Automatic vibration fault detection of coal mine explosion-proof electrical equipment based on One-Class Support Vector Machine
-
摘要:
煤矿防爆电气设备在运行过程中产生的振动会损害其机械完整性，导致紧固件松动、零部件磨损，并改变设备的结构与振动模态，进而引发信号特征的复杂变化，使得正常振动频率与故障引发的新频率成分相互混淆，模糊了正常信号与故障信号之间的界限，从而降低传统检测方法在故障检测中的准确性。针对上述问题，提出一种基于单分类支持向量机（OCSVM）的煤矿防爆电气设备振动故障自动检测方法。首先，构造设备的正常状态特征和振动故障状态特征，根据OCSVM的特性，将正常状态特征序列设定为OCSVM核函数的决策边界学习目标。考虑煤矿防爆电气设备振动故障信号呈现非线性和高维特征，选定多项式核作为OCSVM的核函数。然后，采用网格搜索和K−交叉验证相结合的方式对OCSVM进行参数调优，以使OCSVM达到更好的性能。最后，通过求取OCSVM目标函数的最优解，确定最优决策边界，以此实现煤矿防爆电气设备振动故障的自动检测。实验结果显示：① 在迭代次数为20时，OCSVM算法算法可完成收敛，达到稳定。② 基于OCSVM的电气设备信号划分实验中，借助多项式核函数能精准划分样本实现检测。③ 振动故障自动检测性能分析中，所提方法在各样本量下准确率均显著高于红外热成像技术检测方法、基于灰狼优化支持向量机模型检测方法，小样本量时准确率达98.25%且稳定性好。
Abstract:The vibration generated by explosion-proof electrical equipment in coal mines during operation can compromise its mechanical integrity, leading to fastener loosening, component wear, and changes in the structure and vibration modes of the equipment. This can cause complex changes in signal features, resulting in confusion between normal vibration frequency and new frequency components induced by faults. As a result, the boundary between normal and fault signals becomes unclear, reducing the accuracy of traditional fault detection methods. To address this issue, an automatic vibration fault detection method for coal mine explosion-proof electrical equipment was proposed based on One-Class Support Vector Machine (OCSVM). First, the normal state features and vibration fault state features of the equipment were constructed. Based on the characteristics of OCSVM, the normal state feature sequence was set as the learning target for the decision boundary of the OCSVM kernel function. Due to the nonlinear and high-dimensional characteristics of vibration faults in explosion-proof electrical equipment, a polynomial kernel was selected as the OCSVM kernel function after comprehensive consideration. Then, grid search combined with K-fold cross-validation was used to optimize the parameters of the OCSVM, ensuring better performance. Finally, by obtaining the optimal solution of the OCSVM objective function, the optimal decision boundary was determined to realize automatic fault detection of vibration faults in coal mine explosion-proof electrical equipment. Experimental results showed that: ① When the number of iterations is 20, the OCSVM algorithm can complete convergence and achieve stability. ② In the electrical equipment signal classification experiment based on OCSVM, the use of the polynomial kernel function accurately classified samples for detection. ③ In the performance analysis of automatic vibration fault detection, the proposed method showed significantly higher accuracy across different sample sizes than infrared thermography and detection methods based on grey wolf optimization and support vector machine. Under small sample sizes, it achieved an accuracy of 98.25% with good stability.
