CN112731518B - 一种人工智能实时微地震监测节点 - Google Patents

一种人工智能实时微地震监测节点 Download PDF

Info

Publication number
CN112731518B
CN112731518B CN202011424729.3A CN202011424729A CN112731518B CN 112731518 B CN112731518 B CN 112731518B CN 202011424729 A CN202011424729 A CN 202011424729A CN 112731518 B CN112731518 B CN 112731518B
Authority
CN
China
Prior art keywords
micro
seismic
data
artificial intelligence
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011424729.3A
Other languages
English (en)
Other versions
CN112731518A (zh
Inventor
王一博
薛清峰
郑忆康
姚艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geology and Geophysics of CAS
Original Assignee
Institute of Geology and Geophysics of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Geology and Geophysics of CAS filed Critical Institute of Geology and Geophysics of CAS
Priority to CN202011424729.3A priority Critical patent/CN112731518B/zh
Publication of CN112731518A publication Critical patent/CN112731518A/zh
Priority to US17/507,766 priority patent/US11570060B2/en
Application granted granted Critical
Publication of CN112731518B publication Critical patent/CN112731518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/16—Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
    • G01V1/18—Receiving elements, e.g. seismometer, geophone or torque detectors, for localised single point measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/003—Seismic data acquisition in general, e.g. survey design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/288—Event detection in seismic signals, e.g. microseismics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Geophysics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请公开了一种人工智能实时微地震监测节点，包括：处理器以及与处理器连接的数据采集模块、人工智能计算模块和通信模块，其中人工智能计算模块设置有预先训练的微地震数据分析模型，处理器配置用于执行以下操作：控制数据采集设备采集微地震数据；开启人工智能计算模块，通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的有效事件数据；以及通过通信模块将有效事件数据发送至远程的数据中心。

