礦井通風阻變故障觀測特征組合選擇試驗研究

黃 德，劉 劍，劉 永，李向陽，鄧立軍，劉永紅，黃萍萍，洪昌壽

(1.南華大學 資源環境與安全工程學院，湖南 衡陽 421001；2.遼寧工程技術大學 安全科學與工程學院，遼寧 葫蘆島 125105)

礦井通風系統不僅為井下提供新鮮風流，排出污染空氣和稀釋有毒有害氣體，也在礦井生產安全保障、災害防治、隱患排除及應急救災中有著不可或缺的作用[1-4]。但當礦井通風系統中的巷道發生冒落、片幫等現象時，會導致其斷面積發生持久性變化，從而引起對應風阻發生持久性變化，文獻[5]將這種風阻發生持久性變化的現象稱為礦井通風阻變型故障，并將礦井通風阻變型故障診斷轉換為分類問題，利用支持向量機(SVM)進行求解，獲得了較好的診斷性能。為了避免風量單一特征所產生的不適定性，文獻[6]提出風量與風壓相結合的復合特征阻變型故障位置診斷方法，以多維互補的特征信息提高阻變型故障診斷的準確率。文獻[7-8]針對監控系統無法直接確定阻變故障位置和大小的問題，利用監控系統風速、風壓等監測值進行網絡分析，提出了逐步線性回歸分析法，并根據建立的阻變故障專家系統獲取阻變故障位置及可能發生阻變的原因。文獻[9]根據層次分析法中權重的大小制定了礦井通風網絡異常的判別準則，并利用BP神經網絡和監控系統監測的風速、風壓等數據實現了大平煤礦通風網絡異常的原因判別。文獻[10]針對阻變型故障診斷分類需要故障樣本參與訓練的問題，提出了一種混合編碼方式的自適應進化策略算法，在阻變型故障診斷時不僅可同時進行阻變故障位置和故障量的診斷，也避免了故障樣本的參與，以風量作為特征進行試驗，結果表明基于多目標優化的觀測特征選擇模型的可行性和準確性。文獻[11]分別以風量、風壓單一特征和風量-風壓復合特征作為進化算法的適應函數參數，利用協方差矩陣進化策略方法進行求解，試驗得出風量-風壓復合特征比風量或風壓單一特征獲得更高的阻變故障位置診斷準確率和更低誤差的阻變故障量診斷性能，并指出少量觀測特征也可獲得較高準確率的故障診斷性能。

目前針對礦井通風阻變型故障診斷觀測特征選擇的研究主要集中于風速傳感器布設位置方面。文獻[12]以逐步線性回歸分析方法，確定了引起礦井通風網絡風速傳感器報警的分支集合，確定了角聯結構礦井通風網絡風速傳感器布設方案。文獻[13]為擴大煤礦瓦斯監測子系統的監測范圍，實現對局部瓦斯超限事故的及時預警，提出了一種結合遺傳算法和離散二元粒子群優化算法的傳感器覆蓋模型混合算法，以實現用最少數量的氣體傳感器來預測整個礦井瓦斯體積分數的目標。文獻[14]針對風速觀測點位置進行了優化布設研究，基于鄰域粗糙集屬性約簡算法提出了阻變型故障診斷的風速觀測點位置優化方法，并建立了風速觀測點掃帚布設模型。在礦井通風阻變型故障診斷觀測點選擇方面，單一觀測特征數量和復合特征組合優化選擇方面的研究尚少，導致阻變型故障診斷難免出現以下情況：① 不必要的位置布設觀測點，在一定程度上增加了阻變型故障診斷的成本；② 所有分支或節點作為觀測點易導致觀測點之間出現冗余或不相關特征，限制甚至降低了阻變型故障診斷學習器的性能；③ 當監督學習模型的樣本數量受到限制時，未經優化選擇的觀測特征在訓練和預測過程中容易出現過擬合或欠擬合的現象，從而降低了故障診斷模型的泛化能力，無監督學習模型的種群參數大小隨特征維度的增加而增大，從而導致求解模型的復雜度遞增。