-
0. 引言
矿井通风系统是保障矿井安全生产的基础，主要用于预防矿内有毒有害气体积聚、矿尘污染等问题。然而，因受矿井掘进、自然风压变化影响，矿井通风系统呈现动态特性，风流参数信息变化较大，难以确保矿井风流的有序流动。为调控矿井风流，需有效获取风流参数信息，传统方法采用人工定期测定或大量布置传感器的方式对风流参数进行实时测定。人工测量难以满足实时性和准确性的要求，且传感器布置和维护在复杂的矿井环境中也存在诸多限制，作业区域的风流参数难以有效获取[1-2]，实时准确地掌握矿井风流参数信息是矿井通风管理的难点及要点[3-5]。
随着金属矿山井下环境复杂性和安全要求的提升，结合传感器网络[6]和自动化控制技术[7]的智能化监测系统得到了广泛发展，通过科学设计传感器位置，提高了风流数据的采集效率[8-10]。文献[11-13]研发了矿井安全智能监测监控系统、矿井通风三维仿真辅助决策系统、矿井智能通风与实时监测系统，用于矿井环境监测。然而，局部布设传感器难以覆盖矿井全局风流，而大规模布设则增加设备维护难度。利用有限数量传感器数据感知全局风流参数成为研究热点[14]。近年来，人工智能（Artificial Intelligence，AI）在矿井通风系统管理中得到了广泛应用。文献[15]构建了基于门控循环单元（Gated Recurrent Unit，GRU）的巷道平均风速测量模型，GRU神经网络具有强非线性建模能力，能够捕捉复杂巷道形态下的风速分布特征，提高预测精度，但深度神经网络训练需要较长时间，并对计算资源有一定要求。文献[16]构建了遗传−神经网络风速预测优化模型，结合掘进工作面不同工况的环境参数，实现风速协同预测，结合遗传−神经网络模型和PID闭环调控，提高了风速预测精度和控制效率，但在应用过程中仍需考虑数据依赖性、计算成本和系统复杂性等因素。文献[17]基于遗传算法（Genetic Algorithm，GA）和BP神经网络（GA−BP）构建了巷道平均风速单点测试模型，GA−BP在巷道平均风速预测中具有较高精度和计算效率，但仍需要确保数据质量和传感器布置的合理性，以进一步提升模型的稳定性和准确性。上述研究表明，AI算法在风流参数预测中具有良好的性能和应用价值。然而，相关方法仍受数据依赖、计算成本及不同工况适应性的限制。多层感知器（Multilayer Perceptron，MLP）具有结构简单、训练速度快、资源消耗较低等特点，在提升数据获取的时效性方面具有一定优势。因此，本文以某金属矿山为研究对象，基于深度学习中的MLP算法，构建风流参数智能感知模型，以实现对井下各生产作业区域及主要巷道风流参数的精准预测。首先，利用风速测量装置实时监测巷道内的平均风速，合理布置监测点，搭建风流参数监测系统，以获取风量、风压等关键通风参数。其次，结合通风系统的实际情况及立体示意图，建立三维仿真系统，并通过现场实测的风流数据对其进行优化，模拟不同通风机运行工况和自然风压状态下的矿井风流参数。然后，基于仿真数据，构建了AI算法模型的训练与测试数据集。最后，提出了一种基于有限数量传感器数据的矿井风流参数智能感知方法，可准确预测井下各生产作业区域及主要巷道的风流参数，从而实现风流的动态调控。
1. 矿井风流监测与仿真系统
1.1 巷道风速及风流参数实时监测系统
1.1.1 巷道平均风速实时监测
巷道平均风速的单点测试是实现巷道风速实时监测的关键环节。为降低采矿作业、车辆通行对风速测量的干扰，采用矿井巷道平均风速单点测控装置[18]实时监测巷道内平均风速。该装置主要由风速测定系统、物体运动监测系统及通风机控制系统组成，物体运动监测系统与风速测定系统相连，风速测定系统与巷道内的通风机控制系统相连，如图1所示。风速测定系统用于测量风速，物体运动监测系统则判定监测区域内是否有物体通过，两者相互连接，并与通风机控制系统联动。当物体运动监测系统确认监测区域内无人员、车辆或其他物体通过时，风速测定系统才会启动，对巷道风速进行准确测量。
![]()
图 1 矿井巷道平均风速单点测控装置结构Figure 1. Structure of single-point measurement and control device for average wind speed in mine roadways风速测定系统由风速传感器和滑动杆等部件构成，如图2所示。风速传感器包括风速探头和信号处理器，通过连接杆固定在巷道顶面。风速探头采集的信号传输至信号处理器，信号处理器通过AD转换将模拟信号转换为数字信号，并计算出单点风速。随后，系统基于单点风速推算出巷道内的平均风速，从而有效监控巷道风流。
1.1.2 风流参数监测系统
风流参数监测系统主要由传感器、信息传输系统和数据处理模型构成。在主要通风巷道和安装通风机的巷道中布置风速、风压及风温传感器，实时监测巷道内平均风速、风压和风温等关键参数。采用数据处理模型分析采集到的风流参数及通风机工况数据，并通过信息传输系统传送至数据库，实现对通风状态的监控和管理。