Description

一种人工智能实时微地震监测节点
技术领域
本申请涉及地震采集设备技术领域，特别是涉及一种人工智能实时微地震监测节点。
背景技术
微地震、微动节点（或称微地震、微动检波器）广泛的应用于非常规油气开发、诱发地震监测、深部地质工程监测、背景噪声监测以及城市地下空间探测等被动源地球物理响应监测场景中。常规的微地震监测节点通常采用人工布设台站，长时间被动源监测，人工收取台站，集中读取数据并分析数据结果，这一套监测处理流程。但随着监测要求的提高，越来越需要能进行实时的监测处理分析，实时监测处理分析将帮助更好的了解实时地下改造情况，动态调整施工方案或者采取应急处理手段。近些年来，随着高速移动网络快速发展，微地震监测节点也开始向实时传输进行尝试，目前已经实现了基于无线WIFI网络的微地震压裂实时监测***及监测方法。然而，这些微震节点都仅实现了对数据的回传，计算还是在数据中心进行。随着微地震监测网建设的持续推进，大量的微震节点将接入到监测***中，获取的数据是海量级的。以Smartsolo目前通用微地震监测节点为例，200个三分量微地震节点一个月的监测数据量有几十将达到45TB，常规的数据回传将导致***传输压力大、数据中台计算负荷过重实时处理将变得遥不可及，同时海量的数据常规的处理方法也遇到了人工干预过多效率低下的问题。
针对上述的现有技术中存在的海量的微地震数据分析都是在数据中心进行的，因此存在数据传输压力大、数据中心计算负荷过重并且人工干预过多效率低下的技术问题，目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种人工智能实时微地震监测节点，以至少解决现有技术中存在的海量的微地震数据分析都是在数据中心进行的，因此存在数据传输压力大、数据中心计算负荷过重并且人工干预过多造成效率低下的技术问题。
根据本公开实施例的一个方面，提供了一种人工智能实时微地震监测节点，包括：处理器以及与处理器连接的数据采集模块、人工智能计算模块和通信模块，其中人工智能计算模块设置有预先训练的微地震数据分析模型，处理器配置用于执行以下操作：控制数据采集设备采集微地震数据；开启人工智能计算模块，通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的有效事件数据；以及通过通信模块将有效事件数据发送至远程的数据中心。
可选地，通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的有效事件数据的操作，包括：通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的微地震发生概率；和/或通过微地震数据分析模型对采集的微地震数据进行计算，确定微地震的初至波位置的概率。
可选地，微地震数据分析模型包括：输入层、特征提取层、线性层、三层Bi-LSTM层、全连接层以及输出层，其中特征提取层包括四层卷积层：第一卷积层的卷积核为(9,9)，第二卷积层的卷积核为(7,7)，第三卷积层的卷积核为(5,5)，第四卷积层的卷积核为(3,3)，并且相邻两层卷积层之间含1个池化核为3的池化层。
可选地，处理器为基于STM32的微控制器单元。
可选地，基于STM32的微控制器单元还设置有微地震数据的触发阈值，并且在判断微地震数据达到触发阈值的情况下，开启人工智能计算模块。
可选地，还包括：定位模块，定位模块为GPS模块或者北斗模块，并且在判断微地震数据达到触发阈值的情况下，开启定位模块。
可选地，微地震数据分析模型是基于TensorFlow Lite的简化深度学习训练框架训练得到的。
可选地，人工智能计算模块基于RISC-V架构。
可选地，通信模块为以下任意一项：4G模块、5G模块、NB-IOT模块。
可选地，人工智能实时微地震监测节点与基站连接，并且通过通信模块将有效事件数据发送至远程的数据中心，包括：通过通信模块将有效事件数据发送至基站，通过基站将有效事件数据发送至数据中心。
可选地，基站与人工智能实时微地震监测节点之间还设置有中继网关，并且通过通信模块将有效事件数据发送至远程的数据中心，包括：通过通信模块将有效事件数据发送至中继网关，通过中继网关将有效事件数据发送至基站，通过基站将有效事件数据发送至数据中心。
可选地，数据采集模块至少包括：模拟通道前置放大和AD信号采集单元、FPGA逻辑控制单元、采集通道管理单元、时钟模拟单元以及采集信号控制单元，其中采集通道管理单元与模拟通道前置放大和AD信号采集单元、采集信号控制单元、FPGA逻辑控制单元连接，采集信号控制单元和FPGA逻辑控制单元与人工智能计算模块连接，时钟模拟单元与FPGA逻辑控制单元连接。