監督學習下的訓練樣本集往往具有高維特征的特點，但并不是所有訓練樣本集的特征都是必須的，甚至存在很多與阻變故障診斷任務無關的特征，特征維度的降低對提高診斷性能具有極其重要的意義[15-17]。為了消除屬性中多余和無關的特征，可使用多種方法對高維特征數據進行適當的分類得以解決，而理論和實踐表明特征選擇是剔除冗余無關特征最為行之有效的方法之一[18-20]。基于此，筆者以最小的觀測點數量和訓練交叉驗證誤差為目標，建立基于多目標優化的觀測特征選擇模型。以基于統計的數據挖掘算法k-近鄰算法(kNN)[21]作為阻變故障診斷方法，非支配排序遺傳算法II(NSGA-II)[22]作為多目標優化求解方法，對礦井通風網絡實例分別對風量單一特征、風壓單一特征、節點壓能單一特征、風量-風壓復合特征、風量-節點壓能復合特征、風壓-節點壓能復合特征和風量-風壓-節點壓能復合特征等7種特征方案進行觀測特征選擇試驗，以未進行觀測點優化選擇和相同觀測點數量下的隨機觀測點位置方案作為對照組，在相同試驗條件下，分別進行監督學習的阻變故障診斷試驗，分析礦井通風阻變故障觀測特征類型、位置及其數量的優劣性。最后通過文獻[10]所提供的無監督學習阻變故障診斷模型對優化選擇的觀測特征方案進行驗證分析。

基于多目標優化的觀測特征選擇模型可有效避免不必要地點安裝傳感器，降低傳感器安裝數量，從而節省礦井通風阻變故障診斷所需成本；在有效剔除冗余或不相關觀測特征后，可提高阻變故障診斷學習器的性能和泛化能力。為礦井通風系統故障診斷觀測特征選擇提供新的理論和方法，可及時發現礦井通風系統中阻變的位置和程度，對保障通風系統可靠性有重要的應用價值，同時為礦井通風實時網絡解算監控系統搭建方案提供決策性依據，在礦井智能通風的實踐中可廣泛應用。

1 故障診斷模型及觀測特征選擇模型

1.1 阻變故障問題及其樣本描述

對于一個礦井通風網絡圖G=(V,E)，V為網絡中節點的集合，其中|V|=m，即V={v1,v2,v3,…,vm}，m為節點數量；E為網絡分支的集合，其中|E|=n，即E={e1,e2,e3,…,en}，n為分支數量。礦井通風阻變故障位置僅考慮分支對應位置，以eλ表示阻變發生的位置，稱為阻變故障位置或故障位置，其中λ為阻變故障位置對應分支編號索引，λ∈[1,n]；以Δrλ表示阻變分支eλ發生故障的阻變故障量，rλ為未發生阻變故障時分支eλ的風阻，其中Δrλ∈(-rλ,+∞)，單位為N·s2/m8。對于整個礦井通風網絡，阻變故障量ΔR=(Δr1,Δr2,…,Δri,…,Δrn)，當Δri=0時，表示分支ei未發生故障，不屬于故障位置，其中i=1,2,…,n。筆者所研究的是單故障源[5]，因此每次僅考慮礦井通風網絡中的一個故障位置進行研究，即Δrλ≠0，Δri=0，且i≠λ，λ及其對應的Δrλ為故障診斷模型的求解變量。以巷道風速轉換的風量q、巷道兩端靜壓差h和節點壓能p作為阻變故障診斷的觀測點，每一個故障位置發生一次阻變故障對應一組觀測值，因此，阻變故障位置診斷訓練樣本T可描述為

(1)

1.2 k-近鄰阻變故障診斷模型

(1)在指定距離度量的情況下，分別計算輸入診斷實例xλ與訓練樣本T中所有樣本的距離；

(2)對所有距離進行排序，找出k個距離最小的點，將所獲得的k個點所組成的鄰域記作Nk(xλ)；

(3)獲取Nk(xλ)中的k個鄰近訓練樣本對應的故障位置ez，其中z∈[1,n]；

(4)從k個故障位置中尋找類別出現次數最多的故障位置，并定義為預測的阻變故障位置eλ，即

(2)