1） 监测点选址方法。依据金属矿山相关规程进行风流参数监测点的选址：① 风速传感器应设置在能准确计算风量的地点，监测点布置处巷道结构稳定，前后井巷尽量平直无转角，风流流动较稳定。② 井下总进风巷、各个生产中段和分段的进风巷道应设置风速传感器。风速传感器报警值应符合巷道风速的最低及最高限定值要求。③ 主要通风机应配备风压传感器，传感器的布置应符合《金属非金属地下矿山通风技术规范》（AQ 2013.3）中关于主要通风机风压测点布置的要求。④ 风速监测点应尽量布置在矿井通风系统中风流较敏感的巷道中。⑤ 在满足监测需求的情况下，用尽量少的监测点覆盖监测范围。
2） 监测内容。根据平均风速监测原理，结合监测点的选址方法，在巷道的适当位置布置传感器。监测内容主要包括主要通风机、辅助通风机参数（如风量、风压）及主要通风巷道的风流参数（如风速、温度、CO浓度）。
1.2 矿井通风三维仿真系统
矿井通风三维仿真系统[19]集矿井通风系统立体图绘制、风网解算、结果数据标注一体化，可达到真实再现井下通风网络实际状态的应用效果。为尽可能真实地模拟现实工况，首先需建立三维仿真模型，该模型的建立需调查、收集详细的实际通风系统信息（井筒和巷道节点、风阻、属性，通风设备和构筑物，局部风阻和漏风情况，自然风压等），完成图形基本参数输入、通风网络图创建及仿真图的编辑绘制；然后通过风网解算模块解算矿井通风系统风流方向和风流分配等具体信息；最后对比验证模拟解算结果与现场调查测定数据，以确保三维仿真系统能够真实可靠模拟矿井通风系统的实际状况。
三维仿真系统不仅能够准确反映矿井实际运行状况，还集成了通风网络解算模型，实现不同通风条件下风流参数的模拟计算与分析。作为三维仿真系统的核心部分，风网解算模块主要实现风阻解算、基本关联矩阵解算、风网解算等功能，具体通风网络解算流程如图3所示。
首先，将原始数据输入通风网络，包括节点坐标与类型、分支的几何参数（长度、断面面积、摩擦因数）及固定风量等基础信息。其次，基于风量平衡（节点流入与流出相等）和风压平衡（回路内风压损失代数和为零）原理构建状态方程，并利用图论算法自动生成独立回路网孔，确保每个网孔包含唯一分支以覆盖全网。初拟风量分配时，优先设定固定风量分支的已知值，其余分支按经验或均匀原则赋初值，并校验节点风量平衡。然后，在迭代计算阶段采用Hardy Cross法逐网孔计算风压不平衡量$ \Delta Q $，若其绝对值小于收敛精度E，则按比例修正各分支风量，反复迭代直至所有回路满足收敛条件。最后，计算固定风量分支的实际风压损失及动态分支的风阻，输出全网风量、风压、风阻分布及收敛信息。
2. 金属矿山全局风流参数智能感知方法
金属矿山全局风流参数智能感知方法的核心是基于深度学习技术构建AI算法模型，实现全局风流参数的实时智能感知。在构建金属矿山全局风流参数智能感知方法的过程中，首先，制定多组通风网络解算策略，系统化获取矿井风流数据。然后，对数据进行整理和划分，生成适用于模型训练和测试的样本集。在数据预处理阶段，按8∶2的比例将数据划分为训练集和测试集，并进行标准化处理。最后，采用多项指标对风流参数智能感知模型性能进行评估，验证其准确性。
2.1 通风网络解算策略设计
金属矿山通风系统在实际生产过程中的运行状态受多个因素影响，特别是主要通风机运行工况（如转速、电动机数量）、自然风压的波动及主要通风机运行数量的变化等。因此，为了确保智能感知模型能够应对复杂多变的运行环境并提高其泛化能力，设计了多组通风网络解算方案，涵盖主要通风机不同运行工况、不同自然风压及主要通风机和辅助通风机异常等状态下的风流流动特性。
1） 基于主要通风机的运行特性，设计P种通风工况方案。针对相同自然风压条件，分别设计恒定电动机转速、单台通风机电动机转速变化及所有主要通风机电动机转速变化等不同工况，确保工况设计的全面性和适应性。
2） 针对金属矿山所处区域的环境条件变化规律，采集不同季节的地表与井底温湿度、地表大气压等参数，利用三维仿真系统中的自然风压计算模块，计算各气候条件下的自然风压值。将计算得到的自然风压值与A种主要通风机运行工况组合，设计并完成C种通风网络的模拟解算方案。
3） 为增强风流参数智能感知模型的泛化能力，还需纳入主要通风机和辅助通风机异常工况下的通风系统运行方案。具体而言，在夏季和冬季的不同气候条件下，设计并模拟M种单主要通风机运行的异常通风系统方案。
通过借助三维仿真系统，全面模拟各类工况下的风流流动特性，从而为风流参数智能感知模型提供丰富、真实、全面的样本集。
2.2 样本数据划分
通过通风网络解算获取不同运行状态下第i个分支${e_i}$的风流参数，主要包括风量${Q_i}$、风阻${R_i}$、风压${H_{\mathrm{f}}}$和自然风压${H_{\mathrm{n}}}$。基于这些通风参数，构建模型训练样本集合$O = \{ {e_i},{Q_i},{R_i},{H_{\mathrm{f}}},{H_{\mathrm{n}}}\} $。在感知模型的训练过程中，可以将多个风流参数特征（如分支${e_i}$、风量${Q_i}$等）作为输入数据，输出时只需将风量作为唯一要素进行风流感知。为确保模型的泛化能力和感知精度，按照8∶2的比例将数据划分为训练集和测试集，进行风流感知试验。
