基于機器學習的通風網絡故障診斷方法研究

張浪，張迎輝，張逸斌，李左

（1.煤炭科學研究總院,北京 100013；2.煤炭科學技術研究院有限公司 安全分院,北京 100013；3.煤炭資源高效開采與潔凈利用國家重點實驗室,北京 100013）

0 引言

隨著智慧礦山建設和智能化開采的提出，礦井通風亟需向智能化、信息化方向轉變升級[1-3]。研究礦井通風網絡故障診斷對促進礦井通風智能化發展、提高通風系統安全保障能力具有重要意義[4-5]。

目前煤礦通風系統故障診斷方法主要是根據井下各類傳感器監測數據進行分析判斷，只能識別傳感器所在巷道的故障。針對該問題，一些學者將機器學習算法[6-9]應用到煤礦通風系統故障診斷中，取得了一定成果。劉劍等[10-12]提出了基于支持向量機（Support Vector Machine,SVM）的礦井通風系統阻變型故障診斷方法，將風量-風壓復合特征作為SVM的輸入構建診斷模型，提高了故障診斷準確率。周啟超等[13]提出采用改進遺傳算法對SVM 參數進行優化，并用于通風系統故障診斷。黃德等[14]將風量、風壓、節點壓能等7 種特征作為觀測特征進行組合試驗，解決了故障診斷觀測特征冗余無關的問題。劉彥青[15]提出了基于BP 神經網絡的礦井風量預測模型，對待掘巷道摩擦阻力系數進行了預測。

機器學習算法通過對已知數據的學習來預測未知數據，現有通風系統故障診斷方法大多針對1 種機器學習算法進行研究，無法保證所選算法為最優。因此，本文對多種機器學習算法進行分析比較，選擇SVM、隨機森林和神經網絡3 種算法，通過網格搜索和交叉驗證相結合的方法對基于SVM、隨機森林、神經網絡的通風網絡故障診斷模型進行參數尋優，最后采用3 種診斷模型進行實驗和現場驗證。……