在本公开实施例中，人工智能实时微地震监测节点首先采集微地震数据，然后利用人工智能计算模块的微地震数据分析模型对采集的数据进行处理得到有效事件数据，最终将有效事件数据发送至远程的数据中心。与现有技术相比，本方案可以在数据采集端（即人工智能实时微地震监测节点）对微地震数据进行处理，向数据中心发送的是经过计算的有效事件数据，因此可以显著的减少发送的数据量，并且数据中心只需要对有效事件数据进行分析。从而达到了减轻数据传输压力以及数据中心的计算负担的技术效果。此外，人工智能实时微地震监测节点是利用微地震数据分析模型对微地震数据进行计算，因此可以减少人工干预并且能够提升效率。进而解决了现有技术中存在的海量的微地震数据分析都是在数据中心进行的，因此存在数据传输压力大、数据中心计算负荷过重并且人工干预过多造成效率低下的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
图1是用于实现根据本公开实施例1所述的人工智能实时微地震监测节点整体结构示意图；方法的计算设备的硬件结构框图；
图2A是根据本公开实施例所述的人工智能实时微地震监测节点的结构示意图；
图2B是根据本公开实施例所述的人工智能实时微地震监测节点的硬件结构框图；
图2C是根据本公开实施例所述的人工智能实时微地震监测节点的主板的示意图；
图3是根据本公开实施例所述的人工智能芯片的结构示意图；
图4是根据本公开实施例所述的微地震数据分析模型结构示意图；
图5是根据本公开实施例所述的有效事件数据的表示图；
图6是根据本公开实施例所述的基于STM32的结构示意图；
图7是根据本公开实施例所述的电源管理***框架示意图；
图8是根据本公开实施例所述的有基站情况下的通信传输模式的示意图；以及
图9是根据本公开实施例所述的没有基站情况下的自组网通信传输模式的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例，提供了一种人工智能实时微地震监测节点，包括：处理器以及与处理器连接的数据采集模块、人工智能计算模块和通信模块，其中人工智能计算模块设置有预先训练的微地震数据分析模型，处理器配置用于执行以下操作：控制数据采集设备采集微地震数据；开启人工智能计算模块，通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的有效事件数据；以及通过通信模块将有效事件数据发送至远程的数据中心。
正如背景技术中所述的，随着微地震监测网建设的持续推进，大量的微震节点将接入到监测***中，获取的数据是海量级的。以Smartsolo目前通用微地震监测节点为例，200个三分量微地震节点一个月的监测数据量有几十将达到45TB，常规的数据回传将导致***传输压力大、数据中台计算负荷过重实时处理将变得遥不可及，同时海量的数据常规的处理方法也遇到了人工干预过多效率低下的问题。
针对背景技术中存在的技术问题，本实施例提供了一种人工智能实时微地震监测节点，参考图1所示，该人工智能实时微地震监测节点可以用于油气开发、诱发地震监测、深部地质工程监测、背景噪声监测以及城市地下空间探测等被动源地球物理响应监测场景中。
具体地，参考图2A所示，人工智能实时微地震监测节点至少包括处理器以及与处理器连接的数据采集模块、人工智能计算模块和通信模块。其中，人工智能计算模块设置有预先训练的微地震数据分析模型，该微地震数据分析模型例如可以是基于卷积神经网络模型和/或者循环神经网络模型训练得到的，训练数据例如可以采用标准微地震数据库中的数据。
处理器首先可以控制数据采集模块采集微地震数据，例如：地震波数据。
在数据采集模块采集微地震数据之后，处理器开启人工智能计算模块，通过微地震数据分析模型对采集的微地震数据进行计算，例如：去除无效数据、噪音数据或者还可以是根据采集的数据预测地震的概率，最终得到与微地震相关的有效事件数据。最终，处理器通过通信模块将有效事件数据发送至远程的数据中心。
从而通过这种方式，本方案的人工智能实时微地震监测节点首先采集微地震数据，然后利用人工智能计算模块的微地震数据分析模型对采集的数据进行处理得到有效事件数据，最终将有效事件数据发送至远程的数据中心。与现有技术相比，本方案可以在数据采集端（即人工智能实时微地震监测节点）对微地震数据进行处理，向数据中心发送的是经过计算的有效事件数据，因此可以显著的减少发送的数据量，并且数据中心只需要对有效事件数据进行分析。从而达到了减轻数据传输压力以及数据中心的计算负担的技术效果。此外，人工智能实时微地震监测节点是利用微地震数据分析模型对微地震数据进行计算，因此可以减少人工干预并且能够提升效率。进而解决了现有技术中存在的海量的微地震数据分析都是在数据中心进行的，因此存在数据传输压力大、数据中心计算负荷过重并且人工干预过多造成效率低下的技术问题。