2.3 样本数据预处理
为消除输入要素单位差异对感知模型的影响，对初始数据进行线性变换，将其映射到[0,1]范围内，进行去量纲化。
$$ {t_{\rm{norm}}} = \frac{{t - {t_{\min }}}}{{{t_{\max }} - {t_{\min }}}} $$ (1) 式中：${t_{\rm{norm}}}$为归一化数据；t为原始数据；${t_{\min }}$为原始最小数据；${t_{\max }}$为原始最大数据。
2.4 风流参数智能感知模型构建
2.4.1 风流参数智能感知原理
三维仿真系统和矿井通风网络AI算法模型是实现金属矿山全局风流参数智能感知的关键。首先，采用MLP算法构建矿井通风网络AI算法模型；然后，应用三维仿真系统模拟不同通风机运行工况、不同自然风压状态下的矿井风流参数，建立AI算法模型的训练测试数据集；训练、测试和优化AI算法模型，以提升模型对各类工况的适用性。基于上述研究，本文提出了一种基于有限数量传感器数据的矿井风流参数智能感知方法，该方法依托风流参数监测系统采集传感器数据，利用AI算法模型对局部测点的风速、风压信息进行建模，从而实现矿井全域风流分布的实时推断，为智能控制系统提供精准的风流参数支持。
2.4.2 AI算法模型
神经网络最早的形式是单层感知器，用于处理简单的线性问题[20-21]。MLP通过增加隐含层建立输入输出间的复杂非线性关系，如图4所示。MLP算法在分类[22]和回归[23]任务中具有出色的预测性能[24-25]，因此，利用该算法构建矿井通风网络AI算法模型，以实现对井下各生产作业区域及主要巷道风流参数的智能感知。
对于输入矩阵X∈RN×F，RN×F为N×F维实数矩阵，N为样本数量，F为特征维度。输出向量为$ \boldsymbol{Y}\in\boldsymbol{\mathrm{\mathbf{R}}}^{N\times1} $，第j层权重矩阵$ \boldsymbol{W}^j\in\boldsymbol{\mathbf{\mathrm{\mathbf{R}}}}^{U^{_{j-1}}\times U^{_j}} $，Uj为第j层神经元数量。MLP通过建立输入值X与输出值Y间的非线性关系，来实现目标的预测功能[26]。在MLP中，第j层第i个神经元的输出为
$$ h_i^j=f^{{j}}\left(\sum_{k=1}^{U^{{j}-1}} x_k^{{j}-1} {\boldsymbol{W}}_{k i}^j+b_{{i}}^{{j}}\right) $$ (2) 式中：$ f^j(\cdot )$为第j层激活函数；${{x}}_{{k}}^{{{j-1}}} $为第$j-1 $层第k个神经元的输出值； ${\boldsymbol{W_{ki}^j }}$为从第$j-1 $层第k个神经元到第j层第i个神经元的权重；$b_i^j $为第j层第i个神经元的偏置项。
在模型训练过程中，常用损失函数来衡量模型预测结果与实际观测值之间的差异。
$$L({{\boldsymbol{W}}}, {{b}})=\frac{1}{N} \sum_{k=1}^N\left(y_k-{{\hat y}_{{k}}}\right)^2+\lambda \sum_j\left\|\boldsymbol{W}^{j}\right\|^2_ 2 $$ (3) 式中：$L({\boldsymbol{W}},b) $为损失函数，W为权重矩阵，b为偏置项；$y_k $为第k个样本的真实值；N为样本总个数；${{{\hat y}}}_{{k}} $为模型的预测输出；$\lambda $为正则化系数；$\|{{\boldsymbol{W}^j}}\|^2_2 $为第j层权重矩阵的欧几里得范数的平方。
2.4.3 全局风流参数获取
借助三维仿真系统建立通风系统三维仿真数据集，训练测试AI算法模型，风流参数监测系统测得的风流参数作为通风网络AI算法模型的实时输入值，通过智能感知获取井下各生产作业区域及主要巷道风流参数，实时监测数据与风流感知数据共同构成金属矿山的全局风流参数，实现对井下各主要进回风工作面及关键巷道的全面实时监测。这有助于实时掌握井下风流参数的动态变化，为动态智能调控策略的制定提供科学依据。全局风流参数的完整获取步骤如图5所示。
2.5 模型性能评估
为评价感知模型预测性能，选取决定系数$ {R^2} $、平均绝对误差、平均绝对百分比误差和均方根误差作为评价指标。$ {R^2} $是评估风流参数智能感知模型拟合程度的重要指标，其值越接近1，表明模型的拟合效果越佳。平均绝对误差表示预测值与实际值之间的平均绝对误差，数值越小，表明感知模型的预测精度越高。平均绝对百分比误差用于衡量预测值与实际值之间的相对误差，平均绝对百分比误差较低表示模型的预测结果与实际值更为接近，误差较小。均方根误差反映了预测值与实际值之间的误差波动，均方根误差越小，说明感知模型总体预测精度越高。
3. 案例应用
为验证所提方法的有效性，本研究以某金属矿山通风系统为研究对象，通过实际工程案例进行应用分析。
3.1 工程概况
