采用试错法确定最优的自适应参数c1,c2和惯性因子参数；

3.4.2、对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、

350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计2

算训练集和测试集的模型评价指标RMSE、R 、VAF值，利用步骤3.2.5中的排序原则，确定最优的种群数量；

3.4.3、最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、

200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；

3.4.4、采用步骤3.4.1、步骤3.4.2和步骤3.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据2

钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R 、VAF值，利用步骤3.2.5中的排序原则，确定最优的模型评价指标值；

3.5：采用帝国竞争算法优化的神经网络模型对钻屑量进行预测，该优化采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的参数，确定种群算法的主要参数，最终得到最优的模型评价指标值，：

3.5.1、采用试错法确定最优的随机数β、偏移方向θ和殖民地影响因子ξ参数；

3.5.2、对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、

350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和2

实际值分别计算训练集和测试集的模型评价指标RMSE、R 、VAF值，利用步骤3.2.5中的排序原则，确定最优的总国家数量；

3.5.3、对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、

300、350、400、450、500、550、600，总国家数量设置为b中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标2

RMSE、R、VAF值，利用步骤3.2.5中的排序原则，确定最优的帝国主义国家数量；

3.5.4、最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、

200、250、300、350、400、450、500、550、600，帝国主义国家数量设置为3.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；

3.5.5、采用步骤3.5.1到步骤3.5.4确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行5次训练和5次测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻2

屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R 、VAF值，利用步骤

3.2.5中的排序原则，确定5次结果中最优的模型评价指标值；

3.6：对步骤3.1‑3.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标进行对比，同样利用步骤3.2.5中的排序原则，最终确定最优的模型评价指标值，进而确定最优的钻屑量预测模型及参数，从而获得各个冲击地压危险性等级下的最优的钻屑量预测模型及参数；

第四步：冲击危险性快速实时评估

当开采到下一个相同冲击地压危险性等级工作面时，仅对预评估的工作面煤体进行钻孔作业和采集每米钻机振动信号，不记录钻屑量，采集的钻机振动信号采用第二步中的信号预处理得到归一化后振动指标数据，再利用最优预测模型对归一化后的振动指标数据进行分析，预测出相对应的钻屑量；将预测得的钻屑量与事先设定的钻屑量临界值进行对比，进而对冲击危险性等级进行评定；

第五步：在开采进入下一个阶段水平时，重复步骤一至步骤四。