其中，I為指示函數，當ei=ec時，I=1，否則I=0。

筆者以歐式距離作為距離度量，即在求樣本實例之間的距離時，以式(3)進行計算。

(3)

對于阻變故障量回歸診斷，則根據最小均方根誤差(RSME)確定步驟(4)中的最優值Δrλ，即

(4)

其中，Δri為第i個故障位置回歸預測的阻變故障量；Δrc為第c個樣本實例對應的阻變故障量。

由此，根據式(1)的訓練樣本和式(2)可獲得礦井通風阻變故障位置eλ，由式(1)變換所得的阻變故障量訓練樣本和式(4)可獲得對應的礦井通風阻變量，即阻變故障量Δrλ。

1.3 觀測特征選擇模型

設風量觀測點數量為nq，風壓觀測點數量為nh，節點壓能觀測點數量為np，被選擇的觀測點數量分別為nfq，nfh和nfp。在進行觀測特征選擇時，以所有分支的風量、風壓或所有節點的壓能作為候選特征，即nq=nh=n，np=m。以阻變故障位置診斷觀測點選擇為例，最小的觀測點數量和訓練交叉驗證誤差為目標的觀測特征選擇模型可表示為

(5)

(6)

(7)

觀測特征優化選擇模型的編碼為布爾類型，“0”表示未被選擇的觀測點，“1”表示被選擇的觀測點。函數f1為編碼為“1”對應的所有觀測特征進行ncv次交叉驗證的平均誤差，函數f2為求解編碼中非零的數量，可由L0范數表示，但考慮L0范數不易于優化求解，因此使用L2范數進行求解，不僅防止過擬合現象，也可提升觀測特征選擇模型的泛化能力。稱被選擇的觀測點占候選觀測點數量的比例為觀測點覆蓋率，則目標函數f2表示相對觀測點覆蓋率。

試驗過程使用NSGA-Ⅱ多目標優化求解方法求解觀測特征選擇模型，其求解過程如下。

步驟1：模型參數設定和初始化。由礦井通風網絡拓撲信息獲取分支數量n和節點數量m，根據觀測點類型初始化觀測點對應的候選特征數。初始化NSGA-Ⅱ算法的參數，包括最大迭代代數NI，種群大小NG，交叉概率cr，變異概率mr。

步驟2：染色體編碼。由設定的各觀測點類型對應的候選特征數確定編碼長度為M=nq+nh+np，則使用二進制編碼方式得到實數對應的編碼B∈[0,2M-1]。

步驟3：染色體解碼。對二進制編碼B=[b1,b2,…,bnq,bnq+1,…,bnq+nh,bnq+nh+1,…,bnq+nh+np]進行解碼，編碼長度為候選特征長度M=nq+nh+np。解碼原則為：若bl=1，則第l個編碼對應的特征x(l)被選擇，否則不被選擇。染色體解碼過程如圖1所示，其中(a)表示編碼對應的二進制數值，(b)表示假定的一個種群編碼，(c)為以解碼原則獲取特征對應的樣本，樣本總數為N，特征數為(b)中編碼對應實數之和。

圖1 染色體解碼示例

步驟4：適應值計算。將步驟3中所獲取的樣本按訓練集80%，測試集20%的原則進行ncv次交叉分割，利用k-近鄰阻變故障診斷模型進行對所有交叉驗證集進行訓練和預測，通過式(5)計算獲得f1對應的適應值，利用編碼原則及圖1(b)中“1”的數量統計可獲得nfq，nfh和nfp，通過式(6)和式(7)計算得到f2對應的適應值。

步驟5：快速非支配排序。將步驟4中計算所得的適應值采用快速非支配排序方法得到多樣的非優劣解[22]，將種群中的個體調配到不同的非優劣支配前沿集合中，根據適應值之間的差異性計算出個體之間的擁擠度，并通過二進制錦標賽操作求出種群密度最小的個體，從而獲取得到新種群。