某金属矿山采用两翼对角抽出式通风系统，新鲜风流由Ⅱ号矿体北段的北进风管缆井、Ⅱ号矿体南段的南进风井、辅助斜坡道进入，经各中段石门巷道、辅助斜坡道联络道、中段运输巷道、中段穿脉巷道、人行通风井进入各采场，污风汇入到上中段回风巷道，再经安装在东回风井口的矿用对旋式轴流通风机和西回风井井口的矿用对旋式轴流通风机抽出至地表。与其他金属矿井类似，该作业矿井具有井下机械化操作程度高、作业中段数量多、矿井通风系统结构复杂等特点。通风系统的日常运行调控主要依赖人工操作，难以实时监测全局风流参数，未能实时掌握矿井全局风流的流动情况及灾害辨识。
3.2 建立风流参数监测系统
对某金属矿山矿井通风网络（图6）进行详细分析，并在主要作业区域的进回风巷道选取了21个风流参数监测点及52个风流参数感知点，其中，v为通风网络具体分支的节点。
3.3 建立通风系统仿真数据集
以某金属矿山通风系统为工程背景，设计了91个主要通风机运行工况，包括主要通风机保持恒定电动机转速、单个通风机电动机转速变化及所有主要通风机电动机转速变化等方案。同时，结合矿山所在地的环境条件变化，采集了不同季节条件下地表与井底温湿度、地表大气压等参数，利用三维仿真系统中的自然风压计算模块计算各气候条件下的自然风压，并针对每个自然风压值设计了对应的91个主要通风机运行工况，共形成819个通风网络模拟解算方案。此外，为增强感知模型的泛化能力，还设计了40个异常工况下的通风系统模拟解算方案，分别针对夏季和冬季（地面温度为33，−2℃）的单主要通风机运行工况。对上述方案进行网络参数解算，构建风流参数智能感知模型的训练测试数据集，其中一组方案的模拟试验样本参数见表1。
表 1 通风网络参数解算示例Table 1. Example of ventilation network parameters calculation分支编号 Qi/（m3·s−1） Ri/（10−3N·s2·m−8） Hf/Pa Hn/Pa e1 43.28 6.334 −2.152 0 11.870 00 e2 −17.28 1.067 −0.399 9 −0.318 70 e3 −11.24 1.067 −0.399 9 −0.134 7 e4 −4.363 1.067 −0.399 9 −0.020 31 e5 171.8 6.153 −1.112 0 18.160 00 $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ e831 98.37 0.2018 0 1.953 00 e832 44.71 0.1985 0 0.396 70 3.4 感知模型训练与测试
先对样本数据进行预处理，再随机按8∶2的比例将数据分为训练集和测试集，其中80%的数据用于训练风流参数智能感知模型，20%的数据用于评估该模型的预测性能。在参数调优阶段，通过网格搜索确定了MLP的最佳参数配置。该模型采用双隐含层的全连接结构，其中输入层包含21个节点，每个隐含层包含10个节点，输出层包含52个节点。激活函数使用ReLU，并在每个隐含层后引入了Batch Normalization。学习率设定为
0.00001 ，训练的最大迭代次数为1 000。利用通风网络解算数据对风流参数智能感知模型进行性能评估。结果显示，风流参数智能感知模型的决定系数R²达到0.998，均方根误差为
0.2159 ，平均绝对误差为0.085，平均绝对百分比误差为1.89%。这些指标表明，所提出的风流感知方法在准确性和可靠性方面表现优异，能够在复杂环境中实时智能感知风流参数。风流参数智能感知模型预测值与实际观测值之间的对比情况如图7—图9所示。可看出预测值与实际值之间的吻合度较高，充分验证了模型在风流参数预测方面具备出色性能。
![]()
图 7 感知模型预测值与实际值散点图Figure 7. Scatter graph of predicted vs. actual values of perception model![]()
图 8 感知模型预测值与实际值折线图Figure 8. Line graph of predicted vs actual values of perception model![]()
图 9 感知模型预测值与真实值残差Figure 9. Residual graph of predicted vs actualvalues of perception model为进一步评估感知模型的精确性和泛化能力，对模型进行了多次训练。在反复训练过程中，风流参数智能感知模型指标性能对比结果见表2。可看出这些关键性能指标的变化幅度相对较小，进一步证明了该模型在面对不同数据集时能够维持其预测精度，表现出良好的泛化能力。