可选地，数据采集模块至少包括：模拟通道前置放大和AD信号采集单元、FPGA逻辑控制单元、采集通道管理单元、时钟模拟单元以及采集信号控制单元，其中采集通道管理单元与模拟通道前置放大和AD信号采集单元、采集信号控制单元、FPGA逻辑控制单元连接，采集信号控制单元和FPGA逻辑控制单元与人工智能计算模块连接，时钟模拟单元与FPGA逻辑控制单元连接。
具体地，图2B示出了一个具体实例的人工智能实时微地震监测节点的硬件结构框图，图2C示出了人工智能实时微地震监测节点的主板示意图，参考图2B和图2C所示，主要硬件包括宽频传感器（地震传感器）、模拟通道前置放大和AD信号采集、采集通道管理、采集信号控制、FPGA逻辑控制单元、高精度时钟模拟、微地震AI处理芯片（对应于上述的人工智能计算模块）、数据存储单元、电源管理模块。其中，上述的传感器、模拟通道前置放大和AD信号采集单元、FPGA逻辑控制单元、采集通道管理单元、时钟模拟单元以及采集信号控制单元构成数据采集模块，并且其中采集通道管理单元与模拟通道前置放大和AD信号采集单元、采集信号控制单元、FPGA逻辑控制单元连接，采集信号控制单元和FPGA逻辑控制单元与人工智能计算模块连接，时钟模拟单元与FPGA逻辑控制单元连接。处理器首先通过X、Y、Z三方向地震传感器对地震信号进行采样，将震动信号转化为模拟信号，经过抗混叠滤波电路完成对模拟信号的滤波筛选，再通过可编程放大器将模拟信号进行放大，然后通过FPGA自定义的ADC采集控制程序控制A/D转换模块进行信号的数字化、最后使用AI处理芯片加载AI识别算法（对应于微地震数据分析模型）对采集的数据进行计算，得到有效事件数据。
可选地，参考图3所示，人工智能计算模块（AI处理芯片）例如可以是基于RISC-V架构，可以提升计算的性能。
可选地，微地震数据分析模型包括：输入层、特征提取层、线性层、三层Bi-LSTM层、全连接层以及输出层，其中特征提取层包括四层卷积层：第一卷积层的卷积核为(9,9)，第二卷积层的卷积核为(7,7)，第三卷积层的卷积核为(5,5)，第四卷积层的卷积核为(3,3)，并且相邻两层卷积层之间含1个池化核为3的池化层。
具体地，参考图4所示，微地震数据分析模型包括：
（1）输入层：输入的数据的基本单位为采样点，输入数据都是三分量定长数据每个分量有4096个采样点；
（2）特征提取层：主要由卷积结构构成，在一个具体实例中，特征提取层例如包括四层卷积层，第一卷积层的卷积核为(9,9)，第二卷积层的卷积核为(7,7)，第三卷积层的卷积核为(5,5)，第四卷积层的卷积核为(3,3)，并且相邻两层卷积层之间含1个池化核为3的池化层；
（3）线性层：使用线性层将数据降维处理，将数据降维至每个采样点256个数据；
（4）Bi-LSTM层：在一个优选实例中，Bi-LSTM例如是3层，每层含632个单元，另有一个含600个单元的Projection Layer作降维处理；
（5）全连接层：在一个优选实例中，共有两层全连接层，每层1024个神经元；
（6）输出层：例如采用多分类学习策略，输出有效事件数据，例如：地震概率。
通过上述结构的微地震数据分析模型可以准确的计算出有效事件数据。
可选地，通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的有效事件数据的操作，包括：通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的微地震发生概率；和/或通过微地震数据分析模型对采集的微地震数据进行计算，确定微地震的初至波位置的概率。
具体地，参考图5所示，有效事件数据例如是微地震发生概率和/或微地震的初至波位置的概率。在通过微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的有效事件数据的操作中，微地震数据分析模型对采集的微地震数据进行计算，确定与微地震相关的微地震发生概率。还可以通过微地震数据分析模型对采集的微地震数据进行计算，确定微地震的初至波位置的概率。从而，向数据中心发送的是微地震发生概率和/或微地震的初至波位置的概率，因此数据中心可以根据概率快速的做出分析判断。
可选地，参考图6所示，处理器例如可以是基于STM32的微控制器单元，并且基于STM32微控制器单元结合底层管理API接口实现对AI芯片和通信模块（对应于图中的通信传输芯片组）进行控制。