步驟6：交叉變異操作。對步驟5所獲取的新種群進行交叉和變異操作，將交叉變異產生的新個體與父代的種群進行合并，進一步得到新種群。

步驟7：終止條件。利用交叉變異后的新種群編碼，根據步驟3解碼原則和步驟4適應值計算方法重新進行適應值計算、快速非支配排序和交叉變異操作，直至達到最大迭代次數，獲取相對最小的f1和f2，以及此時染色體編碼對應的觀測特征。

2 觀測特征組合試驗

為了驗證基于多目標優化的觀測特征選擇模型的可行性和適應性，分別以風量、風壓、節點壓能3種單一特征和風量-風壓、風量-節點壓能、風壓-節點壓能和風量-風量-節點壓能4種復合特征作為特征選擇方案，進行觀測特征選擇組合試驗。

2.1 試驗實例

使用文獻[5]中的多源多匯礦井通風網絡作為試驗實例，如圖2所示，其中|V|=71，|E|=100，e1和e2為進風井分支，e9，e39和e78為回風井分支。1，2，3號主要通風機分別安裝在e39，e9和e78分支對應的回風井末端，特性方程分別為

圖2 試驗礦井通風網絡實例

式中，h1,h2,h3分別為1,2,3號風機的靜壓。

以文獻[5]中表4對應的風阻作為礦井通風網絡實例的初始風阻，在未發生阻變故障的情況下，1號風機的工況風量為205.95 m3/s，風壓為2 350.97 Pa；2號風機的工況風量為65.11 m3/s，風壓為2 131.98 Pa；3號風機的工況風量為203.61 m3/s，風壓為2 644.41 Pa。

假設故障位置不包括源匯對應的分支，根據式(1)描述的樣本，針對試驗礦井通風實例的每條潛在故障位置進行不同程度的500次阻變故障模擬，獲得對應的故障訓練樣本。

2.2 試驗設計

考慮有風門或風窗等構筑物的巷道風阻降低的概率較大，其對應的潛在故障位置樣本中90%阻變范圍為[0.01r,0]，10%的阻變范圍為[0,2.1r]。而對于無構筑物巷道發生風阻增大的概率較大，其對應的潛在阻變分支樣本90%阻變范圍為[0,201r]，10%的阻變范圍為[0.9r,0]。共設計7組試驗方案，具體描述見表1，每組試驗方案均對應一個對照試驗組，分別以全部候選、優化選擇和相同維度的隨機特征作為觀測點進行比對試驗。

表1 觀測特征組合試驗方案

由礦井通風網絡試驗實例可知，候選觀測特征維度最小為71，最大為271，樣本數量為47 500，故障位置類別數為95。試驗包括試驗準備、阻變模擬、觀測特征選擇和驗證4個階段，觀測特征組合試驗的流程如圖3所示。

試驗準備階段包括礦井通風網絡拓撲檢查和模型參數設定，根據對不同試驗方案獲取候選觀測點類型和數量的多次試驗測試，設定模型參數的最大迭代次數為1 000，種群大小為觀測候選特征維度的2倍，交叉概率為0.95，變異概率為0.01，風量精度為0.001 m3/s，風壓精度為0.1 Pa，k為3，交叉驗證次數ncv為3。阻變模擬即樣本構造階段，通過隨機不重復地改變指定故障位置的風阻大小進行仿真模擬，根據候選觀測點類型獲取阻變故障樣本。為了確保樣本的多樣性和均衡性，訓練樣本按潛在故障位置編號升序方式進行重排后，每間隔400個樣本隨機選取一個樣本進行樣本重組，并選擇其中的80%作為交叉驗證集，剩余的20%作為測試集。對交叉驗證集進行3折交叉分割得到S1，S2和S3三個訓練子集，分別以S1，S2和S3作為交叉驗證測試集，其他2項作為訓練集進行訓練和預測即可計算平均交叉驗證誤差。利用k-近鄰阻變故障診斷模型和基于多目標優化的觀測特征選擇模型對樣本進行訓練和最優求解可得到被選擇的觀測點。利用選擇的觀測點，對相同的樣本進行訓練，并以剩余的20%樣本作為測試集進行阻變故障位置診斷和阻變故障量預測驗證試驗，同時以相同的特征作為適應值參數，利用混合編碼的自適應進化策略算法進行無樣本模型驗證試驗，分析驗證試驗結果的精度和誤差以驗證阻變故障診斷模型的準確性和觀測特征選擇模型的可行性。