表 2 风流参数智能感知模型指标性能对比Table 2. Comparison of performance metrics for intelligent airflow parameters perception model运行次数 R2 平均绝对百分比误差/% 平均绝对误差 均方根误差 1 0.999 6 1.357 4 0.051 2 0.093 1 2 0.999 6 1.205 1 0.050 0 0.090 0 3 0.999 3 1.710 4 0.068 7 0.121 6 $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ 98 0.999 5 1.406 3 0.061 7 0.103 4 99 0.999 6 1.244 2 0.049 1 0.094 4 100 0.999 1 1.487 0 0.062 6 0.146 6 3.5 运行效果分析
该金属矿山目前已经完成通风系统智能化建设，搭建了智能通风系统管控平台，该平台主要包括风流监测、视频监控、火灾监测、三维可视化等模块，如图10所示。其中风流监测模块包含风流参数监测系统和风流参数智能感知系统，实现了该金属矿井的实时风流参数智能感知。
![]()
图 10 某金属矿智能通风系统管控平台主界面Figure 10. Main interface of management platform of intelligent ventilation system for a metal mine通过风流参数监测系统，可以实时显示各监测点的风流参数，准确反映井下风流的变化趋势（图11）。此外，该系统还支持数据的连续记录和分析，为通风系统的动态调整提供依据，从而确保矿井内部环境的安全性和稳定性。
风流监测数据和感知数据均为实时风流参数，如图12所示，通过利用实时监测数据，风流参数智能感知模型可以实时感知井下各生产作业区域及主要巷道的风流参数。
智能通风系统感知效果如图13所示，可看出感知数据的平均误差控制在5%以内，井下风流参数感知值与现场实测值基本一致。评估结果表明，该模型在全局风流参数感知方面展现了良好的稳定性和可靠性，能够满足工程实践的需求。
![]()
图 13 智能通风系统感知效果验证Figure 13. Verification of perception performance of intelligent ventilation system风流参数监测值和感知值为智能控制系统提供了实时的风流参数依据，系统根据井下交接班时间、设备检修时间及风量需求，动态调整通风机运行状态及风流调节设施，从而优化井下风流分配，及时排出有毒有害气体，改善作业环境。
通过分析不同时间段的数据，系统能够识别风流参数的变化规律及潜在异常。这种趋势分析有助于及时调整通风策略，确保矿井空气质量和安全，同时优化能源利用，降低运行成本。此外，系统还可以通过回顾和总结历史数据，统计特定时间范围内的风量数据，为未来通风方案的优化提供数据支持，提升通风系统调控指令的可靠性，助力矿山智能化建设。
4. 结论
1） 采用深度学习MLP算法构建了矿井风流参数智能感知模型。该模型表现出较高的拟合优度和感知精度，其预测风流参数的决定系数R²为0.998，均方根误差为0.215 9，平均绝对误差为0.085。此外，MLP作为该感知模型的基础框架，具有较强的通用性，可推广应用于其他矿山的风流参数预测任务。
2） 提出了一种基于有限数量传感器数据的矿井风流参数智能感知方法。该方法利用风流参数监测系统采集的风流信息作为 AI 算法模型的输入，实现对矿井全域风流分布的实时感知。通过智能感知可有效解决矿井全局风流参数实时获取的关键技术难题。
3） 应用三维仿真系统模拟了某金属矿山在不同通风机运行工况、不同自然风压状态下的矿井风流流动参数，建立了AI算法模型的训练测试数据集。经训练的风流参数智能感知模型在预测矿井生产作业区域及主要巷道的风流参数时，平均误差控制在5%以内，精度较高。
-
![]()
图 2 基于OCSVM的电气设备信号划分结果
Figure 2. Signal classification results of electrical equipment based on OCSVM
表 1 矿用防爆电动机技术参数
Table 1 Technical specification of mine explosion-proof motor
参数 值 参数 值 额定电压/V 380 同步转速/（r·min−1） 1 440 额定电流/A 11.37 额定转速/（r·min−1） 1 460 额定频率/Hz 50 效率/% 89.6 额定功率/kW 5.5 功率因数 0.82 额定转矩/(N·m) 36.48 电源频率/Hz 50 
下载: 导出CSV
-
[1] 雷志鹏,姜宛廷,门汝佳,等. 矿用三元乙丙橡胶高压电缆绝缘老化机理及状态评估技术研究进展[J]. 工矿自动化,2023,49(9):167-177. LEI Zhipeng,JIANG Wanting,MEN Rujia,et al. Research progress on insulation aging mechanism and condition evaluation technology of mining EPDM high-voltage cables[J]. Journal of Mine Automation,2023,49(9):167-177.