可选地，基于STM32的微控制器单元还设置有微地震数据的触发阈值，并且在判断微地震数据达到触发阈值的情况下，开启人工智能计算模块。
具体地，考虑到人工智能实时微地震监测节点出场时间监测问题，需要在一体化方案设计时充分考虑如何调度AI芯片保证数据静默期不进行大量无效计算，如何调度数据相关的板载设备的启动与休眠。针对该问题，本实施例的STM32可以设置最低触发电源阈值，在判断微地震数据达到触发阈值的情况下，STM32触发后激活AI芯片进行计算，AI芯片计算得到有效事件数据反馈给STM32，然后STM32微控制器单元在通信传输芯片组向远程数据中心发送有效事件数据。从而通过这种方式，本方案的人工智能实时微地震监测节点只有在地震数据达到触发阈值的情况下才开启AI芯片计算，因此不需要进行无效的计算，可以提升效率并且节省计算资源的占用。
可选地，还包括：定位模块，定位模块为GPS模块或者北斗模块，并且在判断微地震数据达到触发阈值的情况下，开启定位模块。
具体地，参考图6和图7所示，人工智能实时微地震监测节点还包括定位模块，该定位模块可以是GPS模块或者北斗模块，通过定位模块可以确定该人工智能实时微地震监测节点所在的位置。其中基于STM32微控制器单元结合底层管理API接口实现对该定位模块进行控制。并且在判断微地震数据达到触发阈值的情况下，STM32还开启该定位模块。从而数据中心可以快速地知道人工智能实时微地震监测节点的位置，进而可以快速地确定发生地震的位置。
可选地，考虑到嵌入式的AI处理芯片在计算和部署上的能力受限问题，本实施例采用基于TensorFlow Lite的简化深度学习训练框架训练该微地震数据分析模型，即：构建微地震AI识别算法。通过基于TensorFlow Lite的简化深度学习训练框架可以使其在只有小运行内存的 ARM Cortex架构AI芯片上运行。
可选地，通信模块为以下任意一项：4G模块、5G模块、NB-IOT模块。
具体地，结合人工智能实时微地震监测节点的非常规监测的典型应用场景以及地震数据的传输速率需求（0.25ms采样，三分量数据的数据流为375Kbps），因而本实施例将依托4G、5G或NB-IOT无线通信技术，设计适合野外地震采集应用的自组织无线传感器网络***架构。主要硬件是由4G、5G或NB-IOT通信模块和电源管理模块两大部分组成。该部分***采用低功耗的单片机作为***的电源管理中心，一直连续不间断工作，单片机通过控制可控电源对ARM模块和4G/NB-IOT移动网络模块进行供电/断电操作。当***没有移动网络数据传输任务时，ARM模块和4G/NB-IOT移动网络模块电源断开，***处于功耗极低的节电待机状态。当AI芯片识别到有效事件需要移动网络传输数据时，通过串口控制线通知单片机，打开ARM模块和4G/NB-IOT移动网络模块电源。当微地震采集节点结束移动网络数据传输时，通过串口控制线通知单片机停止供电；当移动网络传输数据超过预设时间，单片机将自动断开ARM模块和4G/NB-IOT移动网络模块的电源。
可选地，人工智能实时微地震监测节点与基站连接，并且通过通信模块将有效事件数据发送至远程的数据中心，包括：通过通信模块将有效事件数据发送至基站，通过基站将有效事件数据发送至数据中心。
具体地，参考图8所示，人工智能实时微地震监测节点与基站连接，人工智能实时微地震监测节点通过通信模块（例如4G网络）将有效事件数据发送至基站，通过基站将有效事件数据发送至数据中心（对应于图中的云平台）。
可选地，基站与人工智能实时微地震监测节点之间还设置有中继网关，并且通过通信模块将有效事件数据发送至远程的数据中心，包括：通过通信模块将有效事件数据发送至中继网关，通过中继网关将有效事件数据发送至基站，通过基站将有效事件数据发送至数据中心。
在另一实例中，基站与人工智能实时微地震监测节点之间还设置有中继网关，人工智能实时微地震监测节点首先通信模块（例如NB-IOT网络）将有效事件数据发送至中继网关，然后通过中继网关将有效事件数据发送至基站，最终通过基站将有效事件数据发送至数据中心。
此外，参考图8和图9所示，还需要补充说明的是，本实施的微地震数据分析模型是由该数据中心（云平台）发送至该人工智能实时微地震监测节点进行部署的。此外，数据中心还可以根据有效事件数据，对微地震数据分析模型进行迁移训练。即，利用实际的有效事件数据对模型进行迁移训练调整模型的参数，对模型进行优化调整。从而使得模型可以应对实际的地理情况，并且根据实际地理情况改变进行灵活的调整。其中，迁移训练的方法例如可以采用现有技术中的迁移训练方法，此处不做具体限定。此外，为了进一步地保证有效事件数据的准确性，本方案在接收到该有效事件数据之后，专业人员还可以进行人工数据检查，特别是检查当前计算不足的数据，并对该数据进行标记。当积攒到足够多标记数据时，利用迁移学习的办法，对模型进行迁移训练。然后，数据中心将经过迁移训练后的微地震数据分析模型发送该人工智能实时微地震监测节点进行模型更新。