3 試驗結果分析

3.1 觀測特征優化選擇結果

通過比較不同樣本比例與訓練和交叉驗證準確率之間的關系，確定試驗樣本數量是否達到訓練的需求，每組方案均以樣本數的10%～100%進行隨機均衡選擇和三折交叉分割，得到如圖4所示的試驗結果，其中橫坐標為訓練樣本比例，左側縱坐標為表示訓練或交叉驗證準確率，右側縱坐標為訓練時間。

不同樣本比例模型復雜度與預測能力關系的試驗結果顯示，方案Ⅰ中所有分支的風量作為候選特征時，0.3的樣本比例即可達到90%以上平穩的交叉驗證準確率和95%的訓練準確率，直到100%樣本的驗證準確率未超過91%，訓練準確率穩定保持在95%，診斷準確率高于文獻[5]支持向量機阻變故障診斷模型的78.11%。方案Ⅱ中所有分支的風壓作為候選特征時，即使0.1的樣本比例也可達到96%以上的交叉驗證準確率和100%的訓練準確率。方案Ⅲ中所有節點的壓能作為候選特征時，0.3的樣本比例可達到92%以上的交叉驗證準確率和100%的訓練準確率，當樣本比例超過0.6時，驗證準確率穩定保持在96%～98%。方案Ⅳ中所有分支的風量和風壓作為候選特征時，0.1的樣本比例樣本數為4 750，可達到97.5%以上的交叉驗證準確率和100%的訓練準確率，略低于文獻[6]樣本數量23 550時，使用支持向量機的98.23%準確率。方案Ⅴ中所有節點的壓能和分支的風量作為候選特征時，0.4的樣本比例可達到96%以上的交叉驗證準確率和100%的訓練準確率，當樣本比例超過0.4時，驗證準確率穩定保持在96%～98%。方案Ⅵ中所有節點的壓能和分支的風壓作為候選特征時，訓練和交叉驗證準確率與方案Ⅲ的結果保持相同趨勢。方案Ⅶ中所有節點的壓能和分支的風壓和風量作為候選特征時，訓練和交叉驗證準確率與方案Ⅴ的結果保持相同趨勢。

綜上所述，當樣本比例增加時，模型的訓練準確率均保持較高且穩定的狀態，交叉驗證準確率先快速增大而后保持穩定狀態，樣本數量達到模型預測的需求。由圖4中平均訓練時間與樣本比例的關系可知，訓練時間與樣本比例(模型復雜度)呈線性遞增的關系，在故障診斷過程中應綜合考慮預測能力與模型復雜度確定樣本數量。筆者為了便于組合方案測試分析，組合特征選擇所涉及試驗的樣本數均為47 500，即總數的100%樣本作為訓練和交叉驗證樣本進行試驗。

統計所有試驗方案的不同樣本比例平均訓練時間，結果如圖5所示。試驗結果顯示，無論樣本比例如何變化，方案Ⅳ所需要的訓練時間最大，即模型復雜度最大，預測能力結果(圖4)顯示，此方案對應的預測能力最強。方案Ⅲ所需要的訓練時間最少，單其預測能力強于方案Ⅰ的預測能力。方案Ⅰ、方案Ⅱ和方案Ⅶ的訓練時間保持一致，方案Ⅴ和方案Ⅵ的訓練時間保持一致，均高于方案Ⅲ和低于方案Ⅳ的訓練時間。