[2] 刘思莉,张宇,刘军. 地下储气库生产站场防爆电气设备使用与管理[J]. 石油化工安全环保技术,2022,38(6):42-44,7. LIU Sili,ZHANG Yu,LIU Jun. Use and management of explo-sion-proof electrical equipment in production sites of underground gas storage[J]. Petrochemical Safety and Environmental Protection Technology,2022,38(6):42-44,7.
[3] 罗振敏,王晓悦,丁旭涵,等. 碳氢−生物表面活性剂在电解质加载下的降尘及防爆性能研究[J]. 中国安全生产科学技术,2023,19(增刊2):166-173. LUO Zhenmin,WANG Xiaoyue,DING Xuhan,et al. Study on dust reduction and explosion-proof performance of hydrocarbon-bio surfactants under electrolyte loading[J]. Journal of Safety Science and Technology,2023,19(S2):166-173.
[4] LAIB DIT LEKSIR Y,GUERFI K,AMOURI A,et al. Detection of electrical fault in medium voltage installation using support vector machine and artificial neural network[J]. Russian Journal of Nondestructive Testing,2022,58(3):176-185. DOI: 10.1134/S1061830922030081
[5] ZOU Xin,LYU Rongxin,LI Xinyan,et al. Intelligent electrical fault detection and recognition based on gray wolf optimization and support vector machine[J]. Journal of Physics:Conference Series,2022,2181(1). DOI: 10.1088/1742-6596/2181/1/012058.
[6] SHI Wenyun,REN Xiaoming. Electrical fault detection equipment based on infrared image fusion[J]. Procedia Computer Science,2022,208:509-515. DOI: 10.1016/j.procs.2022.10.070
[7] CHELLAMUTHU S,SEKARAN E C,ANNAMALAI S,et al. Fault detection in electrical equipment by infrared thermography images using spiking neural network through hybrid feature selection[J]. Journal of Circuits, Systems and Computers,2022, 32(8) . DOI: 10.1142/S0218126623501396.
[8] 刘赫,赵天成,刘俊博,等. 基于深度残差UNet网络的电气设备红外图像分割方法[J]. 红外技术,2022,44(12):1351-1357. LIU He,ZHAO Tiancheng,LIU Junbo,et al. Deep residual UNet network-based infrared image segmentation method for electrical equipment[J]. Infrared Technology,2022,44(12):1351-1357.
[9] 邓军,王志强,王伟峰,等. 基于LSTM−AE−OCSVM的带式输送机火灾监测隐患识别技术[J]. 煤炭技术,2023,42(1):225-229. DENG Jun,WANG Zhiqiang,WANG Weifeng,et al. Hidden danger identification technology of belt conveyor fire monitoring based on LSTM-AE-OCSVM[J]. Coal Technology,2023,42(1):225-229.
[10] 黄宇斐,石新发,贺石中,等. 一种基于主成分分析与支持向量机的风电齿轮箱故障诊断方法[J]. 热能动力工程,2022,37(10):175-181. HUANG Yufei,SHI Xinfa,HE Shizhong,et al. A fault diagnosis method of wind turbine gearbox based on PCA and SVM[J]. Journal of Engineering for Thermal Energy and Power,2022,37(10):175-181.