此外，还需要补充说明的是，人工智能实时微地震监测节点可以为多个，多个人工智能实时微地震监测节点分别用于采集不同地点的有效事件数据。在对微地震数据分析模型进行迁移训练的操作中，数据中心根据每个人工智能实时微地震监测节点发送的有效事件数据，对对应的人工智能实时微地震监测节点部署的微地震数据分析模型进行迁移训练。从而，可以针对每个人工智能实时微地震监测节点的模型分别进行迁移训练，进而每个人工智能实时微地震监测节点可以应对不同地点的地理情况。
其中，多个人工智能实时微地震监测节点可以分为多个分组，多个分组例如部署在不同的地点，从而每个地点可以部署至少一个人工智能实时微地震监测节点。其中，每个分组中的人工智能实时微地震监测节点的微地震数据分析模型例如相同。在对微地震数据分析模型进行迁移训练的过程中，数据中心根据每个分组的人工智能实时微地震监测节点发送的有效事件数据（其中，例如每个组内可以有一个主设备负责汇总数据，并向服务器发送），对分组的人工智能实时微地震监测节点部署的微地震数据分析模型进行迁移训练，即根据有效事件数据对模型进行迁移训练，然后将迁移训练的模型发送至该分组，然后分组中的人工智能实时微地震监测节点都可以对模型进行更新。此处需要说明的是，为了保证数据的来源，每个分组的人工智能实时微地震监测节点向数据中心发送有效事件数据可以包括：分组编号、设备编号以及有效事件数据等。从而，可以在一个地点设置多个人工智能实时微地震监测节点进行微地震的监控，更加精准。
为了避免连续的采集微地震数据进行处理，本方案还可以设置采集条件，例如：采集条件为采集时间间隔、采集数据要求等。在人工智能实时微地震监测节点采集微地震数据之前，首先需要判断分组的人工智能实时微地震监测节点是否满足预设的采集条件，在满足预设的采集条件的情况下，每个分组的人工智能实时微地震监测节点采集微地震数据。从而，不需要连续的进行采集，减少不必要的数据采集与传输，减轻服务器端的数据分析压力。
具体地，在判断分组的人工智能实时微地震监测节点是否满足预设的采集条件的操作中，首先，分组的人工智能实时微地震监测节点对状态信息进行组内广播，其中状态信息用于记录人工智能实时微地震监测节点的监测状态，例如：是否出现异常。例如可以采用Lora数据传输方式进行组内广播。然后，计算分组内状态信息满足预设触发条件的人工智能实时微地震监测节点的设备数量。最终根据设备数量以及预设的第一阈值，判断分组的人工智能实时微地震监测节点是否满足预设的采集条件。例如：在设备数量超过第一阈值的情况下，可能出现异常，因此需要进行数据采集并开启微地震数据分析模型进行分析。
人工智能实时微地震监测节点在组内广播的状态信息例如包括状态标识，此外还可以包括人工智能实时微地震监测节点的ID。在计算分组内状态信息满足预设触发条件的人工智能实时微地震监测节点的设备数量之前，本方案还根据状态标识，判断所述分组内所述状态信息是否满足预设触发条件。在一个具体实例中，状态标识为bool型，即只有True和Fasle标识。人工智能实时微地震监测节点在部署后通过电路设置一个信号最小触发阈值，当采集的信号电压超过最小触发阈值后，该人工智能实时微地震监测节点的状态标识为True，当状态标识为True的情况下，判断分组内状态信息满足预设触发条件，并同时马上更新组广播对应字段。
从而根据本实施例，本方案的人工智能实时微地震监测节点首先采集微地震数据，然后利用人工智能计算模块的微地震数据分析模型对采集的数据进行处理得到有效事件数据，最终将有效事件数据发送至远程的数据中心。与现有技术相比，本方案可以在数据采集端（即人工智能实时微地震监测节点）对微地震数据进行处理，向数据中心发送的是经过计算的有效事件数据，因此可以显著的减少发送的数据量，并且数据中心只需要对有效事件数据进行分析。从而达到了减轻数据传输压力以及数据中心的计算负担的技术效果。此外，人工智能实时微地震监测节点是利用微地震数据分析模型对微地震数据进行计算，因此可以减少人工干预并且能够提升效率。