因此，在未進行特征優化選擇時，平均訓練時間與觀測點類型數無明顯關系，但2種觀測點類型方案中有節點壓能觀測點類型參與診斷的訓練時間均較少，而模型復雜度與預測能力并非呈遞增關系。因此，礦井通風阻變故障觀測點類型及組合方案有優化選擇的空間。

使用式(5)～(7)基于多目標優化的觀測特征選擇模型對所有試驗方案分別進行觀測點多目標優化選擇試驗，其求解的Pareto解集如圖6所示，其中橫坐標表示10倍的相對觀測點覆蓋率，縱坐標表示10倍的平均交叉驗證誤差。結果顯示，Pareto解集分布較平滑而均勻，要得到更低的交叉驗證誤差，需要有更多的觀測點布設，但當觀測點覆蓋率達到一定量級時，交叉驗證誤差趨于平穩，即交叉驗證誤差不受觀測點覆蓋率的支配。所有方案試驗結果的相對觀測點覆蓋率均小于0.5，即理論觀測點數應為候選觀測點的一半以下，其對應的交叉驗證誤差均小于0.2，在相同觀測點覆蓋率的情況下方案Ⅳ可獲得更低的交叉驗證誤差，方案Ⅰ對應的交叉驗證誤差最高，交叉驗證誤差排序為方案Ⅳ<方案Ⅶ<方案Ⅴ<方案Ⅱ<方案Ⅲ<方案Ⅵ<方案Ⅰ，與未進行觀測點選擇的故障診斷結果保持一致，如圖4所示，由此可說明阻變故障診斷準確率與觀測特征類型存在著密切的關系。

圖6 不同方案Pareto解集

以0.05為步長，選擇Pareto解集中相對觀測點覆蓋率0.05～0.40對應的被選觀測特征，利用各試驗方案中剩余的20%測試集進行k-近鄰阻變故障診斷試驗，得到結果如圖7所示。結果表明無論觀測特征類型及其組合方式如何變化，相對觀測點覆蓋率低于0.2時，與測試準確率呈遞增關系，高于0.2時其對應的準確率保持穩定不變。對于確定的特征類型或組合特征類型，其觀測點覆蓋率高于0.2后，隨觀測點覆蓋率的增加，其準確率未見明顯提高趨勢，即故障診斷準確率收斂于穩定的狀態，風量特征類型對應的測試準確率收斂于90%，其他觀測點類型和組合方式收斂于98%，與相同樣本不進行觀測特征選擇方案的交叉驗證準確率接近。因此，無論觀測點類型如何變化，僅需候選觀測點數量的20%左右即可獲得與觀測點覆蓋率為100%對應的故障診斷準確率。

圖7 觀測點覆蓋率對測試準確率的影響

3.2 監督學習模型驗證結果

以所有觀測點作為特征，即觀測點覆蓋率為100%的方案作為試驗對照組，以k-近鄰阻變故障位置診斷訓練集的交叉驗證誤差最接近且不大于對照組誤差的方案作為驗證組，以與驗證組具有相同觀測點覆蓋率為0.2的隨機觀測特征方案作為試驗組，分別進行監督學習模型阻變故障位置和阻變故障量診斷試驗分析，試驗結果分別如圖8,9所示。阻變故障位置診斷模型試驗結果顯示，各試驗方案中驗證組與對照組具有相同且大于90%的阻變故障位置診斷準確率，試驗組故障診斷準確率均低于90%，且不同觀測點類型其準確率不穩定；而驗證組與試驗組的訓練時間保持一致，對照組的訓練時間為驗證組的3～10倍不等。以用于評價回歸模型優劣程度的R2作為阻變故障量回歸預測評價指標。阻變故障量回歸預測試驗中驗證組和對照組的R2保持在0.99，試驗組最高R2也可達到0.99，最低低于0.8；驗證組與試驗組具有相同的觀測點覆蓋率，試驗過程中訓練時間相同，且受到觀測點類型變化的影響較小，對照組的訓練時間為驗證組的6～10倍。綜上，觀測點優化選擇后20%的觀測點覆蓋率可達到觀測點覆蓋率100%的阻變故障位置診斷準確率和阻變故障量回歸預測R2，訓練時間可縮短60%，甚至可縮短至90%，說明觀測特征優化選擇在確保故障診斷性能的情況下，很大程度上降低了阻變故障診斷模型的復雜度。隨機選擇的觀測點位置也有一定概率會獲得較高的故障診斷性能，但故障診斷性能難以保持穩定的狀態，試驗結果與文獻[14]使用粗糙集進行特征選擇的結果保持一致。