[11] 闫汇聪,刘德山,陈浪,等. 散度核协同表示与空谱融合特征的高光谱图像分类算法[J]. 计算机应用与软件,2023,40(2):287-295. DOI: 10.3969/j.issn.1000-386x.2023.02.045 YAN Huicong,LIU Deshan,CHEN Lang,et al. A hyperspectral image classification algorithm based on divergence kernel collaborative representation and spatial-spectral fusion feature[J]. Computer Applications and Software,2023,40(2):287-295. DOI: 10.3969/j.issn.1000-386x.2023.02.045
[12] 余柏杨,吕宏强,周岩,等. 基于机器学习的高速复杂流场流动控制效果预测分析[J]. 实验流体力学,2022,36(3):44-54. DOI: 10.11729/syltlx20210168 YU Baiyang,LYU Hongqiang,ZHOU Yan,et al. Predictive analysis of flow control in high-speed complex flow field based on machine learning[J]. Journal of Experiments in Fluid Mechanics,2022,36(3):44-54. DOI: 10.11729/syltlx20210168
[13] 金长宇,于佳强,王强,等. 基于集成学习CatBoost优化模型的爆堆大块率预测[J]. 东北大学学报(自然科学版),2023,44(12):1743-1750. JIN Changyu,YU Jiaqiang,WANG Qiang,et al. Prediction of blasting fragment large block percentage ratio based on ensemble learning CatBoost model[J]. Journal of Northeastern University(Natural Science),2023,44(12):1743-1750.
[14] 花靖,蒋秀,于超,等. 基于改进型SVM算法的气液两相流持液率计算模型[J]. 西安石油大学学报(自然科学版),2022,37(6):103-110,118. DOI: 10.3969/j.issn.1673-064X.2022.06.014 HUA Jing,JIANG Xiu,YU Chao,et al. Liquid holdup calculation model of gas-liquid two-phase flow based on improved SVM algorithm[J]. Journal of Xi'an Shiyou University(Natural Science Edition),2022,37(6):103-110,118. DOI: 10.3969/j.issn.1673-064X.2022.06.014
[15] 荣统瑞,侯恩科,夏冰冰. 基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法研究[J]. 煤矿安全,2024,55(5):83-92. RONG Tongrui,HOU Enke,XIA Bingbing. Research on prediction method of coal mining face gas outflow based on quadratic decomposition and BO-BiLSTM combination model[J]. Safety in Coal Mines,2024,55(5):83-92.
[16] 师素珍,石贵飞,刘最亮,等. 基于多变量LSTM网络的K2灰岩富水区预测——以阳泉泊里矿区为例[J]. 煤田地质与勘探,2023,51(5):155-163. SHI Suzhen,SHI Guifei,LIU Zuiliang,et al. Predicting the water-yield properties of K2 limestones based on multivariate LSTM neural network:a case study of the Poli Mining Area in Yangquan[J]. Coal Geology & Exploration,2023,51(5):155-163.
[17] 代鑫,胡斌,李京,等. 炭质泥页岩剪切破坏声发射特性及其分形特征[J]. 科学技术与工程,2024,24(12):4909-4915. DAI Xin,HU Bin,LI Jing,et al. Acoustic emission of carbonaceous shale and its fractal characteristics under shear failure[J]. Science Technology and Engineering,2024,24(12):4909-4915.
[18] XU Weihua,BU Qinyuan. Matrix-based incremental feature selection method using weight-partitioned multigranulation rough set[J]. Information Sciences,2024,681. DOI: 10.1016/j.ins.2024.121219.
[19] 王静红,田长申,李昊康,等. 基于拉格朗日对偶的小样本学习隐私保护和公平性约束方法[J]. 计算机科学,2024,51(7):405-412. DOI: 10.11896/jsjkx.230500012 WANG Jinghong,TIAN Changshen,LI Haokang,et al. Lagrangian dual-based privacy protection and fairness constrained method for few-shot learning[J]. Computer Science,2024,51(7):405-412. DOI: 10.11896/jsjkx.230500012
[20] 张先锋. 具终端状态约束的无穷维随机发展方程的线性二次最优控制[J]. 四川大学学报(自然科学版),2024,61(3):75-80. ZHANG Xianfeng. Linear quadratic optimal control problem for stochastic evolution equations with terminal state constraints in infinite dimensions[J]. Journal of Sichuan University(Natural Science Edition),2024,61(3):75-80.
[21] 林韧昊,周清雷,扈天卿,等. 基于决策边界分析的深度神经网络鲁棒性评估与优先次序验证[J]. 计算机学报,2024,47(4):862-876. LIN Renhao,ZHOU Qinglei,HU Tianqing,et al. Robustness evaluation and prioritization verification for deep neural networks via decision boundary analysis[J]. Chinese Journal of Computers,2024,47(4):862-876.
计量
- 文章访问数: 16
- HTML全文浏览量: 2
- PDF下载量: 0