进而解决了现有技术中存在的海量的微地震数据分析都是在数据中心进行的，因此存在数据传输压力大、数据中心计算负荷过重并且人工干预过多造成效率低下的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种人工智能实时微地震监测节点，其特征在于，包括：处理器以及与所述处理器连接的数据采集模块、人工智能计算模块和通信模块，人工智能实时微地震监测节点可以为多个，多个人工智能实时微地震监测节点分别用于采集不同地点的有效事件数据，其中所述人工智能计算模块设置有预先训练的微地震数据分析模型，微地震数据分析模型是由远程数据中心发送至该人工智能实时微地震监测节点进行部署的，针对每个人工智能实时微地震监测节点的模型分别进行迁移训练，进而每个人工智能实时微地震监测节点可以应对不同地点的地理情况，所述微地震数据分析模型包括：输入层、特征提取层、线性层、三层Bi-LSTM层、全连接层以及输出层，其中所述特征提取层包括四层卷积层：第一卷积层的卷积核为(9,9)，第二卷积层的卷积核为(7,7)，第三卷积层的卷积核为(5,5)，第四卷积层的卷积核为(3,3)，并且相邻两层卷积层之间含1个池化核为3的池化层；
其中在满足预设的采集条件的情况下，每个分组的人工智能实时微地震监测节点采集微地震数据，该预设条件包括首先，分组的人工智能实时微地震监测节点对状态信息进行组内广播，其中状态信息用于记录人工智能实时微地震监测节点的监测状态，根据状态标识，判断所述分组内所述状态信息是否满足预设触发条件，所述状态标识为bool型，即只有True和Fasle标识，人工智能实时微地震监测节点在部署后通过电路设置一个信号最小触发阈值，当采集的信号电压超过最小触发阈值后，该人工智能实时微地震监测节点的状态标识为True，当状态标识为True的情况下，判断分组内状态信息满足预设触发条件，并同时马上更新组广播对应字段，然后，计算分组内状态信息满足预设触发条件的人工智能实时微地震监测节点的设备数量，最终根据设备数量以及预设的第一阈值，判断分组的人工智能实时微地震监测节点是否满足预设的采集条件；
基于处理器结合底层管理API接口实现对AI芯片和通信模块进行控制，处理器设置有微地震数据的触发阈值，并且在判断微地震数据达到触发阈值的情况下，开启人工智能计算模块，嵌入式的AI处理芯片采用基于TensorFlow Lite的简化深度学习训练框架训练该微地震数据分析模型，其中处理器设置最低触发电源阈值，在判断微地震数据达到触发阈值的情况下，处理器触发后激活AI芯片进行计算，AI处理芯片计算得到有效事件数据反馈给处理器，然后处理器在通信传输芯片组向远程数据中心发送有效事件数据；所述处理器配置用于执行以下操作：
控制所述数据采集设备采集微地震数据；
开启所述人工智能计算模块，通过所述微地震数据分析模型对采集的所述微地震数据进行计算，确定与微地震相关的有效事件数据；其中
通过所述微地震数据分析模型对采集的所述微地震数据进行计算，确定与所述微地震相关的微地震发生概率；和/或通过所述微地震数据分析模型对采集的所述微地震数据进行计算，确定所述微地震的初至波位置的概率；以及通过所述通信模块将所述有效事件数据发送至远程数据中心。
2.根据权利要求1所述的人工智能实时微地震监测节点，其特征在于，所述处理器为基于STM32的微控制器单元。
3.根据权利要求2所述的人工智能实时微地震监测节点，其特征在于，还包括：定位模块，所述定位模块为GPS模块或者北斗模块，并且在判断所述微地震数据达到所述触发阈值的情况下，开启所述定位模块。
4.根据权利要求1所述的人工智能实时微地震监测节点，其特征在于，所述人工智能计算模块基于RISC-V架构。
5.根据权利要求1所述的人工智能实时微地震监测节点，其特征在于，所述通信模块为以下任意一项：4G模块、5G模块、NB-IOT模块。
6.根据权利要求1所述的人工智能实时微地震监测节点，其特征在于，所述人工智能实时微地震监测节点与基站连接，并且通过所述通信模块将所述有效事件数据发送至远程数据中心，包括：通过所述通信模块将所述有效事件数据发送至所述基站，通过所述基站将所述有效事件数据发送至所述远程数据中心。
CN202011424729.3A 2020-12-09 2020-12-09 一种人工智能实时微地震监测节点 Active CN112731518B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011424729.3A CN112731518B (zh) 2020-12-09 2020-12-09 一种人工智能实时微地震监测节点
US17/507,766 US11570060B2 (en) 2020-12-09 2021-10-21 Artificial intelligence real-time microseism monitoring node