圖8 監督模型k-近鄰阻變故障位置對比分析

圖9 監督模型k-近阻變故障量對比分析

3.3 無樣本模型驗證結果

為了驗證觀測特征優化選擇的有效性，以監督學習模型的觀測特征作為無樣本模型的適應值參數，在相同試驗參數設置的條件下，利用混合編碼自適應進化策略算法對驗證組、對照組和試驗組分別進行阻變故障位置診斷和阻變故障量回歸預測一體化試驗，試驗結果如圖10所示。結果顯示對照組的故障診斷準確率集中于95%，驗證組結果在80%～90%，試驗組低于50%～70%。對于阻變故障量回歸預測的R2，驗證組除風量單一特征為0.86外，其他方案所選擇的特征均高于0.95，對照組除風量、風壓和節點壓能綜合特征為0.82外，其他方案結果均高于0.95，試驗組保持在0.90～0.95。因此，基于多目標優化的觀測特征選擇模型得到的優化特征同樣適用于無樣本模型，說明利用觀測特征選擇模型進行阻變故障特征選擇所得的結果具有一定的有效性和可靠性，但未完全剔除無樣本故障診斷模型中的冗余和不相關特征，仍有優化提升的空間。

圖10 無樣本模型驗證對比分析

通過保持無樣本模型的種群大小和迭代次數等參數不變，對所有試驗方案的不同觀測點覆蓋率分別進行試驗，得到如圖11(a)～(g)所示阻變故障位置診斷時間消耗與觀測點覆蓋率的結果，通過控制其他參數不變，改變種群大小進行試驗，得到如圖11(h)所示阻變故障位置診斷時間消耗與種群大小關系結果。由觀測點覆蓋率、種群大小與無樣本模型阻變故障位置診斷所消耗時間的試驗結果可知，在相同種群大小的條件下，觀測點類型的變化和觀測點覆蓋率的增加并不會導致模型復雜度的改變，但是種群大小與模型復雜度呈線性遞增的關系，試驗結果與文獻[10]和[11]一致，且文獻研究表明模型復雜度的增加很大程度上會提升模型的故障診斷準確率和降低診斷誤差。因此，在實際應用時需綜合考慮模型復雜度與故障診斷的性能，同時對于無樣本模型可適量增加觀測點覆蓋率。

圖11 無樣本模型特征類型與預測時間消耗關系

4 結 論

(1)建立了礦井通風阻變故障觀測特征組合優化選擇方案，提出了一種基于多目標優化的觀測特征選擇模型，在降低觀測點數量的同時，確保故障診斷監督模型和無監督模型的診斷性能。

(2)組合觀測點類型的布設方案更利于進行阻變故障診斷，在條件允許的情況下，監督阻變模型不宜單獨將風速傳感器作為觀測特征。

(3)觀測點優化選擇后20%的觀測點覆蓋率可達到未進行優化選擇的阻變故障位置診斷準確率和阻變故障量回歸預測性能，訓練時間可縮短60%～90%，觀測特征優化選擇在確保故障診斷性能的情況下，很大程度上降低了阻變故障診斷模型復雜度。隨機選擇的觀測點位置也有一定概率會獲得較高的故障診斷性能，但故障診斷性能難以保持穩定狀態。

(4)多目標觀測特征選擇方法所確定的觀測點布設方案對無樣本模型仍有效，但在實際應用時需綜合考慮模型復雜度與故障診斷的性能，同時對于無樣本模型可適量增加觀測點覆蓋率。