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011424729.3A CN112731518B (zh) 2020-12-09 2020-12-09 一种人工智能实时微地震监测节点

Publications (2)

Publication Number Publication Date
CN112731518A CN112731518A (zh) 2021-04-30
CN112731518B true CN112731518B (zh) 2022-06-07

Family

ID=75598493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011424729.3A Active CN112731518B (zh) 2020-12-09 2020-12-09 一种人工智能实时微地震监测节点

Country Status (2)

Country Link
US (1) US11570060B2 (zh)
CN (1) CN112731518B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USD1002392S1 (en) * 2021-08-31 2023-10-24 Howe Neat, Inc. Automated monitoring status indicator device
CN113985474B (zh) * 2021-10-28 2023-10-31 北京石油化工学院 一种基于物联网的微地震监测多节点协同感知方法
CN114325823B (zh) * 2021-12-30 2022-07-15 广西大学 一种基于nb-iot的岩体破裂失稳微震信号无线监测方法与装置
CN116224432B (zh) * 2022-12-09 2024-03-08 视拓科技(西安)有限公司 微地震监测信号的数据处理方法和***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765610A (zh) * 2019-03-07 2019-05-17 中国科学院武汉岩土力学研究所 一种传感-采集-无线发射综合集成微震监测***及方法
CN111046737A (zh) * 2019-11-14 2020-04-21 吉林大学 一种用于微地震信号检测的高效智能感知采集方法
CN111126471A (zh) * 2019-12-18 2020-05-08 中国石油大学(华东) 微地震事件检测方法及***
CN111123355A (zh) * 2020-01-07 2020-05-08 山东大学 一种基于微震监测数据的岩爆预测方法及***
CN111796327A (zh) * 2020-07-20 2020-10-20 中国地质调查局水文地质环境地质调查中心 一种微地震地面监测装置及震源定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140334260A1 (en) * 2013-05-09 2014-11-13 Schlumberger Technology Corporation Neural Network Signal Processing of Microseismic Events
US11320552B2 (en) * 2018-03-29 2022-05-03 Exxonmobil Upstream Research Company Enhanced surveillance of subsurface operation integrity using neural network analysis of microseismic data
CN109212597B (zh) * 2018-10-16 2020-04-17 中国矿业大学(北京) 基于深度信念网络和扫描叠加的微震源自动定位方法
US11194066B2 (en) * 2019-03-28 2021-12-07 Verizon Patent And Licensing Inc. Earthquake detection platform

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765610A (zh) * 2019-03-07 2019-05-17 中国科学院武汉岩土力学研究所 一种传感-采集-无线发射综合集成微震监测***及方法
CN111046737A (zh) * 2019-11-14 2020-04-21 吉林大学 一种用于微地震信号检测的高效智能感知采集方法
CN111126471A (zh) * 2019-12-18 2020-05-08 中国石油大学(华东) 微地震事件检测方法及***
CN111123355A (zh) * 2020-01-07 2020-05-08 山东大学 一种基于微震监测数据的岩爆预测方法及***
CN111796327A (zh) * 2020-07-20 2020-10-20 中国地质调查局水文地质环境地质调查中心 一种微地震地面监测装置及震源定位方法

Also Published As

Publication number Publication date
US11570060B2 (en) 2023-01-31
US20220182292A1 (en) 2022-06-09
CN112731518A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112731518B (zh) 一种人工智能实时微地震监测节点
Alippi et al. Energy management in wireless sensor networks with energy-hungry sensors
CN112444858B (zh) 基于边云协同的地震实时监测ai计算方法、装置及介质
CN108171259A (zh) 一种基于NB-IoT的智慧末梢水质监测***及方法
CN105282758A (zh) WiFi室内定位***指纹数据库自适应动态构建方法
CN106023643A (zh) 一种基于物联网的新型车辆检测装置
CN101854653B (zh) 一种无线多媒体传感器网络中的目标跟踪方法
CN113985474B (zh) 一种基于物联网的微地震监测多节点协同感知方法
CN112084684B (zh) 一种基于物联网的桥梁健康可视化监测***
CN202092668U (zh) 可自由组网的无线灌浆数据监测***
CN113514109A (zh) 一种无人机飞行故障检测方法和***
CN112772384A (zh) 一种基于卷积神经网络的农水灌溉***和方法
CN101237357B (zh) 工业无线传感器网络故障在线检测方法
CN109195132B (zh) 空气质量信息智能采集与实时播报***
CN113037872B (zh) 一种基于物联网多级边缘节点的缓存和预取方法
CN111523570A (zh) 一种基于社区驿站的智慧城市***及其控制方法
CN109116968A (zh) 写策略控制方法、***及其适用的电子设备
US20170208445A1 (en) Notification system and method of environment abnormality
CN107193030A (zh) 判断宠物穿戴设备是否掉落的方法和装置
Sturley et al. PANDI: a hybrid open source edge-based system for environmental and real-time passive acoustic monitoring-prototype design and development
CN202385301U (zh) 户外环境监测***
CN104318409A (zh) 基于双簇头的离群点判别方法
CN114841203A (zh) 一种牲畜状态监测方法、装置、终端及存储介质
CN111797127B (zh) 时序数据分割方法、装置、存储介质及电子设备
CN114244841B (zh) 一种基于区块链的云雾结合环卫车辆管理***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant